Oitocentas cotações
Sete e quarenta de uma terça-feira de agosto. Distribuidora de material elétrico em Rosário: cento e quarenta pessoas, três depósitos, quarenta anos no ramo. A gerente administrativa gira a tela para que o dono veja uma cotação pronta.
—Antes isso levava duas horas. Agora, vinte minutos.
É verdade e é verificável. Há um ano a equipe de vendas monta as cotações com inteligência artificial: carrega o detalhe, traz os preços da tabela, redige a nota de condições. Funciona. Ninguém exagera e ninguém mente.
—E quantas cotações saíram no mês passado? —pergunta ele.
—Oitocentas e poucas. Como sempre.
—E há um ano, quantas saíam?
Um silêncio curto.
—Oitocentas e poucas também, imagino.
Os dois têm razão. A ferramenta funciona, a tarefa é feita na sexta parte do tempo, e um ano depois não há uma linha da demonstração de resultados dessa empresa que alguém possa atribuir a ela. Nem há como discutir: ninguém escreveu como era antes.
(A cena é uma reconstrução composta, e os números que aparecem nela também. Daqui em diante, tudo o que leva número está medido e tem fonte.)
As fontes foram lidas na versão disponível em agosto de 2026.
O mito desta última parte é o mais caro dos quatro que a série percorreu, porque é o único que se paga com nota fiscal: adotar inteligência artificial é comprar a ferramenta e dar acesso às pessoas. As licenças, o treinamento, o fornecedor que configura: é a parte cara e é a parte que se aprova, porque é a que tem preço e data.
E é a única parte de tudo isso que, sozinha, não muda o resultado.
A parte 3 desta série respondeu a uma metade da pergunta: o tempo que se poupa em um passo é gasto, duas mesas adiante, por quem tem que conferir o que saiu. Esta é a outra metade, e é mais barata de consertar. Mesmo quando o trabalho não é transferido para ninguém, o tempo poupado não aparece em lugar nenhum se o fluxo em volta da tarefa continuou igual: a cotação segue esperando a mesma assinatura, segue saindo na mesma leva de sexta-feira, e o gargalo —que nunca foi redigi-la— segue exatamente onde estava. Acelerar um passo que não era o que travava não acelera nada.
Fica então a pergunta: o que se fez de diferente nas empresas onde a inteligência artificial de fato aparece no resultado? Há uma resposta, e ela vem com uma etiqueta que é preciso ler antes.
O que fizeram de diferente
Em março de 2025, a McKinsey publicou a rodada da sua pesquisa global sobre inteligência artificial que pôs à prova vinte e cinco coisas diferentes que uma empresa pode fazer ou deixar de fazer ao levá-la para dentro: quem a governa, quanto se investe, como se treina, quais dados se organizam primeiro. Dessas vinte e cinco, a que mais se associa a que a IA apareça no lucro operacional é redesenhar os fluxos de trabalho.
Há uma expressão a traduzir: o relatório fala do EBIT atribuível à IA generativa, o que quer dizer quanto do seu lucro operacional a empresa atribui à ferramenta. A palavra que faz todo o trabalho é atribui: quem o declara é o mesmo que responde à pesquisa, e ninguém audita.
E o redesenho de fluxos é, além disso, o que menos se faz. Entre os que declaram que a sua organização usa IA generativa, 21% dizem ter redesenhado a fundo pelo menos alguns fluxos. Um em cada cinco.
A rodada seguinte dessa pesquisa, a de novembro de 2025, explica a manhã de Rosário melhor do que qualquer diagnóstico. Quase nove em cada dez dizem usar inteligência artificial com regularidade em pelo menos uma função. Menos de quatro em cada dez relatam algum efeito no lucro operacional, e a maioria desses o coloca abaixo de 5% do seu lucro operacional total. A ferramenta chegou a todo lugar. O resultado, a quase nenhum.
