Há alguns meses venho percebendo uma situação curiosa nas conversas sobre inteligência artificial dentro das empresas pois, quase sempre chegamos rapidamente ao mesmo tipo de exemplo: uma análise que antes levava horas agora pode ser feita em minutos, uma apresentação que consumia uma tarde inteira ficou pronta em meia hora, uma pesquisa que exigia dias de trabalho passou a ser realizada em poucas etapas. São ganhos reais e não dá para desprezá-los. Mas o que me interessa aqui é o que acontece depois.
Se uma pessoa passou a produzir determinado trabalho em quarenta minutos em vez de três horas, as duas horas e vinte minutos restantes viraram o quê? Mais capacidade para pensar? Mais decisões tomadas? Melhor qualidade? Menos sobrecarga? Novos projetos? Ir pra casa mais cedo? Ou simplesmente mais demandas entrando pela mesma porta?
Essa pergunta parece muito simples, mas acho que ela começa a separar duas coisas que muitas vezes tratamos como sinônimas: produtividade individual e produtividade organizacional.
Os dados recentes ajudam a perceber essa diferença, pois veja, uma pesquisa da Gallup realizada esse ano mostra que 65% dos empregados de organizações que já implementaram IA relatam impacto positivo sobre sua produtividade e eficiência. Ao mesmo tempo, a própria Gallup observa que esses benefícios ainda parecem concentrados principalmente no nível das tarefas individuais e não necessariamente em mudanças mais amplas na forma como o trabalho acontece. Em outro levantamento, apenas 14% concordaram fortemente que a IA havia efetivamente transformado a maneira como o trabalho era realizado em suas organizações (Gallup, 2026). Essa é uma diferença importante.
A IA pode acelerar uma tarefa mas sem necessariamente acelerar o sistema no qual aquela tarefa está inserida. Nesse contexto, podemos produzir uma análise em vinte minutos e ela continuar esperando três dias por uma reunião. Um relatório pode ser preparado quase instantaneamente e ainda precisar passar pelas mesmas “quatro validações”. Uma equipe pode produzir alternativas muito mais rapidamente e continuar dependendo da agenda de uma única pessoa para decidir qual delas seguirá adiante. No cenário atual, o trabalho ficou mais rápido, mas o gargalo permanece.
Produtividade local não significa necessariamente resultado sistêmico
Por formação e experiência, tenho dificuldade de olhar processos apenas pelas partes e isso é simples de entender: se uma etapa melhora drasticamente enquanto todas as demais permanecem iguais, é bastante provável que o sistema simplesmente encontre um novo ponto de restrição. Com IA, começamos a ver isso acontecer em escala.
Profissionais escrevem mais rápido, pesquisam mais rápido, analisam mais dados e produzem muito mais alternativas. Só que essa capacidade adicional passa a desembocar em estruturas organizacionais que continuam funcionando com os mesmos ritos ainda da “época da datilografia”, as mesmas alçadas, os mesmos processos burocráticos de aprovação e, muitas vezes, a mesma capacidade decisória.
O Work Trend Index 2026 da Microsoft encontrou justamente um desalinhamento entre capacidade individual e capacidade organizacional: A pesquisa, realizada com cerca de 20 mil usuários de IA em dez países, concluiu que fatores organizacionais como cultura, suporte gerencial e práticas de gestão estavam associados a mais do que o dobro do impacto percebido da IA quando comparados aos fatores individuais. O relatório também encontrou uma parcela relevante de profissionais com capacidade para usar a tecnologia, mas inseridos em ambientes que ainda não ofereciam condições para transformar essa capacidade em resultado (Microsoft, 2026).
Isso muda um pouco a pergunta pois a discussão deixa de ser apenas “quanto tempo a IA economizou?” e passa a incluir “o que o sistema fez com esse tempo?”. Porque tempo economizado numa tarefa não desaparece automaticamente da organização. Ele precisa ser convertido em alguma coisa e, se isso não acontece, podemos ter uma empresa cheia de pessoas individualmente mais produtivas sem que prazo, qualidade, velocidade decisória ou resultado melhorem na mesma proporção.
