Em julho de 2023, dois doutorandos do MIT, Shakked Noy e Whitney Zhang, publicaram na revista Science um experimento com 453 profissionais de nível superior — gente de marketing, consultoria, RH e captação de recursos. Metade escreveu documentos de trabalho, como carta de apresentação e e-mail corporativo, sem qualquer apoio; a outra metade, com acesso a um modelo de IA. Avaliadores que não sabiam quem tinha usado o quê julgaram o resultado: quem contou com IA levou 40% menos tempo e entregou um texto 18% melhor.
Esse número virou munição em qualquer apresentação sobre IA no trabalho. O problema é o que costuma vir depois: a empresa lê "40% menos tempo" e assume que o mesmo ganho se repete em qualquer tarefa, para qualquer pessoa. Não se repete. Dois anos depois do estudo do MIT, outra pesquisa mediu o oposto — profissionais ficando mais lentos com IA, não mais rápidos. Os dois estudos estão certos. A diferença é o tipo de tarefa.
Entender onde o ganho aparece — e onde ele desaparece — é o que separa uma adoção de IA que devolve tempo de verdade de uma que só desloca o trabalho para depois, na forma de revisão e correção.
Quando o ganho é real e mensurável
O estudo do MIT já apontava uma pista: o ganho não veio de a IA escrever melhor do que a pessoa. Veio de reorganizar o trabalho — menos tempo gerando o primeiro rascunho, mais tempo gerando ideias e editando o que já existia. E o ganho não foi parelho: trabalhadores com desempenho mais fraco no início melhoraram mais do que os que já eram bons, o que reduziu a diferença entre os dois grupos.
O mesmo padrão apareceu, com números ainda mais claros, num estudo publicado pelo NBER (Escritório Nacional de Pesquisa Econômica dos Estados Unidos) com Erik Brynjolfsson, Danielle Li e Lindsey Raymond. Eles acompanharam 5.179 atendentes de suporte ao cliente de uma empresa de software antes e depois da chegada de um assistente de IA que sugeria respostas em tempo real durante a conversa — o atendente continuava decidindo, a ferramenta só sugeria.
O ganho médio de produtividade foi de 13,8%. Mas a média esconde a história real: atendentes novatos e de desempenho mais baixo melhoraram 35%; os mais experientes e mais bem avaliados tiveram efeito perto de zero, em alguns casos levemente negativo. Um atendente com apenas dois meses de casa, usando a ferramenta, produzia no nível de um colega com seis meses de experiência sem ela. A explicação dos pesquisadores: a IA estava, na prática, espalhando o jeito de trabalhar de quem já sabia fazer bem para quem ainda estava aprendendo.
O fio comum entre os dois estudos: o ganho concentra-se em tarefas que já têm um padrão a seguir — um rascunho parecido com outro que deu certo, uma resposta de atendimento que segue um roteiro conhecido, um resumo, uma comparação, uma triagem. É trabalho onde "o que fazer" já está mapeado; a IA acelera a execução.
Quando o ganho desaparece — ou vira prejuízo
Em julho de 2025, a organização de pesquisa METR publicou um resultado que contraria a intuição de qualquer pessoa que já usou um assistente de IA para programar. Dezesseis desenvolvedores experientes — em média, cinco anos de trabalho nos próprios projetos, que conheciam profundamente — completaram 246 tarefas reais de correção e manutenção de código, sorteados entre usar ou não usar ferramentas de IA em cada tarefa.
O resultado: com IA, os desenvolvedores levaram 19% mais tempo para terminar a mesma tarefa. Antes do estudo, eles esperavam ficar 24% mais rápidos. Depois de viverem a lentidão na prática, ainda assim continuaram achando que tinham ficado 20% mais rápidos — a percepção não bateu com o cronômetro nas duas pontas.
A explicação não é que o modelo de IA "piorou" para quem já é bom. É que, num projeto grande e maduro, o conhecimento que faz alguém experiente ser rápido não está escrito em lugar nenhum que a IA possa consultar: são decisões de arquitetura tomadas anos atrás, convenções internas do time, motivos de por que um trecho de código é do jeito que é. A IA sugeria algo plausível; o desenvolvedor tinha que revisar, entender por que aquilo não servia e corrigir — e essa revisão consumiu mais tempo do que o texto pronto economizou.