Por que este artigo cita uma consultoria depois da parte 2. A parte 2 desta série deixou três perguntas para fazer a qualquer número antes que ele fixe um valor: qual é a fonte primária, se é a versão publicada ou uma versão preliminar, e quem mediu. O número desta seção passa pela metade, e convém dizê-lo antes de usá-lo. A fonte primária existe e é pública: é o relatório da própria firma, com o seu método declarado. Não é uma versão preliminar, mas também não passou por revisão por pares: é uma pesquisa com assinantes que escolhem respondê-la, e o lucro atribuído à IA é declarado por quem responde. E quem mediu vende implementações de IA. Com isso, a regra da parte 2 se aplica sozinha: este número não pode fixar um valor. O que ele pode fazer é orientar onde olhar, que é para o que é usado aqui — e o resto da seção se apoia em evidência de outro tipo, que chega logo. Um dado que não aguenta um business case pode aguentar uma pergunta.
De tudo o que uma empresa pode fazer, qual ficou em primeiro e quantos o fizeram:
O que quer dizer "redesenhar o fluxo"
Dito assim, não significa nada: é uma dessas frases que você ouviu cem vezes sem que nunca lhe dissesse o que fazer na segunda-feira de manhã. Tem, no entanto, uma definição curta e verificável em uma tarde.
Um fluxo redesenhado é aquele onde mudou quem faz o quê, em que ordem, o que se deixou de fazer e quem assina no final. As quatro mudanças, não uma.
Daí sai o teste, que é a única coisa a guardar desta seção:
Se ninguém deixou de fazer alguma coisa, não houve redesenho: houve mais uma ferramenta.
O teste é esse por duas razões. A primeira, que não dá para simular: uma empresa pode dizer que redesenhou o trabalho e mostrar um diagrama novo, mas não pode apontar o passo que desapareceu se o passo continua ali. A segunda é que um passo que desaparece é a única coisa que libera capacidade de verdade. Enquanto a cotação continuar esperando a mesma assinatura para sair, tanto faz quanto tempo levou para ser escrita: o fluxo entrega o mesmo que antes, com gente menos ocupada dentro.
E agora o aviso que evita o desastre, porque tirar um passo de controle sem ter testado a tarefa é pior do que não fazer nada. A ordem do que vem a seguir é a ordem em que se faz: primeiro se sabe de que lado cai a tarefa —de que lado do limite do que a ferramenta faz bem—, depois se mede como as coisas vinham, e só então se tira o passo. O redesenho chega só aí, e não antes.
Três tarefas frequentes em uma empresa média, com e sem redesenho:
| A tarefa | Se só se comprou a ferramenta | Se o fluxo foi redesenhado | Como se sabe qual das duas aconteceu |
|---|---|---|---|
| Montar uma cotação | O vendedor a escreve em vinte minutos em vez de duas horas, e a manda para o administrativo, que a revisa inteira igual a antes e a assina na quinta | A cotação sai assinada pelo vendedor; o administrativo revisa uma a cada cinco por amostragem, com critério escrito, e já não está no caminho das outras quatro | Desapareceu uma espera. O passo de revisão total já não consta no procedimento |
| O relatório mensal de gestão | As mesmas catorze páginas, agora na metade do tempo, para as mesmas quatro pessoas que o folheiam | O relatório passou a ser uma página com a decisão que precisa ser tomada, e as catorze páginas ficaram como anexo que se abre se alguém perguntar — ou deixou de ser emitido | Alguém deixou de escrever algo, e a reunião que o usava mudou de duração |
| Cadastro de produtos novos no sistema | Alguém pede à ferramenta que monte a ficha e depois a redigita no sistema para ter certeza | A ficha entra direto e a revisão é por exceção: só os casos que a própria ferramenta marcou como duvidosos, mais uma amostra fixa | A redigitação não existe mais no instrutivo, e há uma regra escrita do que se revisa sempre |
Nas três linhas a prova é a mesma: alguém deixou de fazer um passo e há uma assinatura nova. Se você não consegue apontar as duas coisas, comprou uma ferramenta. Esquema 32sur: nenhuma das três linhas é um caso medido —são três fluxos frequentes em uma empresa média, escritos para mostrar o que muda e o que não muda—, e os percentuais de amostragem são ilustrativos: cada empresa fixa os seus com o resultado do próprio teste (ver a parte 1 desta série).
