O que pesquisas recentes mostram sobre produtividade, onde a IA ajuda de verdade, como dar contexto melhor, validar respostas e proteger informações da empresa.
A inteligência artificial já entrou no expediente antes que boa parte das empresas tivesse tempo de decidir como queria usá-la. Ela aparece no e-mail, na apresentação, na reunião, no código, na planilha, no atendimento e naquela pesquisa que antes começaria com várias abas abertas no navegador. O problema é que adotar uma ferramenta é muito diferente de aprender a trabalhar bem com ela.
Em 2024, uma pesquisa nacional com mais de 5 mil americanos mostrou que 28% dos trabalhadores empregados já usavam IA generativa no trabalho. Em 2025, o Stanford AI Index 2026 registrou uso de IA em 88% das organizações pesquisadas, embora isso inclua desde testes até implementações mais maduras. Um estudo do NBER publicado em agosto de 2026 resume bem o estágio atual: a adoção é ampla, mas ainda é rasa em muitas tarefas. Em outras palavras, muita gente já usa, mas nem sempre de forma consistente ou profunda.
Esse detalhe importa porque a discussão mais útil não é “IA é boa ou ruim para o trabalho?”. A pergunta prática é outra: em que tipo de tarefa ela melhora o resultado, em que tipo de tarefa ela apenas acelera um erro e o que precisa continuar sob julgamento humano?
O que mudou no trabalho, de fato?
Ferramentas como ChatGPT, Microsoft Copilot, Google Gemini, Claude e Perplexity ficaram populares porque atuam em uma faixa enorme de tarefas cognitivas. Elas escrevem, reescrevem, resumem, explicam, classificam, comparam, geram código, analisam documentos e ajudam a organizar raciocínios. Essa versatilidade faz com que a IA não chegue ao trabalho como uma única automação. Ela entra em pequenos pedaços do dia.
Um estudo do NBER sobre como as pessoas usam o ChatGPT ajuda a enxergar esse padrão. Em junho de 2025, “Writing” era a categoria mais comum entre as mensagens relacionadas ao trabalho e respondia por cerca de 40% delas. E dois terços das interações de escrita não pediam um texto do zero. Pediam edição, crítica, resumo, tradução ou transformação de algo que o usuário já tinha produzido.
Isso muda a imagem popular de que usar IA significa apertar um botão e receber o trabalho pronto. Na prática, uma das utilizações mais valiosas é menos espetacular: pegar algo que já existe e torná-lo mais claro, mais organizado, mais comparável ou mais fácil de revisar.
Também é importante separar “emprego” de “tarefa”. A Organização Internacional do Trabalho estima que um em cada quatro trabalhadores no mundo está em uma ocupação com algum grau de exposição à IA generativa. Ao mesmo tempo, a própria OIT ressalta que, por causa da necessidade contínua de participação humana, a transformação das tarefas tende a ser mais frequente do que a eliminação completa de ocupações.
O Future of Jobs Report 2025, do Fórum Econômico Mundial, reforça essa combinação. Habilidades ligadas a IA, big data e alfabetização tecnológica crescem em importância, mas pensamento analítico, criatividade, resiliência, liderança e colaboração continuam entre as capacidades que as empresas dizem precisar. O ponto não é trocar conhecimento profissional por conhecimento de ferramenta. É somar os dois.
Antes de usar bem, é preciso entender o que a IA não é
Um modelo de linguagem não “sabe” da mesma forma que uma pessoa sabe. De maneira simplificada, ele aprende padrões em grandes volumes de dados e gera respostas estimando sequências prováveis a partir do contexto recebido. Isso permite escrever com enorme fluência. Também explica um dos seus riscos mais traiçoeiros: uma resposta pode soar segura, organizada e profissional mesmo quando está errada.
O NIST, instituto americano de padrões e tecnologia usa o termo “confabulation” para esse tipo de comportamento, também chamado de alucinação. O sistema pode apresentar como verdade um dado incorreto, uma referência inexistente ou uma conclusão que não decorre das informações disponíveis.
