Recentemente, estava eu fazendo pesquisas para escrever um artigo e me peguei trocando com a IA por um bom tempo enquanto buscava estudos, ampliava conexões entre o que eu já sabia e os achados da pesquisa e descobria perspectivas que não tinha considerado antes. Em algum momento, percebi que estava gastando mais tempo do que levaria se tivesse feito aquele percurso sozinha. Mas eu estava bem com tudo aquilo, porque o que estava saindo era diferente, mais fundamentado, com conexões que eu não teria feito sem a ferramenta.
Essa percepção me levou a questionar algo que ouço com bastante frequência: a ideia de que usar IA, por si só, significa ser mais produtivo. Essa afirmação circula com bastante confiança em eventos, posts e conversas que participo, mas pela minha experiência, ela é incompleta. Produtividade tem uma definição razoavelmente clara, trazida pelo economista francês François Quesnay, em 1766: a relação entre o que se produz e os recursos utilizados para isso. Na prática, ele definiu como a capacidade de fazer algo utilizando menos esforço, tempo ou matéria-prima. É com essa lente que vale olharmos para o que a IA realmente entrega, ou não entrega, para o nosso trabalho, entendendo que há, pelo menos, dois modos muito diferentes de usar IA, com resultados completamente diferentes.
O primeiro é o uso operacional: organizar e-mails, resumir documentos, estruturar uma ata, automatizar um fluxo repetitivo. Nesse modo, os dados confirmam o que a maioria das pessoas intuiu. Pesquisas do Federal Reserve de 2026 com executivos corporativos registraram uma economia média de 5,4% das horas de trabalho, cerca de 2 horas por semana, chegando a mais de 9 horas para usuários frequentes. Um estudo com funcionários de call center, conduzido por pesquisadores de Stanford e MIT, mostrou ganho de 14% em produtividade em tarefas bem definidas. Aqui, a equação clássica de produtividade se aplica: mais resultado, menos esforço, menos tempo.
O segundo modo funciona de outra forma. Quando uso IA para explorar novos pensamentos, novas ideias, para criticar um argumento, para expandir uma análise sobre um tema que estou desenvolvendo, ela não necessariamente economiza meu tempo. Na minha experiência ela me dá mais trabalho. Costumo imaginar assim: é como se eu entrasse na conversa com a IA com 8 peças de um dominó, que são meu repertório, minhas referências, minha perspectiva sobre aquele assunto. Ao trocar com a IA, ela expande as conexões entre essas peças e me devolve 16. Agora tenho mais para processar, depurar, refinar e questionar, novamente. O trabalho de trazer essas 16 peças de volta para algo com qualidade, visão crítica e autoria real é meu, não da ferramenta, e esse trabalho leva tempo. Às vezes mais tempo do que levaria se tivesse feito o percurso sozinha.
Nesse caso, o resultado é mais rico, mas o esforço e o tempo não diminuíram, pelo contrário, aumentaram. Pela definição que estabelecemos antes, isso não é ganho de produtividade no sentido clássico, concorda? Claro, se eu tivesse usado a IA de modo menos crítico, aceitando a primeira coisa que ela me retornasse, talvez, eu tivesse feito algo com menos tempo, mas será que “de forma certa”? Eis a questão.
Um estudo publicado em março de 2026 na revista Organization Science, conduzido pela Harvard Business School em parceria com a BCG com 758 consultores, colocou nome nessa distinção de como a IA pode ser mais ou menos efetiva. Os pesquisadores chamaram de “fronteira irregular” o fenômeno que observaram: a IA é muito boa em algumas tarefas e limitada em outras, e essa fronteira é invisível para quem usa. Para tarefas bem dentro dessa fronteira, como escrever, estruturar ideias ou produzir análises com dados existentes, os consultores que usaram IA foram mais rápidos, produziram trabalho de melhor qualidade e concluíram mais tarefas. Para tarefas fora da fronteira, aquelas que exigem raciocínio causal complexo e julgamento contextual, quem usou IA foi 19% menos provável de produzir a solução correta do que quem trabalhou sem a ferramenta.
Um dos pesquisadores, Karim Lakhani, explica o que chamou de falha silenciosa da IA. Ela produziu respostas que pareciam corretas e completas, mas continham erros que os consultores não perceberam e não questionaram. Isso acontece porque a ferramenta não avisa quando está fora da sua zona de competência. Responde com a mesma aparente confiança dentro ou fora da fronteira. E quem assume que está sendo mais produtivo porque está usando IA pode estar, na prática, entregando resultados menos precisos.
Essa ilusão de eficiência também aparece nos dados de percepção de uma pesquisa da METR, publicada em maio de 2026 com 349 trabalhadores técnicos, que registrou que as pessoas se avaliam em média como 2 vezes mais eficazes e 3 vezes mais rápidas com IA. Os próprios pesquisadores alertam, porém, que estudos anteriores mostraram que as pessoas superestimam o efeito real da IA em até 40 pontos percentuais quando comparadas com experimentos de campo controlados. O que sentimos não é o que os dados medem.
Diante do cenário atual e destes resultados, penso que o problema não está em usar IA, mas sim em partir da premissa de que qualquer uso de IA vai resultar, necessariamente, em fazer algo melhor com menos esforço e tempo. E aqui o conceito de melhor é muito importante. Para tarefas operacionais, isso acontece. Para tarefas cognitivas e exploratórias, a equação é outra: a IA não reduz o tempo total, pode até aumentá-lo. O que ela faz é elevar o nível do resultado que você consegue produzir. Você não faz a mesma coisa mais rápido, você faz algo qualitativamente diferente, algo que não chegaria do mesmo jeito sem ela, e isso tem custo real de tempo e de esforço.
Seria, então, uma produtividade cognitiva: onde não fazemos algo com menos esforço absoluto, mas fazemos algo melhor com um esforço proporcionalmente muito menor do que seria necessário para chegar ao mesmo resultado sem a ferramenta. Você gasta mais tempo do que gastaria num uso operacional, mas gasta infinitamente menos do que precisaria para construir aquele mesmo resultado sem IA nenhuma. Pode parecer uma diferença sutil, mas quando essa distinção não está clara desde o início da tarefa, o risco é confiar rapidamente numa entrega que parece boa, mas não foi suficientemente questionada, o que é exatamente o que o experimento de Harvard e BCG documentou sobre a fronteira irregular.
Por isso, saber em qual tipo de tarefa você está antes de abrir a ferramenta pode ser, hoje, tão importante quanto saber usá-la. A pergunta que deixo para reflexão é: quando você avalia se a IA está tornando o seu trabalho mais produtivo, de qual produtividade você está falando?
