Esquema para explicar a forma da divergência, não uma medição. Os dois achados que a sustentam, ganho de tarefa em experimentos de campo e efeito nulo em registros administrativos, estão citados no texto.

Quase toda conversa sobre IA e competências começa pela pergunta errada: quais profissões acabam. É uma pergunta confortável porque não obriga ninguém a fazer nada esta semana, e é uma pergunta com histórico ruim de acerto.

A pergunta com evidência é outra: qual parte de cada trabalho muda de dono, e quem fica com o tempo que sobra. E aqui existem dois conjuntos de dados que raramente aparecem juntos, porque contam histórias opostas.

O primeiro é o dos experimentos de campo, e ele é impressionante. O segundo é o dos registros administrativos de folha de pagamento, e ele é vazio. A distância entre os dois é o assunto deste texto.

O ganho é real, e é desigual de um jeito específico

Num quase-experimento com 5.179 atendentes de suporte, publicado no Quarterly Journal of Economics, a implantação escalonada de um assistente de IA aumentou em 14% os problemas resolvidos por hora. A média esconde o achado importante.

Ganho de produtividade por nível de experiência

Brynjolfsson, Li e Raymond, 2025. O ganho vai quase todo para quem sabe menos. Uma leitura possível, e desconfortável: o sistema aprendeu com o comportamento dos melhores atendentes e passou a distribuí-lo, o valor foi extraído do sênior e capturado pela empresa.

Esse padrão se repetiu no experimento com 758 consultores da BCG: dentro do conjunto de tarefas em que o modelo é competente, a metade de pior desempenho ganhou 43% e a metade de melhor desempenho, 17%. É a evidência que sustenta o discurso de "a IA democratiza a competência".

Só que o mesmo experimento produziu o número que ninguém cita. Em tarefas fora da fronteira de capacidade do modelo, desenhadas para parecer semelhantes, mas exigindo um tipo de raciocínio que o modelo não faz ,, quem usou IA foi 19 pontos percentuais menos propenso a chegar à resposta certa do que quem trabalhou sem ela. Não neutro: pior.

E existe um experimento que inverte completamente o sinal do primeiro. Com empreendedores no Quênia, o assistente melhorou em 15% o desempenho dos que já iam melhor e piorou em 8% o dos que iam pior. O oposto do resultado do suporte ao cliente, na mesma tecnologia.

A regra que explica as duas metades

Quando dois experimentos sérios dão resultados opostos, ou um deles está errado ou falta uma variável. Aqui falta uma variável, e ela é a mais útil de tudo isto para quem precisa decidir onde investir em formação.

No suporte ao cliente, o output é verificável em segundos: o cliente resolveu ou não resolveu. O novato não precisa julgar se a sugestão é boa, o mundo julga por ele, imediatamente. No caso do empreendedor, a sugestão só se prova certa ou errada meses depois, e quem não tem repertório aceita a resposta plausível.

Quanto mais verificável a tarefa, mais o novato ganha. Quanto mais ela exigir julgar se o resultado está certo, mais o experiente ganha, e mais o novato perde. Isso não é uma opinião sobre o futuro do trabalho; é a leitura conjunta de dois experimentos com desenho sério.

A adoção acontece de baixo para cima, individualmente, e por isso o estágio 1 é invisível para quem decide. O estágio 2 nunca é decidido: é omitido. E o estágio 3 aparece como problema de qualidade, de sucessão ou de custo, nunca como problema de IA.

A tecnologia decide quanto tempo sobra. Ela não decide de quem é esse tempo, e é essa segunda decisão que aparece no resultado.

E o efeito agregado, até agora, é zero

Aqui está o dado que deveria estar em toda apresentação sobre IA e não está em nenhuma. Um estudo com registros administrativos dinamarqueses, 25 mil trabalhadores, 7 mil locais de trabalho, 11 ocupações expostas, dois anos depois da chegada dos modelos de linguagem, encontrou efeito estatisticamente indistinguível de zero sobre ganhos e horas trabalhadas. Os intervalos de confiança excluem qualquer efeito maior que 2%.

No mesmo estudo, 19% dos usuários que tinham apoio pleno do empregador relatam poupar mais de uma hora por dia. As duas coisas são verdadeiras ao mesmo tempo: o tempo foi poupado e o tempo evaporou.

O contraponto macro segue a mesma direção. A estimativa mais citada do lado cético calcula que toda a IA generativa acrescente 0,66% à produtividade total dos fatores dos Estados Unidos ao longo de dez anos, cerca de 0,06% ao ano, e o próprio autor chama isso de limite superior. Não é medição, é modelagem, e as premissas fazem o resultado. Mas um texto que cita o +14% sem citar o +0,66% não é evidência: é campanha.

Onde essa tese tem limite

Tudo o que citei de positivo é ganho de tarefa, em janela curta

Nenhum dos experimentos mede lucro, receita ou quadro de pessoal. Todos usam tarefas escolhidas pelos pesquisadores, em janelas de horas a semanas. E o efeito encolhe quando se sai do laboratório: no estudo mais controlado sobre assistente de programação, o ganho é de 55,8% com 35 desenvolvedores em tarefa padronizada e cai para cerca de 26% num experimento de campo com 4.867 desenvolvedores. Não é possível afirmar que a IA aumenta a produtividade das empresas. É possível afirmar que ela aumenta a produtividade em tarefas específicas, e que o destino do tempo poupado é decisão de gestão ainda não observada em dado nenhum.

