Em 2023, o National Bureau of Economic Research (NBER) publicou um estudo que rastreou 5.179 agentes de atendimento ao cliente. Metade deles tinha acesso a um assistente de IA generativa integrado ao atendimento; a outra metade não. O resultado foi claro: quem usou IA chegou a 14% mais produtivo, medido em chamados resolvidos por hora. O estudo também registrou melhora na satisfação do cliente e na retenção dos próprios atendentes.
Foi um dos primeiros números concretos sobre produtividade com IA em escala real de trabalho. E levantou uma pergunta óbvia: se 14% é o ganho médio por pessoa, por que tantas empresas que adotam IA em massa não veem esse reflexo no resultado do trimestre?
O mesmo estudo já dava a primeira pista. A média de 14% escondia uma diferença enorme entre perfis: os profissionais novatos e de menor desempenho ganharam 34%, enquanto os mais experientes praticamente não ganharam nada. A IA não distribuía ganho por igual — ela espalhava as boas práticas de quem já era bom para quem ainda não era.
Um segundo estudo, conduzido pela Harvard Business School com o Boston Consulting Group, reforçou o ponto por outro ângulo. Os pesquisadores reuniram 758 consultores, deram a parte deles acesso a ferramentas de IA generativa e mediram o desempenho em 18 tarefas reais de consultoria. Dentro do que a IA fazia bem, o ganho foi grande: 25% mais rápido, 12% mais tarefas concluídas e qualidade avaliada como 40% superior. E, de novo, o ganho foi desigual: a metade de menor desempenho melhorou 43%, contra 17% da metade superior.
Mas o achado mais desconfortável veio quando os pesquisadores criaram, de propósito, uma tarefa fora da fronteira de competência da IA. Ali, quem usou IA ficou 19 pontos percentuais menos propenso a acertar do que quem trabalhou sem ela. Os autores batizaram o fenômeno de "fronteira irregular": a IA é excelente de um lado da linha e prejudicial do outro — e a linha não vem escrita em lugar nenhum.
O ganho real versus o ganho que a empresa vê
Em maio de 2024, a Microsoft e o LinkedIn publicaram o Work Trend Index, uma pesquisa com 31 mil profissionais do conhecimento em 31 países. O achado principal que circulou: 75% já usavam IA no trabalho. O número secundário, menos divulgado, era mais interessante: existe um grupo de usuários intensivos — pessoas que usam IA várias vezes por semana e reorganizaram a própria rotina em torno dela — que economiza mais de 30 minutos por dia em comparação com os céticos. Isso é 2,5 horas por semana. 12,5 horas por mês. Cerca de 150 horas por ano.
Se um time de 100 pessoas chegasse a esse patamar, seriam 15 mil horas de trabalho liberadas por ano. Em custo, é a diferença entre um quadro inteiro de várias pessoas. O problema é que o grupo que chega lá é minoria — e chegou lá por conta própria, cada um do seu jeito.
É aí que a conta para de fechar. A McKinsey pesquisou 1.719 executivos em 2026 e encontrou os dois lados da mesma moeda: quase 9 em cada 10 organizações já usam IA com regularidade em pelo menos uma área, e 80% dos respondentes dizem que a IA melhorou a produtividade individual. Mas, quando a pergunta muda para o resultado da empresa, só 37% relatam impacto relevante no lucro operacional (EBIT) — número que não se moveu em relação ao ano anterior. O grupo que atribui 5% ou mais do EBIT à IA é de cerca de 6% dos respondentes. E o que distingue esse grupo não é a ferramenta: é ter redesenhado a forma como o trabalho acontece.
A Gartner chegou a uma conclusão parecida por outro caminho. Em uma pesquisa com 724 respondentes, apenas 34% dos times que usavam IA generativa relataram alta produtividade — desempenho até ligeiramente pior que o dos times com IA tradicional, em 37%. Não é que a IA não funciona. É que funcionar localmente não é o mesmo que funcionar globalmente.
E existe o caso em que o ganho aparente é o contrário do ganho real. A METR, uma organização de pesquisa sem fins lucrativos, acompanhou em 2025 desenvolvedores experientes trabalhando em repositórios abertos que eles próprios mantinham. Antes de começar, esperavam ficar 24% mais rápidos com IA. O resultado medido foi 19% mais lentos. E o detalhe que deveria acender a luz vermelha de qualquer executivo: mesmo depois de terem ficado mais lentos, eles ainda acreditavam ter ganhado 20% de velocidade. Entre os fatores levantados está justamente o tempo gasto em orientar o assistente e revisar o que ele entrega — trabalho que existe, consome o dia e não aparece em lugar nenhum.
