1. O paradoxo da produtividade de Brynjolfsson, versão da era GenAI
- Mesmo na adoção de TI e PCs nos anos 1990, os indicadores de produtividade quase não subiram em relação ao investimento, e a essência do paradoxo da produtividade de Brynjolfsson é que, sem complementos como reorganização da empresa, redesenho do trabalho e mudança de habilidades, a tecnologia sozinha não aumenta a produtividade.
- Agora também a IA generativa foi adotada de forma explosiva, mas a produtividade da economia como um todo e as mudanças estruturais nas empresas seguem limitadas, e este texto resume isso como “High Adoption, Low Transformation”.
2. MIT NANDA: GenAI Divide (divisão da IA generativa)
- O relatório do MIT NANDA afirma que bilhões de dólares foram investidos em GenAI, mas propõe o conceito de GenAI Divide ao dizer que “apenas cerca de 5% das empresas geram valor real de negócio (ROI), enquanto os outros 95% não veem melhora em receita nem produtividade”.
- Essa divisão não depende tanto da capacidade técnica, mas de “conseguir construir sistemas agentic que aprendem, lembram e se adaptam, e integrá-los profundamente ao fluxo real de trabalho para gerar resultados”; hoje, mudanças estruturais significativas ainda estão concentradas principalmente em setores centrados em informação, como tecnologia e mídia.
3. Por que 95% fracassam
-
Learning Gap (lacuna de aprendizado)
- Muitas IAs corporativas são ferramentas estáticas, então não conseguem acumular nem aprender com feedback dos usuários, não se adaptam ao contexto nem melhoram no longo prazo; como resultado, os funcionários usam IA de consumo para tarefas simples e continuam dependendo de pessoas para trabalhos importantes e complexos.
-
Desconexão entre piloto e produção
- Grandes empresas fazem muitos pilotos (POCs), mas a proporção que chega a uma implantação real em toda a organização é muito baixa, e entre IAs corporativas customizadas apenas algo em torno de 5% se estabelece de fato em produção.
- A principal razão é que “a ferramenta não se encaixa no processo real de trabalho”; o problema não é infraestrutura nem regulação, mas integração ao workflow e desenho organizacional.
-
A economia da Shadow AI
- Como as ferramentas internas oficiais são ineficientes ou muito restritivas em termos de governança, vem se espalhando a “Shadow AI”, em que funcionários usam escondido LLMs ou copilots por assinatura pessoal para fazer o trabalho de verdade.
- Isso pode ser interpretado como um sinal de uma enorme demanda oculta por “ferramentas flexíveis, intuitivas, personalizadas e integradas ao workflow real”.
4. Artigo Canaries: o primeiro sinal da IA na contratação de iniciantes
- O trabalho da equipe de Brynjolfsson, “Canaries in the Coal Mine?”, analisou dados de alta frequência de salários e emprego e mostrou que, após a adoção da IA generativa, houve queda significativa na contratação de iniciantes de 22 a 25 anos em ocupações com alta exposição à IA (desenvolvimento de software, call center/atendimento ao cliente etc.).
- Em especial, a queda no emprego de trabalhadores jovens foi maior em atividades nas quais a IA é usada mais para “automação” do que para “assistência”, sugerindo que a IA, num primeiro momento, já está substituindo diretamente parte de funções de entrada.
5. Por que os recém-chegados são especialmente afetados
- Os LLMs atuais são fortes em conhecimento formal bem descrito em livros, documentos e em tarefas repetitivas baseadas em padrões, mas ainda não substituem bem os “atalhos” de especialistas experientes, baseados em vivência prática e conhecimento tácito.
- Tradicionalmente, o papel de iniciantes e juniores inclui muito “trabalho de seguir regras e manuais documentados”; como essa parte vem sendo rapidamente automatizada com LLMs + toolchains, observa-se um padrão em que profissionais em início de carreira sofrem impacto maior no emprego do que os mais experientes dentro da mesma função.