Antes de redesenhar é preciso saber que tarefa aguenta
A primeira parte desta série mostrou que o limite do que a ferramenta faz bem não se deduz: duas tarefas que a um profissional parecem igualmente exigentes podem cair em lados opostos, e a que falha não vem marcada. Os autores deram um nome a essa forma, a fronteira dentada. A consequência para este método é uma só: a unidade de trabalho é a tarefa, não a área nem a empresa. Quem redesenha o fluxo de uma área inteira porque a ferramenta foi bem em uma tarefa está apostando que as vizinhas são iguais, e esse é o erro que a parte 1 mediu.
Localizar uma tarefa custa uma tarde e nada mais. Testa-se sobre casos já resolvidos, com a resposta correta escrita antes de abrir qualquer coisa, e contam-se duas coisas: quantas vezes acertou e quantas vezes errou soando convencida. A segunda é a que decide, porque é a que a sua gente não vai detectar.
Em Competir em turbulência propusemos que uma aposta em terreno novo se testa em pequeno e com as condições de saída escritas antes de começar. Aqui é o mesmo, com uma diferença que importa: o critério não se escreve para saber se a aposta deu certo, escreve-se para poder enxergar o erro que soa convencido.
O número que a sua empresa não tem
Suponhamos que a tarefa aguentou o teste. Falta o número que permite dizer, um ano depois, se serviu: como as coisas vinham, escrito antes de mexer em nada. Chama-se linha de base.
E não se escreve em horas poupadas, e sim no resultado do fluxo: quantas cotações saíram por mês, em quantos dias desde o pedido, quantas foram corrigidas depois, quantas foram ganhas. As horas não servem, e a parte 2 desta série mostrou por quê: são justamente o que as pessoas estimam mal, mesmo sobre o próprio trabalho.
Se você implantou a ferramenta há oito meses e nunca escreveu nada disso, a boa notícia é concreta: a linha de base ainda existe, com data, dentro dos seus sistemas. Os doze meses anteriores estão no sistema de gestão, na caixa de e-mail, na pasta de cotações. Reconstruí-la custa uma tarde.
Há uma segunda coisa que também não custa dinheiro. O melhor estudo de campo que existe sobre isso —o dos atendentes de suporte de uma empresa de software, o mesmo da parte 1— conseguiu medir o que mediu por uma razão operacional: a ferramenta foi aberta escritório por escritório e de um atendente por vez, e essa diferença de calendário permitiu comparar cada pessoa consigo mesma antes e depois. Aí há um método de graça: um pedaço da empresa que começa seis semanas mais tarde. Isso é um grupo de comparação, e essas seis semanas nenhuma consultoria vende.
Falta a razão de fundo para fazer isso em casa. Há uma metanálise que organiza o setor: junta os resultados de outros vinte e três estudos e encontra um efeito real e modesto sobre a produtividade, 0,33 na escala padronizada com que se comparam estudos diferentes entre si —não é um percentual: ali 0,2 é considerado um efeito pequeno e 0,5 médio—. Duas ressalvas antes de usá-lo: os vinte e três estudos são de programação e não de cotações, e a metanálise ainda não passou por revisão por pares. Mas o número que importa é outro: a faixa onde essa média pode estar, de 0,09 a 0,58 —de quase nada até bastante—. A própria metanálise explica a largura: quanto mais a medição se parece com uma empresa de verdade, menor é o número.
A média de outras empresas não é uma previsão da sua. É apenas a prova de que o seu número existe e de que é preciso ir buscá-lo.
Onde pode estar esse efeito, e onde está o seu:
A adoção não se pede: se projeta
Isto continua sendo a mesma estação do método: a norma é a outra metade do redesenho, e sem ela o redesenho não se consegue nem escrever. Tudo o que veio antes supõe algo que nenhuma empresa tem garantido: que a sua gente use a ferramenta e diga quando a usou.
