AI Está em Todo Lugar no Trabalho. Apenas 1 em 10 Diz que Transformou o Emprego

Sua equipe está usando AI. Provavelmente muitos deles. Mas se você está se perguntando por que isso ainda não aparece nos seus números, você não está sozinho, e não está lendo os dados de forma errada.

Um working paper do National Bureau of Economic Research (NBER) que entrevistou quase 750 executivos corporativos encontrou algo revelador: os ganhos de produtividade percebidos com AI consistentemente superam os ganhos mensurados. Os pesquisadores chamam isso de "paradoxo de produtividade" e o atribuem a um atraso na materialização da receita. As empresas estão adotando AI mais rapidamente do que estão redesenhando o trabalho em torno dela, e esse descompasso é exatamente o motivo pelo qual o resultado financeiro continua estável mesmo enquanto as licenças se multiplicam.

O paradoxo não é um sinal de que AI não funciona. É um sinal de que adoção por si só não é o objetivo.

Os Números por Trás da Lacuna

O artigo do NBER (working paper w34984, copublicado com o Federal Reserve Bank of Atlanta) é uma das análises mais rigorosas sobre essa questão até hoje. A pesquisa com executivos captura o que realmente acontece dentro das organizações, e não o que os fornecedores prometem em apresentações de vendas.

Dados-chave

• Quase 750 executivos corporativos relatam ganhos de produtividade percebidos com AI superiores aos ganhos mensurados, com a diferença atribuída a um atraso na materialização da receita (NBER/Atlanta Fed, w34984, 2026)
• A AI generativa economiza cerca de 5,4% das horas de trabalho, aproximadamente 2,2 horas por semana em uma jornada padrão de 40 horas (Federal Reserve, 2026)
• Apenas cerca de 1 em 10 funcionários em organizações que adotaram AI concorda plenamente que a AI transformou a forma como realiza seu trabalho (Gallup, 2026)

O número da Gallup merece uma pausa para reflexão. Cerca de 80% dos funcionários relatam usar ferramentas de AI no trabalho. Mas apenas aproximadamente 10% dizem que isso mudou de forma significativa como fazem seu trabalho. O restante usa AI da mesma forma que antes usava o Google: como uma versão ligeiramente mais rápida do que já fazia.

Por que Seus Números Não Correspondem aos Registros de Uso

A diferença entre impacto percebido e mensurado não é um mistério quando se entende o mecanismo. Quando os funcionários adotam AI, tendem a automatizar as partes do trabalho mais fáceis de automatizar, não necessariamente as que geram mais valor. Um vendedor usa AI para redigir e-mails de acompanhamento com mais rapidez. Um gestor a usa para resumir anotações de reuniões. São economias de tempo reais, mas que não movem a receita diretamente.

A análise do Federal Reserve corrobora isso. A AI generativa economiza cerca de 2,2 horas por semana em uma jornada de 40 horas. É um ganho de eficiência de aproximadamente 5,4% no tempo de trabalho. Mas economias de tempo de trabalho não se convertem automaticamente em impacto financeiro. Elas só se traduzem em receita se as horas liberadas forem redirecionadas para atividades de maior valor, ou se o fluxo de trabalho subjacente for redesenhado de modo que o ganho se multiplique.

A maioria das organizações ignora essa etapa de redirecionamento. Os funcionários economizam duas horas e depois as preenchem com trabalho de menor prioridade ou reuniões. O tempo se evapora em vez de se converter. E como nada no modelo de receita muda, o ganho de produtividade fica preso dentro do fluxo de trabalho.

O artigo do NBER acrescenta outra camada: os ganhos que aparecem na produtividade mensurada fluem principalmente pelos canais de demanda e inovação, não pelo aprofundamento de capital. Em linguagem direta, AI cria valor ao possibilitar coisas novas (produtos melhores, iterações mais rápidas, segmentação mais precisa de clientes) e não apenas ao fazer as mesmas coisas de forma mais barata. Organizações que tratam AI como uma ferramenta de redução de custos tendem a mensurar apenas a parte mais barata e perdem a parte de crescimento.

Onde os Ganhos Realmente Aparecem

Nem todos os setores ou casos de uso são iguais. As descobertas do NBER mostram os maiores ganhos de produtividade mensurados em serviços de alta especialização e finanças. São áreas onde a AI auxilia em trabalhos de julgamento complexo: análise de negócios, revisão de contratos, modelagem financeira, pesquisa de clientes, em vez de tarefas repetitivas simples.

O padrão faz sentido. Quando a AI potencializa um analista de 300.000 dólares ou um gestor de relacionamento sênior, o ganho é grande o suficiente para ser percebido. Quando ajuda alguém a enviar um e-mail ligeiramente melhor, o impacto agregado é irrelevante.

A implicação para CEOs: onde você implanta AI importa tanto quanto a amplitude de implantação. Distribuir licenças de AI por todas as funções é adoção. Concentrar AI no trabalho diretamente ligado à receita é transformação.

Empresas pequenas e grandes também estão vendo coisas diferentes. Os dados do NBER mostram que empresas maiores antecipam reduções de pessoal impulsionadas por AI ao longo do tempo, enquanto empresas menores esperam crescimento modesto de headcount, impulsionado por melhorias de produtividade. A suposição comum de que AI principalmente corta empregos em escala parece mais complexa de perto.

