Seis minutos
Oito e dez de uma terça-feira, antes de qualquer pessoa chegar. A gerente de operações de uma distribuidora de insumos médicos —duzentas e quarenta pessoas, depósito e administração em Córdoba— abre o relatório que pediu na sexta: por que a margem do canal farmácias caiu quatro pontos no semestre.
Catorze páginas. Meia página de resumo executivo, subtítulos em negrito, três tabelas, um gráfico. Está bem escrito. Está mais bem escrito do que costumava chegar dessa mesma pessoa.
Aos seis minutos ela para de ler. Não há uma recomendação: há quatro “possíveis linhas de ação” que são as quatro que qualquer um citaria sem abrir o sistema. Não há um único número que ela já não tivesse na sexta. E há duas afirmações sobre um concorrente que ela não sabe de onde saíram, que não consegue verificar antes das dez, e que, se forem verdadeiras, mudam a decisão.
São oito e dezesseis. A reunião em que ela tem de levar essa decisão é às dez.
E agora ela tem dois problemas, não um. O primeiro é o relatório. O segundo é o Julián, que entregou no prazo, que não fez nada que ela possa apontar com o dedo, e que até sexta era a pessoa em quem ela mais confiava para isso.
(A cena é uma reconstrução composta. Daqui em diante, tudo o que leva número está medido e tem fonte.)
Isso tem nome desde setembro de 2025, e o nome não é nosso. Uma equipe da BetterUp Labs e do laboratório de mídias sociais de Stanford publicou o achado na Harvard Business Review e o chamou de workslop —algo como “entulho de trabalho”—: no original, “conteúdo de trabalho gerado com inteligência artificial que se faz passar por bom trabalho, mas não tem a substância necessária para fazer a tarefa avançar”. Em bom português: o trabalho que parece trabalho.
40% dos entrevistados disse ter recebido pelo menos um no último mês.
De onde sai esse 40%, porque importa: de uma pesquisa on-line com 1.150 empregados em tempo integral dos Estados Unidos, em que cada um descreve o que acontece consigo mesmo. Não é um experimento, e quem o publica é uma empresa que vende desenvolvimento de liderança. Isso não o invalida: situa-o. Serve para saber que o fenômeno existe e tem tamanho; não para calcular quanto ele custa a você.
O trabalho não termina quando se entrega
Há uma conta que todo mundo faz e que parece impossível de discutir: se cada pessoa poupa duas horas por semana, a empresa poupa duas horas por pessoa por semana. Multiplique pelo quadro de funcionários e aí está o business case.
A conta falha num único ponto: supõe que o trabalho termina quando se entrega. Não termina. Continua, em outra mesa, e ali é mais caro, porque verificar uma coisa bem escrita leva mais tempo do que antes levava descartar uma coisa mal escrita. Isso último nenhum estudo mede, e dizemos como o que é: é o que vemos dentro das empresas. A isso chamamos, na 32sur, de transferência rio abaixo: o trabalho de pensar não é eliminado, ele muda de dono.
Quem recebe não tem como antecipar. Na primeira parte desta série contamos um experimento com centenas de consultores de uma firma global que resolveram tarefas reais, alguns com inteligência artificial e outros sem ela. Em uma dessas tarefas, escolhida por cair fora do que a ferramenta faz bem, quem a usou acertou menos. E as suas entregas foram pontuadas como mais coerentes e mais bem argumentadas do que as do grupo que trabalhou sem ela. O erro não vinha embrulhado em um texto pior. Lá isso era um problema para quem decide. Aqui é o problema de quem recebe: o sinal que a sua cabeça usa para estimar se algo merece o seu tempo —está bem escrito, está organizado, tem estrutura— deixou de prever o que você quer saber.
Por isso o custo não se paga ao detectar. Paga-se antes, procurando. Quem já recebeu um calcula que, de todo o trabalho escrito que lhe chega, pouco mais de um em cada sete é dessa espécie. E declara ter levado uma hora e cinquenta e seis minutos para resolver o último episódio: ler, entender que não servia, separar o verificável do que não era, e refazer a parte que fazia falta.
Uma pesquisa em que as pessoas contam quanto lhes fizeram perder não prova nada em escala de empresa. Por isso o que vem a seguir não se apoia no que as pessoas dizem. Apoia-se no que ficou registrado.