Declarar que se usou inteligência artificial não sai de graça para quem declara, e a parte 3 desta série mostra o experimento onde isso aparece: o mesmo trabalho recebeu nota pior de competência quando o seu autor dizia ter usado a ferramenta. Quem pagou esse custo uma vez, na próxima não diz. A consequência pouca gente conecta: o uso que não se declara não deixa rastro, e um fluxo do qual não se sabe como funciona não se pode redesenhar.
E não basta pedir isso numa reunião. Um estudo dinamarquês —uma versão preliminar, ainda sem revisão por pares, que cruzou duas rodadas de pesquisa com cerca de 25.000 trabalhadores com dados administrativos de renda e horas— encontrou algo que organiza qualquer plano de adoção: incentivar o uso, implantar a versão corporativa da ferramenta e treinar se associam a melhores resultados quando andam juntos; feitos em separado, a versão corporativa e o treinamento se associam a benefícios declarados menores. Meia iniciativa se associa a menos benefício declarado, não a mais.
O estudo não diz por quê, oferece mais de uma explicação e não escolhe entre elas; este artigo não vai inventar a que falta. O que de fato encaixa com tudo o que veio antes é que treinar e implantar sem mexer no fluxo acrescenta passos —aprender a ferramenta, revisar o que sai— e não tira nenhum.
Nem mesmo as empresas que empurram chegam a fazer as três coisas: entre as que incentivam o uso, só 29 em cada 100 implantaram a versão corporativa e treinaram. O outro extremo é o achado que convence: onde as três convivem, 93 em cada 100 trabalhadores declaram ter usado a ferramenta, e mais de um em cada quatro a usa todos os dias. Esse nível de uso nenhuma exortação produz.
O que substitui a exortação é uma norma de uso de uma página. Não é uma política de segurança da informação nem um código de ética: são quatro linhas, nenhuma com mais de uma frase.
A página: quatro linhas, nenhuma com mais de uma frase
- Quando se declara o uso —e, sobretudo, o que não acontece quando se declara, que é a metade que a faz funcionar.
- O que se revisa sempre e o que se revisa por amostragem.
- Quem assina o que sai.
- O que não entra na ferramenta: dados de clientes, tabelas de preços, prontuários de pessoal.
Se levar mais de uma página, não é uma norma: é um regulamento, e ninguém vai lê-la.
Falta mais uma regra, e ela vem da parte 1: pedir à ferramenta que revise o próprio trabalho escala a persuasão, não a verdade. A verificação acontece contra o critério escrito antes, e nunca dentro da conversa com a ferramenta. Uma revisão que começa depois de ter lido a resposta não é uma verificação: é uma discussão, e do outro lado há algo mais bem equipado para vencê-la.
A volta completa
Postas em ordem, as cinco coisas de que este artigo fala —localizar a tarefa, testá-la em pequeno, escrever a linha de base, redesenhar e normatizar, escalar ou parar— são uma volta: entra-se por uma tarefa e sai-se com uma decisão escrita, que é por onde entra a seguinte. Uma tarefa não está adotada até ter dado a volta completa, e quase todas as empresas fazem o primeiro quarto e chamam isso de adoção.
A volta termina em escalar ou em parar, e as duas são resultados legítimos. Parar uma tarefa depois de testá-la é a maneira barata de descobrir que ela estava do outro lado do limite: custa uma tarde e não uma implantação inteira. O que quase nenhuma empresa tem é o registro das tarefas que testou e descartou, e com que critério as descartou; esse é o ativo que faz a segunda volta custar metade.
E a escala, que é onde se decide se isto é executável. Uma volta completa sobre uma tarefa são semanas e não trimestres: uma tarde para o critério e o teste, uma tarde para a linha de base, seis semanas de implantação em levas, uma página de norma. O caro nunca foi o tempo. O caro é ter quatro pilotos abertos ao mesmo tempo e não conseguir decidir sobre nenhum.
