O paradoxo da produtividade da IA: por que a adoção ainda não apareceu nos números

Por Victor Hoang · Atualizado em 22 de setembro de 2026

O paradoxo da produtividade da IA é a distância entre o quanto as empresas adotaram a IA generativa e o quão pouco dessa adoção aparece no desempenho financeiro medido. As pesquisas colocam o uso de IA nas empresas acima de 80%, mas a McKinsey constata que apenas 39% das companhias atribuem a ela algum impacto no EBIT, e pesquisadores do MIT concluíram que 95% dos pilotos de IA generativa não mostram retorno mensurável. A lacuna é real, mas não prova que a IA não funciona. É um descompasso de medição e implementação, com um precedente bem documentado.

Se você dirige uma empresa e já sentiu essa tensão na pele, não é impressão sua. Sua equipe usa ferramentas de IA o tempo todo. O seu P&L não se mexe. As duas coisas são verdadeiras ao mesmo tempo, e entender o motivo é mais útil do que qualquer um dos ciclos hoje em oferta, o do entusiasmo ou o da reação contrária. Este artigo fica estritamente na lacuna do P&L; para o conjunto mais amplo de estudos controlados sobre IA e trabalho em geral, veja como a IA está mudando o trabalho e o que as evidências mostram.

Fatos principais

• 95% dos pilotos de IA generativa não entregam nenhum impacto mensurável no P&L, contra 5% que capturam a maior parte do valor, segundo o relatório "The GenAI Divide: State of AI in Business 2025", do MIT NANDA, baseado em mais de 300 implementações, 52 entrevistas e 153 pesquisas com líderes (MIT NANDA, "The GenAI Divide: State of AI in Business 2025", via Fortune).
• 88% das organizações dizem usar IA em pelo menos uma função de negócio, mas apenas 39% atribuem a ela algum impacto no EBIT, e só 6% se qualificam como "AI high performers", com impacto de 5% ou mais no EBIT (McKinsey, The State of AI: Global Survey 2025).
• A Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027 por causa de custos crescentes, valor de negócio pouco claro ou controles de risco inadequados (previsão da Gartner, relatada pela RCR Wireless).
• O economista Erik Brynjolfsson e coautores modelaram uma "Curva J da Produtividade": tecnologias de uso geral reduzem a produtividade medida no início, porque os investimentos intangíveis necessários (requalificação, redesenho de processos, novos papéis) só aparecem nas estatísticas oficiais mais tarde (Brynjolfsson, Rock, Syverson, NBER Working Paper 25148).
• Em 1987, o economista Robert Solow escreveu que "você vê a era do computador em toda parte, menos nas estatísticas de produtividade", descrevendo uma defasagem de décadas entre o investimento em TI e os ganhos medidos de produção (Solow, New York Times Book Review, 1987, citado via Stand-Up Economist).

O que o paradoxo da produtividade da IA realmente significa

O termo descreve um descompasso específico e mensurável: curvas de adoção em formato de taco de hóquei, ao lado de curvas de desempenho que parecem planas. Não é a afirmação de que a IA é inútil. É a constatação de que o valor que a IA cria ainda não passou pelos canais que ligam o uso individual da ferramenta aos resultados financeiros da empresa.

Três coisas estão sendo comprimidas em uma só palavra ("IA") e precisam ser separadas:

• Uso: se os colaboradores abrem uma ferramenta e tiram algo dela. Isso é genuinamente generalizado.
• Mudança de workflow: se o processo de fundo, e não apenas uma etapa dele, foi redesenhado em torno do que a IA faz bem. Isso é raro.
• Impacto no P&L: se a mudança de workflow aparece como custo menor, receita maior ou ciclo mais rápido, em uma escala que um CFO notaria. Isso é ainda mais raro.

Boa parte da conversa pública trata o uso como indicador do impacto. Os dados dizem que isso é um erro, o mesmo erro que os economistas cometeram ao ver as empresas comprarem computadores nos anos 1980.

Os números de adoção são reais

Comecemos pelo que não está em disputa. O uso de IA generativa dentro das empresas cresceu mais rápido do que quase qualquer tecnologia corporativa já registrada. Várias pesquisas de grande porte, conduzidas de forma independente, convergem para taxas de adoção acima de 80% em pelo menos uma função de negócio. Os colaboradores a usam para redigir, resumir, auxiliar na programação e pesquisar, muitas vezes sem aval formal da área de TI.

