IA aumentou a produção, não devolveu tempo

Há alguns meses alguém assinou a primeira ferramenta de IA, abriu a tela pela primeira vez à noite e produziu em vinte minutos o que antes levava a tarde inteira. A empolgação durou algumas semanas. Hoje essa mesma pessoa assina três ou quatro ferramentas diferentes, produz mais peça, mais texto e mais resposta do que produzia antes, e ainda assim termina o dia com a sensação de que devia ter feito mais. A conta não fecha, e é exatamente por isso que vale abrir essa conta com calma, porque ela esconde um mecanismo, não um fracasso pessoal de quem está tentando acompanhar.

A promessa vendida junto com qualquer assinatura de IA é sempre a mesma: você vai fazer em menos tempo o que fazia antes, e vai sobrar tempo para o que só você sabe fazer. A experiência de quem de fato usa essas ferramentas todo dia, na própria operação, é outra. Um catálogo inteiro de peças de anúncio pode sair pronto em horas em vez de semanas, e ainda assim, quando alguém audita o que saiu, a conformidade real com um padrão escrito fica em torno de 17%². O texto pode nascer em segundos, e ainda assim trinta e cinco citações apresentadas como literais, num único livro, podem não corresponder a nenhuma edição real. A ferramenta entregou volume. Não entregou o tempo que o volume, sem revisão, deveria ter liberado, e essa perda de tempo raramente entra na conta de quem decide se a assinatura valeu.

Trabalhar mais rápido não é o mesmo que trabalhar menos

A explicação mais recente para esse descompasso não veio de quem vende ferramenta de IA. Veio de uma pesquisa de campo publicada em fevereiro de 2026, conduzida por Aruna Ranganathan e Xingqi Maggie Ye, da Haas School of Business da Universidade da Califórnia em Berkeley¹. As duas pesquisadoras passaram oito meses observando uma empresa de tecnologia de 200 pessoas, com mais de quarenta entrevistas estruturadas, acompanhamento de reunião e análise de rotina de trabalho, depois que ferramentas de IA foram adotadas em toda a operação. A expectativa de quem financiou a pesquisa era simples: menos hora trabalhada, porque a IA assumiria parte do trabalho. O que apareceu foi o oposto.

As pesquisadoras descreveram três padrões que se repetiam entre quase todo mundo observado. O primeiro foi a ampliação do que cada pessoa passou a considerar parte do próprio trabalho, tarefa que antes era de outra função e que a IA tornou “fácil o suficiente” para assumir também. O segundo foi o trabalho escorrendo para dentro de pausa, almoço e fim de expediente, sem que ninguém tivesse pedido isso. O terceiro, talvez o mais revelador, foi rodar várias instruções de IA ao mesmo tempo, em paralelo, como se cada uma delas custasse zero atenção enquanto processa. Nenhuma das três coisas é imposição de chefe. As três nascem da própria pessoa, decidindo, sem perceber, fazer mais porque agora é possível fazer mais.

Paradoxo de Jevons

Descreve uma situação em que tornar um recurso mais eficiente de usar não reduz o consumo total desse recurso, aumenta. O economista inglês William Stanley Jevons observou isso no século XIX com o carvão: máquinas a vapor mais eficientes não reduziram o consumo de carvão da Inglaterra, aumentaram, porque a eficiência tornou o uso do carvão mais barato em cada aplicação, o que abriu espaço para mais aplicações. Aplicado a tempo de trabalho, o mesmo raciocínio explica por que uma hora que rende mais tende a virar mais uma hora de trabalho, em vez de uma hora livre.

O mecanismo por trás disso não é místico, é econômico, e vale entender de que variáveis ele depende. Quando uma ferramenta torna cada hora de trabalho mais produtiva, essa hora passa a valer mais, para quem paga e para quem trabalha. A decisão racional, seguindo só essa lógica, não é parar mais cedo. É produzir mais dentro do mesmo tanto de horas, porque cada unidade adicional de trabalho ficou mais barata de produzir. Ninguém decide isso numa reunião. A decisão acontece pedido por pedido, madrugada por madrugada, sem que ninguém marque no calendário o momento em que trabalhar mais virou o novo normal.

Isso explica algo que muita gente sente sem conseguir nomear. Não é que a ferramenta funcione mal. É que ela funciona bem demais para o próprio bem de quem a usa, porque o ganho de velocidade em cada tarefa isolada se converte, quase sempre, em mais tarefa, não em menos hora de trabalho.