Imagine uma situação simples. Um advogado pede cinco decisões judiciais sobre um tema específico. A IA devolve número do processo, tribunal, data e um resumo convincente. O formato parece correto. O vocabulário parece correto. Nada disso prova que os processos existem. Sem consultar uma fonte oficial, o profissional pode estar olhando para uma ficção com aparência de pesquisa.
Existe ainda outro limite menos óbvio. Modelos conseguem ser muito bons em uma tarefa e surpreendentemente ruins em outra que parece parecida. Essa irregularidade ficou conhecida como “jagged technological frontier”, algo como uma fronteira tecnológica irregular. O usuário precisa aprender a reconhecer onde a ferramenta costuma ser forte e onde ela começa a pedir mais confiança do que merece.
nde a IA costuma gerar valor de verdade
Uma regra prática ajuda a começar: a IA tende a ser especialmente útil quando você precisa reduzir o tempo entre uma folha em branco e uma primeira versão, comprimir um volume grande de informação ou ampliar o número de alternativas antes de decidir.
Do zero ao primeiro rascunho
E-mails, propostas, apresentações, roteiros, descrições, relatórios e comunicados podem começar com uma estrutura produzida pela IA. O ganho não está necessariamente em publicar o que ela escreveu. Está em deixar de gastar 30 minutos olhando para uma página vazia. A pessoa entra depois com contexto, experiência, linguagem da empresa e aquilo que o modelo não viveu.
Da informação espalhada para uma visão comparável
A ferramenta pode resumir documentos, comparar contratos, organizar anotações de reunião, separar argumentos, extrair riscos ou transformar material disperso em uma tabela. Aqui o usuário precisa deixar claro o que deseja extrair. “Resuma este relatório” é muito mais fraco do que “separe as decisões, os riscos, os números que sustentam cada conclusão e o que ainda precisa ser respondido”.
De uma ideia para várias hipóteses
Brainstorming é um bom exemplo de uso com baixo custo de erro. Em vez de pedir “a melhor campanha”, é mais produtivo pedir caminhos distintos, argumentos contrários, riscos de percepção e versões pensadas para públicos diferentes. A IA pode aumentar o espaço de possibilidades. A escolha continua sendo humana.
Preparação e ensaio
Antes de uma reunião comercial, ela pode simular objeções. Antes de uma apresentação, pode agir como um diretor cético e fazer perguntas difíceis. Antes de uma entrevista, pode ajudar a ensaiar. Depois de uma reunião, pode organizar decisões e pendências. Esse uso é poderoso porque a ferramenta não está substituindo a conversa real. Está ajudando o profissional a chegar melhor preparado.
Análise e programação
Em dados e programação, a IA pode sugerir fórmulas, explicar código, encontrar inconsistências, gerar testes e ajudar a construir hipóteses. Mas existe uma condição: quem usa precisa conseguir verificar o que recebeu. Código que ninguém entende, fórmula que ninguém confere ou análise feita sobre uma base mal interpretada apenas transforma velocidade em retrabalho.
A IA aumenta produtividade? A resposta correta é: depende da tarefa
É tentador procurar um único percentual que responda quanto a IA melhora a produtividade. Esse número não existe. Estudos diferentes medem trabalhos diferentes, com ferramentas diferentes, em ambientes diferentes. O que já existe, porém, é evidência suficiente para abandonar dois extremos: “IA sempre melhora o desempenho” e “IA só produz texto genérico”.
Em um experimento com tarefas profissionais de escrita, pesquisadores do MIT observaram que o acesso ao ChatGPT reduziu o tempo de execução em cerca de 40% e elevou a qualidade média em 18%, segundo avaliadores independentes. Os próprios autores destacam limitações importantes: as tarefas não exigiam conhecimento específico de uma empresa nem checagem factual profunda. Portanto, o resultado mostra potencial em certos trabalhos de escrita, não uma promessa universal.
Em outra pesquisa, agora em ambiente real de atendimento ao cliente, o NBER analisou 5.179 agentes. O assistente de IA aumentou a produtividade média em 14%. Entre profissionais novatos ou de menor desempenho, o ganho chegou a 34%, enquanto o impacto foi pequeno entre os mais experientes. Uma possível leitura é que a ferramenta ajudava a disseminar práticas que os melhores profissionais já haviam aprendido ao longo do tempo.
