Resposta direta: não automaticamente. Um estudo comissionado pela OpenAI, conduzido pelo centro de pesquisa Reglab e divulgado em agosto de 2026, estima que a inteligência artificial pode adicionar R$ 986,7 bilhões ao PIB brasileiro entre 2027 e 2030 — o equivalente a 7,6% do PIB projetado para 2026. Cerca de metade desse ganho viria da produtividade de trabalhadores usando IA no dia a dia; a outra metade, de eficiência de máquinas e processos produtivos. O número não é o problema. O problema é tratar produtividade com IA como consequência inevitável de adotar a tecnologia, quando ela é justamente a parte mais difícil de capturar.
Depois de mais de 30 anos em tecnologia, trabalhando com IA conversacional desde 2011, nunca vi produtividade aparecer sozinha depois que uma ferramenta é ligada. Ela aparece quando alguém redesenha o processo em volta da ferramenta, mede o antes e o depois, e sustenta a mudança até ela virar rotina. Todo estudo de impacto macroeconômico assume que essa etapa acontece de graça. Na empresa real, ela é a exceção, não a regra.
Principais aprendizados
- O estudo do Reglab projeta R$ 986,7 bilhões de impacto da IA no PIB até 2030, com cerca de metade vindo de produtividade do trabalho — um ganho que depende de mudança de processo, não da simples adoção da ferramenta.
- Produtividade com IA não é resultado automático de contratar um modelo: é resultado de redesenhar a tarefa, medir a linha de base e sustentar a mudança até o fim.
- A maior perda de valor acontece entre o piloto que deu certo e a operação que nunca muda — o modelo funciona, mas o processo à volta dele continua igual.
- Sem medir o tempo ou o custo de um processo antes da IA, não há como provar ganho depois — e o que não se prova não vira orçamento aprovado.
- Estudos macroeconômicos descrevem o teto do que é possível; quanto a sua empresa captura desse teto depende de disciplina de execução, não de acesso à tecnologia.
De onde o estudo diz que vem a produtividade com IA?
Vale entender a mecânica do número antes de reagir a ele. O estudo separa o impacto em duas fontes de tamanho parecido. A primeira é produtividade do trabalho: profissionais que usam IA para escrever, resumir, programar, analisar e atender mais rápido do que fariam sozinhos. A segunda é eficiência de processos e máquinas: automação de tarefas repetitivas, previsão de demanda, controle de qualidade, manutenção antecipada de equipamento.
As duas fontes têm uma coisa em comum. Nenhuma delas se realiza no momento em que a empresa assina o contrato com o fornecedor. A primeira depende de o profissional mudar a forma como trabalha e de a organização deixar esse tempo livre ser reinvestido em algo de valor — não apenas reabsorvido pela rotina. A segunda depende de o processo estar descrito com clareza suficiente para uma máquina executar sem quebrar, e de haver alguém responsável por medir se quebrou.
Essa distância entre potencial e realização não é nova. A economia da tecnologia chama isso de paradoxo da produtividade: por décadas, o investimento em computadores apareceu em todo lugar, menos nas estatísticas de produtividade. O ganho só veio quando as empresas pararam de informatizar o processo antigo e passaram a redesenhá-lo. Com IA, o intervalo entre adotar e colher tende a ser mais curto, mas o mecanismo é o mesmo: a tecnologia é condição, não causa.
O estudo é honesto sobre ser uma projeção de potencial. Ele responde à pergunta “quanto a IA pode adicionar se for bem aplicada”. Ele não responde “quanto a sua empresa vai adicionar” — essa resposta é escrita internamente, um processo de cada vez. A leitura institucional do mesmo estudo, do ponto de vista de orçamento de uma empresa média, está no blog da HAIA: o número muda o discurso do mercado, não muda a fila de prioridades de quem precisa decidir o que automatizar primeiro.
Por que o ganho de produtividade não aparece no resultado
O lugar onde o valor evapora quase nunca é o modelo. É o espaço entre um piloto que deu certo e uma operação que continua funcionando como antes.
Vi isso de perto num diagnóstico onde dois projetos de IA preditiva já tinham retorno validado — payback calculado, número fechado — e mesmo assim nenhum dos dois tinha saído do lugar. O modelo entregava a previsão. Só que ninguém tinha mudado o processo que deveria agir a partir dela: as mesmas reuniões, os mesmos donos, o mesmo fluxo de aprovação. A IA produzia uma informação melhor que caía no vazio.