O cálculo que ninguém faz antes de comemorar a economia

Vale colocar um número nisso, com a premissa declarada, porque frase de efeito sobre “economia de tempo” costuma sumir assim que alguém pede a conta. Considere uma pessoa que produz quatro peças de divulgação por mês, e que o retrabalho por peça segue a mesma frequência e o mesmo custo medido pela pesquisa da BetterUp Labs e do Stanford Social Media Lab: 40% de chance de a peça sair com aparência de pronta e não estar, e cerca de duas horas de retrabalho quando isso acontece².

Isso é premissa, não medição direta sobre essa pessoa específica, e o número muda se a frequência real dela for diferente da média da pesquisa. Dentro dessa premissa, a conta é simples: 0,4 vezes 4 peças dá 1,6 peça por mês precisando de retrabalho, e 1,6 vezes duas horas dá 3,2 horas de retrabalho mensal, só nesse item, só nessa parte do processo. Se a ferramenta de IA reduziu o tempo de geração de cada peça de uma hora para dez minutos, a economia bruta de geração seria de 3 horas e 20 minutos no mês. As 3,2 horas de retrabalho consomem quase toda essa economia, e ainda sobra o tempo normal de revisão que qualquer peça, gerada por IA ou não, sempre exigiu.

3,2 horas

Essa conta não prova que a IA não vale a pena. Prova que a economia líquida é bem menor do que a economia bruta anunciada na hora de gerar o primeiro rascunho, e que ignorar o tempo de retrabalho na hora de julgar se “valeu a pena” é o mesmo tipo de erro de contar só o que é fácil de contar.

O texto que sai pronto e volta para a sua mesa

Existe um segundo mecanismo, mais silencioso que o primeiro, que também consome o tempo que a IA prometia devolver. Uma pesquisa da BetterUp Labs em parceria com o Stanford Social Media Lab, com 1.150 trabalhadores de escritório nos Estados Unidos, entrevistados em setembro de 2025, encontrou que 40% deles já receberam, no mês anterior à pesquisa, algum conteúdo gerado por IA que parecia pronto e não era². O termo que a pesquisa usa para isso é “workslop”: um material com aparência de trabalho terminado, mas sem substância suficiente para avançar o que precisava avançar. Cada ocorrência desse tipo custou, em média, cerca de duas horas de retrabalho para quem recebeu.

Workslop

Conteúdo gerado com apoio de IA que tem a forma de um trabalho concluído (formatação correta, tom profissional, extensão adequada) mas não carrega a substância necessária para cumprir a tarefa que deveria cumprir. Quem recebe precisa investir tempo descobrindo o que falta antes de conseguir usar o material, tempo que normalmente é maior do que teria sido produzir o conteúdo do zero.

Isso não é hipótese distante de quem escreve este texto. Um lote de dez livros foi publicado, de uma vez, dentro da própria operação de conteúdo, sem nenhuma mensagem de erro em lugar nenhum. O painel da plataforma marcava sucesso. O que tinha acontecido, descoberto só depois, era que o arquivo da capa de cada um subia com o nome de um formato e o conteúdo de outro, e a plataforma aceita pelo nome do arquivo, não confere o conteúdo dele.

O ponto que conecta o caso acima à pesquisa da BetterUp e do Stanford Social Media Lab é o mesmo: “aceito” e “processado” são estados diferentes, e a tela quase sempre informa só o primeiro. Isso vale para plataforma de publicação, para envio de e-mail, para peça de anúncio gerada em lote e, cada vez com mais frequência, para o próprio texto que sai de uma ferramenta de IA. O rascunho sai rápido, com aparência de pronto. A conferência de que ele de fato resolve o que precisava resolver continua sendo trabalho humano, e é exatamente esse trabalho que a promessa de “economizar tempo” costuma esquecer de contar.

Um segundo episódio, de outra frente da mesma operação, mostra o mesmo problema por outro ângulo. Um material de apoio usado para gerar peça de anúncio de cada produto de um catálogo existia, estava preenchido e parecia competente, até ser auditado contra um padrão escrito. O resultado, em 57 arquivos com 475 itens ao todo, foi de 82 itens (17,3%) atendendo ao critério mais básico e 105 itens (22,1%) ao critério de densidade de conteúdo. Em cinco dos 57 arquivos, o auditor não reconheceu um único item válido. O material foi reescrito item por item, e uma nova medição, feita algumas semanas depois, encontrou 53 de 59 arquivos aprovados em todos os critérios (os seis restantes eram de um recorte deixado de fora de propósito, e a base de itens cresceu de 475 para 590 entre as duas medições, o que precisa ser dito para o número não parecer melhor do que é).