Há evidência também em desenvolvimento de software. Um conjunto de três experimentos de campo com 4.867 desenvolvedores em empresas como Microsoft e Accenture encontrou aumento de aproximadamente 26% no número de tarefas concluídas entre usuários do assistente de código. Os ganhos foram maiores entre profissionais menos experientes.
Mas o estudo que talvez ensine mais sobre uso responsável é outro. Em uma pesquisa com mais de 700 consultores, resumida pelo MIT Sloan, participantes usando GPT-4 tiveram ganhos de desempenho próximos de 40% em tarefas que estavam dentro da capacidade da ferramenta. Quando a tarefa foi desenhada para ficar fora dessa fronteira, o desempenho caiu, em média, 19 pontos percentuais. A IA ajudou bastante quando sabia fazer. Também tornou mais fácil errar quando o usuário confiou nela em uma situação na qual não deveria.
O melhor prompt não é o mais bonito. É o que reduz adivinhações
Existe um mercado inteiro prometendo “prompts perfeitos”. Na prática, os melhores resultados costumam vir de algo menos mágico: explicar bem o problema. Uma IA responde melhor quando precisa preencher menos lacunas por conta própria.
Antes de enviar uma solicitação, pense em cinco coisas: qual é o contexto, o que você precisa obter, quais informações são obrigatórias, quais critérios ou limites devem ser respeitados e como a resposta será usada. Não é necessário transformar toda pergunta em um formulário. Basta incluir o que realmente muda o resultado.
Exemplo 1. Um e-mail comercial
Fraco: “Faça um e-mail para um cliente inativo.”
Melhor: “Escreva um e-mail curto para um cliente B2B que não compra há seis meses. Quero reabrir a conversa sem começar por desconto. O tom deve ser próximo e profissional. Não invente histórico do cliente. Termine com uma pergunta simples sobre a necessidade atual.”
A segunda versão não é melhor porque é maior. É melhor porque define público, objetivo, limite e tom.
Exemplo 2. Uma análise de planilha
Fraco: “Analise esses dados.”
Melhor: “Identifique tendências trimestrais, anomalias e três hipóteses que poderiam explicá-las. Separe o que é observação dos dados do que é hipótese. Mostre qualquer cálculo usado e diga quais conclusões não podem ser tiradas apenas desta planilha.”
Exemplo 3. Uma apresentação
Fraco: “Crie uma apresentação sobre sustentabilidade.”
Melhor: “Estruture oito slides para diretores que precisam decidir se aprovam um projeto-piloto. Quero problema, evidências, custo, riscos, cronograma e decisão solicitada. Uma ideia principal por slide. Não use dados que eu não tenha fornecido sem sinalizar a necessidade de pesquisa.”
Um uso mais inteligente: pedir revisão, não apenas produção
Muita gente usa IA apenas como redatora. Esse é provavelmente o uso mais óbvio, não necessariamente o mais valioso. Uma ferramenta que gera texto também pode funcionar como revisora, adversária, simuladora ou segunda leitura.
Depois de escrever uma proposta, por exemplo, experimente perguntar: “qual é o argumento contrário mais forte?”. Em uma campanha, peça: “o que pode ser interpretado de forma diferente do que pretendemos?”. Em uma decisão, use: “quais suposições estou tratando como fatos?”. Em um relatório, peça que a ferramenta marque números sem fonte, conclusões sem evidência e trechos que repetem a mesma ideia.
A diferença é importante. Quando você pede apenas produção, a IA tende a preencher espaço. Quando pede crítica com critérios definidos, ela pode ajudá-lo a enxergar pontos cegos. Ainda assim, não transforme a própria IA em árbitra final do que ela mesma produziu. Revisão automática é uma camada a mais, não uma garantia.
O risco menos visível: ficar mais rápido e pensar menos
Nem todo custo aparece como erro factual. Existe também a possibilidade de terceirizar tanto o esforço mental que a pessoa deixa de praticar parte da habilidade que deveria desenvolver. Esse tema ainda está sendo pesquisado e exige cuidado com conclusões exageradas. Mas alguns sinais já merecem atenção.