O mesmo entregável, o mesmo percurso, antes e agora:
O país onde deu para olhar sem perguntar
Antes de ir à Dinamarca, a foto local. Na pesquisa que o centro de políticas públicas da Di Tella fez com a Fundar sobre pequenas e médias empresas argentinas, 91,2% das que adotaram inteligência artificial dizem que não reduziram pessoal. Ninguém saiu, e quem usa a ferramenta diz que ela poupa tempo. Fica uma pergunta: para onde foi esse tempo?
A Dinamarca é um dos poucos lugares do mundo onde dá para responder sem perguntar. Os rendimentos e as horas trabalhadas de cada pessoa estão registrados. Dois pesquisadores entrevistaram cerca de vinte e cinco mil trabalhadores de sete mil locais de trabalho, em onze ocupações escolhidas por estarem entre as mais expostas à ferramenta —contadores, advogados, jornalistas, gente de suporte técnico, professores—, em duas rodadas: uma no fim de 2023 e outra no fim de 2024. Depois cruzaram as respostas com esses registros. Não perguntaram quanto tinham ganhado. Olharam.
Os dois resultados convém ler um de cada vez.
O primeiro é o que as pessoas reportam: cerca de 3% de economia de tempo. É uma economia real e é pequena: pouco mais de uma hora numa semana de quarenta.
O segundo é o que os registros mostram: nada. Nem nos rendimentos nem nas horas, nem no nível da pessoa nem no do local de trabalho.
Aqui está a frase que faz toda a diferença: não é que não tenha sido possível medir. Mediu-se, e a medição é fina o bastante para descartar qualquer efeito maior que 2% dois anos depois do lançamento do ChatGPT. Dito sem estatística: se aquelas horas poupadas tivessem virado mais rendimento ou menos horas, esta medição teria encontrado. Procurou e não estava lá. Um zero medido com precisão não é a mesma coisa que um zero por falta de dados: o primeiro é um achado, o segundo é uma limitação.
Três coisas sobre esta medição. A primeira: é um working paper, uma versão preliminar que ainda não passou por revisão por pares, e nesta série essa etiqueta é sempre colada. O que lhe dá peso é de onde saem os dados. A segunda é incômoda para nós: o mesmo trabalho circulou em 2025 com outro título e outros números, e aqui se cita a versão de março de 2026, que é a vigente. E a terceira: a Dinamarca não é a Argentina, e a diferença joga para os dois lados —lá a versão corporativa da ferramenta chegou antes e as horas estão registradas; aqui, nenhuma das duas coisas.
O que isso muda para você, em uma frase: se a economia que a sua equipe sente não aparece nas horas nem no faturamento, não é que a sua equipe esteja mentindo. É que o tempo virou outra coisa antes de chegar ao resultado.
O que as pessoas reportam e o que ficou registrado, um ao lado do outro:
As tarefas que não existiam antes
O mesmo estudo pergunta o que os usuários fizeram com o tempo que de fato pouparam, e a resposta fecha o círculo: mais de oito em cada dez o realocaram para outras tarefas do trabalho. Menos de um em cada dez o usou para descansar. O tempo não evaporou nem virou margem. Ficou dentro da jornada, fazendo outra coisa.
Que coisa, é o interessante. Os pesquisadores pediram que descrevessem com as próprias palavras as tarefas novas que apareceram, e depois as classificaram. A categoria individual mais frequente não é produzir com a ferramenta: é encaixá-la dentro do trabalho —decidir para que serve, escrever como se usa, emendá-la com o que já existia—, e ela explica uma em cada quatro tarefas novas. Outro terço largo é controlá-la: corrigir o que a máquina escreveu para que fique exato e claro, e responder para que ela não atropele uma norma ou um compromisso com um cliente. Somadas as duas, seis em cada dez tarefas novas não consistem em produzir: consistem em habilitar e revisar.
E há um dado que organiza tudo o que veio antes. Onde o empregador não fez nada, cerca de 8% dos usuários declara tarefas novas por causa da ferramenta; onde o empregador a impulsiona, passa a mais do dobro. Quanto mais a sério se adota, mais trabalho novo aparece. E ele não fica só entre os usuários: 4% dos que nunca a usaram também reporta carga nova, e entre os professores que nunca a abriram é um em cada dez. O trabalho novo aparece na mesa de alguém que nunca abriu o programa.