A causa raiz, olhando para trás, não foi a ferramenta em si. Foi o pedido feito a ela. Nomear o que se queria, de forma curta, sem descrever critério, formato e exemplo do que “bom” significava naquele contexto específico, produzia resultado genérico, parecido entre um item e outro, porque nomear a coisa não é o mesmo que descrever a coisa. A correção não foi abandonar a ferramenta. Foi parar de tratar um pedido de uma linha como economia de tempo, porque o tempo que ele economiza na hora de escrever volta, com juros, na hora de descobrir que 82,7% do lote não serve.

O que cada pesquisa citada aqui mediu, e o que ela não mede

Fonte	O que mediu	Tamanho e método	O que não mede
UC Berkeley Haas (2026)	Como o trabalho muda depois da adoção de IA numa empresa real	8 meses de observação, 40+ entrevistas, 1 empresa de 200 pessoas	Não generaliza para empresa de outro porte ou setor sem ressalva
BetterUp + Stanford (2025)	Frequência e custo do conteúdo de IA que parece pronto e não é	Pesquisa online, 1.150 trabalhadores de escritório dos EUA	Autorrelato, não medição direta de horas gastas
Upwork Research Institute (2024)	Percepção de carga de trabalho depois da adoção de IA	Pesquisa online, 2.500 pessoas em 4 países, abril a maio de 2024	Percepção declarada, não cronômetro sobre a tarefa

Nenhuma das três pesquisas acima mediu, com cronômetro, o tempo exato que cada pessoa ganhou ou perdeu com IA. As três medem percepção, frequência ou observação de campo, o que é diferente de um experimento controlado. Vale dizer isso na cara, porque um texto que finge mais precisão do que a fonte realmente tem é o mesmo tipo de erro que este texto está descrevendo: aparência de pronto sem a substância correspondente.

Trocar de ferramenta cobra um pedágio que não aparece na tela

Uma parte do tempo que desaparece está escondida num lugar que ninguém olha: o custo de trocar de tarefa, e de ferramenta, várias vezes por hora. Sophie Leroy, pesquisadora de comportamento organizacional, publicou em 2009 um estudo sobre o que chamou de resíduo de atenção³. A descoberta central é que, ao trocar de uma tarefa para outra antes de concluir a primeira, uma parte da atenção continua presa na tarefa anterior, mesmo quando a pessoa já está fisicamente trabalhando na próxima. O desempenho na segunda tarefa cai proporcionalmente a quanto daquela atenção ainda está retida, e o efeito é maior quanto mais complexa ou inacabada a primeira tarefa estava.

Resíduo de atenção

Fração da atenção que permanece voltada para uma tarefa interrompida mesmo depois de a pessoa já ter iniciado a tarefa seguinte. Descrito por Sophie Leroy em 2009, o fenômeno explica por que o desempenho cai em tarefas realizadas logo após uma troca, especialmente quando a tarefa anterior ficou sem conclusão clara.

Isso tem relação direta com o terceiro padrão encontrado pela pesquisa de Berkeley e Haas: rodar várias instruções de IA ao mesmo tempo, tratando cada uma como se não custasse nada enquanto processa. Abrir uma instrução nova numa ferramenta, sem ter fechado o que estava sendo revisado na anterior, não é multiplicar a atenção por zero. É pagar, silenciosamente, o pedágio de atenção residual descrito por Leroy, em cada uma das trocas.

Um estudo mais antigo, de 2001, de John Rubinstein, David Meyer e Jeffrey Evans, mediu diretamente o custo de trocar de tarefa em laboratório, comparando pessoas fazendo uma tarefa por vez com pessoas alternando entre duas tarefas diferentes⁵. O experimento pedia que as pessoas alternassem entre classificar formas geométricas por um critério e resolver problemas aritméticos simples, tarefas conhecidas, não exóticas, e ainda assim cada troca custava tempo mensurável antes de a pessoa render no ritmo normal da tarefa nova.

O achado mais relevante para quem trabalha com IA hoje não é um número isolado, é o padrão: o custo de trocar de tarefa aumenta com a complexidade e com a familiaridade da tarefa nova, e não desaparece com a prática, porque a mente precisa reconfigurar qual conjunto de regras está ativo antes de conseguir render na tarefa seguinte. Isso significa que abrir uma quinta aba com uma quinta ferramenta de IA, no meio de uma tarefa que já estava em andamento, não é neutro só porque a ferramenta responde rápido. A resposta rápida da ferramenta não elimina o tempo que a cabeça de quem está usando ela leva para trocar de contexto.