Em 2025, pesquisadores da Microsoft Research entrevistaram 319 profissionais e analisaram 936 exemplos reais de uso de IA no trabalho. No estudo, maior confiança na IA esteve associada a menor exercício de pensamento crítico, enquanto maior autoconfiança do profissional esteve associada a mais pensamento crítico. Os autores também observaram uma mudança na natureza do esforço: menos produção direta em alguns casos e mais verificação, integração e supervisão da resposta.
Isso não significa que usar IA “deixa alguém menos inteligente”. Significa algo mais útil: se a ferramenta remove parte do esforço, é preciso decidir conscientemente onde esse esforço ainda é necessário. Um analista que sempre pede a conclusão pronta pode ganhar minutos e perder a prática de construir uma análise. Um estudante que só pede a resposta pode entregar a atividade e não aprender. Um gestor que terceiriza todos os argumentos pode chegar à reunião sem dominar a própria decisão.
Há ainda o chamado automation bias, a tendência de confiar demais em uma recomendação porque ela veio de um sistema. A resposta organizada, com tópicos e vocabulário técnico, transmite sensação de autoridade. É justamente por isso que bons processos de IA precisam incluir momentos explícitos de contestação e conferência.
O que não deve ser simplesmente colado em uma ferramenta de IA
Imagine que você receba uma planilha com nome, CPF, faturamento e histórico de compras de milhares de clientes. A pergunta “posso enviar isso para uma IA e pedir uma segmentação?” não deveria ser respondida apenas com base na conveniência da ferramenta. Antes vêm a finalidade, a política da empresa, a base legal, o contrato do serviço, os controles de acesso e o tipo de dado envolvido.
A Lei Geral de Proteção de Dados, a LGPD, estabelece regras para o tratamento de dados pessoais no Brasil. Na prática corporativa, isso significa que informações como bases de clientes, CPFs, dados financeiros, prontuários, documentos internos, contratos confidenciais, credenciais, estratégias e propriedade intelectual não devem ser inseridas em qualquer serviço apenas porque ele é fácil de usar.
Também é errado tratar todos os planos e provedores como se funcionassem do mesmo modo. As políticas variam. No caso da OpenAI, por exemplo, os controles de dados das contas individuais permitem decidir se conversas ajudam a melhorar os modelos. Para ofertas empresariais, a empresa afirma que não utiliza dados da organização para treinamento por padrão. Outros fornecedores possuem suas próprias regras, contratos, configurações e períodos de retenção. Por isso, a análise precisa considerar a ferramenta específica que está sendo usada.
Uma política interna de IA não precisa começar com dezenas de páginas. Precisa, no mínimo, responder: quais ferramentas são aprovadas, quais tipos de dados podem ser usados, em quais situações a revisão humana é obrigatória, quem responde por uma decisão e o que fazer quando houver incidente. O NIST AI Risk Management Framework e os Princípios de IA da OCDE são boas referências para organizações que querem estruturar governança, supervisão e gestão de risco.
Como validar uma resposta antes de colocá-la no mundo
Uma checagem rápida evita boa parte dos erros mais constrangedores. Antes de usar uma informação gerada por IA, procure responder a quatro perguntas.
1. De onde veio isso?
Se existe um número, uma lei, uma fala, um estudo ou uma notícia, localize a fonte original. Não confunda um link fornecido pela IA com uma fonte verificada.
2. A fonte realmente diz o que a resposta afirma?
Abrir o link não basta. Leia o trecho relevante, confira data, contexto, amostra e limitações.
3. O erro aqui teria consequência?
Uma sugestão de título aceita mais experimentação do que uma decisão financeira, jurídica, médica, de segurança ou de contratação.
4. Eu consigo explicar esta resposta sem dizer “a IA falou”?
Se você não entende a lógica, talvez ainda não esteja pronto para assumir a conclusão.
A supervisão deve crescer junto com o risco. Para tarefas criativas e reversíveis, experimentar costuma ser barato. Para decisões que afetam pessoas, dinheiro, segurança, direitos ou reputação, a conferência precisa ser proporcionalmente maior.