O estudo não diz sobre quem essas tarefas caem. A sua empresa diz: em uma de duzentas pessoas, revisar, emendar e responder não se reparte entre duzentos. Cai nos mesmos três ou quatro que já assinavam tudo.
E o terreno argentino tem as duas condições para que isso se concentre: entre as pequenas e médias empresas que já adotaram inteligência artificial, 95,5% não contratou nenhum perfil especializado, e em 44,4% cada área e cada pessoa adota por conta própria, sem coordenação central. Não falta ferramenta. Falta alguém ter desenhado o passo seguinte.
Quatro casos correntes, com o nome de quem paga cada metade:
| O que se fez com a ferramenta | Que tarefa encurtou, e para quem | Que tarefa apareceu, e para quem | O que acontece se ninguém a contar |
|---|---|---|---|
| Resposta a uma reclamação de cliente | Redigi-la — o atendente | Verificar se a norma citada e a compensação oferecida são as que correspondem — quem assina | O tempo de quem assina não está em nenhum painel, e quem assina já era o gargalo |
| Relatório de análise para uma decisão | Montá-lo e escrevê-lo — o analista | Checar as afirmações sobre as quais a recomendação se apoia — quem decide | Decide-se do mesmo jeito, sem saber quais dessas afirmações foram verificadas |
| Resumo de uma reunião | Anotar — quem o escreveu | Comparar o resumo com o que de fato foi combinado — quem estava lá | Os acordos ficam escritos como uma máquina os entendeu, e ninguém os relê até haver conflito |
| Uma planilha ou uma consulta de dados | Escrevê-la — o analista | Revisar se a fórmula faz o que diz que faz — quem a usa depois | O erro viaja para a frente e aparece quando já se decidiu com ele |
Nas quatro linhas o tempo foi poupado em cima e o trabalho novo apareceu embaixo, na única pessoa que já não tinha folga: é a transferência rio abaixo, linha por linha. Esquema 32sur; as quatro linhas são exemplos, não medições. As categorias de trabalho novo que elas ilustram são as que Humlum e Vestergaard (revisão de 2026) obtiveram ao classificar as tarefas novas descritas pelos próprios trabalhadores: integrar a ferramenta ao trabalho é a categoria individual mais frequente, com 26% de todas as tarefas novas, e a revisão de qualidade somada a ética e conformidade dá outros 35%.
O custo que não está em nenhum painel
Volte ao escritório de Córdoba. A gerente já resolveu o relatório. O que ela não resolveu é a quem vai pedir alguma coisa de novo no mês que vem.
Isso também está medido, e é a parte da pesquisa que mais fala a um diretor. Entre os que receberam um desses entregáveis, 42% passou a considerar menos confiável quem o enviou. 32% preferiria não voltar a trabalhar com essa pessoa.
A direção importa tanto quanto o tamanho. A maior parte circula entre pares, mas quase um em cada cinco desses episódios vai de alguém para o seu chefe. Ele sobe: chega ao lugar onde se decide quem é promovido, e chega sem que ninguém o nomeie.
Isso já vimos, com outra roupa. Quando escrevemos sobre o que acontece quando uma medida vira o objetivo apareceu uma armadilha com nome técnico —surrogação—: produzir a aparência do entregável em vez do entregável. Um painel todo verde com o negócio afundando é isso. O relatório de catorze páginas é a mesma coisa, com uma diferença grande: até três anos atrás, produzir a aparência custava quase tanto quanto produzir a coisa. Agora não custa nada.
Três números que medem três coisas diferentes, e a distância entre eles é o assunto. Os dois primeiros saem do que as pessoas dizem de si mesmas; o terceiro cruza o que as pessoas dizem com o que ficou registrado. Essa distância não é um defeito das medições: é o tema deste artigo.
A saída parece óbvia: se não se sabe o que foi feito com máquina e o que não foi, que cada um esclareça. Essa saída tem um custo medido, e quem o paga não é a empresa: paga, de forma desigual, quem usa a ferramenta.
O imposto que nenhum plano de adoção prevê
O experimento se lê como um truque de cartas. Pediram a 1.026 engenheiros que avaliassem código. O código era o mesmo. A única coisa que mudava era uma etiqueta: se o autor tinha declarado ou não ter usado inteligência artificial para escrevê-lo.
