IA generativa e produtividade: o que as evidências medem — e o que não medem

A promessa de que a IA generativa poupa tempo reduz muitas vezes uma questão complexa a um número simples. No entanto, realizar uma tarefa mais depressa não significa automaticamente aumentar a produtividade. Também importa saber se o resultado é correto, útil e aceitável, e quanto trabalho adicional exige. Se a medição abranger apenas o tempo de execução, a revisão, as correções e as consequências de um erro podem ficar de fora. Assim, um valor relativo à velocidade, por si só, não permite concluir que o processo de trabalho como um todo melhorou. É preciso interpretá-lo em função da tarefa e do trabalho que se segue à primeira produção.

As evidências disponíveis apontam para resultados associados a contextos específicos, não para uma taxa comum a todas as profissões. Por isso, uma afirmação sobre produtividade deve levar a perguntar que tarefa foi estudada, quem a realizou e que resultado foi contado. Publicações académicas e resumos de investigação podem ajudar a responder, mas não substituem a descrição do método nem autorizam a extrapolação para qualquer ferramenta ou empresa. Um resultado pode ser informativo sem ser universal. Interpretá-lo com rigor significa manter visíveis os limites do estudo, em vez de transformar uma observação num contexto específico numa previsão para atividades diferentes.

Um estudo de campo intitulado Generative AI at Work analisa a utilização de assistência de IA generativa num contexto profissional. O título e o facto de ser uma investigação sobre o trabalho distinguem-no de um teste abstrato de capacidades: o tema é a interação entre uma ferramenta e tarefas realizadas por trabalhadores. Ainda assim, um resultado obtido num contexto específico não representa, por si só, todas as profissões, organizações ou sistemas de IA. O facto de o estudo decorrer num local de trabalho define o seu contexto, mas não elimina a necessidade de perguntar que pessoas, tarefas e condições foram abrangidas.

Outra investigação, disponível como pré-publicação no arXiv, relata uma experiência aleatorizada online com 1.174 adultos dos 25 aos 45 anos. Os participantes realizaram uma tarefa de resolução de problemas de tipo profissional, com ou sem assistente de IA, e depois uma atividade sem assistência. O resumo relata melhorias de desempenho com IA para participantes com diferentes níveis de escolaridade e uma redução da diferença de resultados entre grupos na tarefa assistida. Isto descreve um teste delimitado, não uma medição das horas poupadas num dia de trabalho real. A ficha identifica o artigo como submetido em agosto de 2026. As conclusões devem também ser lidas tendo em conta que se trata de uma pré-publicação, e não de uma garantia de consenso científico. A amostra, a sequência das atividades e os resultados relatados definem o que a experiência permite sustentar.

Ao comparar estudos, convém separar pelo menos três perguntas: foi realizado mais trabalho? Foi realizado em menos tempo? A qualidade melhorou? Um resultado favorável numa medida não responde automaticamente às outras. Em particular, uma pontuação superior numa tarefa experimental não permite afirmar que os participantes demoraram menos, a menos que o estudo tenha medido e comunicado esse tempo. O resumo da experiência do arXiv aqui citada relata o desempenho e uma atividade posterior sem IA; o excerto fornecido não apresenta um valor de minutos poupados. Tratar um resultado de desempenho como se fosse um resultado de tempo iria, portanto, além do que consta nesse excerto.

Também é importante distinguir o desempenho com assistência da aprendizagem ou da capacidade de trabalhar sem ela. Na experiência citada, o resumo indica que parte da melhoria dos participantes com menor nível de escolaridade se manteve na atividade posterior sem assistência, embora tenha voltado a surgir uma diferença considerável entre os grupos. Os autores relacionam ainda a melhoria posterior com a utilização intensiva combinada com esforço sustentado. Receber uma resposta útil no momento não é o mesmo que desenvolver uma competência transferível; e um resultado numa tarefa específica não demonstra que o mesmo efeito se repita noutras funções profissionais. Não se devem confundir as duas perguntas: o que a assistência faz durante uma tarefa e o que a pessoa consegue fazer depois sem ela.