Vale notar que o experimento de Rubinstein, Meyer e Evans comparava tarefas relativamente simples entre si, o que torna o achado ainda mais relevante para quem troca entre ferramenta de texto, ferramenta de imagem e ferramenta de planilha ao longo do mesmo bloco de trabalho: se o custo de troca já é mensurável entre duas tarefas simples e conhecidas, não há razão para esperar que ele desapareça quando a troca envolve reconfigurar, a cada vez, que tipo de instrução cada ferramenta espera receber e que formato ela devolve.

Custo de troca de tarefa

Perda de desempenho medida quando uma pessoa alterna entre duas tarefas diferentes, em vez de completar uma antes de iniciar a outra. Documentado experimentalmente por Rubinstein, Meyer e Evans em 2001, o custo cresce com a complexidade da tarefa e persiste mesmo em quem já está familiarizado com as duas tarefas envolvidas.

Vale ler esse mecanismo ao lado de um experimento sobre interrupção de tarefa já descrito neste site: são estudos diferentes, medindo coisas diferentes, mas os dois apontam na mesma direção. Trocar de assunto, seja por interrupção externa ou por decisão própria de abrir mais uma ferramenta, custa tempo que não aparece em nenhum relatório de produtividade, porque nenhuma dessas ferramentas mede o que acontece dentro da cabeça de quem está usando várias delas ao mesmo tempo.

Decidir qual ferramenta usar também cansa

Existe ainda um terceiro custo, anterior a qualquer um dos dois já descritos: o de decidir, a cada tarefa, qual ferramenta usar, o que pedir para ela e como revisar o que ela devolveu. Kathleen Vohs e uma equipe de pesquisadores publicaram em 2008 um experimento que mediu esse tipo de custo diretamente⁴. Pessoas que passaram por uma sequência de escolhas de consumo, sem nenhum esforço físico envolvido, persistiram por menos tempo numa tarefa de resistência física logo depois, comparadas com pessoas que não tinham decidido nada antes. A decisão em si, não o esforço de executar a decisão, consumiu um recurso mental compartilhado, e esse recurso ficou mais escasso para a tarefa seguinte.

Fadiga de decisão

Redução da capacidade de autocontrole e de persistência depois de uma sequência de decisões, mesmo quando nenhuma delas exigiu esforço físico. O experimento de Vohs e colegas, de 2008, mostrou que o simples ato de escolher, repetido várias vezes, consome um recurso mental que depois falta para outras tarefas que também exigem controle e concentração.

Trocado em miúdo, cada vez que alguém decide qual das três ou quatro ferramentas de IA assinadas usar para uma tarefa específica, o que pedir para ela, e se o resultado está bom o suficiente para publicar ou precisa ser refeito, essa pessoa está gastando uma parte do mesmo recurso mental que vai precisar depois para atender, decidir preço ou revisar contrato. Ferramenta a mais não é ganho automático de capacidade. É mais um ponto de decisão, e decisão cansa antes mesmo de virar ação.

Essa lógica apareceu, de forma concreta, numa negociação real. Um gestor de sistema pediu, textualmente, para ter “o poder de rodar a IA quando eu quisesse, e que o sistema selecionasse tudo automaticamente para me dar o melhor resultado possível”. Tecnicamente, o pedido era simples de atender. O problema não era técnico, era de modelo de custo: liberar uso de IA sob demanda, sem limite, muda o gasto de algo previsível, calculado em lote, com teto, para algo imprevisível, cobrado por uso, sem teto. A resposta dada foi recusar liberar esse tipo de acesso sem antes definir um teto de gasto por pessoa e por mês.

O mesmo critério vale quando o uso já ultrapassa a faixa combinada. Um mês acima do previsto pode ser variação normal de demanda. Dois ciclos seguidos acima da faixa deixam de ser variação e viram sinal de que o combinado precisa mudar, o que se resolve numa conversa sobre plano, nunca com cobrança retroativa surpresa no fim do mês. A regra existe porque o oposto (deixar o gasto subir em silêncio até alguém notar na fatura) transforma uma decisão que deveria ser tomada com calma, no início, numa decisão tomada sob pressão, depois que o custo já aconteceu. É a mesma fadiga de decisão descrita por Vohs e colegas, só que aplicada ao dinheiro em vez de ao tempo: decidir depois que o problema já existe custa mais do que decidir antes dele existir.