Sobre a qualidade do código não houve diferença: os avaliadores pontuaram igual. O que mudou foi a nota que deram à pessoa. Quando o autor era homem e declarava o uso, a sua avaliação de competência caiu 6%. Quando era mulher, caiu 13%.
Mais um dado, e é o mais incômodo. Os avaliadores mais severos foram os engenheiros que não usam a ferramenta, e a punição que aplicaram às engenheiras usuárias foi 26% maior do que a que aplicaram aos colegas homens. É o padrão que a medição mostrou; ninguém atribui intenção a ninguém.
É outra versão preliminar sem revisão por pares, e o que a torna difícil de discutir é o desenho: código idêntico, grupos sorteados, hipóteses escritas antes de começar.
O correlato de campo é o que interessa a quem assina um orçamento. Os mesmos autores acompanharam durante um ano o rastro digital de 28.698 engenheiros de software de uma empresa de tecnologia grande, desde o lançamento interno de uma ferramenta para programar com inteligência artificial. Aos doze meses, com incentivos da empresa para que fosse usada, usavam-na 41%. Entre as engenheiras, 31%. Não faltavam licenças nem treinamento: as duas coisas estavam lá.
Daí sai a consequência de gestão, e é uma só. Se declarar o uso custa, as pessoas não declaram. Se não declaram, a empresa não sabe por onde a ferramenta entrou nem em que tarefas. E um fluxo que não se sabe como funciona não dá para redesenhar.
O mesmo código, avaliado três vezes:
E não é uma só empresa
Que uma empresa pague a ferramenta e a adoção fique estagnada mesmo assim não é peculiaridade dessa empresa, e também não há uma média de onde copiar. A pesquisa de tendências empresariais do Censo dos Estados Unidos pergunta se a empresa usou inteligência artificial em alguma função nas duas semanas anteriores: no setor de Informação, 39,7% das empresas declaram que sim; no Comércio varejista, 14%. Mesmo país, mesmo mês, quase três vezes de diferença.
Se dentro de um único país a diferença é desse tamanho, a média “do mercado” não descreve a empresa de ninguém, e isso inclui a sua. Não há um número de fora que diga onde você está: o único diagnóstico que serve é o do fluxo próprio.
O que é um trabalho terminado
Nada do que veio antes se resolve com uma política de uso de inteligência artificial. A ficha a seguir não proíbe nada e não pede a ninguém que declare como fez o seu trabalho: a seção anterior explica por que isso tem um custo medido e desigual.
O que ela faz é mover a definição de “terminado” do formato para o conteúdo. Hoje um entregável é considerado terminado quando parece terminado: tem as seções, a extensão e o tom que se esperavam. Esse é o critério que uma máquina satisfaz de graça.
O mesmo achado, escrito duas vezes. Nenhum dos dois textos a seguir saiu de uma medição: nós os escrevemos, sobre a empresa da cena, para que se veja a diferença de tamanho.
Versão A. “A análise do canal farmácias revela uma combinação de fatores que impactam a rentabilidade. Destacam-se a evolução do mix de produtos, uma pressão competitiva crescente e certos aspectos vinculados à política comercial vigente. Recomenda-se aprofundar a análise de cada um desses eixos, envolvendo as áreas correspondentes, a fim de definir um plano de ação integral.”
Versão B. “A margem do canal caiu quatro pontos. Três desses quatro vêm de uma única coisa: o produto que mais cresceu é o que menos deixa, e cresceu porque em março baixamos o preço dele para segurar dois clientes. Um desses dois compra a metade do que comprava. Se o preço voltar ao de fevereiro, perde-se esse cliente e recuperam-se três pontos. A decisão é essa.”
A versão A não está mal escrita: está bem escrita. O que ela não tem é uma única afirmação que se possa verificar nem uma única decisão que se possa tomar depois de lê-la. A versão B tem quatro afirmações, e as quatro se checam no sistema em dez minutos. A diferença entre as duas não é de qualidade de redação. É de se alguém olhou.
Bastam quatro movimentos, e cada um tem um dono com nome.
O pedido diz que decisão ele habilita. Quem pede escreve isso, antes de pedir, e ocupa meia linha. Sem uma decisão nomeada, o que foi encomendado são páginas.
O entregável traz as afirmações que o sustentam, com onde olhá-las. Três, não trinta. As duas frases sobre o concorrente que a gerente não conseguia verificar antes das dez teriam de ter chegado com a fonte ao lado.