Essa parte da história é contada o tempo todo, porque é a mais fácil de medir. Contagem de logins, licenças e pesquisas de uso autodeclarado são baratas de coletar e lisonjeiras de reportar. É a segunda metade da história, o que esse uso de fato faz pelo negócio, que fica bem mais difícil de determinar, e bem menos lisonjeira. Esse número agregado de adoção também esconde uma divisão dentro da mesma empresa: veja a divisão de adoção da IA para entender por que alguns colaboradores reconstruíram seu workflow em torno dessas ferramentas enquanto outros ainda nem abriram uma.

Os números de impacto contam outra história

McKinsey: alta adoção, baixa atribuição

A pesquisa State of AI 2025 da McKinsey, aplicada a cerca de 2.000 participantes em 105 países, constatou que 88% das organizações usam IA em algum ponto do negócio, ante 78% no ano anterior. Mas, quando perguntadas sobre atribuir resultados financeiros a esse uso, só 39% souberam apontar algum impacto no EBIT, e a maioria delas relatou que o impacto ficou abaixo de 5% do EBIT. Apenas 6% dos respondentes se qualificaram como "AI high performers", definidos como organizações que relatam, ao mesmo tempo, valor significativo e impacto de 5% ou mais no EBIT vindo da IA.

A explicação do próprio relatório para essa divisão não é que a IA entrega pouco. É que os high performers fazem algo diferente na estrutura: eles têm quase três vezes mais probabilidade de ter redesenhado o workflow de fundo em torno da IA, em vez de largar um chatbot em um processo inalterado. Essa distinção (redesenhar versus acoplar) é o fio condutor de todo estudo crível sobre o tema, e vale guardá-la enquanto você lê o resto deste artigo.

MIT NANDA: a divisão da IA generativa

O número mais contundente em circulação vem do Project NANDA, do MIT, publicado como MIT NANDA, "The GenAI Divide: State of AI in Business 2025", via Fortune Os pesquisadores analisaram mais de 300 implementações públicas de IA, realizaram 52 entrevistas estruturadas e ouviram 153 líderes seniores, tudo entre janeiro e junho de 2025. A conclusão principal: apesar de um investimento corporativo estimado em $30 a $40 bilhões em IA generativa, 95% dos pilotos não produziram nenhum impacto mensurável no P&L. Uma fatia concentrada de 5% das implementações capturou a maior parte do valor que de fato existiu.

O diagnóstico do relatório importa mais do que o número chocante. Ele aponta uma "lacuna de aprendizado": a maioria das ferramentas corporativas de IA não retém contexto, não melhora com o feedback dentro do workflow específico em que foi implantada e acaba abandonada pelas equipes da linha de frente, que dão um jeito de contorná-las assim que surge atrito. Isso não é problema de dados nem de talento. É um problema de integração, e problemas de integração têm solução de um jeito que os problemas do tipo "a tecnologia não funciona" não têm.

Gartner: a onda de cancelamentos

A previsão da Gartner de junho de 2025 acrescenta um terceiro dado, por outro ângulo: a mortalidade dos projetos. A consultoria prevê que mais de 40% dos projetos de IA agêntica, ou seja, iniciativas construídas em torno de agentes de IA autônomos e de várias etapas, e não de chat de turno único, serão cancelados antes do fim de 2027. Os motivos citados pela Gartner são custos crescentes, valor de negócio pouco claro e controles de risco inadequados, além de um mercado inundado pelo que a firma chama de "agent washing", fornecedores que rebatizam automação comum ou bots baseados em regras como sistemas agênticos, sem a capacidade real para sustentar o rótulo.

Lidos em conjunto, McKinsey, MIT e Gartner não descrevem três fenômenos desconexos. Descrevem o mesmo funil visto de três ângulos: ampla adoção no topo, um gargalo de redesenho no meio e, na base, um filtro de fracasso de projetos que mata sobretudo as iniciativas que nunca passaram da fase piloto.

Já vimos esse filme: o paradoxo de Solow

Em 1987, no auge do boom dos computadores pessoais, o economista Robert Solow escreveu uma frase que sobreviveu a quase tudo o mais que ele publicou para o grande público: "Você vê a era do computador em toda parte, menos nas estatísticas de produtividade." As empresas tinham gasto pesado com PCs e softwares corporativos ao longo dos anos 1980. As estatísticas nacionais de produtividade, na época, não mostravam nenhuma aceleração correspondente. O investimento era visível. O retorno não, pelo menos ainda não.

