Ganho de produtividade com IA: o que os estudos mostram de verdade

O ganho de produtividade com IA medido em experimentos controlados vai de 40% menos tempo numa tarefa de redação, num estudo do MIT de 2023, a 19% mais tempo para programadores experientes, num teste do METR de 2025. Na empresa inteira, quase 9 mil executivos ouvidos em 2026 estimam um ganho de 0,2% ao ano.

Os números parecem brigar entre si porque cada estudo mediu uma coisa: uma tarefa de 20 minutos, um ano de chamados de suporte, dois anos de folha de pagamento de um país. A tabela reúne os principais trabalhos publicados entre 2023 e 2026, com quem fez, quantas pessoas participaram e o limite que os próprios autores reconhecem. Todos comparam quem usou IA com quem não usou.

Os estudos lado a lado

Repare na coluna da amostra. Os ganhos grandes aparecem em tarefas recortadas e cronometradas durante poucas semanas. Os números pequenos vêm de bases que seguem milhares de pessoas ou de empresas por anos.

Por que os resultados divergem tanto

A primeira explicação está no estudo feito com o Boston Consulting Group. Fabrizio Dell'Acqua, Ethan Mollick, Karim Lakhani e outros seis autores deram o nome de “jagged technology frontier” (fronteira tecnológica irregular) ao fato de a IA ajudar numa tarefa e atrapalhar em outra de dificuldade parecida, dentro do mesmo fluxo de trabalho. Nas 18 tarefas que o GPT-4 dominava, os consultores com IA entregaram mais, mais rápido e com qualidade melhor. Na tarefa de gestão escolhida para ficar fora desse limite, quem usou IA teve 19% menos chance de chegar à solução correta do que quem trabalhou sem ela.

A segunda é a experiência de quem usa. No estudo de Erik Brynjolfsson, Danielle Li e Lindsey Raymond, a média de 14% a mais de casos resolvidos por hora escondia dois grupos: novatos e atendentes menos qualificados ganharam 34%, e os mais experientes, quase nada. Os autores sugerem que o assistente espalhava as práticas dos melhores para quem estava chegando. Os três experimentos com 4.867 programadores, publicados pela Microsoft Research em junho de 2025, acharam o mesmo desenho: os menos experientes adotaram mais a ferramenta e ganharam mais.

Os programadores do METR estavam na outra ponta da curva. Eram 16 colaboradores antigos de projetos grandes de código aberto, resolvendo 246 tarefas reais dos próprios repositórios com o Cursor e os modelos Claude 3.5 e 3.7. Com IA, levaram 19% mais tempo. O resultado não prova que a IA atrasa qualquer programador. Mostra que, para esse perfil e com as ferramentas do início de 2025, atrasou.

A terceira explicação é a distância entre a tarefa de laboratório e a empresa de verdade. Shakked Noy e Whitney Zhang, do MIT, deram a 453 profissionais com diploma duas tarefas de escrita de 20 a 30 minutos, como a carta de apresentação de um pedido de financiamento ou um e-mail sobre reestruturação. Com o ChatGPT 3.5, o tempo caiu 40% e a nota dada por avaliadores que não sabiam quem usou a ferramenta subiu 18%. Os autores avisaram que os participantes eram anônimos e recebiam instruções explícitas, enquanto o trabalho real exige conhecer o cliente e costuma ser mais aberto, segundo o MIT News.

Fora do laboratório, o efeito encolhe. Anders Humlum e Emilie Vestergaard cruzaram duas pesquisas, feitas no fim de 2023 e em 2024, com cerca de 25 mil trabalhadores de 7 mil locais de trabalho na Dinamarca, em 11 ocupações expostas (contadores, atendentes e consultores financeiros entre elas), com os registros oficiais de salário e horas. A economia média de tempo relatada foi de 3%. Na versão revista em março de 2026 e publicada pelo NBER, os dois estimam efeito nulo sobre salário e horas registradas e descartam qualquer efeito acima de 2% dois anos depois do lançamento do ChatGPT. O tempo poupado não virou jornada menor, assunto do texto sobre a semana de 4 dias e a IA.

