Em 2023, dois doutorandos do departamento de economia do MIT fizeram um teste simples. Deram acesso ao ChatGPT a 453 profissionais de nível médio — gente de marketing, captação de recursos, consultoria, análise de dados, recursos humanos e gestão — e pediram que cada um cumprisse duas tarefas de escrita ligadas ao próprio trabalho. Metade usou a ferramenta; a outra metade, não.
O resultado, publicado na revista Science por Shakked Noy e Whitney Zhang, foi direto: quem tinha acesso à IA terminou a tarefa 40% mais rápido, e o texto final recebeu notas de qualidade 18% mais altas. Quem se saía pior sem ajuda foi quem mais ganhou — o efeito reduziu a diferença entre os profissionais mais e menos experientes, não só a média geral.
A explicação mais útil para quem decide sobre IA na empresa não é "a IA escreve melhor". É outra: ela tira a pessoa da página em branco. Revisar um parágrafo que já existe é um trabalho diferente — e mais barato — do que produzir a primeira versão do zero. Só que essa vantagem depende de uma condição que raramente aparece na manchete: revisar precisa continuar barato depois que o volume de rascunhos aumenta.
O rascunho pronto muda o problema
O efeito que Noy e Zhang mediram tem nome na literatura de comportamento: começar de algo já existente custa menos esforço cognitivo do que criar do nada. A pessoa para de decidir "o que escrever" e passa a decidir "o que está errado aqui" — uma tarefa mais estreita, mais rápida de concluir.
É por isso que o ganho apareceu mais forte em quem tinha menos prática com aquele tipo de texto. Um analista júnior sem repertório de como abrir um relatório trava na primeira frase; com um rascunho na tela, ele já sabe o que fazer: cortar o que não serve, ajustar o tom, completar o que falta.
O problema é que esse raciocínio para no rascunho. Ele não diz nada sobre o que acontece depois — quando a pessoa precisa confirmar se o que está na tela é verdade, se os números batem, se aquela afirmação sobre um processo interno é a versão vigente ou uma desatualizada. Essa etapa tem um nome técnico chato e uma consequência bem prática: quando ela é cara, o ganho do rascunho evapora.
Quando revisar custa mais do que devia
Em 2025, uma pesquisa da METR — organização que mede o efeito real de ferramentas de IA em tarefas de programação — testou justamente essa segunda metade da equação. Dezesseis programadores experientes, cada um trabalhando em projetos de código aberto que já conheciam bem, receberam tarefas reais sorteadas entre "com IA permitida" e "sem IA". No total, 246 tarefas, cada uma levando cerca de duas horas.
O resultado inverteu a expectativa: os programadores levaram 19% mais tempo usando IA do que sem ela. Antes do estudo, esperavam ficar 24% mais rápidos. Depois de terminar — já tendo vivido a lentidão real — continuaram achando que tinham ficado 20% mais rápidos. A percepção de velocidade e a velocidade medida foram na direção oposta, e ninguém no estudo percebeu isso sozinho.
A pesquisa "State of Code", da empresa de qualidade de código Sonar, com 1.149 desenvolvedores em 2026, mostra o mecanismo por trás desse resultado. 96% dos entrevistados não confiam plenamente que o código gerado por IA está correto. Mesmo assim, só 48% dizem que sempre revisam antes de aprovar aquele código. E 61% concordam com a frase "a IA frequentemente produz código que parece correto, mas não é confiável" — exatamente o tipo de erro mais difícil de pegar numa revisão rápida, porque não parece erro.
61% dos desenvolvedores concordam que a IA "frequentemente produz código que parece correto, mas não é confiável".
O dado mais revelador do relatório é outro: 38% dizem que revisar código de IA exige mais esforço do que revisar o código de um colega humano. Só 27% dizem o contrário. Isso não é sobre a IA escrever pior — é sobre faltar contexto. Quando um colega escreve algo, você sabe quem ele é, o que ele geralmente entende bem e onde costuma errar. Com uma resposta de IA sem origem visível, cada revisão começa do zero.
O que precisa existir na prática
A saída não é revisar menos, nem revisar mais — é tornar a revisão mais barata. Isso depende de mecanismos concretos, não de boa vontade da equipe:
Conhecimento aprovado com fontes. Quando uma resposta pode citar de onde veio — qual documento, qual versão, aprovado por quem — revisar deixa de ser "reconstruir do zero" e vira "conferir a fonte". É a diferença entre investigar uma afirmação solta e confirmar uma referência.
Revisão e aprovação em duas etapas para o que é crítico. Nem todo conteúdo precisa do mesmo nível de escrutínio antes de virar conhecimento oficial da IA — mas o que é crítico (política, processo, número que vai para fora) deve passar por quem redige e, separadamente, por quem aprova, com exceções registradas.
Trilha de auditoria de quem decidiu o quê. Quando uma resposta gera dúvida, a pergunta não pode ser "quem sabe explicar isso?". Precisa haver registro de quando aquele conteúdo entrou, quem aprovou e o que mudou desde então.
Acesso conforme o papel de cada pessoa. Quanto mais estreito o que cada pessoa e cada agente enxergam, menor o universo de coisas que alguém precisa revisar "só para garantir".
Reaproveitamento do que já foi revisado. Um roteiro de resposta que já passou por aprovação uma vez não deveria exigir a mesma revisão inteira na próxima pessoa que o usar — ele deveria herdar a confiança de quem já checou.
É assim que a Skyller foi desenhada: respostas que podem citar a fonte usada, aprovação em duas etapas para o que é crítico, e trilha de quem decidiu o quê — para que revisar seja conferir, não reconstruir.
Do ganho individual ao ganho da equipe
Quando revisar é barato, o efeito do rascunho pronto deixa de ser individual e vira coletivo. A pessoa que descobriu o jeito certo de responder a uma dúvida recorrente de fornecedor não precisa guardar aquilo só para si — o roteiro pode ser reaproveitado por qualquer pessoa autorizada, sem que cada uma precise refazer a mesma revisão.
Esse é o ponto em que a conta muda de figura: uma empresa não precisa reinventar cada processo. Um ambiente que já vem com mais de 170 modelos de políticas e processos prontos economiza justamente a primeira revisão — a mais cara, porque não existe nada pronto para conferir contra.
O oposto também é verdadeiro, e é o que os números da METR e da Sonar mostram: sem esse tipo de estrutura, cada pessoa revisa do próprio jeito, sem saber se o colega ao lado já resolveu o mesmo problema ontem. O tempo que deveria ser ganho na escrita é gasto de novo, individualmente, na conferência.
Um roteiro para começar
Antes de comprar mais uma ferramenta de geração de texto ou código, vale medir onde a revisão está pesando:
- Meça quanto tempo a equipe já gasta conferindo o que a IA produz. Se ninguém sabe responder, é sinal de que ninguém está medindo — e o que não se mede tende a crescer sem ser notado.
- Pergunte de onde veio a última resposta crítica que alguém usou. Se a resposta for "não sei, só pareceu certo", o problema não é a IA — é a ausência de origem rastreável.
- Separe, para o que é crítico, quem redige de quem aprova. Duas pessoas em papéis diferentes pegam mais erro do que uma pessoa revisando o próprio rascunho duas vezes.
- Escolha um processo que se repete todo mês e resolva-o uma única vez. Depois de aprovado, ele deve estar disponível para quem mais precisar — sem repetir a revisão inteira.
- Trate a trilha de quem aprovou o quê como parte do processo, não como extra. É ela que transforma uma dúvida em auditoria de minutos, em vez de investigação de dias.
