Imagine uma equipe que passou a usar IA para redigir propostas comerciais. Os textos ficam prontos muito mais rápido, e a equipe sente a diferença. No fim do mês, porém, os prazos de resposta aos clientes continuam apertados, e as propostas seguem passando pelas mesmas filas de aprovação.
A IA encurtou uma etapa, mas o prazo que o cliente percebe depende das outras: reunir informações, conferir custos, revisar, aprovar e passar o trabalho entre áreas. O tempo ganho na redação pode reduzir o prazo total, mas não elimina as esperas entre as etapas.
O que os estudos medem
Há estudos que mediram ganhos em tarefas bem definidas. Num experimento publicado na Science em 2023, profissionais fizeram tarefas de escrita ligadas à sua ocupação. Com o ChatGPT, o tempo médio caiu 40%, e a qualidade avaliada subiu 18%. Eram tarefas de experimento, com exigências de contexto e checagem diferentes das do trabalho real. [3]
Num estudo de campo em suporte ao cliente, um assistente de IA aumentou em 15%, em média, os problemas resolvidos por hora, com ganho maior entre os atendentes menos experientes. [4]

Do uso ao resultado
No Brasil, a Bain encontrou uso de IA em 95% de 140 empresas com faturamento acima de R$ 40 milhões. [2] Na pesquisa global da McKinsey de 2026, quase nove em cada dez respondentes relataram uso regular de IA em ao menos uma área da empresa. A parcela que relatou algum efeito da IA no lucro operacional da organização ficou em 37%, praticamente a mesma de um ano antes. [1]
Parte da distância entre usar e ganhar está no destino do tempo liberado. Ele pode servir para atender mais pedidos, revisar melhor ou reduzir uma fila, mas também pode ser gasto conferindo respostas ruins. E há custos a somar: licenças, integração, preparação, revisão e correções.
Na pesquisa da McKinsey, redesenhar o fluxo de trabalho aparece associado às empresas que relatam mais valor com IA. Essa associação indica onde olhar, mas não garante o mesmo efeito em outra empresa. [1] No exemplo das propostas, redesenhar significaria atacar as esperas: um pedido padronizado de informações, responsáveis definidos e horários de aprovação. A IA organizaria os dados e prepararia o texto, sob revisão humana. Quanto o prazo cairia, só um teste pode mostrar.

Sentir não é medir
Em 2025, a METR, organização independente de pesquisa em IA, acompanhou desenvolvedores experientes em tarefas reais dos próprios projetos. Com as ferramentas do início daquele ano, eles levaram 19% mais tempo — e achavam que tinham sido mais rápidos. [5] Em fevereiro de 2026, a METR informou que uma nova rodada apontava possível aceleração com ferramentas mais novas, mas sem estimativa confiável. [6]
Para a gestão, a percepção da equipe conta, mas precisa ser comparada com o tempo gasto, a qualidade entregue e o trabalho de revisão, medidos antes e durante o teste.
Como testar no seu processo
- Escolha um processo com começo e fim claros. Uma categoria de proposta, um relatório recorrente ou um tipo de chamado.
- Registre a situação inicial do caminho inteiro. Prazo total, esforço, retrabalho, qualidade e os pontos em que o trabalho fica parado entre uma etapa e outra. Compare casos de dificuldade semelhante e anote as exceções.
- Defina as regras do teste. Quem conduz, quais dados podem entrar na ferramenta, o que exige revisão humana e quanto esforço o teste pode consumir.
- Escolha a mudança a partir desse registro. Se o trabalho fica parado entre áreas, a mudança pode estar no fluxo, e não na ferramenta. Onde a IA entrar, redigir, resumir e estruturar informações são bons pontos de partida, porque há evidência de ganho em tarefas semelhantes; a confirmação precisa vir da sua operação.
- Marque a data da decisão. Depois de ciclos suficientes do processo, compare os resultados com a situação inicial e decida se vale ampliar, ajustar ou interromper. Registre também o que mudou além da ferramenta.
Se você quer saber quanto tempo um processo da sua empresa leva do início à entrega e onde ele fica parado, conte o contexto à Muzis Garrido.
Fontes e limites
- McKinsey — The state of AI in 2026: On the road to ROI. Pesquisa declaratória; coleta de 04/05 a 08/06/2026; 1.719 respondentes em 97 países. "Efeito no lucro operacional" corresponde a algum impacto no EBIT, o lucro antes de juros e impostos.
- Bain & Company — Uso de IA chega a 95% das empresas no Brasil. Coleta em julho de 2026; 140 empresas com faturamento anual entre R$ 40 milhões e mais de R$ 10 bilhões. Retrata esse grupo, não todas as empresas brasileiras. No mesmo levantamento, 62% das empresas relataram impacto financeiro direto, um dado declarado, que não equivale à conta completa do retorno.
- MIT — síntese do experimento de Noy e Zhang, Science (2023). Experimento com tarefas de escrita e 453 profissionais.
- Brynjolfsson, Li e Raymond — Generative AI at Work, QJE (2025). Estudo da implantação gradual em suporte ao cliente; versão final, com 5.172 atendentes.
- METR — experimento com ferramentas do início de 2025. 16 desenvolvedores experientes e 246 tarefas nos próprios repositórios. Resultado restrito às tarefas, participantes e ferramentas estudados.
- METR — atualização de 24/02/2026. Problemas de seleção dos participantes e de medição impediram uma estimativa confiável; a equipe passou a revisar o desenho da pesquisa.
Os estudos medem populações, tarefas e resultados diferentes. Seus percentuais não devem ser somados, ordenados como etapas de um funil ou tratados como promessa de desempenho.