Para saber como usar IA no dia a dia sem ceder ao hype, o melhor atalho é olhar para experimentos de campo com pessoas reais, e não para demonstrações de fornecedor. Três estudos — um do NBER com atendentes de suporte, um de Harvard com consultores e um publicado na Science com profissionais de redação — mediram o efeito da IA generativa no trabalho e chegaram a padrões compatíveis. No atendimento, o levantamento do NBER acompanhou 5.179 agentes de suporte ao cliente e registrou aumento médio de 14% na produtividade, medida em casos resolvidos por hora, com ganho de 34% para trabalhadores novatos e pouco qualificados. A resposta curta: a IA compensa quando a tarefa tem padrão, histórico e verificação; o risco mora nas tarefas que parecem fáceis, mas exigem julgamento.

Este artigo destrincha o que cada experimento mediu, onde a ferramenta entregou ganho, onde ela derrubou o desempenho e como converter isso em rotina. Se você já adota hábitos orientados por dados, os 5 hábitos que os dados aprovam mostram como manter o ritmo depois do primeiro mês de novidade.

O que os experimentos mediram

Os três estudos têm desenho semelhante: um grupo recebe acesso à ferramenta de IA, outro segue trabalhando sem ela e os pesquisadores comparam o desempenho em tarefas reais, com linha de base estabelecida antes da intervenção. Essa estrutura importa porque elimina o viés do autorelato — ninguém apenas achou que ficou mais rápido; a diferença foi medida com método.

No experimento conduzido por pesquisadores de Harvard em parceria com a Boston Consulting Group, a equipe recrutou 758 profissionais do conhecimento e os distribuiu em três condições: sem acesso à IA, com acesso ao GPT-4 e com GPT-4 acompanhado de um treinamento de engenharia de prompts. As tarefas imitavam demandas reais de consultoria, com prazo e entregável definidos. O detalhe metodológico que muda a interpretação: nem todas as tarefas estavam dentro da capacidade real do modelo, e os participantes não sabiam quais.

A leitura conjunta da tabela evita o erro comum de citar só a linha que interessa: existe ganho real, existe concentração do ganho em quem tem menos experiência e existe queda de desempenho em um cenário específico — e os três resultados vêm do mesmo tipo de método experimental.

Onde a IA entrega ganho

O padrão mais robusto dos três experimentos é a concentração do benefício: o ganho maior aparece em quem está começando. No suporte ao cliente, os novatos capturaram quase todo o aumento, porque o modelo difunde as práticas dos colegas mais experientes e encurta a curva de aprendizado. Trabalhadores experientes tiveram impacto mínimo — a ferramenta soma pouco onde a expertise já existe.

Na escrita, o resultado aponta na mesma direção. Pesquisadores da Science avaliaram o assistente ChatGPT em tarefas de escrita profissional de nível médio e constataram melhora em eficiência, produtividade e satisfação dos participantes. Redatores com desempenho inicial mais baixo foram os que mais se aproximaram da média do grupo com apoio do modelo, repetindo o efeito de equalização visto no atendimento.

Para a rotina, isso se traduz em três alvos de alto retorno: rascunhos de documentos recorrentes, resumos de material longo e primeira passada sobre e-mails e mensagens. São tarefas com estrutura previsível, produto verificável e custo de erro baixo — exatamente o perfil em que a evidência mostra efeito consistente.

Onde a IA atrapalha

A descoberta mais desconfortável veio do experimento com consultores. Segundo os autores, a fronteira tecnológica é irregular: a assistência de IA melhora o desempenho em algumas tarefas e piora em outras, mesmo dentro do mesmo fluxo de trabalho, quando a dificuldade aparente é similar. Fora da fronteira do modelo, consultores com acesso à IA erraram mais do que colegas sem IA — e ficaram convencidos de que estavam certos.

O mecanismo é a falsa confiança: quando a resposta chega fluente e bem formatada, o custo psicológico de contestá-la sobe. O levantamento do NBER reforça o limite pelo outro lado — a produtividade medida vale para os problemas que o assistente resolve bem, não para qualquer problema. A conclusão operacional é simples: use a IA como redatora do primeiro rascunho e como sparring de ideias, nunca como fonte final de verdade em decisão.

Como aplicar o aprendizado

Transformar os três experimentos em hábito pede disciplina mínima. O roteiro abaixo ordena a adoção do maior para o menor retorno esperado; quem prefere um caminho estruturado encontra no guia prático para não perder tempo a versão passo a passo da adoção.

1. Escolha tarefas verificáveis: resumo, rascunho, revisão simples de texto e pesquisa inicial com fontes que você abre.
2. Isole as decisões: para escolhas com consequência, use a IA para listar argumentos contrários, não para decidir.
3. Exija fonte: toda alegação numérica que entrar no seu documento precisa de um link que você conferiu.
4. Meça antes de mudar: registre o tempo gasto por tarefa durante duas semanas antes de adotar a ferramenta.
5. Revise números linha por linha: é onde o modelo erra com mais fluidez e onde o prejuízo aparece depois.

A regra de bolso que sobrevive aos três estudos: quanto mais parecida a tarefa é do padrão dominante, maior o ganho; quanto mais julgamento novo ela exige, maior a supervisão necessária.

Fontes

• NBER — Generative AI at Work (Brynjolfsson, Li e Raymond)
• Harvard Business School — Navigating the Jagged Technological Frontier (Dell’Acqua e outros)
• Science — Experimental evidence on the productivity effects of generative artificial intelligence (Noy e Zhang)