Produzir mais também pode gerar novos gargalos
Existe ainda uma consequência menos óbvia dessa capacidade de produzir mais rapidamente pois, alguém precisa lidar com aquilo que passou a ser produzido. Se uma equipe consegue desenvolver dez alternativas no tempo em que antes desenvolvia três, alguém terá que avaliá-las. Se relatórios podem ser gerados com muito mais facilidade, alguém terá que decidir quais realmente merecem atenção. Se análises se multiplicam, aumenta também a demanda por validação, interpretação e decisão.
A IA tem esse potencial de reduzir drasticamente o custo de produzir informação ao mesmo tempo em que ela aumenta a pressão sobre quem precisa julgar essa informação. E, nesse contexto, as lideranças intermediárias começam a ocupar uma posição especialmente delicada.
Shin e Sucher estudaram justamente essa camada em duas grandes empresas de consultoria. Encontraram profissionais relatando ganhos significativos de produtividade com IA, enquanto gerentes intermediários acumulavam novas responsabilidades: validar resultados produzidos pela tecnologia, identificar erros, desenvolver as equipes e ainda manter as entregas habituais. Em vez de eliminar carga gerencial, parte da transformação estava deslocando trabalho para esse nível da organização (Shin; Sucher, 2026).
Acho esse ponto particularmente relevante porque ele mostra que produtividade não pode ser analisada apenas olhando para quem executa determinada tarefa de maneira que esta mesma uma hora economizada numa ponta. pode gerar mais trabalho em outra. Nesse sentido, a IA não elimina necessariamente o tempo do sistema. Em algumas situações, ela apenas desloca o ponto onde esse tempo será consumido.
A organização precisa reaprender a organizar o trabalho
É aqui que começo a desconfiar das métricas baseadas exclusivamente em horas economizadas. Elas são úteis, obviamente, mas podem medir apenas aquilo que ficou mais fácil de observar.
A Deloitte encontrou algo parecido ao analisar a adoção empresarial de IA em 2026. A produtividade já aparece amplamente reconhecida, mas apenas uma parcela das empresas afirma estar utilizando a tecnologia para promover mudanças estruturais no negócio. O próprio relatório passa a tratar a discussão menos como simples adoção tecnológica e mais como transformação do desenho do trabalho e da organização (Deloitte, 2026).
Isso me parece um amadurecimento necessário da conversa. Num primeiro momento, fazia sentido perguntar se a IA funcionava. Depois, passamos a perguntar quem realmente a utilizava. Agora, a pergunta que me interessa mais é outra: o que precisará mudar na organização justamente porque ela funciona?
Processos desenhados quando produzir uma análise levava dias continuam fazendo sentido quando ela leva minutos? Uma hierarquia criada para concentrar conhecimento especializado precisa funcionar da mesma maneira quando o acesso à informação se distribui? Comitês mensais continuam adequados para decisões cujo ciclo de análise foi reduzido drasticamente? Se uma pessoa consegue aumentar significativamente sua capacidade de execução, seu papel permanece igual ou deveria mudar?
São questões de desenho organizacional e não necessariamente de tecnologia e é aí que está a confusão.
Comprar uma ferramenta é relativamente simples… se eu compro uma guitarra e não sei tocar ela será uma ferramenta inutil pra mim… Mas entregue essa ferramenta na mão do Kiko Loureiro e veja o que ele fará! Nesse sentido, redesenhar responsabilidades, alçadas, processos, métricas e relações de trabalho envolve interesses, poder e escolhas bem mais desconfortáveis.
Mais capacidade não deveria significar simplesmente mais trabalho
Há ainda uma consequência que considero especialmente importante: Quando uma ferramenta libera tempo, a reação mais imediata da organização pode ser simplesmente preencher aquele espaço quando a pessoa que produzia cinco análises passa a produzir dez. Quem respondia vinte demandas passa a responder quarenta. O objetivo continua sendo aumentar volume porque esse é o ganho mais fácil de medir.
Só que há outras possibilidades.
Parte dessa capacidade poderia ser convertida em reflexão, aprendizagem, acompanhamento de riscos, desenvolvimento de pessoas, melhoria de processos ou decisões mais cuidadosas. Na minha própria pesquisa de doutorado, ao discutir a incorporação da inteligência artificial ao processo de projetar, essa questão já aparecia de outra forma: o ganho de velocidade só se torna realmente relevante quando modifica a qualidade do processo e não apenas a quantidade de entregas produzidas (Sardenberg, 2026). Atividades como reflexão, análise crítica e avaliação de alternativas frequentemente perdem espaço justamente porque sempre existe alguma demanda operacional considerada mais urgente.