As cinco estações, com a pergunta que cada uma responde e o papel que produz:
As quatro perguntas do sistema
As quatro partes desta série não foram quatro temas. Foram quatro perguntas que se fazem à mesma tarefa, em ordem, e basta falhar uma só para que o resultado não apareça.
E se fazem a uma tarefa. Nenhuma das quatro perguntas da série pode ser respondida sobre "a inteligência artificial na empresa": as quatro se respondem sobre "a tarefa de montar cotações", que é a unidade com que esta série trabalhou desde a primeira linha. Aí está, de passagem, o motivo pelo qual um comitê de IA nunca as responde: um comitê delibera no nível da empresa, e as quatro só têm resposta no nível de uma tarefa.
A ordem também não é decorativa. Se a tarefa cai do outro lado do limite, medi-la bem não serve de nada. Se o número que entusiasma foi medido por outro, em outra empresa, sobre outro trabalho, a linha de base própria nunca se escreve. Se ninguém declara quando usa a ferramenta, não há o que revisar. E se o fluxo continuou igual, as três respostas anteriores ficam na mesa de quem as respondeu.
As quatro, com o que é preciso para responder a cada uma:
O método é a barreira, e o método se aprende
Os dois números com que as partes 1 e 2 abriram saem da mesma pesquisa e nunca foram lidos juntos. O primeiro: 41,6% das pequenas e médias empresas argentinas levantadas pelo CEPE —o centro de políticas públicas da Di Tella— e pela Fundar já usam pelo menos uma tecnologia de inteligência artificial. O segundo: a barreira que mais declaram, acima do custo, é a falta de experiência e de conhecimento sobre o tema, 46,2%.
Leia-os um atrás do outro e a conclusão se monta sozinha. O que essas empresas declaram que lhes falta não está em nenhuma tabela de preços. É o método, e o método é a única coisa de tudo o que apareceu nesta série que se aprende.
Falta a outra metade, que é de calendário. Uma volta completa sobre uma única tarefa são semanas, e ninguém a termina sem tê-la começado. Quem sentar este mês para reconstruir quantas saíam por mês antes da implantação chega a tempo. Quem deixar para o ano que vem vai ter a mesma conversa de Rosário, um ano mais caro.
A ferramenta chegou a todo lugar; o desenho do trabalho, a quase nenhum:
Os três números vêm de três tipos de fonte diferentes e descrevem a mesma coisa a partir de três lugares: a ferramenta entrou, e o trabalho ficou onde estava.
Perguntas para segunda-feira
As quatro perguntas da ficha se fazem a uma tarefa; estas sete você faz à sua empresa. As três primeiras se respondem agora, sem abrir nada e sem perguntar a ninguém.
Três que se respondem agora, quatro que levam mais tempo
- A tarefa onde mais se usa inteligência artificial na sua empresa: alguém consegue dizer quantas saíam por mês antes de a ferramenta chegar? Se a resposta for "mais ou menos as mesmas", essa é a resposta e você já sabe o que falta.
- Desde que se usa, alguém deixou de fazer um passo? Nomeie-o em voz alta. Se você não consegue nomeá-lo, o fluxo está igual ao de um ano atrás.
- Quem assina hoje o que sai dessa tarefa? É a mesma pessoa que assinava antes?
As quatro seguintes levam mais tempo. Nenhuma exige comprar nada:
- Pergunte a três pessoas da sua equipe se elas dizem quando usaram a ferramenta, e o que acontece com elas quando dizem. Pergunte em separado e não numa reunião. A resposta lhe diz se você tem um problema de dado ou não.
- Procure nos seus sistemas os doze meses anteriores à implantação e escreva, em uma linha, o número de como as coisas vinham. A linha de base não se perdeu: está ali, com data.
- Se ainda lhe resta algum lugar sem implantação —uma filial, um turno, um depósito—, não faça de uma vez: comece por um e deixe o resto para seis semanas depois. Essa diferença de calendário é o seu grupo de comparação, e é de graça.