Antes de transformar o resultado de um estudo numa expectativa para uma equipa, verifique estes pontos no estudo original:

• Tarefa: reproduz trabalho real ou é uma atividade experimental delimitada?
• Participantes: quantas pessoas participaram e que experiência ou formação tinham?
• Comparação: que grupo ou situação serve de referência?
• Resultado: foram medidos o tempo, a quantidade, a qualidade, as correções ou o desempenho posterior?
• Contexto: que ferramenta foi utilizada e o resultado dependia de instruções ou supervisão específicas?

Nem todos estes detalhes aparecem nos excertos de investigação reunidos aqui, pelo que não devem ser preenchidos com suposições. O documento da Microsoft Research sobre a adoção de IA no trabalho, por exemplo, apresenta um título centrado nas mudanças de adoção e nas atividades de produtividade e comunicação. O material disponível aqui não detalha os seus resultados nem o método; por isso, permite identificar um tema de investigação, mas não atribuir ao trabalho um valor concreto de produtividade. Quando faltam informações metodológicas, a conclusão correta é limitar o que se afirma, em vez de completar a narrativa por analogia. A lista é útil precisamente porque mostra o que seria necessário saber antes de aplicar um resultado fora do seu contexto original.

Para uma organização que queira avaliar uma ferramenta, a abordagem útil não é prometer antecipadamente uma percentagem, mas definir uma comparação que inclua a tarefa completa. Pode registar quanto tempo demora o processo do início ao fim, que proporção do trabalho precisa de correção e se o resultado cumpre critérios de qualidade acordados. Convém comparar tarefas equivalentes e registar quando a IA intervém, quem verifica o resultado e que etapas foram acrescentadas. Considerar o processo completo evita tratar a primeira resposta gerada como se o trabalho já estivesse concluído.

A interpretação deve também ter em conta o custo da supervisão e os riscos de uma resposta incorreta ou inadequada. Uma melhoria de velocidade pode não se traduzir num ganho líquido se a revisão demorar mais ou se aumentarem os erros. Em contrapartida, uma ferramenta pode acrescentar valor ao melhorar os resultados ou facilitar tarefas difíceis, mesmo que reduza pouco o tempo. Estes são critérios para conceber uma avaliação local, não resultados quantificados pelas fontes citadas. A distinção é importante: um plano prático de medição pode ser útil sem fingir que os estudos já fornecem uma resposta universal. Qualquer conclusão local deve continuar ligada às tarefas, aos critérios e ao fluxo de trabalho efetivamente avaliados.

A investigação analisada não justifica uma manchete universal como «a IA poupa X tempo aos trabalhadores». Permite uma conclusão mais limitada: alguns estudos avaliam melhorias de desempenho em tarefas específicas, e uma experiência online relata benefícios com assistência e alterações nas diferenças entre grupos de escolaridade. O alcance de cada conclusão termina quando a tarefa, a população e as condições do estudo deixam de ser comparáveis. Este limite não invalida os resultados; permite dizer com precisão o que um estudo demonstra e o que não demonstra.

Para quem utiliza ou avalia estas ferramentas, a pergunta mais produtiva não é se a IA aumenta a produtividade em abstrato, mas que resultado melhora numa tarefa definida, para que pessoas e com que trabalho adicional de verificação. Se uma fonte comunicar apenas um valor promocional ou um resultado sem explicar a medida utilizada, isso não basta para estimar o efeito noutra função. A cautela não nega que possam existir benefícios: evita apresentar como facto geral aquilo que as evidências disponíveis só sustentam em condições específicas. Uma afirmação bem fundamentada deve identificar o resultado medido e respeitar os limites das evidências, em vez de transformar um resultado contextual numa promessa para todos os locais de trabalho.