O campo é financiado por quem vende a tecnologia

O experimento do assistente de programação foi conduzido com participação da empresa que o vende. O dos consultores, dentro da consultoria estudada. O estudo mais citado sobre exposição ocupacional tem três autores da empresa que fabrica o modelo. Nenhuma empresa abre os dados de um piloto que fracassou. O pré-registro é defesa parcial, não anulação. Digo isso sabendo que também me beneficio profissionalmente de o assunto parecer importante.

"Comprimir a escada de senioridade" ainda é hipótese, não achado

Se o ganho vai para o novato em tarefas verificáveis, a consequência lógica é cortar as vagas de entrada, e destruir o mecanismo pelo qual as pessoas viram sêniores. Existe um sinal: uma análise de folha de pagamento americana com milhões de registros encontra emprego 19% menor entre jovens de 22 a 25 anos em ocupações expostas, por redução de contratação. Os próprios autores dizem que é descritivo, que há tendências anteriores ao ChatGPT, que a amostra é enviesada e que o padrão não se reproduz em outra base. E não existe nenhum estudo medindo se remover as tarefas simples prejudica a formação de expertise. Esse elo é teórico, e escrevo-o como hipótese.

O que descartei

Descartei "65% das crianças de hoje trabalharão em profissões que ainda não existem": não tem fonte primária, é atribuída a um relatório de 1999 que não contém a afirmação, e a cadeia de citação termina em nada. Descartei "X% dos empregos serão automatizados" como classe inteira de afirmação, Frey e Osborne chegaram a 47% contando ocupações; ao refazer a conta por tarefas, com dados comparáveis, o resultado foi 9%. Cinco vezes de diferença apenas pela troca da unidade de análise. Descartei as projeções de trilhões de dólares de consultoria, produzidas sem método replicável por quem vende o serviço. E das pesquisas do Fórum Econômico Mundial só uso o enunciado correto: empregadores esperam que 39% das competências mudem até 2030, é expectativa declarada em survey, não medição de nada.

Como transformar isso em rotina

Cinco decisões. Nenhuma delas é sobre escolher ferramenta.

A tecnologia já fez a parte dela. O que falta é a parte que sempre foi de gestão, e que nenhuma ferramenta vai tomar no lugar de ninguém.

Sua equipe está economizando horas com IA. Alguém decidiu de quem são essas horas?

Fontes

  1. 01Brynjolfsson, Li e Raymond. Generative AI at Work, Quarterly Journal of Economics, 2025, 140(2), 5.179 atendentes de suporte, implantação escalonada. +14% na média; +34% para os menos experientes; efeito próximo de zero para os mais experientes. Quase-experimento em uma única empresa, sem replicação independente.
  1. 01Dell'Acqua, McFowland, Mollick et al. Navigating the Jagged Technological Frontier, Harvard Business School / Organization Science, 2023,2025, experimento randomizado com 758 consultores. Dentro da fronteira: +12,2% em volume, +25,1% em velocidade, +40% em qualidade; metade inferior +43%, metade superior +17%. Fora da fronteira: 19 pontos percentuais a menos de acerto.
  1. 01Otis, Clarke, Delecourt, Holtz e Koning. The Uneven Impact of Generative AI on Entrepreneurial Performance, Management Science, 2025, experimento randomizado com empreendedores no Quênia. +15% para os de melhor desempenho; −8% para os de pior. Diferença de 0,27 desvio-padrão.
  1. 01Humlum e Vestergaard. Large Language Models, Small Labor Market Effects, NBER Working Paper 33777, 2025, registros administrativos dinamarqueses, 25 mil trabalhadores, 7 mil locais, 11 ocupações. Intervalos de confiança excluem efeitos maiores que 2% sobre ganhos e horas; 19% dos usuários com apoio pleno relatam poupar mais de uma hora por dia.
  1. 01Acemoglu. The Simple Macroeconomics of AI, NBER Working Paper 32487 / Economic Policy, 2024,2025, 0,66% de produtividade total dos fatores em dez anos nos EUA; 0,93% a 1,16% de PIB. Modelagem, não medição; o autor declara as premissas como especulativas e o resultado como limite superior.
  1. 01Peng et al. sobre assistente de programação (35 desenvolvedores, +55,8%, intervalo de 21% a 89%) e Cui et al. em experimento de campo (4.867 desenvolvedores, cerca de +26%). Ambos com participação das empresas fornecedoras.
  1. 01Arntz, Gregory e Zierahn. The Risk of Automation for Jobs in OECD Countries, OECD Social, Employment and Migration Working Paper 189, 2016, reestimativa por tarefas com dados do PIAAC: 9% em 21 países, contra os 47% de Frey e Osborne por ocupação.
  1. 01Cetic.br / CGI.br. TIC Empresas 2025, 4.174 empresas com dez ou mais ocupados, coleta entre fevereiro de 2025 e janeiro de 2026. 17% usam IA (13% na edição anterior); 50% entre as grandes.
  1. 01Brynjolfsson, Chandar e Chen. Canaries in the Coal Mine, Stanford Digital Economy Lab, 2026, folha de pagamento americana, milhões de registros mensais. Emprego 19% menor entre 22 e 25 anos em ocupações expostas, por redução de contratação. Descritivo, com tendências prévias e sem reprodução em base alternativa, usado aqui como hipótese, não como achado.