- Escreva a página: quando se declara o uso, o que se revisa sempre e o que por amostragem, quem assina, e o que não entra na ferramenta. Uma linha cada. Se levar mais de uma página, não é uma norma: é um regulamento, e ninguém vai lê-la.
Volte ao escritório de Rosário, sete e quarenta. Nada do que essa empresa fez estava errado: escolheu uma tarefa razoável, comprou uma ferramenta que funciona, e a sua gente a usa todos os dias sem que ninguém precise insistir. O que falta cabe em duas linhas. Ninguém escreveu, um ano atrás, quantas cotações saíam por mês e em quantos dias. E ninguém tirou um passo: a cotação se escreve em vinte minutos e segue esperando a mesma assinatura até quinta.
Com essas duas linhas escritas, a conversa desta manhã teria durado quarenta segundos e teria terminado em uma decisão. Sem elas pode durar mais um ano.
Quatro partes, quatro perguntas, uma única tarefa. A série não foi sobre inteligência artificial: foi sobre como se decide quando o número que chega à mesa foi medido por outro, em outra empresa, sobre outro trabalho. A ferramenta vai seguir mudando a cada seis meses, e as quatro perguntas vão seguir sendo as mesmas.
Você consegue dizer hoje quantas saíam por mês antes de a ferramenta chegar?
Em noventa dias, isto é o que pode estar escrito sobre uma tarefa da sua empresa: de que lado da fronteira ela caiu, quanto saía antes —com data, tirado dos seus próprios registros—, que passo deixou de ser feito, quem assina agora e o que se revisa sempre. Essa é a unidade: uma tarefa. Feita a primeira, a segunda custa metade, e a discussão de IA da sua empresa deixa de ser sobre ferramentas e passa a ser sobre qual é a próxima tarefa. O primeiro passo é uma sessão de duas horas para escolhê-la e escrever a linha de base com os registros que você já tem. É com isso que a 32sur trabalha. Vamos conversar.
Referências
- McKinsey & Company, “The state of AI: How organizations are rewiring to capture value”, Global Survey on AI, março de 2025; e a rodada seguinte da mesma pesquisa, novembro de 2025 (cerca de 1.993 respondentes em uns 105 países) — a fonte do achado que abre este artigo. De 25 atributos organizacionais postos à prova, o que mostra maior efeito sobre o EBIT atribuível à IA generativa é o redesenho de fluxos de trabalho, e 21% dos que relatam uso de IA generativa na sua organização dizem ter redesenhado a fundo pelo menos alguns fluxos (textual: “Twenty-one percent of respondents reporting gen AI use by their organizations say their organizations have fundamentally redesigned at least some workflows”). Na rodada de novembro de 2025: 88% usam IA com regularidade em pelo menos uma função, cerca de 39% relatam algum impacto no EBIT e a maioria desses o coloca abaixo de 5%. Advertência de padrão, que este artigo faz no corpo e não nesta linha: é uma pesquisa de consultoria com amostra autosselecionada de assinantes, o impacto no lucro é declarado pelo próprio respondente, não passou por revisão por pares e é publicada por uma firma que vende implementações de IA. Não é usada aqui como base de cálculo. O relatório não publica um ranking completo dos 25 atributos.