O problema é que essas coisas são mais difíceis de transformar em uma conta simples de produtividade e por isso é tão tentador continuar medindo a tecnologia pela quantidade de tarefas concluídas. Mas existe uma diferença considerável entre fazer mais trabalho e produzir mais resultado pois o primeiro pode ser contado com relativa facilidade já o segundo, exige compreender como aquele trabalho se conecta com todo o restante da organização.
A produtividade da IA pode revelar os problemas que ela não resolve
Há uma ironia interessante nisso uma vez que, durante muito tempo, imaginamos que a tecnologia eliminaria determinados gargalos e realmente está eliminando alguns deles. Só que isso começa a deixar outros muito mais visíveis.
A análise ficou mais rápida, mas a decisão continua lenta. O relatório ficou fácil de produzir, mas ninguém definiu quais indicadores realmente importam e se, até mesmo, fazem sentido. A informação passou a circular em maior quantidade, mas continuamos com dificuldade para estabelecer prioridade. A equipe produz mais alternativas, enquanto o poder para escolher entre elas permanece concentrado.
A tecnologia acelerou a execução e acabou expondo a arquitetura organizacional que estava escondida atrás dela e isso conversa diretamente com uma ideia que tenho explorado nesta newsletter: vários problemas que parecem inicialmente ligados ao desempenho das pessoas são, olhando com mais cuidado, problemas do desenho organizacional.
Uma empresa pode investir muito em IA e, ainda assim, produzir uma sensação ilusória de ganho se continuar fazendo exatamente o mesmo trabalho, pelas mesmas estruturas, apenas mais rapidamente.
Os dados da Microsoft ajudam a reforçar essa leitura. No levantamento de 2026, os fatores organizacionais explicaram uma parcela muito maior da variação do impacto percebido da IA do que apenas disposição ou habilidade individual. O relatório chega a uma formulação bastante direta: em muitos casos, as pessoas avançaram mais rapidamente do que os sistemas ao redor delas (Microsoft, 2026).
Acho que estamos chegando exatamente nesse ponto pois, durante algum tempo, medir horas economizadas foi o suficiente para mostrar que a tecnologia tinha valor, mas, daqui para frente, isso provavelmente dirá cada vez menos sobre eficiência e eficácia e nesse contexto, a pergunta passa a ser o que a organização conseguiu fazer de diferente com a capacidade que acabou de ganhar.
Porque reduzir uma tarefa de três horas para vinte minutos é produtividade, mas fazer com que os outros cento e sessenta minutos apareçam no resultado da empresa é gestão.
Fontes consultadas
GALLUP. AI and Workplace Productivity: What Leaders Need to Know. 2026. https://www.gallup.com/workplace/713063/ai-workplace-productivity.aspx
GALLUP. Global Indicator: Artificial Intelligence. 2026. https://www.gallup.com/699797/indicator-artificial-intelligence.aspx
MICROSOFT. 2026 Work Trend Index Annual Report: Agents, Human Agency, and the Opportunity for Every Organization. 2026. https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization
SHIN, Julia; SUCHER, Sandra J. AI Adoption Is Overloading Your Middle Managers. Harvard Business Review, 26 jun. 2026. https://hbr.org/2026/06/ai-adoption-is-overloading-your-middle-managers
SARDENBERG, Felipe Pereira. Da prancheta à inteligência artificial: transformações e perspectivas no processo de projetar arquitetura. 2026. Tese (Doutorado) — Universidade Federal Fluminense.https://app.uff.br/riuff/handle/1/43649
TSIPURSKY, Gleb. Middle Managers Will Make or Break AI Adoption. Harvard Business Review, 1 set. 2026. https://hbr.org/2026/09/middle-managers-will-make-or-break-ai-adoption
DELOITTE. IA entra em fase de escala enquanto papel estratégico avança nas empresas; mercado brasileiro se destaca. 2026. https://www.deloitte.com/br/pt/about/press-room/state-of-ai-2026.html
DELOITTE. Deloitte 2026 Global Human Capital Trends. 2026. https://www.deloitte.com/us/en/about/press-room/deloitte-report-winning-organizations-will-build-the-human-advantage.html