No começo da minha carreira, numa grande indústria, trabalhei num processo de conciliação fiscal que consumia horas de um time toda semana. Automatizar a parte repetitiva era tecnicamente simples. O que fez o ganho ser real — e mensurável — foi ter registrado, antes, quanto tempo exatamente o processo levava, quem fazia cada etapa e onde estavam os erros que geravam retrabalho. Sem essa linha de base, o ganho teria acontecido e ninguém conseguiria prová-lo. E ganho que não se prova é ganho que não sobrevive ao primeiro corte de orçamento.
Há ainda um segundo modo de o ganho sumir, mais silencioso. Quando a IA libera duas horas por semana de um time, essas duas horas raramente aparecem como resultado — são reabsorvidas por outras tarefas, por reuniões, ou pela expectativa implícita de que agora dá para fazer mais do mesmo. Produtividade só vira valor quando a empresa decide, de forma explícita, o que fazer com o tempo que a IA devolve. Essa é uma decisão de gestão, não de tecnologia.
É a mesma conta que quase ninguém faz antes de começar: definir como o resultado vai ser medido, antes de ligar qualquer coisa.
Como transformar produtividade com IA em linha de resultado
O caminho não é sofisticado, é disciplinado. Quatro passos, na ordem.
Escolha um processo, não uma ferramenta. Comece pela tarefa que consome tempo previsível e tem volume — conciliação, triagem de chamados, resposta a dúvidas recorrentes, extração de dados de documentos. A ferramenta é decisão posterior.
Meça a linha de base antes. Quanto tempo o processo leva hoje, quantas pessoas toca, qual a taxa de erro e de retrabalho. Se isso não estiver registrado, registre por duas ou três semanas antes de mexer em qualquer coisa.
Redesenhe o processo, não só insira a IA no meio dele. Defina o que a máquina faz, o que a pessoa revisa, e o que acontece com o tempo que sobra. Ganho que volta a ser absorvido pela rotina não aparece no resultado.
Nomeie um dono e uma data de revisão. Alguém responsável por comparar o depois com o antes num prazo definido — 60 ou 90 dias. Sem isso, o projeto não é encerrado nem escalado: ele só fica.
Nenhum desses passos exige um modelo melhor. Todos exigem alguém disposto a olhar o processo antes de olhar a tecnologia.
Perguntas frequentes
O que é o estudo que estima R$ 986,7 bilhões de impacto da IA no PIB?
Resposta direta: é uma projeção do centro de pesquisa Reglab, comissionada pela OpenAI e divulgada em agosto de 2026, que estima o potencial de contribuição da inteligência artificial para o PIB brasileiro entre 2027 e 2030. O valor equivale a 7,6% do PIB projetado para 2026, e cerca de metade viria de produtividade do trabalho. Por ser encomendado pela própria OpenAI, vale ler como cenário de potencial, não como previsão neutra.
Produtividade com IA acontece automaticamente depois de adotar a ferramenta?
Resposta direta: não. A ferramenta cria a possibilidade de ganho; o ganho só se realiza quando o processo em volta dela é redesenhado, o tempo economizado é reinvestido em algo de valor e a mudança é sustentada até virar rotina. Sem essas três coisas, a IA gera capacidade ociosa, não produtividade.
Como medir o ganho de produtividade de um projeto de IA?
Resposta direta: registrando a linha de base antes de começar — tempo do processo, número de pessoas envolvidas, taxa de erro e retrabalho — e comparando com os mesmos indicadores 60 a 90 dias depois. O erro mais comum é ligar a IA primeiro e tentar reconstruir o “antes” de memória, o que torna qualquer ganho impossível de defender no orçamento.
Por que projetos de IA com ROI comprovado no piloto não escalam?
Resposta direta: porque o piloto prova que o modelo funciona, não que a organização mudou. Se as reuniões, os donos e os fluxos de decisão continuam iguais, a informação melhor que a IA produz não encontra onde ser usada. Escalar exige mudar o processo, não repetir o piloto em mais áreas.
Gillian Pellegrino é fundadora da HAIA (Human Intelligence Amplified by AI) e consultora executiva em inteligência artificial. São mais de 30 anos de carreira em tecnologia, com IA conversacional desde 2011, traduzindo IA em resultado mensurável para líderes empresariais brasileiros.