- 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 evidência do desenho de adoção, lida na versão vigente: duas rodadas de pesquisa com cerca de 25.000 trabalhadores de 7.000 locais de trabalho em 11 ocupações expostas, vinculadas a dados administrativos dinamarqueses de renda, horas e ocupação. As políticas do empregador —incentivar o uso, implantar a versão corporativa e treinar— se associam a melhores resultados quando andam juntas; textual: “enterprise chatbots and training—when implemented in isolation—are associated with lower reported benefits”. O próprio trabalho oferece mais de uma explicação para esse padrão e não escolhe entre elas; a leitura que este artigo acrescenta —que meia iniciativa soma passos sem tirar nenhum— é deste artigo e não do estudo, e no corpo está dita como tal. Entre as empresas que incentivam o uso, 61% têm uma versão corporativa, 39% treinam e 29% fazem as duas coisas; onde as três iniciativas convivem, 93% dos trabalhadores declaram ter usado a ferramenta e 28% a usam diariamente. É uma versão preliminar, ainda sem revisão por pares, e o que reporta são associações dentro de uma pesquisa, não um experimento: este artigo usa o verbo “se associa” e nenhum outro. Advertência de versão: o mesmo trabalho circulou em 2025 sob o título “Large Language Models, Small Labor Market Effects” —a página do NBER esclarece: “This paper was previously circulated under the title ‘Large Language Models, Small Labor Market Effects’”— e a revisão de março de 2026 mudou números e análises: já não reporta os 38% de empregadores com versão corporativa nem os 30% de empregados treinados sobre o total, que agora vão condicionados às empresas que incentivam o uso, e não traz a diferença de gênero na adoção que a versão de julho de 2025 trazia. Aqui se cita a versão vigente e todos os números foram tirados dela. Os achados de economia de tempo e de efeito sobre renda e horas deste mesmo estudo são matéria da parte 3 desta série e não são usados aqui.
- Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. e Lakhani, K., “Navigating the Jagged Technological Frontier”, Organization Science, 37(2), 2026, pp. 403-423, DOI 10.1287/orsc.2025.21838 — o experimento pré-registrado com 758 consultores do Boston Consulting Group que sustenta a primeira estação do método: a condição que separava as tarefas onde a ferramenta melhorou o resultado daquela em que o piorou é que existisse uma resposta verificável. Os números desse experimento estão na parte 1 desta série e não se repetem aqui.
- Brynjolfsson, E., Li, D. e Raymond, L., “Generative AI at Work”, The Quarterly Journal of Economics, 140(2), 2025, pp. 889-942 — é citado neste artigo pelo seu método e não pelos seus resultados: o acesso ao assistente foi aberto site por site e de um atendente por vez entre 2020 e 2021, e essa diferença de calendário é o que permitiu comparar cada atendente consigo mesmo antes e depois e contra os atendentes ainda não tratados. O estudo não propõe a implantação escalonada como método de gestão; este artigo a recomenda como tal porque descreve algo que uma empresa pode fazer sem custo. Os seus números estão nas partes 1 e 2 desta série.
- Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M. e Feuerriegel, S., “A meta-analysis of the effect of generative AI on productivity and learning in programming”, LMU Munique / Munich Center for Machine Learning, arXiv:2605.04779, 2026 — 23 estudos e 27 tamanhos de efeito, busca sistemática e avaliação formal de risco de viés. Efeito sobre produtividade: g de Hedges = 0,33, com intervalo de confiança de 95% de 0,09 a 0,58 e heterogeneidade substancial; os ganhos são maiores em experimentos controlados e menores em contextos de código aberto e empresariais. É um preprint: ainda não passou por revisão por pares, e é sobre programação.
- Randazzo, S., Joshi, A., Kellogg, K., Lifshitz, H., Dell'Acqua, F. e Lakhani, K., “GenAI as a Power Persuader: How Professionals Get Persuasion Bombed When They Attempt to Validate LLMs”, Harvard Business School Working Paper 26-021, outubro de 2025 — o fundamento da regra de verificação por fora da ferramenta: quando os profissionais tentavam validar o resultado, o modelo escalava a intensidade da sua persuasão em vez de revelar os seus limites. É um working paper, sem revisão por pares. A documentação disponível não relata com que frequência os profissionais acabaram aceitando respostas incorretas, e este artigo não o afirma. O desenvolvimento completo está na parte 1 desta série.
- 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. 41,6% usam pelo menos uma tecnologia de IA; a barreira mais declarada é a falta de experiência e de conhecimento sobre o tema (46,2%). Os dois números que este artigo usa são os mesmos das partes 1 e 2 da série, contrastados contra três coberturas independentes do mesmo relatório. O resto dos dados do levantamento não é citado aqui, e tampouco o de orçamento dedicado a IA: as coberturas disponíveis não coincidem entre si.
Todas as fontes foram lidas na sua versão primária disponível em agosto de 2026.