Quatro Ações que CEOs Podem Tomar Neste Trimestre

A lacuna entre adoção e impacto mensurado é superável. Mas requer tratar AI como um problema de design operacional, não de compras.

1. Audite onde suas horas de AI estão realmente indo. Extraia dados de uso das suas ferramentas de AI e mapeie por função de cargo. Suas funções de maior impacto estão usando AI nas tarefas de maior impacto? Na maioria das empresas, a resposta é não. O uso intenso de AI tende a se concentrar em comunicações e documentação, não no trabalho que fecha negócios ou conquista clientes.

2. Redesenhe pelo menos um fluxo de trabalho vinculado à receita. Escolha um fluxo que toque diretamente a receita: um processo de vendas, uma operação de customer success, um ciclo de desenvolvimento de produto, e redesenhe-o do zero com AI. Não adicione AI às etapas existentes. Pergunte: se tivéssemos que construir esse fluxo hoje sabendo o que AI pode fazer, como seria? A descoberta do NBER de que os ganhos fluem pelos canais de demanda e inovação sugere que esse tipo de redesenho é onde o verdadeiro potencial de crescimento está.

3. Mensure resultados, não uso. A maioria dos painéis de AI reporta contagem de assentos e volumes de consultas. São métricas de adoção, não de impacto. Mude seu relatório para métricas de resultado: receita por pessoa em funções assistidas por AI, tempo de ciclo em fluxos de trabalho redesenhados com AI, custo de aquisição de cliente em funis com suporte de AI. Se você não conseguir vincular seu investimento em AI a um desses números, ainda não sabe se está funcionando.

4. Feche o ciclo sobre o tempo liberado. As 2,2 horas por semana que AI economiza só têm valor se forem direcionadas deliberadamente. Estabeleça acordos explícitos de conversão de tempo em valor com as equipes: quando AI reduz o tempo que você gasta na tarefa X, é aqui que esse tempo vai em seguida. Sem essa direção, as horas desaparecem e o ganho de produtividade some junto.

O Atraso na Materialização da Receita É Real, mas Finito

A estrutura do "paradoxo de produtividade" do artigo do NBER não significa que os ganhos não chegarão. Significa que chegam mais tarde e por canais diferentes do que a maioria dos executivos espera. Os pesquisadores encontram efeitos positivos de produtividade do trabalho nas empresas pesquisadas. A lacuna é uma questão de tempo, não uma falha fundamental.

Mas "vai funcionar eventualmente" não é uma estratégia. CEOs que esperam que os ganhos se materializem sozinhos provavelmente continuarão vendo a curva de adoção subir e o resultado financeiro permanecer estável. As empresas que fecharem a lacuna mais cedo serão aquelas que tratam o redesenho de fluxos de trabalho, a mensuração de resultados e a implantação focada em receita como o trabalho real da adoção de AI, não como o que acontece depois da adoção.

AI já está em todo lugar no trabalho. A questão agora é se está funcionando de fato.

Perguntas Frequentes

Por que os funcionários percebem ganhos de produtividade maiores com AI do que os dados mostram? As pessoas tendem a notar quando AI economiza tempo em uma tarefa específica e extrapolar isso mentalmente para todo o seu trabalho. Mas o ganho mensurado reflete se o resultado total ou a receita realmente aumentou. Quando as economias de tempo não são redirecionadas para trabalho de maior valor, o ganho percebido é real, mas o ganho mensurado não aparece. É o núcleo do que a pesquisa do NBER chama de atraso na materialização da receita.

Quais setores veem os maiores ganhos de produtividade mensuráveis com AI atualmente? A pesquisa do NBER com quase 750 executivos encontrou os maiores ganhos mensurados em serviços de alta especialização e finanças. Esses setores registram o maior crescimento porque a AI está potencializando trabalhos de julgamento complexo e de alto valor, onde mesmo melhorias incrementais movem a agulha em termos de receita.

CEOs devem buscar mais licenças de AI se o impacto mensurado é baixo? Provavelmente não ainda. As evidências sugerem que a restrição não está no acesso às ferramentas de AI, mas em como essas ferramentas são integradas aos fluxos de trabalho e se estão conectadas a tarefas vinculadas à receita. Mais licenças sem redesenho de fluxos de trabalho e mensuração de resultados tende a ampliar a lacuna entre adoção e impacto, não a fechá-la.

Saiba Mais

• Por que o ROI de AI é difícil de provar - as razões estruturais pelas quais os retornos mensurados de AI ficam atrás das curvas de adoção
• Tempo Economizado versus Impacto na Receita: Mensurando AI - um framework para converter ganhos de eficiência de AI em resultados visíveis no P&L
• As Contas de AI das Empresas Estão Subindo Mesmo com a Queda dos Preços por Token - o lado do custo da equação de investimento em AI
• Relatório de Lacuna de Liderança em AI da PwC - como as empresas líderes estão se distanciando das retardatárias em desempenho mensurado de AI

Fonte: NBER Working Paper w34984, "Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives" (2026) | Gallup, "Rising AI Adoption Spurs Workforce Changes" (2026) | Federal Reserve FEDS Note, "Monitoring AI Adoption in the U.S. Economy" (2026)