Onde a régua aperta mais para quem tem conselho profissional

Para quem atua numa profissão com conselho, esse custo de decisão vem acompanhado de um segundo, mais sério: o de responder, depois, por uma decisão que a ferramenta sugeriu. O Conselho Federal de Medicina publicou, no Diário Oficial da União de 27 de fevereiro de 2026, a Resolução CFM nº 2.454/2026, normatizando o uso de inteligência artificial na medicina em todo o território nacional⁶. A norma garante ao médico o direito de usar ferramentas de IA como apoio, mas deixa claro que a palavra final sobre decisão diagnóstica, terapêutica ou prognóstica continua sendo do médico, e que ele pode se recusar a usar uma tecnologia que não tenha validação científica ou certificação regulatória, sem poder ser penalizado por essa recusa.

Esse é o tipo de regra que muda o cálculo de quanto tempo a IA de fato devolve. Um profissional sem conselho pode aceitar um rascunho de IA quase pronto e ajustar o tom. Um profissional com conselho precisa, além disso, conferir se aquele rascunho cruzou alguma linha que a norma da própria categoria proíbe, o que é trabalho de revisão que a ferramenta não faz sozinha, porque ela não conhece o texto da resolução específica daquele conselho regional. O tempo economizado na geração volta, inteiro, na conferência.

Nem todo conselho profissional já publicou uma resolução específica sobre IA como a do CFM. Advocacia, odontologia, psicologia e nutrição, por exemplo, seguem regidas pelas normas de publicidade e de ética já existentes, escritas antes da IA generativa virar ferramenta comum de trabalho. Isso não é vácuo de regra, é aplicação por analogia: se uma norma já proíbe prometer resultado ou usar depoimento sem autorização, ela continua proibindo isso quando o texto nasce de uma ferramenta de IA, mesmo sem menção explícita à tecnologia usada para produzir o rascunho. Quem espera uma resolução específica aparecer antes de aplicar bom senso está adiando uma responsabilidade que já existe, só ainda não tem o nome “IA” escrito dentro dela.

Quem no Brasil já está sentindo isso

Esse não é um fenômeno restrito a empresa grande americana. O Sebrae, através do levantamento Transformação Digital dos Pequenos Negócios 2025, encontrou que 44% dos pequenos negócios brasileiros já usaram algum tipo de IA, em pesquisa espontânea⁷. A adoção varia por porte: 65% entre empresas de pequeno porte, contra 35% entre microempreendedores individuais. O uso frequente, no entanto, é bem menor que a adoção espontânea: 18% entre MEIs e 15% entre micro e pequenas empresas em geral, contra 35% entre médias e grandes empresas. E, entre os MEIs que usam IA, a prioridade declarada é marketing e divulgação, citada por 74% deles.

Esses números descrevem exatamente o público deste texto: alguém que abriu uma ferramenta de IA, usou para produzir conteúdo de divulgação, e não necessariamente incorporou isso numa rotina estável, porque a distância entre “já usei” e “uso toda semana, de forma organizada” é onde o tempo prometido costuma se perder.

Nos Estados Unidos, uma pesquisa do Upwork Research Institute, conduzida pela Walr entre 16 de abril e 5 de maio de 2024, com 2.500 pessoas entre executivos, funcionários e freelancers em quatro países, encontrou um padrão parecido, só que já maduro⁸. 96% dos executivos esperavam ganho de produtividade com IA. 77% dos funcionários que usam IA relataram que ela aumentou, não diminuiu, a própria carga de trabalho. 47% disseram não saber como alcançar o ganho de produtividade que a liderança esperava deles. E 71% dos funcionários de tempo integral relataram sentir esgotamento, com 65% relatando dificuldade em acompanhar a exigência de produtividade da própria empresa.

A distância entre a expectativa de quem decide adotar uma ferramenta e a experiência de quem de fato trabalha com ela todo dia é o fio que conecta essas duas pesquisas, feitas em países e contextos diferentes, com quase dois anos de distância entre uma e outra.

Vale notar uma coisa nos números do Sebrae que confirma, por outro caminho, o mecanismo descrito até aqui: a adoção espontânea (44%) é bem maior que o uso frequente (entre 15% e 18% conforme o porte)⁷. Se a IA de fato devolvesse tempo sem custo escondido, seria de esperar que quem já experimentou passasse a usar toda semana, sem hesitar. A distância entre experimentar uma vez e incorporar numa rotina estável é exatamente onde o custo de revisão, de decisão e de troca de ferramenta, descrito nas seções anteriores, aparece e freia a adoção.

Onde essa recomendação não vale

Nem toda tarefa merece o mesmo cuidado descrito até aqui, e seria dizer mais do que os dados sustentam afirmar que revisão humana completa é sempre obrigatória. Existe uma categoria de uso de IA em que rodar várias instruções em paralelo, sem revisão imediata de cada uma, não custa o que este texto descreveu: quando o resultado nunca teve a intenção de ser final.