O entregável diz o que ficou de fora. Duas linhas. A frase “analisaram-se todos os fatores” é o aviso de que não se analisou nenhum.
Quem recebe anota quantos minutos levou para verificá-lo. É o único número da lista, e hoje ele não existe em nenhuma empresa. Sem ele, a estação que apareceu entre PRODUZIR e USAR não figura em nenhum painel, e o que não figura não se redesenha.
Instalar isso custa meia hora com as três ou quatro pessoas que mais recebem trabalho escrito. Não é preciso comprar nada nem escrever uma política.
Os quatro movimentos, com dono e com uma ficha começada:
Perguntas para a segunda-feira
As três primeiras se respondem agora mesmo, sem abrir nada nem perguntar a ninguém.
Três de cabeça, quatro que levam mais tempo
- O último trabalho escrito que você recebeu e não serviu: quanto tempo levou para perceber que não servia? Não o tempo total: o tempo até perceber. Esse é o custo de que ninguém fala.
- Você disse isso a quem enviou, ou refez você mesmo e não disse nada? As duas respostas são frequentes; só uma deixa rastro.
- Cite as pessoas que na sua empresa revisam o que sai antes de sair. Se são as mesmas três de sempre, você já sabe onde o trabalho novo caiu.
As quatro seguintes levam mais tempo.
- Pergunte a essas três pessoas quantos minutos da semana passada se foram em verificar coisas que chegaram prontas. É um número que hoje ninguém tem, nem elas.
- Abra o último pedido de trabalho que você fez por escrito. Ele dizia que decisão ia habilitar quando chegasse? Se não dizia, metade do problema é do pedido.
- Junte por meia hora as três ou quatro pessoas que mais recebem trabalho escrito e escolham dois dos quatro movimentos da ficha para começar. Dois, não os quatro. Escrevam num e-mail.
- Daqui a um mês conte quantos entregáveis voltaram e por quê. Se o número não cair, olhe o pedido antes da ferramenta.
Volte um momento ao escritório de Córdoba. A reunião das dez aconteceu do mesmo jeito, com a recomendação que a gerente montou sozinha em noventa minutos, que é o que teria levado se o relatório não tivesse existido. Nada caiu. Esse é o problema: nada cai, não há incidente a reportar, e o custo se paga num lugar onde ninguém o mede.
E fica o Julián, que continua sem saber que aconteceu alguma coisa. A única coisa que ele recebeu naquela terça foi uma mensagem às oito e dezesseis:
—Obrigada, vou olhar e te falo.
Ninguém vai lhe dizer mais nada: é incômodo e, a rigor, ele entregou no prazo o que lhe foi pedido. Da próxima vez o pedido vai ser menor, ou vai para outra pessoa. É assim que uma empresa perde alguém sem demitir.
Nada disso se resolve comprando outra ferramenta nem proibindo a que existe. As duas partes anteriores mostraram onde a ferramenta rende e onde falha, e como se leem os números do investimento. Esta mostrou que a economia que se sente reaparece, mais cara, duas mesas abaixo, em uma estação de trabalho que ninguém abriu e que não tem dono. As três apontam para o mesmo lugar: o fluxo em que a ferramenta foi metida sem mudar mais nada. Disso trata a parte 4, a última, com a única alavanca que a evidência associa a que a ferramenta chegue ao resultado e não só à sensação.
Quanto custa a você verificar o que chega pronto?
Comece sem a gente: meia hora, três pessoas, dois campos. Este artigo basta para conduzir essa reunião na segunda. Se em um mês os entregáveis continuarem voltando, o problema está no fluxo em volta da ficha, e redesenhar fluxos com quem os usa todos os dias é o que fazemos na 32sur. Escreva para nós contando qual dos seus entregáveis é o que mais dói, e dizemos já na primeira resposta se é preciso entrarmos ou se com a meia hora já está resolvido.
