Há um paradoxo começando a aparecer nas empresas que avançaram mais rapidamente no uso de inteligência artificial.
Nunca foi tão fácil produzir.
Uma análise que levaria uma manhã pode surgir em vinte minutos. Uma primeira versão de uma apresentação pode ficar pronta antes da próxima reunião. Uma pessoa consegue sintetizar dezenas de documentos, explorar cenários, estruturar uma proposta e criar alternativas em uma fração do tempo que gastaria alguns anos atrás.
Ainda assim, muitos projetos continuam demorando semanas ou meses para atravessar uma organização.
Isso não é necessariamente evidência de que a IA esteja falhando. Pode ser justamente o contrário. Estamos tornando uma parte do sistema muito mais rápida e, como consequência, começando a enxergar com clareza onde estava o verdadeiro gargalo.
Produzir era caro. Agora está ficando barato. Alinhar continua caro.
Essa diferença entre velocidade de produção e velocidade organizacional tende a se tornar um dos temas mais importantes da adoção de IA nos próximos anos. Estamos reduzindo drasticamente o custo de produzir trabalho, mas ainda não reduzimos na mesma proporção o custo de coordenar pessoas ao redor dele.
O paradoxo já começa a aparecer nos dados
Em 2026, pesquisadores ligados a diferentes instituições econômicas entrevistaram quase 6 mil CEOs, CFOs e outros executivos seniores nos Estados Unidos, Reino Unido, Alemanha e Austrália. A adoção já era ampla: 69% das empresas relataram uso ativo de inteligência artificial. Apesar disso, aproximadamente nove em cada dez executivos disseram ainda não perceber impacto da IA sobre emprego ou produtividade em suas próprias organizações nos três anos anteriores. Os mesmos líderes, entretanto, esperavam que a tecnologia aumentasse a produtividade de suas empresas em média 1,4% nos três anos seguintes.
Esses números não significam que a IA não esteja produzindo ganhos individuais. Há evidência considerável de que determinadas tarefas se tornam mais rápidas. Eles sugerem algo diferente: transformar ganhos locais em produtividade da organização inteira é mais difícil do que simplesmente disponibilizar uma ferramenta.
Um experimento de campo com 7.137 trabalhadores do conhecimento em 66 empresas ajuda a entender por quê. Durante seis meses, parte dos participantes recebeu acesso a uma ferramenta generativa integrada aos aplicativos de e-mail, produção de documentos e reuniões que já utilizavam. Entre os usuários efetivos, o tempo gasto com e-mail caiu de forma relevante e os documentos pareciam ser concluídos mais rapidamente. O estudo, porém, não encontrou uma mudança significativa equivalente no tempo gasto em reuniões ou na composição geral das atividades. Os pesquisadores chamam atenção justamente para a diferença entre comportamentos que uma pessoa consegue alterar sozinha e aqueles que dependem de coordenação com outras pessoas.
Essa distinção é particularmente útil para quem ocupa posições de liderança. Eu posso decidir utilizar IA para preparar uma análise em duas horas em vez de dois dias. Não posso decidir sozinho que cinco áreas deixarão de participar da aprovação que vem depois. Posso automatizar minha preparação para uma reunião. Não consigo, individualmente, mudar o modelo de decisão que tornou aquela reunião necessária. Posso criar uma recomendação muito melhor e mais rapidamente, mas isso não resolve um conflito legítimo entre crescimento, risco, custo e capacidade.
Existe uma fronteira entre produtividade pessoal e produtividade organizacional. Estamos avançando muito rapidamente de um lado dela.
O trabalho pode ficar dez vezes mais rápido sem o projeto ficar dez vezes mais rápido
Considere uma iniciativa de produto que envolva uma nova experiência para clientes e dependa de tecnologia, dados, segurança e operações. Antes da popularização da IA generativa, uma equipe poderia gastar duas semanas pesquisando alternativas, consolidando dados, elaborando uma proposta e preparando uma primeira avaliação técnica. Suponha que agora o mesmo trabalho leve três dias.
O ganho é real e deveria ser comemorado. O problema é assumir que o lead time da iniciativa também caiu em proporção semelhante.