A quarta explicação é a mais incômoda para quem decide compras: a sensação de ganho engana. Antes do teste de 2025, os programadores do METR esperavam terminar 24% mais rápido com IA. Depois de terminar, acreditavam ter ganhado 20%. O cronômetro registrou o contrário.

O que os dados de 2026 acrescentam

Em fevereiro de 2026, o METR publicou a segunda rodada, com 57 desenvolvedores, 143 repositórios e mais de 800 tarefas. Entre os dez veteranos que voltaram, a estimativa virou ganho: 18% menos tempo, com intervalo de confiança entre 38% menos e 9% mais. Para os 47 recrutados novos, 4% menos tempo, num intervalo entre 15% menos e 9% mais.

O próprio instituto pede cautela com esses números. Entre 30% e 50% dos participantes disseram ter deixado de enviar tarefas que não queriam fazer sem IA, e parte dos convidados recusou o estudo por não aceitar trabalhar metade do tempo sem a ferramenta. O pagamento também caiu de US$ 150 para US$ 50 por hora. Por isso o METR trata o resultado como um provável piso e diz acreditar, com base em entrevistas, que os programadores estão mais rápidos no início de 2026 do que estavam em 2025.

A escala macro vem da pesquisa publicada pelo NBER em fevereiro de 2026 e revista em outubro, assinada por Ivan Yotzov, José María Barrero, Nicholas Bloom, Steven Davis e outros. Foram ouvidos quase 9 mil diretores financeiros, presidentes e executivos nos Estados Unidos, Reino Unido, Alemanha, Austrália, Canadá, México e África do Sul, no meio de 2026. Em 78% das empresas já há uso de IA. Os executivos calculam que a tecnologia somou 0,2% ao ano ao crescimento da produtividade do trabalho nos últimos três anos e esperam 0,6% ao ano nos próximos três.

Dois detalhes do mesmo levantamento ajudam a ler a média. O gasto é concentrado: 2% das empresas respondem por mais da metade do dinheiro investido em IA. E o efeito líquido sobre o emprego foi praticamente zero em três anos, embora mais de 40% das empresas prevejam cortes ou contratações que só se anulam na soma. A discussão sobre vagas está em a IA vai substituir empregos?

Como medir o ganho na sua empresa

Os estudos mais confiáveis da tabela têm três coisas em comum: grupo de comparação, medida de resultado em vez de opinião e prazo definido. Uma empresa pequena consegue copiar o método sem contratar economista.

1. Escolha uma tarefa que se repete e tem resultado contável: orçamentos enviados, chamados fechados, propostas escritas, notas lançadas.
2. Meça de duas a quatro semanas sem a ferramenta nova. Anote tempo por unidade, volume e retrabalho.
3. Se a equipe permitir, divida quem faz a mesma tarefa em dois grupos, um com IA e outro sem, como no estudo do atendimento. Sem essa divisão, compare a mesma pessoa antes e depois, sabendo que a conclusão fica mais frágil.
4. Conte o tempo de conferir e corrigir o que a IA entregou. Um texto pronto em 2 minutos que pede 15 de revisão não economizou nada.
5. Separe novatos de veteranos no resultado, porque a média pode esconder um grupo que ganhou muito e outro que perdeu.
6. Repita a medição depois de 60 a 90 dias, com o mesmo indicador, e só então decida se a assinatura fica.

Antes do teste, defina que dados de clientes podem entrar na ferramenta; o roteiro está em política de uso de IA e LGPD. E antes de escolher a tarefa, saiba para onde vão as horas da empresa. Esse mapa é o que o Raio-X de 90 dias da Aceleração Eficaz mede: gente, plataformas e fornecedores.

A medição por tarefa também está ficando mais difícil com agentes de IA que trabalham sozinhos. O METR relatou que programadores que rodam vários agentes ao mesmo tempo não conseguem anotar com precisão quanto tempo gastaram em cada tarefa. Para a próxima fase, o instituto anunciou experimentos mais curtos e intensos, tarefas fixas iguais para todos e observação do uso real. Como exemplo de dado observacional, o METR citou em fevereiro a estimativa de que cerca de 4% dos commits no GitHub já eram feitos pelo Claude Code.