É o mesmo padrão que apareceu, em escala menor, no estudo de atendimento: quanto mais a tarefa depende de julgamento sobre um contexto que só existe na cabeça de quem já é bom naquilo — e nunca foi escrito em lugar nenhum que a IA consiga ler —, menor o ganho, podendo até virar perda.
O risco é concreto para empresas brasileiras e latino-americanas que estão adotando IA depressa, sem organizar antes o conhecimento interno. O ganho aparece rápido nas tarefas mais simples — e cria a expectativa, dentro da empresa, de que vai aparecer em tudo. Inclusive nas decisões que só quem já trabalha ali há anos sabe tomar, e que nunca foram escritas em lugar nenhum.
O que precisa existir na prática
O recorte entre os dois grupos de resultado aponta direto para o que uma empresa precisa montar antes de esperar o ganho do MIT em vez do prejuízo do METR.
Conhecimento aprovado com fontes, não conhecimento só na cabeça de alguém. O motivo dos desenvolvedores experientes ficarem mais lentos foi a ausência de um lugar onde as decisões e convenções do projeto estivessem documentadas e acessíveis à IA. Quando o material que faz um especialista ser rápido é escrito, revisado e citável, a IA para de "adivinhar" e passa a consultar.
Reutilização do pedido e do agente que já funcionou. No estudo do NBER, o ganho veio de espalhar o padrão de quem já era bom para quem ainda estava aprendendo. Isso só se sustenta se o roteiro que funcionou for salvo e ficar disponível para outra pessoa usar — não reinventado a cada conversa.
Custo e ganho visíveis por área, não por "uso de IA" em geral. Uma média de 13,8% esconde 35% de ganho num grupo e quase zero no outro. Sem medir por tipo de tarefa e por equipe, a empresa não sabe onde vale investir tempo de treinamento e onde o problema é outro.
Aprovação humana proporcional ao risco da tarefa. Em trabalho que exige julgamento — e não só execução de um padrão conhecido — manter uma etapa de revisão antes de qualquer decisão seguir adiante é o que evita que uma sugestão plausível, mas errada, vire prejuízo disfarçado de produtividade.
É assim que a Skyller foi desenhada: conhecimento da empresa com fonte citável, pedidos e agentes que a equipe pode reaproveitar, e consumo visível por área — para que o ganho medido pareça mais com o do MIT do que com o do METR.
O efeito composto de um bom começo
Quando o padrão que funciona fica documentado e reutilizável, o ganho não para na primeira pessoa que descobriu ele. Um roteiro de resposta que um atendente sênior aperfeiçoou ao longo de meses, uma vez salvo e liberado para o time, passa a acelerar todo mundo que chega depois — é exatamente o mecanismo que fez os atendentes novatos do estudo do NBER darem um salto de 35%.
O inverso também é verdadeiro, e é a parte que costuma passar batido: se cada pessoa usa IA na própria conta pessoal, sem nada documentado nem compartilhado, a empresa paga o custo de cada um reaprender sozinho o que outra pessoa já tinha descoberto — na prática, reproduzindo em escala menor a mesma lentidão que os desenvolvedores do estudo da METR sentiram diante de um contexto que a IA não tinha como conhecer.
Um roteiro para começar
Antes de medir "quanto a IA ajudou" como número único, vale separar o trabalho em dois grupos e tratar cada um de um jeito:
- Liste as tarefas que já têm um padrão claro — rascunho de e-mail, resumo de documento, triagem de solicitação, resposta a uma dúvida recorrente. São as mais parecidas com os estudos do MIT e do NBER, e onde o ganho tende a aparecer rápido.
- Separe as tarefas que dependem de julgamento sobre contexto não documentado — decisões que só fazem sentido para quem conhece a história do projeto ou do cliente. Nelas, trate a saída da IA como rascunho a revisar, não como resposta pronta.
- Documente o que já funciona antes de pedir para a equipe usar mais IA. Sem isso, cada pessoa repete sozinha o trabalho de descobrir o caminho certo.
- Meça por área e por tipo de tarefa, não pelo uso geral. Uma média confortável pode estar escondendo uma equipe inteira sem ganho nenhum.