Depois dos três dias, a proposta ainda precisa disputar prioridade com outras iniciativas. Segurança identifica uma condição que precisa ser resolvida. A solução escolhida depende de uma capacidade da plataforma cuja equipe possui outro roadmap. Dados precisa alterar um processo compartilhado. Operações considera o plano difícil de sustentar no lançamento. Uma liderança precisa finalmente escolher entre adiar a oportunidade comercial ou aceitar parte da dívida criada pelo prazo.
Nada disso é necessariamente burocracia. Em uma organização grande, boa parte dessas restrições existe porque as decisões produzem consequências que ultrapassam a fronteira de uma equipe.
A consequência é que uma etapa que representava uma parcela visível do lead time foi comprimida, enquanto as demais praticamente não mudaram. A proposta pode ter ficado pronta onze dias antes, mas o projeto ainda permanece semanas atravessando dependências e decisões.
Quando produzir era lento, era fácil confundir tempo de produção com tempo de organização. A IA começa a separar as duas coisas.
Produzir mais também pode criar novas filas
Há ainda uma consequência menos intuitiva. A IA não apenas acelera o que já fazíamos; ela reduz o custo de criar alternativas, investigar hipóteses e iniciar trabalho. Uma área que conseguia preparar quatro propostas relevantes em determinado período talvez passe a preparar dez. Uma equipe de tecnologia consegue explorar mais soluções. Produto consegue testar mais hipóteses. Uma liderança consegue solicitar análises que antes não seriam economicamente viáveis.
Isso é excelente enquanto houver capacidade para absorver esse aumento de produção. Caso contrário, o ganho apenas desloca a fila.
Arquitetura passa a receber mais propostas para avaliar. Segurança recebe mais iniciativas. Jurídico tem mais contratos ou novos usos para revisar. Lideranças recebem mais opções para priorizar. Equipes de plataforma são acionadas por mais projetos. A quantidade de atenção, autoridade e capacidade disponível nesses pontos não cresce automaticamente porque a produção na origem ficou mais barata.
Esse é um comportamento familiar para quem trabalha com sistemas complexos. Aumentar a capacidade de um produtor não aumenta automaticamente a capacidade de quem recebe seu trabalho. Se o consumidor permanece limitado, a consequência é backlog.
Nas organizações, esse backlog é menos visível porque raramente aparece em uma fila formal. Ele aparece em documentos aguardando revisão, mensagens sem resposta, decisões que serão retomadas na reunião da semana seguinte, iniciativas “quase aprovadas”, dependências sem prioridade e agendas de lideranças ocupadas por assuntos que várias equipes precisam destravar.
A empresa pode estar produzindo muito mais sem conseguir transformar essa produção adicional em resultados na mesma velocidade.
O alinhamento não é um problema de falta de informação
A chegada da IA também expõe uma confusão antiga: a ideia de que alinhamento significa apenas garantir que todos possuam a mesma informação.
Durante anos, organizações responderam ao problema criando documentos melhores, dashboards melhores, atas, sistemas de gestão do conhecimento e rituais de comunicação. A IA amplia radicalmente essa capacidade. Hoje é possível resumir dezenas de documentos, reconstruir o histórico de uma decisão, comparar argumentos e entregar a qualquer participante uma síntese razoável do contexto antes mesmo de uma conversa começar.
Tudo isso ajuda. Mas não elimina a necessidade de alinhamento porque pessoas bem informadas podem continuar discordando.
Produto pode entender perfeitamente a restrição técnica e ainda acreditar que vale assumir determinada dívida para capturar uma janela de mercado. Tecnologia pode compreender o potencial comercial e continuar considerando o desenho operacionalmente perigoso. Segurança pode reconhecer o valor para o cliente e concluir que o risco não é aceitável. Finanças pode concordar com todos os argumentos e ainda dizer que o investimento não cabe no momento.
Nesse caso, não temos um problema de acesso à informação. Temos diferentes objetivos, responsabilidades e percepções de risco.