Por que a solução óbvia não funciona
Quando o presidente da empresa pede à área de TI para "colocar IA em todo canto", o que ela costuma fazer é: comprar uma licença por pessoa, publicar um treinamento, e torcer. Cada pessoa fica com sua própria conta pessoal da ferramenta de IA. Alguns descobrem boas formas de usar. A maioria cumpre o protocolo.
O problema é que o conhecimento fica trancado na pessoa. A analista que levou semanas para montar o roteiro perfeito de análise de planilha — as colunas certas, o prompt ideal, como tratar as exceções — é a única que o tem. Quando sai da empresa, o roteiro sai junto.
E mais: quando 100 pessoas usam IA em 100 contas diferentes, ninguém sabe o que funciona em escala. Há 100 formas de fazer a mesma coisa, e cada pessoa precisa descobrir sozinha onde fica a tal fronteira irregular — em que tarefas a IA ajuda e em que tarefas ela atrapalha. Ninguém está reutilizando nada, nem o acerto, nem o aprendizado sobre o erro.
O que precisa existir na prática
Um ambiente onde o ganho individual vira ganho empresarial precisa de um mecanismo bem específico: agentes, prompts e fluxos compartilhados com o acesso certo.
Agentes reutilizáveis, com permissão conforme o papel. Quando alguém desenha um agente que faz análise de cobrança fiscal, esse agente pode ser disponibilizado para outras pessoas do financeiro — não para toda a empresa, só para quem tem função de cobrança. E não com "acesso a tudo", mas só o acesso que precisa conforme o papel de cada uma. A pessoa que vai rodar o agente não cria uma ferramenta do zero; ela reutiliza a que foi aprovada e testada — e que já carrega o conhecimento de onde a IA ajuda e onde ela erra.
Prompts e fluxos documentados e versionados. O prompt que virou padrão para resumir relatórios fica registrado, não morre na cabeça de uma pessoa. Quando muda de lei, o prompt muda uma vez, para todos. Ninguém está reinventando a roda.
Conhecimento que fica com a empresa. As conversas, os agentes, os fluxos — todo conhecimento criado fica com a empresa, não cativo em uma conta pessoal. Se a analista sai, a empresa não perde o trabalho dela.
Créditos compartilhados, não licença por pessoa. Quando cada um tem sua licença parada, a empresa paga por capacidade ociosa. Quando compartilham um orçamento de IA por área ou departamento, quem precisa mais usa mais. O consumo fica transparente — é a alavanca que permite medir ganho de verdade.
É assim que a Skyller foi pensada: o ganho que uma pessoa descobre é imediatamente utilizável por sua equipe, porque agentes, prompts e fluxos são compartilhados dentro do controle de acesso de cada papel.
Do ganho individual ao ganho da equipe
Os números são claros: usar IA bem dá ganho real. 14% em call center, 25% de velocidade em consultoria. O problema não é a tecnologia. É a forma como a empresa a organiza — e é exatamente o que separa os 6% que capturam resultado dos outros 94%.
Quando cada pessoa tem sua conta pessoal, o ganho fica espalhado e invisível. O profissional consegue economia mensurável na sua mesa. Mas a empresa não consegue enxergar se economizou 5% ou 25% de verdade — nem se, em alguma área, está de fato perdendo tempo. E quando uma pessoa sai, leva o conhecimento com ela.
A arquitetura certa não precisa ser complexa. Precisa de três coisas: reutilização com permissão, conhecimento que fica, e medição de verdade por área. Quando essas três existem, o ganho deixa de ser um fenômeno em silos e vira um resultado da equipe.
O que muda: um departamento de 10 pessoas que economiza 1 hora por dia, mas ninguém sabe como, não vale de nada. Dez pessoas que economizam 30 minutos por dia usando um agente reutilizável que está documentado — e que pode ser expandido para a filial ou para a equipe paralela — isso é um ganho que a empresa consegue replicar. E medir.
Três perguntas para levar à próxima reunião
Antes de comprar mais licenças de IA, vale responder a estas três perguntas com a área de TI e o CFO:
-
Se um analista descobrir um jeito excelente de usar IA para análise de preço, como a empresa faz para que o próximo analista não reinvente do zero? Se a resposta for "ele fica documentado e compartilhado", ótimo. Se for "cada um descobre seu jeito", o problema está identificado.
-
Como você mede hoje quantas horas a IA economizou de verdade por departamento? Se não há métrica, não há visão — e sem visão, não há como saber se a IA vale o investimento, nem onde ela está custando tempo em vez de poupar. Créditos compartilhados por área criam essa transparência de imediato.
-
Se uma pessoa sai, quais agentes e fluxos que ela criou continuam com a empresa? Se a resposta for "nenhum", está claro que o conhecimento sai com as pessoas.
