Questões de estudo: Ganhos de produtividade da IA ​​no trabalho

Um novo alerta surge à medida que as empresas se apressam em implementar inteligência artificial no trabalho . Um estudo recente sugere que a tecnologia nem sempre aumenta a produtividade, mesmo com o aumento do seu uso em escritórios e fábricas.

A pesquisa corrobora as conclusões contraditórias sobre se as ferramentas de IA realmente ajudam os trabalhadores a fazer mais em menos tempo. As empresas agiram rapidamente em 2023 e 2024 para implementar chatbots, assistentes de programação e assistentes de documentos. Os resultados mais recentes sugerem que os gestores devem definir metas claras, mensurar os resultados e se preparar para resultados desiguais por função e tarefa.

Adoção supera resultados comprovados

As empresas integraram IA em e-mails, relatórios, suporte ao cliente e desenvolvimento de software. Muitos líderes esperam resultados mais rápidos e custos mais baixos. Mas as primeiras experiências mostram uma grande lacuna entre os projetos-piloto e o trabalho diário.

Alguns funcionários relatam economia de tempo em tarefas como rascunho, brainstorming e resumo. Outros, por sua vez, gastam tempo extra verificando erros ou problemas de estilo na saída da IA. Isso reduz o benefício líquido.

Os gestores também têm dificuldade em contabilizar os ganhos. Os fluxos de trabalho podem não mudar. As métricas de qualidade podem não ser claras. Pequenas melhorias em uma etapa podem se perder nas transições e revisões.

Evidências mistas de pesquisas iniciais

Estudos acadêmicos e da indústria mostram resultados diferentes dependendo da tarefa e do nível de habilidade. Testes controlados em suporte ao cliente relataram tempos de resolução mais rápidos para alguns agentes, especialmente aqueles com menos experiência. Experimentos de escrita constataram tempos de conclusão mais curtos e maior qualidade média em tarefas simples.

Outros estudos, porém, mostram o contrário. O desempenho pode cair quando as tarefas exigem julgamento especializado, cálculos precisos ou conhecimento de fatos atuais. Em consultoria e análise, a IA pode levar os usuários a darem respostas confiantes, mas incorretas. Esse risco aumenta quando os profissionais se baseiam em uma única versão sem verificação.

Essas descobertas apontam para um padrão. A IA geralmente auxilia em tarefas rotineiras de elaboração e geração de ideias. Ela é menos confiável em raciocínios complexos, problemas inéditos e tarefas que exigem dados recentes.

Por que os ganhos de produtividade estagnam

Existem vários motivos pelos quais os ganhos prometidos nem sempre se concretizam:

• Controle de qualidade: O tempo gasto verificando a produção pode anular os ganhos de velocidade.
• Adequação à tarefa: As ferramentas funcionam bem em textos simples, mas menos bem em análises complexas.
• Lacunas de treinamento: Os funcionários podem não conhecer os comandos, as configurações ou os limites.
• Limitações de dados: Os modelos não possuem dados atuais ou privados sem conectores seguros.
• Atrito no processo: fluxos de trabalho antigos retardam a adoção e diluem o valor.

Segurança e conformidade adicionam mais etapas. Muitas empresas regulamentam o uso de IA por meio de políticas e auditorias. Isso pode proteger dados sensíveis, mas também acarreta atrasos.

Vozes do chão

As reações dos funcionários refletem a pesquisa. Alguns afirmam que a IA ajuda a superar o bloqueio criativo e a redigir e-mails em minutos. Outros mencionam edições adicionais para corrigir tom, citações e figuras. Os líderes de equipe relatam que os funcionários juniores se beneficiam mais das ferramentas do que os especialistas experientes. Os revisores seniores, por sua vez, dedicam tempo a corrigir erros sutis.

O resultado é um impacto desigual entre as equipes . Os ganhos aparecem onde as tarefas são bem estruturadas. As perdas ocorrem onde o trabalho depende de conhecimento especializado ou de fatos que mudam rapidamente.

O que os empregadores estão fazendo agora

Com resultados incertos, muitas empresas estão ajustando sua abordagem. Medidas comuns incluem:

• Identificar casos de uso com regras claras e critérios de avaliação definidos.
• Combinar IA com listas de verificação para detectar erros comuns.
• Capacitar os funcionários em hábitos de projeto e verificação ágeis.
• Integrar ferramentas ao software existente para reduzir o tempo de transição.
• Monitorar a produtividade, a qualidade e as taxas de erro por tarefa, e não apenas por ferramenta.

Algumas empresas realizam testes A/B antes de expandir. Outras designam "campeões de IA" para orientar as equipes e compartilhar padrões de sucesso. O objetivo é obter resultados consistentes, não vitórias isoladas.

O que assistir a seguir

Três tendências moldarão a próxima fase. Primeiro, uma integração mais estreita entre a IA e os dados da empresa poderá aumentar a precisão das tarefas internas. Segundo, ferramentas de auditoria poderão detectar erros factuais e de políticas mais cedo no fluxo de trabalho. Terceiro, uma definição de funções mais clara poderá separar o trabalho que a IA pode elaborar do trabalho que exige decisões humanas.

Órgãos reguladores e grupos do setor também estão publicando orientações sobre divulgação e controles de risco. Isso pode estabelecer padrões comuns para medição e relatórios.

A conclusão é cautelosa, mas clara. A IA pode ajudar em tarefas específicas e bem definidas. Ela pode ser prejudicial quando usada sem verificações em trabalhos complexos. Líderes que adequam as ferramentas às funções, mensuram os resultados e investem em capacitação têm maior probabilidade de obter ganhos reais.

Como sugere o estudo, a promessa de maior produtividade não é automática. O próximo ano revelará quais métodos transformarão os testes iniciais em resultados consistentes — e quais usos deverão ser reduzidos ou reformulados.