Referências
- Niederhoffer, K., Rosen Kellerman, G., Lee, A., Liebscher, A., Rapuano, K. e Hancock, J. T., “AI-Generated ‘Workslop’ Is Destroying Productivity”, Harvard Business Review, 22 de setembro de 2025 — a fonte que dá nome ao fenômeno. Pesquisa da BetterUp Labs com o Stanford Social Media Lab: pesquisa on-line com 1.150 empregados em tempo integral dos Estados Unidos, setembro de 2025. Definição textual: “AI generated work content that masquerades as good work, but lacks the substance to meaningfully advance a given task”. 40% declara ter recebido ao menos um episódio no último mês; quem recebeu estima que 15,4% de tudo o que lhe chega se enquadra nisso; o tempo declarado para resolver o último episódio é de 1 hora e 56 minutos; 42% passou a considerar menos confiável quem o enviou e 32% preferiria não voltar a trabalhar com essa pessoa; 18% dos episódios vai de um subordinado para o seu chefe. Três precisões que este artigo assume no corpo e não em uma nota de rodapé: é evidência autorreportada de uma pesquisa em curso, não um experimento, e quem a publica é uma empresa que vende desenvolvimento de liderança; o próprio artigo diz “40%” em um parágrafo e usa “41%” para calcular o custo em outro, e aqui se usa 40%; e a tradução desse tempo em um custo por pessoa por mês e em um custo anual para uma organização de dez mil empregados não é usada neste artigo, porque é uma estimativa derivada do tempo e do salário declarados pelo mesmo entrevistado. O artigo abre ainda se apoiando nos 95% do relatório do MIT Project NANDA, que a parte 2 desta série desmonta. Também não se usa aqui o percentual de episódios que circula entre pares, para não confundi-lo com os 40% de prevalência: no corpo essa direção é dita em palavras.
- Humlum, A. e Vestergaard, E., “Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI”, University of Chicago Booth / NBER Working Paper 33777, maio de 2025, versão revisada de março de 2026 — a fonte que sustenta este artigo, lida no original. Advertência de versão, que nesta série cabe fazer e que este artigo também assume no corpo: o mesmo trabalho circulou em 2025 com o título “Large Language Models, Small Labor Market Effects” e com números que a revisão mudou (descartava efeitos maiores que 1%, não que 2%; dizia 80% onde agora diz 85%; agrupava as tarefas novas de outro modo). A própria página do NBER esclarece: “This paper was previously circulated under the title ‘Large Language Models, Small Labor Market Effects’”. Aqui se cita a versão vigente, e todos os números foram tirados dela. Duas rodadas de pesquisa (fim de 2023 e fim de 2024); a última reúne 25.000 trabalhadores de 7.000 locais de trabalho em onze ocupações expostas —contadores, especialistas de suporte ao cliente, consultores financeiros, profissionais de recursos humanos, suporte de sistemas, jornalistas, advogados, marketing, empregados administrativos, desenvolvedores de software e professores—, vinculadas aos registros administrativos dinamarqueses de rendimentos, horas e ocupação; identificação por diferenças em diferenças, com as políticas do empregador como variação quase experimental. Textual do resumo: “using difference-in-differences, we estimate precise null effects on earnings and recorded hours at both the worker and workplace levels, ruling out effects larger than 2% two years after the launch of ChatGPT”. A economia reportada é textual do corpo: “adopters in our sample report savings of about 3% of their work hours” — a versão anterior trazia ainda um 2,8% no corpo que a vigente já não reporta. Os demais dados que este artigo usa também estão no corpo do paper: 85% dos usuários realoca o tempo poupado para outras tarefas do trabalho e menos de 10% o usa em pausas ou descanso; entre as tarefas novas, a integração da ferramenta ao trabalho é a categoria individual mais frequente, com 26% (“the single most common new AI task category is AI Integration”), enquanto os 35% de revisão de qualidade mais ética e conformidade agrupam duas categorias e os 42% de geração de conteúdo agrupam três (ideação, redação e leitura de dados) — os 42% superam os 26% porque somam categorias, não porque compitam com eles, e por isso o corpo diz “categoria individual”; cerca de 8% dos usuários declara tarefas inteiramente novas onde o empregador não impulsiona a ferramenta, e cerca de 17% onde a impulsiona; 4% dos não usuários reporta cargas novas, com 10% entre os professores que nunca a usaram. É uma versão preliminar: não passou por revisão por pares, e este artigo diz isso no corpo. Dados do estudo que este artigo não usa no corpo: 43% das empresas fomenta explicitamente o uso, 21% o permite e 6% o proíbe; entre as que o fomentam, 61% tem uma versão corporativa e 39% treina; onde não há nenhuma iniciativa, cerca de 40% dos trabalhadores usou um chatbot no trabalho alguma vez assim mesmo; e onde convivem fomento, versão corporativa e treinamento, 93% declara tê-lo usado e 28% o usa diariamente. O paper reporta ainda, textual, que a versão corporativa e o treinamento implementados isoladamente se associam a menores benefícios declarados (“enterprise chatbots and training—when implemented in isolation—are associated with lower reported benefits”); este artigo não usa esse achado porque o próprio trabalho oferece duas explicações alternativas para ele e não escolhe entre elas.