A IA pode tornar o debate muito melhor informado. Pode revelar premissas, produzir cenários, identificar contradições e reduzir a quantidade de tempo desperdiçada procurando fatos. Ainda assim, uma organização precisa possuir mecanismos para transformar posições legítimas e incompatíveis em uma decisão executável.
Esse trabalho tem menos relação com geração de conteúdo e mais com governança, autoridade e desenho organizacional.
O novo gargalo começa a aparecer depois que o artefato fica pronto
Talvez essa seja uma das consequências mais úteis da atual onda de IA. Ao comprimir tarefas que consumiam muito tempo, ela torna mais evidente tudo aquilo que continuou igual.
Se preparar a proposta levava uma semana, dez dias de espera subsequente pareciam fazer parte de um processo genericamente lento. Quando a mesma proposta surge em uma tarde e passa dez dias aguardando decisões, a origem da lentidão fica mais difícil de ignorar.
É aí que líderes deveriam começar a observar seus fluxos com mais atenção. Quanto tempo realmente é gasto produzindo e quanto é gasto esperando? Quantas decisões dependem das mesmas pessoas? Em quantas situações diferentes áreas precisam rediscutir regras que poderiam ter sido estabelecidas previamente? Quantas reuniões existem porque não está claro quem pode decidir? Quantos projetos aguardam outras equipes não porque o trabalho seja complexo, mas porque a prioridade é definida em outro lugar?
Essas perguntas não são novas. A IA apenas aumenta seu valor porque muda a proporção entre os diferentes componentes do trabalho.
Há uma ideia semelhante nos resultados do DORA sobre desenvolvimento de software assistido por IA. O relatório de 2025 descreve a tecnologia como um amplificador: ela tende a ampliar tanto as capacidades das organizações mais maduras quanto problemas presentes em sistemas de trabalho fragilizados. O ponto mais importante não é específico de engenharia. Tecnologia aplicada sobre um sistema organizacional não substitui a qualidade desse sistema.
O desafio de liderança está migrando da produção para o sistema
Durante boa parte da história recente das empresas, criar mais capacidade significava contratar mais pessoas, automatizar tarefas ou fornecer ferramentas melhores. Todas essas estratégias partiam de uma premissa razoável: produzir trabalho intelectual era caro.
Essa premissa está mudando.
Quando uma pessoa consegue pesquisar, sintetizar, modelar e produzir muito mais, uma parcela crescente da capacidade de liderança precisa ser direcionada para o sistema que decide o que merece ser produzido, como as diferentes partes se combinam e quais decisões podem ser tomadas localmente.
Isso exige revisar processos que talvez tenham sido desenhados para uma época em que gerar uma proposta era a parte cara. Exige observar direitos de decisão, fronteiras entre áreas, mecanismos de priorização, capacidade compartilhada e o número de handoffs necessários para transformar uma ideia em resultado.
Não se trata de retirar governança para ganhar velocidade. Trata-se de fazer governança proporcional ao risco e impedir que todo tipo de decisão precise atravessar o mesmo caminho.
Uma empresa que multiplica a produção individual sem revisar esse sistema pode descobrir que ganhou pessoas extremamente rápidas operando dentro de uma organização estruturalmente lenta.
Esse é o paradoxo que a IA começa a revelar. Ela está reduzindo o custo de produzir mais depressa do que estamos reduzindo o custo de coordenar essa produção.
Para líderes, portanto, a pergunta mais relevante talvez esteja mudando. Já não basta saber quanto tempo a IA economiza em determinada atividade. Precisamos descobrir se essa economia chega até o resultado final ou simplesmente termina na próxima fila da organização.
No próximo artigo da série, quero avançar justamente sobre essa segunda hipótese: como é possível que praticamente todas as equipes fiquem mais produtivas e, ainda assim, projetos complexos continuem atravessando a empresa na mesma velocidade.
Referências
Dillon, E. W.; Jaffe, S.; Immorlica, N.; Stanton, C. T. Shifting Work Patterns with Generative AI. NBER Working Paper 33795, revisão de novembro de 2025.
Yotzov, I. et al. Firm Data on AI. NBER Working Paper 34836, 2026.
