# O que uma Pesquisa Patrocinada Sugere sobre IA e Produtividade

Published: 2025-06-11
Author: Gilmar Pupo
Canonical: https://www.bpstrat.com.br/post/adeus-%C3%A0-frustra%C3%A7%C3%A3o-como-a-intelig%C3%AAncia-artificial-est%C3%A1-revolucionando-a-produtividade-no-trabalho/
Tags: IA

---

Uma pesquisa da Atlassian relaciona diferentes formas de uso de IA a estimativas de tempo economizado e a mudanças declaradas na rotina de trabalhadores do conhecimento. Esses dados podem orientar hipóteses, mas não demonstram que a ferramenta causou aumento de produtividade.

![Ilustração sobre IA colaborativa e produtividade no trabalho](/assets/f5a0d67abea260ea487fbb091e75b113_MD5.jpg)
  

Este texto parte do [*AI Collaboration Report*](https://www.atlassian.com/blog/productivity/ai-collaboration-report), uma pesquisa produzida pelo Teamwork Lab da Atlassian com aproximadamente cinco mil trabalhadores do conhecimento na Austrália, nos Estados Unidos, na Índia, na Alemanha e na França. Os resultados também foram apresentados em [conteúdo patrocinado pela Atlassian](https://hbr.org/sponsored/2025/04/ai-can-help-knowledge-workers-fix-these-five-frustrations) publicado no site da Harvard Business Review.

Como a pesquisa foi produzida por um fornecedor de ferramentas de colaboração e utiliza estimativas dos participantes, eu trataria seus números como percepções declaradas e associações entre grupos. Eles não demonstram que o uso de IA causou os resultados observados.

  

#### 1. Rascunhos iniciais

Um modelo pode gerar uma primeira versão de um relatório, uma lista de alternativas ou uma estrutura para discussão. Isso reduz o tempo até o primeiro rascunho em alguns fluxos, mas também pode introduzir afirmações sem fonte e exigir edição extensa. O teste precisa comparar tempo até uma versão utilizável, quantidade de revisão e erros encontrados.

#### 2. Tarefas repetitivas

Agendamento, classificação e coleta de dados são candidatos à automação quando as entradas e exceções podem ser delimitadas. O ganho depende da integração com os sistemas existentes e do custo das correções. A pesquisa citada não sustenta afirmar que essas automações reduzem esgotamento ou aumentam satisfação; esses efeitos precisariam de medição específica.

#### 3. Estimativas de tempo economizado

Na pesquisa da Atlassian, participantes classificados no nível mais alto de colaboração com IA estimaram economizar 105 minutos por dia. No grupo de uso mais simples, a estimativa foi de 53 minutos. Essa diferença foi declarada pelos participantes e não medida diretamente no trabalho executado.

#### 4. Incentivo da liderança e associação observada

Participantes que disseram receber incentivo da liderança para experimentar IA estimaram economia diária de 84 minutos, contra 55 minutos entre os demais. Eles também apareceram com frequência 2,5 vezes maior no grupo classificado pela Atlassian como “colaboradores estratégicos de IA”.

A pesquisa mostra uma associação, mas não permite concluir que o incentivo da liderança causou a economia. Equipes que já possuem mais autonomia, treinamento ou acesso a ferramentas também podem apresentar os dois resultados.

#### 5. Uso declarado do tempo para aprender

Os participantes classificados no nível mais alto de colaboração com IA foram 1,5 vez mais propensos a declarar que usavam o tempo economizado para aprender novas habilidades. O estudo não acompanhou o desenvolvimento dessas habilidades nem mediu seu efeito posterior no trabalho.

### Como Avaliar IA em um Fluxo de Trabalho

Eu não começaria pela escolha da ferramenta. Primeiro selecionaria uma tarefa frequente, delimitada e cujo resultado possa ser revisado.

Antes do experimento, registraria:

- tempo necessário para concluir a tarefa;
- quantidade de revisões;
- erros encontrados;
- pessoas envolvidas;
- dados que a tarefa utiliza;
- consequência de um resultado incorreto.

O primeiro teste deveria utilizar informações não confidenciais ou um conjunto preparado para o experimento. Também seria necessário definir quem revisa o resultado e quais decisões não podem ser delegadas à IA.

Durante o teste, eu observaria critérios diferentes conforme o problema:

- **Rascunhos:** tempo até a primeira versão utilizável, quantidade de edição e afirmações sem fonte.
- **Tarefas repetitivas:** taxa de execução correta, exceções e intervenções manuais.
- **Busca de informações:** cobertura das fontes, atualização e rastreabilidade das respostas.
- **Apoio a decisões:** alternativas relevantes, evidências apresentadas e sugestões rejeitadas.
- **Aprendizado:** capacidade de explicar ou aplicar o conteúdo sem depender da ferramenta.

Depois do período definido, compararia os resultados com a linha de base. Uma redução no tempo só seria útil se não viesse acompanhada de mais erros, revisão excessiva ou exposição inadequada de dados.

Eu ampliaria o uso apenas quando o ganho observado compensasse o custo da ferramenta, da integração e da supervisão. Se o experimento não produzir uma melhoria mensurável, encerrá-lo também é um resultado válido.