- Gai, P. J., Hou, J. e Tu, Y., “Competence Penalty Is a Barrier to the Adoption of New Technology”, SSRN 5255039; cobertura na Harvard Business Review, agosto de 2025 (“Research: The Hidden Penalty of Using AI at Work”) — a punição por competência. Experimento pré-registrado com 1.026 engenheiros avaliando o mesmo código: quem declarava ter usado inteligência artificial recebeu avaliações de competência 9% mais baixas em média —6% os autores homens e 13% as autoras mulheres—, sem que a qualidade percebida do código mudasse. Os avaliadores mais severos foram os engenheiros que não adotaram a ferramenta, e a punição que aplicaram às engenheiras usuárias foi 26% maior que a aplicada aos engenheiros usuários. Correlato de campo, do mesmo trabalho: rastro digital de 28.698 engenheiros de software de uma empresa de tecnologia após o lançamento interno de uma ferramenta de IA generativa para programar; aos doze meses usavam-na 41%, com 31% entre as engenheiras e 39% entre os maiores de quarenta. Uma pesquisa complementar (n = 919) associa a punição antecipada a uma adoção mais lenta. É uma versão preliminar hospedada no SSRN: na data de fechamento deste artigo não consta publicada em periódico com revisão por pares. Duas correções em relação a coberturas secundárias que circulam: os 41% são a taxa de adoção do total de engenheiros, não a dos homens (que é 43%); e a empresa é descrita na fonte como uma empresa de tecnologia líder, sem nenhuma posição em um ranking — este artigo não lhe atribui nenhuma.
- U.S. Census Bureau, Business Trends and Outlook Survey, relatório de maio de 2026 sobre uso de inteligência artificial em empresas — a pergunta levanta se a empresa usou IA em alguma função nas duas semanas anteriores. Recortes setoriais: Informação 39,7%, Finanças e seguros 33,9%, Comércio varejista 14%; média nacional 19,8%. Os recortes por tamanho de empresa e a faixa geral de adoção foram usados na parte 2 desta série e não se repetem aqui.
- CEPE-Universidad Torcuato Di Tella (o centro de políticas públicas da sua Escola de Governo) e Fundar, iniciativa nadIA, com levantamento da Fundación Observatorio PyME e apoio do BID, “Encuesta Nacional sobre Adopción de IA en Pequeñas y Medianas Empresas de la Argentina”, abril de 2026 — 402 empresas de 10 a 249 funcionários da indústria de transformação e de software e serviços de informática, campo entre novembro e dezembro de 2025, amostragem estratificada em 14 estratos setoriais. Os três dados que este artigo usa, calculados sobre as empresas que já usam IA: 91,2% não reduziu pessoal, 95,5% não contratou nenhum perfil especializado e 44,4% declara que diferentes áreas e pessoas adotam por conta própria, sem coordenação central.
- Dell'Acqua, F. e outros, “Navigating the Jagged Technological Frontier”, Organization Science, 37(2), 2026, pp. 403-423 — é citado aqui por um único motivo: na tarefa em que os grupos com inteligência artificial acertaram menos, os avaliadores pontuaram as suas entregas como mais coerentes e mais bem argumentadas que as do grupo sem a ferramenta. Os números desse achado estão na parte 1 desta série e não se repetem neste artigo.
- Choi, J., Hecht, G. e Tayler, W. B., “Lost in Translation: The Effects of Incentive Compensation on Strategy Surrogation”, The Accounting Review, 87(4), 2012 — a origem do conceito de surrogação, que este blog já usou ao escrever sobre painéis e indicadores: substituir a coisa que importa pela medida que a representa. Aqui ele aparece na sua versão nova, em que a aparência do entregável pode ser produzida por uma máquina.
Todas as fontes foram lidas na sua versão primária disponível. Última verificação: agosto de 2026.