Os três números que faltam em todo case de produtividade com IA

Quase todo ganho de produtividade com IA que você leu este ano é autorrelato. Alguém perguntou a um profissional quanto tempo ele achava que tinha economizado, somou as respostas e publicou o resultado como se fosse medição. Em julho de 2025, um grupo de pesquisadores resolveu medir de verdade — com cronômetro, tarefas reais e grupo de controle — e encontrou o contrário do que todo mundo anuncia.

O estudo mais rigoroso do ano achou o oposto

A METR, uma organização sem fins lucrativos financiada por doações, recrutou 16 desenvolvedores experientes de repositórios grandes de código aberto. Cada um trouxe tarefas reais do próprio backlog: correções de bug, funcionalidades, refatorações. Foram 246 tarefas no total, cada uma sorteada para uma de duas condições — com ferramenta de IA permitida ou proibida.

Os desenvolvedores levaram 19% mais tempo para concluir as tarefas quando podiam usar IA. Não é o resultado que eles esperavam: antes de começar, estimavam que a ferramenta os deixaria 24% mais rápidos.

O dado que importa vem depois. Terminado o estudo, com o trabalho já cronometrado, os mesmos desenvolvedores estimaram que a IA os havia deixado 20% mais rápidos. Eles viveram a lentidão, tarefa por tarefa, e saíram de lá convencidos do contrário. A distância entre o que aconteceu e o que eles acharam que aconteceu foi de 39 pontos percentuais.

Guarde esse número. Ele é o motivo pelo qual quase todo case corporativo de produtividade não prova o que diz provar.

Quantas pessoas, e comparadas com o quê

O primeiro número que falta é a amostra. O segundo, mais importante, é o grupo de controle.

Dezesseis desenvolvedores é pouca gente, e a crítica é justa — não dá para generalizar de 16 pessoas para uma profissão inteira. Os próprios autores listam isso entre as limitações, junto com o fato de que o resultado não se estende para além de desenvolvimento de software. É raro e é honesto: a maioria dos estudos declara o que provou, não o que deixou de provar.

Mas repare no que 16 pessoas com grupo de controle conseguem que 3.200 sem grupo de controle não conseguem. Sem comparação, não existe ganho — existe uma impressão. A pergunta "a IA te deixou mais rápido?" não tem resposta verificável, porque a pessoa não tem como saber quanto tempo teria levado no mundo em que não usou a ferramenta. O grupo de controle é esse mundo. É a única forma de responder.

O tempo que some depois que o cronômetro para

O terceiro número é o denominador: ganho em qual tarefa, medido até que ponto.

Em janeiro de 2026, a Workday publicou uma pesquisa com 3.200 profissionais, feita em campo pela Hanover Research em novembro de 2025, com funcionários de empresas de mais de US$ 100 milhões de faturamento que já usavam IA. O achado central: boa parte do tempo economizado com IA volta a ser gasto corrigindo, reescrevendo e verificando o que a ferramenta produziu. Só 14% dos profissionais disseram obter resultado líquido positivo de forma consistente.

Aqui vale uma nota de método. Li o comunicado oficial e comparei com a cobertura: o release da própria empresa diz "quase 40%", enquanto as matérias reportam 37%. É o mesmo estudo circulando com dois números. Nenhum dos dois está errado — provavelmente um é o dado do relatório e o outro é um arredondamento de comunicação. Mas se um número muda de valor entre o relatório e a manchete, ele nunca deveria ser citado sem a fonte junto.

E há a limitação maior: essa pesquisa também é autorrelato. São 3.200 pessoas dizendo quanto tempo acham que perderam com retrabalho. Depois do experimento da METR, sabemos exatamente quanto vale esse tipo de estimativa.

Quem pagou pela pergunta

A pesquisa foi financiada pela Workday, que vende software de gestão. Isso não invalida o resultado, e não estou sugerindo má-fé: financiamento privado sustenta boa parte da pesquisa aplicada que existe. O que ele muda é o que precisa vir junto do número.

Quando um estudo patrocinado encontra um resultado que contraria o interesse de quem pagou, isso pesa a favor dele — e é o caso aqui, já que o achado é sobre IA render menos do que parece. Quando encontra exatamente o que o financiador precisava para vender, a exigência de método sobe. A regra é simples e vale nos dois sentidos: declare quem pagou, no mesmo parágrafo em que cita o número.

O que fazer com o próximo case que cair na sua mesa

Você vai receber um. Uma empresa anunciou 40% de ganho, um fornecedor publicou um estudo, alguém da diretoria mandou o link. Antes de discutir se o número é bom, faça três perguntas na ordem:

1. Quantas pessoas foram medidas? Se a resposta não estiver no material, ela não existe. Nenhum estudo sério esconde a amostra.
2. Comparadas com o quê? Se não houver um grupo que fez o mesmo trabalho sem a ferramenta, o que está sendo reportado é impressão, não ganho.
3. Ganho em qual tarefa, medido até onde? Redigir o rascunho em dez minutos não é ganho se a revisão levar quarenta. O cronômetro precisa continuar rodando até o trabalho estar pronto para uso.

Se as três respostas estiverem no material, você tem um dado. Se faltar uma, você tem uma alegação — que pode até ser verdadeira, mas não foi demonstrada.

Não estou dizendo que a IA não aumenta produtividade em lugar nenhum. Estou dizendo algo mais específico e mais incômodo: os dados que existem hoje não sustentam quase nenhuma das afirmações que circulam sobre isso, e o único experimento controlado que encontrei encontrou o sinal invertido. Enquanto essa lacuna não for preenchida, decisões de orçamento, de contratação e de meta estão sendo tomadas com base em autorrelato — que é a coisa que a própria METR demonstrou estar 39 pontos longe da realidade.