6. Implicações para o futuro do trabalho
- A transição para a IA, mais do que uma simples “redução do total de empregos”, pode ser interpretada como um processo de realocação em que algumas tarefas são absorvidas pela IA, outras surgem de novo, e as vantagens relativas dos humanos se deslocam para áreas como conhecimento tácito, coordenação e julgamento.
- Por isso, do ponto de vista de educação e planejamento de carreira, é provável que se tornem relativamente mais importantes do que capacidades baseadas em respostas certas e memorização habilidades como “entendimento do contexto real, estruturação de problemas, conciliação de interesses e especialização multidisciplinar por domínio”.
7. Estratégia prática para fundadores de IA
-
Sair da geração simples e migrar para aprendizado + agentes
- O ponto central da GenAI Divide não é o desempenho do modelo, mas se existe ou não um sistema agentic capaz de “aprendizado contínuo, memória, adaptação e orquestração”.
- O texto enfatiza que terão vantagem esmagadora as equipes capazes de estruturar feedback dos usuários e logs reais de uso para construir um “sistema vivo” que, com o tempo, entenda melhor o workflow e se ajuste automaticamente.
-
Projetar para o workflow, não para a persona do usuário
- Muitos produtos de IA corporativa têm o problema de “a demo é ótima, mas o produto é abandonado porque não combina com a forma real de trabalho da equipe”.
- Os produtos que vencem mergulham profundamente no fluxo detalhado de tarefas, na estrutura de permissões e nas exigências de compliance de um setor ou função específicos, integrando-se de forma natural a esse contexto; mais do que um UX chamativo, a prioridade é “não cair fora da produção real”.
-
Usar a Shadow AI como ativo de pesquisa
- Ao observar quais combinações de prompts e ferramentas os funcionários usam por conta própria, dá para entender as necessidades reais que a organização não conseguiu refletir nas ferramentas oficiais, como velocidade, liberdade e nível de automação.
- Para startups, esse padrão de “Shadow AI” funciona ao mesmo tempo como um grande canal de pesquisa com usuários e como pista de posicionamento de produto.
-
Mais oportunidade no back office do que na vitrine
- Muitas empresas colocam IA primeiro em áreas visíveis como marketing e vendas, mas o MIT aponta que o ROI real é maior em áreas de retaguarda orientadas a processo, como finanças, compras e operações.
- Nessas áreas há muitos dados e bastante lógica de negócio baseada em regras, então soluções bem desenhadas de agentes/automação tendem a se converter mais facilmente em redução de custos e menos erros.
-
Não vender “software”, mas agir como parceiro de BPO
- Clientes corporativos bem-sucedidos tratam fornecedores de IA não como vendedores de licença, mas como “parceiros de terceirização de processos de negócio”, exigindo customização profunda, contratos baseados em resultado e cooperação operacional estreita.
- Assim, o argumento é que fundadores também devem desenhar o produto não como uma ferramenta instalável, mas como “serviço/parceria que divide a responsabilidade pelo resultado”, o que pode abrir grandes deals enterprise e criar barreiras de entrada duradouras (moat).
8. Resumo: o paradoxo mudou, e as oportunidades também
- Mesmo na era da IA generativa, o paradoxo da produtividade continua válido, mas a localização dos “complementos faltantes” mudou: agora eles existem tanto dentro do produto (aprendizado, memória, orquestração) quanto dentro da empresa (compra como serviço, ownership distribuído, KPIs orientados a resultado).
- A mensagem é que apenas os fundadores que conseguirem desenhar essas duas camadas ao mesmo tempo serão capazes de transformar “demos impressionantes” em “vantagem competitiva sustentável e ganho de produtividade mensurável nas estatísticas”, tornando a revolução da IA não apenas um evento tecnológico, mas uma transformação econômica que coevolui com organizações e indivíduos.
1 comentários
Ao desenvolver com IA, concordo muito com os pontos 2, 3 e 4. No caso das empresas, acredito que faz muito mais sentido focar em automação e analisar para criar recursos robustos de automação voltados a usuários de backoffice.