Gerar dez variações de título para escolher uma, pedir um resumo rascunho que será reescrito do zero, ou produzir uma lista de ideias para descartar nove e aproveitar uma são usos em que o “erro” da IA não custa retrabalho, porque a etapa seguinte já era reescrever ou descartar, com ou sem IA no meio. A distinção que separa esse uso do padrão que gera workslop é declarada com antecedência: a pessoa sabe, antes de pedir, que aquilo é matéria-prima descartável, não produto quase pronto. O problema não é rodar várias instruções ao mesmo tempo. É rodar várias instruções ao mesmo tempo tratando o resultado de cada uma como se já fosse a peça final, sem que ninguém tenha decidido isso de propósito.

O que muda conforme o tamanho da operação

Esse custo de decisão e de revisão não é fixo. Ele varia conforme quantas pessoas participam do processo antes de qualquer peça, texto ou resposta ser considerada pronta.

Sozinho, quem usa a ferramenta é, ao mesmo tempo, quem pede, quem revisa e quem assina o resultado, no mesmo bloco de tempo, normalmente espremido entre duas outras tarefas que pagam a conta. É exatamente essa condição que faz um erro como os dez livros sem capa sobreviver sem ninguém perceber a tempo: revisar o próprio trabalho exige notar a ausência de algo que deveria estar ali, o que é estruturalmente mais difícil do que notar a presença de um erro óbvio.

Com uma pessoa de apoio administrativo revisando por cima, a peça ganha um segundo olhar, mas esse olhar normalmente não conhece a regra técnica por trás do que está sendo revisado. Consegue notar que uma frase ficou estranha ou uma imagem saiu cortada. Raramente consegue notar que uma citação apresentada como literal não corresponde a nenhuma edição real do livro, porque isso exige conferir a fonte, não só ter bom senso editorial.

Com um sócio da mesma área revisando, o material ganha o tipo de crivo técnico que de fato pega erro de conteúdo. A armadilha, aqui, é outra: dividir a revisão entre duas pessoas cria a sensação de que o risco também foi dividido, e raramente é isso que acontece. Quem assina, no fim, continua sendo uma pessoa específica, e “meu sócio revisou” não é defesa perante conselho, cliente ou paciente se foi o nome de outra pessoa que foi publicado.

Nenhum desses três arranjos elimina o custo de decisão e de revisão descrito nas seções anteriores. Eles só mudam quem carrega esse custo, e em que momento o erro tem chance de ser percebido antes de sair do rascunho.

A objeção real: “eu gosto de mexer nisso”

Uma objeção comum, e legítima, aparece assim que alguém lê até aqui: gostar de experimentar ferramenta nova, testar instrução diferente e ver o que sai, é parte do prazer de trabalhar com algo novo, não custo disfarçado de trabalho. Isso é verdade, e vale separar as duas coisas.

Testar uma ferramenta nova por curiosidade, num horário reservado para isso, é diferente de abrir uma quinta ferramenta no meio de uma tarefa que já estava em andamento, decidindo sob pressão se vale a pena trocar. A primeira situação é escolha deliberada, feita com atenção disponível para ela. A segunda é exatamente o padrão que a pesquisa de Berkeley e Haas descreveu como intensificação: mais uma linha de trabalho paralela, aberta sem que ninguém tenha pedido, ocupando um tempo que não estava reservado para aquilo.

O critério prático que separa as duas situações não é gostar ou não gostar de mexer em ferramenta. É se a decisão de abrir mais uma foi tomada com a cabeça livre, antes da tarefa começar, ou no meio dela, sob a pressão de terminar algo que já está atrasado. Antes de assinar mais uma ferramenta, vale calcular quanto tempo ela de fato vai consumir para ser mantida e revisada, não só quanto tempo promete economizar na hora de gerar o primeiro resultado. Existe uma calculadora de ROI de automação com IA que ajuda a colocar esse cálculo no papel antes de decidir, comparando cenário conservador e cenário otimista, em vez de decidir só pela demonstração de vinte minutos que qualquer ferramenta nova consegue entregar bem.

Segunda ordem: o gargalo que aparece depois

Quando alguém consegue, de fato, reduzir o número de ferramentas abertas ao mesmo tempo, definir um teto de gasto e parar de rodar instrução paralela sem necessidade, o tempo que sobra não fica automaticamente livre. Ele revela o gargalo seguinte, que antes estava escondido atrás do excesso de atividade.