Onde a IA pode apoiar, mas não deveria decidir sozinha
Há situações em que usar IA como ponto de partida pode ser útil, mas a decisão final exige especialista, processo formal ou responsabilidade claramente atribuída. É o caso de orientação médica, aconselhamento jurídico definitivo, decisões financeiras críticas, contratação e demissão, avaliações de pessoas, segurança, crédito, temas regulatórios e operações com alto impacto.
O problema não é apenas a possibilidade de uma informação incorreta. Também existem vieses, dados incompletos, ausência de contexto e dificuldade de explicar por que uma recomendação foi produzida. A OCDE destaca princípios de supervisão humana, transparência, segurança e responsabilização justamente porque o risco muda conforme o contexto de uso.
A competência não é “saber prompt”
Aprender a dar instruções melhores ajuda, mas isso é só uma parte da habilidade. O profissional que usa IA bem precisa reconhecer um problema mal formulado, distinguir evidência de opinião, perceber quando falta informação, entender o próprio negócio e revisar o resultado com critérios.
O Fórum Econômico Mundial estima que 59 em cada 100 trabalhadores precisarão de algum tipo de capacitação ou requalificação até 2030. No mesmo relatório, 77% dos empregadores dizem planejar capacitar suas equipes em resposta à IA. Ao mesmo tempo, 41% afirmam esperar reduzir parte da força de trabalho à medida que algumas tarefas forem automatizadas.
Esses números não contam uma história de substituição simples. Contam uma história de reorganização. Parte do trabalho fica mais fácil, parte muda de natureza e parte ganha valor justamente porque exige julgamento, relacionamento, conhecimento do contexto ou responsabilidade.
Existe um paradoxo interessante: quanto mais uma pessoa entende de um assunto, melhor tende a usar uma IA naquele assunto. Quem conhece vendas percebe uma objeção mal formulada. Quem entende finanças identifica uma conta estranha. Quem domina a marca sente quando o texto parece genérico. Quem conhece a legislação sabe quais afirmações precisam de fonte. A ferramenta amplia a capacidade de quem consegue julgar o que recebe.
Um método simples para começar sem transformar tudo em IA
Em vez de tentar automatizar o departamento inteiro, escolha uma tarefa recorrente que já conhece bem. Pode ser preparar uma reunião semanal, revisar um relatório, responder um tipo comum de e-mail ou organizar uma análise. Depois faça um pequeno teste.
1. Escreva como a tarefa é feita hoje e qual parte consome mais tempo.
2. Separe os dados que podem ser usados dos dados que não devem sair do ambiente autorizado.
3. Dê à IA um exemplo real de bom resultado, quando isso for permitido.
4. Peça uma primeira versão e marque tudo o que precisou ser corrigido.
5. Na segunda tentativa, transforme essas correções em critérios claros.
6. Compare tempo, qualidade, erros e retrabalho antes e depois.
7. Se funcionou, documente o processo. Se não funcionou, talvez aquela tarefa não seja uma boa candidata.
O objetivo não é provar que a IA consegue fazer alguma coisa. Quase sempre é possível gerar uma demonstração impressionante. O que interessa para uma empresa é saber se o processo continua funcionando na décima, na centésima e na milésima vez, com pessoas diferentes, dados diferentes e critérios de qualidade claros.
Conclusão: ganhar velocidade sem abrir mão do julgamento
A Inteligência Artificial já é uma ferramenta de trabalho. A discussão madura começa depois dessa constatação. Há tarefas em que ela economiza tempo, melhora uma primeira versão e ajuda profissionais menos experientes a aprender práticas melhores. Há outras em que o excesso de confiança piora o resultado. E existem situações em que privacidade, risco ou responsabilidade tornam a supervisão humana indispensável.
Por isso, a pergunta mais útil não é “o ChatGPT consegue fazer o meu trabalho?”. É “qual parte deste trabalho faz sentido entregar à ferramenta e qual parte depende justamente do que eu sei, do contexto que conheço e da responsabilidade que assumo?”.
No fim, usar IA bem não é pensar menos. É escolher melhor onde vale gastar pensamento.