O que resolveu o paradoxo de Solow não foi um chip melhor nem uma rede mais rápida. Foi a onda de mudança organizacional dos anos 1990, que alcançou o hardware: sistemas de ERP que obrigaram as empresas a redesenhar como pedidos, estoque e finanças conversavam entre si; varejistas e empresas de logística que reconstruíram suas cadeias de suprimento em torno de dados em tempo real, em vez de atualizações periódicas em lote; e uma década de prática de gestão correndo atrás do que a tecnologia tornara possível anos antes. O crescimento da produtividade acelerou de forma acentuada na segunda metade dos anos 1990, cerca de uma década depois da adoção em massa do PC, quando esses investimentos complementares estavam no lugar.

O paralelo com a IA generativa não é uma metáfora. É um padrão documentado, com nome na literatura econômica, e implica uma afirmação falseável: os ganhos de produtividade da IA aparecerão nos dados quando as empresas fizerem o trabalho organizacional, não antes, e não automaticamente só porque mais gente entrou em um chatbot.

A Curva J: por que a produtividade medida fica atrás do investimento real

Erik Brynjolfsson, Daniel Rock e Chad Syverson formalizaram esse padrão em seu modelo da Curva J da Produtividade, publicado pelo National Bureau of Economic Research. O argumento: tecnologias de uso geral (eletricidade, computação e, agora, IA pertencem a essa categoria) exigem um enorme investimento complementar para dar retorno. Requalificar as pessoas. Reconstruir os processos de negócio em torno do que a tecnologia realmente faz bem, em vez de forçá-la no formato do processo antigo. Desenvolver produtos e modelos de negócio que a infraestrutura antiga não conseguia sustentar.

Eis a parte que explica diretamente o paradoxo: esses investimentos complementares são em grande parte intangíveis, e o investimento intangível é medido mal, ou simplesmente não é medido, nas estatísticas divulgadas como "produtividade". Uma empresa que passa seis meses redesenhando seu workflow de atendimento ao cliente em torno de um sistema de IA faz um investimento real, com retorno futuro real. No ano em que isso acontece, o gasto aparece como custo, puxando a produtividade medida para baixo, e não como um ativo que constrói produção futura. O retorno chega depois, quando o workflow redesenhado roda em escala, mas a essa altura ele costuma ser atribuído a uma "melhor gestão", e não ao investimento em IA feito anos antes.

A equipe de Brynjolfsson estimou que ajustar as estatísticas oficiais de produtividade para esses investimentos intangíveis ligados à TI colocaria a produtividade total dos fatores medida cerca de 16% acima dos números do próprio governo, usando dados históricos da era dos computadores. O formato da curva J (uma queda, depois uma alta tardia) é o mecanismo. O paradoxo de Solow e o atual paradoxo da produtividade da IA são, ambos, retratos tirados durante a queda.

Ganho alegado, ganho medido e o que explica a diferença

Por que os pilotos morrem em produção

As entrevistas do MIT apontam um padrão de fracasso consistente e acionável. Os pilotos são construídos para impressionar um comitê, não para sobreviver ao dia real de uma equipe de linha de frente. São demonstrados uma vez, aprovados e entregues sem retenção de contexto nem ciclo de feedback para que a ferramenta melhore dentro do workflow específico em que chega. No momento em que um piloto gera atrito, uma resposta errada, uma passagem de bastão quebrada, uma etapa de aprovação extra que ninguém planejou, a equipe discretamente o contorna, e o uso volta ao patamar anterior ao piloto em poucos meses.

Isso é uma falha organizacional, não de capacidade: ninguém assumiu a integração, ninguém mediu se o workflow ficou mais curto e ninguém construiu o ciclo de feedback que conquista confiança ao longo do tempo. É também o motivo de a dívida técnica de pilotos apressados se acumular em vez de se resolver; uma ferramenta acoplada a um processo não redesenhado vira mais um sistema para manter, não menos trabalho. Quem contorna um piloto cheio de atrito normalmente faz isso em cima de um dia já lotado, o mesmo mecanismo por trás do ritmo e do burnout na era da IA: uma ferramenta que promete alívio, mas acrescenta uma etapa de verificação que ninguém agendou.

O retrabalho organizacional que de fato libera valor

Todo estudo crível aponta a mesma solução, descrita com palavras um pouco diferentes a cada vez.

Redesenhe o workflow, não acople a IA a ele

Os high performers da McKinsey têm quase três vezes mais probabilidade de ter reconstruído o processo em torno das capacidades reais da IA, em vez de inserir uma ferramenta em um processo desenhado para humanos executarem cada etapa manualmente. Os 5% bem-sucedidos do MIT incorporaram a IA em workflows de alto valor a fundo o bastante para que a ferramenta retivesse contexto e melhorasse com o uso, em vez de tratar cada interação como algo isolado. O ponto em comum: a unidade de mudança é o workflow, não a ferramenta.