Esse gargalo, na maioria dos casos observados dentro da própria operação, não é falta de conteúdo ou falta de ferramenta. É falta de um lugar único onde a informação mora, e de alguém responsável por mantê-la atualizada. Um site que ainda anuncia um serviço que já não é mais oferecido, um formulário de contato que nunca guardou contato nenhum porque jogava a pessoa direto numa conversa de mensagem sem registrar nada, um domínio registrado no nome de um fornecedor antigo que já não atende mais telefone. Nenhuma dessas coisas se resolve com mais ferramenta de IA. Se resolve com alguém sentando, uma vez, para descobrir o que existe, o que está certo e o que está quebrado há meses sem ninguém perceber.

Cada informação deveria ter um único lugar oficial. Duplicar a mesma informação em várias ferramentas diferentes, cada uma prometendo resolver uma parte do problema, cria superfícies que precisam ser sincronizadas para sempre, e sincronizar manualmente é trabalho que nenhuma IA faz sozinha, porque exige saber que a duplicação existe, e isso só quem conhece o negócio por dentro sabe dizer.

Um exemplo concreto disso apareceu num site que tinha, havia tempo, um formulário de contato aparentemente funcional. O formulário jogava a pessoa direto para uma conversa de mensagem, e nome, e-mail e texto digitados não iam a lugar nenhum além daquilo. Não havia lista, não havia histórico, não havia como responder à pergunta de quantos contatos tinham chegado num determinado mês, porque não existia onde olhar essa informação depois. Nenhuma ferramenta de IA teria resolvido isso sozinha, porque o problema não era gerar texto ou responder mais rápido. Era a ausência de um registro básico, do tipo que só aparece depois que alguém para de produzir conteúdo por tempo suficiente para notar que falta.

Como medir se a IA está de fato devolvendo tempo

Não existe, publicado por nenhuma das pesquisas citadas aqui, um número universal de quanto tempo uma pessoa deveria recuperar depois de adotar IA na própria rotina. Isso depende do que ela fazia antes, de quanto revisar custa no assunto específico dela e de quantas ferramentas diferentes estão em uso ao mesmo tempo. O que dá para fazer, sem se enganar, é medir sinais concretos, em vez de confiar na sensação de “estou produzindo mais, logo está funcionando”.

Uma auditoria interna, feita sobre um processo de conferência automática de texto, encontrou 235 acusações de erro que não eram erro de verdade, entre 747 trechos analisados, e nenhum achado real usando aquele método específico. A lição registrada foi que relatório que acusa o que está certo treina quem lê a ignorar o relatório inteiro, inclusive as vezes em que ele acerta. O mesmo vale para medir se a IA está devolvendo tempo: um critério vago demais, que sempre aponta “sim, está funcionando”, não é critério, é ruído com aparência de medição.

Se a resposta para a maioria desses pontos for não, a IA não está devolvendo tempo, está aumentando volume dentro do mesmo tempo, o que não é a mesma coisa, mesmo quando os dois parecem produtividade de longe.

O que continua sem resposta

Nenhuma das pesquisas reunidas aqui mediu, com precisão, quanto tempo um especialista que trabalha sozinho de fato recupera depois de reorganizar o próprio uso de IA seguindo um critério como o descrito acima. A pesquisa de Berkeley e Haas observou uma empresa de 200 pessoas, não um profissional autônomo. As pesquisas do Upwork Research Institute e da BetterUp com o Stanford Social Media Lab mediram percepção declarada em pesquisa online, não tempo cronometrado tarefa por tarefa. Essa lacuna é real, e fingir que já existe uma resposta pronta seria o mesmo erro de aparência de dado que este texto inteiro tentou evitar.

Fica sem resposta, também, se a regra de calcular o custo de manutenção antes de assinar uma ferramenta nova, sugerida na seção sobre a objeção de gostar de mexer em ferramenta, de fato reduz o número de ferramentas abertas ao mesmo tempo, ou só desloca a decisão para um momento anterior sem mudar o resultado final. Não há, até a data de publicação deste texto, um caso acompanhado por tempo suficiente para responder isso com segurança.

E fica sem resposta o que acontece quando a régua de conselho profissional muda de novo, como a resolução médica de fevereiro de 2026 já mudou em relação ao texto que valia antes dela. Norma sobre uso de IA em profissão regulada é terreno novo, revisado com frequência, e qualquer leitura feita hoje sobre o que ela permite ou proíbe tem validade até a próxima atualização, não depois disso.

Fica sem resposta, por fim, quanto do que este texto descreve é mecanismo geral e quanto é particularidade de quem já trabalha sozinho, decidindo tudo sem consultar ninguém. As pesquisas citadas aqui foram feitas com funcionário de empresa grande, não com profissional autônomo. É razoável esperar que o mesmo padrão de intensificação apareça em quem trabalha sozinho, porque a lógica econômica por trás do paradoxo de Jevons não depende do tamanho da empresa. Mas razoável não é medido, e a distância entre as duas coisas é exatamente o tipo de lacuna que vale marcar em vez de disfarçar com uma frase de transição que finja segurança onde ela não existe.

Glossário

Custo de troca de tarefa

Perda de desempenho medida quando uma pessoa alterna entre duas tarefas diferentes, em vez de completar uma antes de iniciar a outra. Documentado experimentalmente por Rubinstein, Meyer e Evans em 2001, o custo cresce com a complexidade da tarefa e persiste mesmo em quem já está familiarizado com as duas tarefas envolvidas.

Fadiga de decisão

Redução da capacidade de autocontrole e de persistência depois de uma sequência de decisões, mesmo quando nenhuma delas exigiu esforço físico. O experimento de Vohs e colegas, de 2008, mostrou que o simples ato de escolher, repetido várias vezes, consome um recurso mental que depois falta para outras tarefas que também exigem controle e concentração.

Paradoxo de Jevons

Descreve uma situação em que tornar um recurso mais eficiente de usar não reduz o consumo total desse recurso, aumenta. O economista inglês William Stanley Jevons observou isso no século XIX com o carvão: máquinas a vapor mais eficientes não reduziram o consumo de carvão da Inglaterra, aumentaram, porque a eficiência tornou o uso do carvão mais barato em cada aplicação, o que abriu espaço para mais aplicações. Aplicado a tempo de trabalho, o mesmo raciocínio explica por que uma hora que rende mais tende a virar mais uma hora de trabalho, em vez de uma hora livre.

Resíduo de atenção

Fração da atenção que permanece voltada para uma tarefa interrompida mesmo depois de a pessoa já ter iniciado a tarefa seguinte. Descrito por Sophie Leroy em 2009, o fenômeno explica por que o desempenho cai em tarefas realizadas logo após uma troca, especialmente quando a tarefa anterior ficou sem conclusão clara.

Workslop

Conteúdo gerado com apoio de IA que tem a forma de um trabalho concluído (formatação correta, tom profissional, extensão adequada) mas não carrega a substância necessária para cumprir a tarefa que deveria cumprir. Quem recebe precisa investir tempo descobrindo o que falta antes de conseguir usar o material, tempo que normalmente é maior do que teria sido produzir o conteúdo do zero.

Referências

1. ↑ A. Ranganathan; X. M. Ye. AI promised to free up workers' time. UC Berkeley Haas researchers found the opposite.. Haas News, UC Berkeley Haas School of Business (achado também publicado na Harvard Business Review, fev/2026). 2026. consultar Acesso em 2026-09-14.
2. ↑ BetterUp Labs; Stanford Social Media Lab. Workslop: The Hidden Cost of AI-Generated Busywork. BetterUp Labs, em parceria com o Stanford Social Media Lab. 2025. consultar Acesso em 2026-09-14.
3. ↑ S. Leroy. Why is it so hard to do my work? The challenge of attention residue when switching between work tasks. Organizational Behavior and Human Decision Processes. 2009. consultar Acesso em 2026-09-14.
4. ↑ K. D. Vohs; R. F. Baumeister; B. J. Schmeichel; J. M. Twenge; N. M. Nelson; D. M. Tice. Making choices impairs subsequent self-control: a limited-resource account of decision making, self-regulation, and active initiative. Journal of Personality and Social Psychology. 2008. consultar Acesso em 2026-09-14.
5. ↑ J. S. Rubinstein; D. E. Meyer; J. E. Evans. Executive control of cognitive processes in task switching. Journal of Experimental Psychology: Human Perception and Performance. 2001. consultar Acesso em 2026-09-14.
6. ↑ Conselho Federal de Medicina. Resolução CFM nº 2.454/2026 — normatiza o uso da Inteligência Artificial na Medicina. Diário Oficial da União, 27/02/2026. 2026. consultar Acesso em 2026-09-14.
7. ↑ Sebrae / DataSebrae. Transformação Digital - DataSebrae. Agência Sebrae de Notícias / DataSebrae (levantamento Transformação Digital dos Pequenos Negócios 2025). 2025. consultar Acesso em 2026-09-14.
8. ↑ Upwork Research Institute; Workplace Intelligence (pesquisa conduzida pela Walr). Upwork Study Finds Employee Workloads Rising. Upwork Inc., comunicado de imprensa, 23/07/2024 (pesquisa de campo 16/04 a 05/05/2024). 2024. consultar Acesso em 2026-09-14.