Dê a alguém a responsabilidade real pelo resultado, não só pela implantação

Um piloto sem um dono nomeado e responsável por uma métrica de negócio (custo por ticket, tempo de ciclo, taxa de erro) tende a derivar para uma métrica de vaidade baseada em contagem de uso. As organizações que obtêm impacto mensurável no P&L designam um dono do negócio, e não apenas um patrocinador de TI, e cobram dessa pessoa o mesmo padrão de resultado de qualquer outra iniciativa operacional.

Decida, de forma deliberada, o que continua humano

Fazer um workflow redesenhado funcionar significa ser explícito sobre onde ficam o julgamento humano, a autoridade de escalonamento e a responsabilidade final, em vez de presumir que o agente "vai se virar". Isso é uma questão de desenho organizacional tanto quanto técnica, e se liga diretamente a como as equipes humano-agente são estruturadas no dia a dia, e às escolhas deliberadas que algumas empresas fazem sobre o que manter humano como estratégia, e não como uma reflexão tardia.

Construa o ciclo de feedback antes de escalar, não depois

Ferramentas que não aprendem com o contexto específico em que são implantadas são o padrão que o MIT apontou como principal causa da taxa de fracasso de 95%. Isso significa reservar tempo e responsabilidade para ajuste e coleta de feedback como parte da implantação, e não como uma "fase dois" que nunca recebe verba quando o lançamento parece bem em um painel de uso.

Nada disso é exótico. É a mesma disciplina que resolveu o paradoxo de Solow nos anos 1990: reconstruir o processo, não apenas acrescentar a ferramenta, com o mesmo orçamento e a mesma atenção executiva dedicados à própria ferramenta. As empresas que fecham essa lacuna também a tratam como uma questão de cultura, e não só de workflow; veja como construir uma cultura pronta para a IA e como é, de fato, uma cultura nativa de IA para o lado das normas do mesmo problema.

O que isso significa para os líderes que decidem agora

Três coisas decorrem diretamente das evidências acima, e não da versão entusiasta nem da versão crítica dessa história.

Trate o sucesso do piloto e o sucesso em produção como dois patamares diferentes. Um piloto que impressiona uma sala prova que o modelo consegue fazer a tarefa uma vez, sob supervisão. Não diz nada sobre se o workflow sobrevive a seis meses de uso real sem um responsável dedicado, então reserve orçamento e equipe para esse segundo patamar separadamente.

Meça a métrica do workflow, não a de uso. Contagens de login e licenças sempre parecem boas no começo. Custo por ticket resolvido, tempo de ciclo ou taxa de erro em relação a uma base anterior à IA são os números que de fato antecipam o P&L do ano que vem. Se você não consegue nomear a métrica específica que uma iniciativa de IA deveria mover, o redesenho do workflow ainda não aconteceu, só a implantação da ferramenta. E, quando um redesenho libera horas de verdade em algum ponto, esse tempo não se distribui sozinho. Veja o dividendo de produtividade para conhecer a decisão que a maioria dos líderes nunca toma de propósito: quem fica, de fato, com as horas que a IA economiza.

Planeje o orçamento para o prazo de vários anos que o padrão histórico mostra, não para o prazo de um trimestre que os fornecedores vendem. O paradoxo de Solow levou cerca de uma década para ser resolvido por meio de investimento organizacional sustentado, não de uma atualização de modelo. Essa distância entre a demonstração e o resultado duradouro é exatamente o que os processos de governança de IA e uma avaliação de impacto honesta existem para fechar, impondo disciplina de medição a iniciativas que, de outro modo, seriam julgadas pela aparência que tiveram em um slide de comitê.

O paradoxo não é um veredicto sobre a tecnologia. É um retrato de um trabalho inacabado, a metade organizacional do esforço que as tecnologias de uso geral sempre exigiram antes de seus ganhos de produtividade ficarem visíveis. A IA generativa e os agentes de IA podem mudar de verdade a forma como o trabalho é feito. Se isso vai aparecer nos seus números no ano que vem ou daqui a cinco anos depende menos de qual modelo você licenciou e mais de alguém na sua organização ter recebido tempo, autoridade e responsabilidade para concluir o redesenho que a ferramenta tornou possível, mas não fez por você.