Usar IA no dia a dia compensa quando a tarefa é repetitiva, tem critério claro de qualidade e permite conferir o resultado antes de entregar. É o que indicam os dois experimentos mais rigorosos já publicados sobre o tema: no atendimento ao cliente, assistentes de IA generativa elevaram a produtividade em 14% em média, com ganho de 34% para trabalhadores novatos; entre desenvolvedores experientes atuando em projetos que dominavam havia anos, a mesma tecnologia tornou o trabalho mais lento. A IA amplifica quem está começando e pode frear o especialista dentro do próprio território. A diferença entre economizar e desperdiçar horas está na escolha da tarefa, não no nome da ferramenta.
Este guia traduz o que a ciência diz sobre como usar IA no dia a dia: primeiro o que cada estudo mediu, depois onde a tecnologia acelera de verdade, onde ela atrapalha e como montar uma rotina testável em cinco passos. Se você já segue as regras para usar IA sem perder tempo, o que vem a seguir é a base experimental por trás delas.
O que os estudos mediram
O primeiro experimento, conduzido por Erik Brynjolfsson, Danielle Li e Lindsey Raymond, acompanhou a introdução gradual de um assistente conversacional baseado em IA generativa entre 5.179 agentes de suporte de uma empresa de software. O trabalho, publicado como working paper do NBER e depois na Quarterly Journal of Economics, mede produtividade por chamados resolvidos por hora — uma métrica difícil de maquiar. Além do ganho médio, o dado mais revelador é a distribuição: novatos e trabalhadores de menor qualificação melhoraram muito acima da média, enquanto profissionais experientes mal sentiram diferença. Para os autores, o mecanismo é a disseminação das práticas dos atendentes mais competentes para o restante da equipe.
O segundo é um ensaio randomizado controlado feito pela organização METR e publicado em julho de 2025. Foram recrutados 16 desenvolvedores com anos de contribuição em projetos open-source grandes e maduros; 246 tarefas reais — correções de bugs, funcionalidades e refatorações — foram sorteadas entre as condições com IA liberada e sem IA. Os participantes usaram principalmente o editor Cursor Pro com os modelos Claude 3.5 e 3.7 Sonnet, com telas gravadas para auditoria do tempo declarado.
| Estudo | Contexto | Resultado central | Quem ganhou |
|---|---|---|---|
| NBER / QJE | Atendimento ao cliente, 5.179 agentes | +14% de chamados resolvidos por hora | Novatos, com +34% |
| METR | 246 tarefas em projetos open-source | Tempo de conclusão 19% maior com IA | Ninguém: especialistas perderam tempo |
| Percepção dos devs | Previsões antes e depois do teste | Ganho esperado de 24%; ganho estimado depois: 20% | Percepção errada nas duas medidas |
Onde a IA acelera de verdade
Os números do atendimento ao cliente mostram um padrão que se repete em qualquer área: a IA rende mais quando existe um volume grande de tarefas parecidas e um padrão de qualidade conhecido. Responder dúvidas repetitivas, resumir documentos longos, transformar anotações soltas em rascunho estruturado, gerar a primeira versão de um e-mail difícil, padronizar formatação de relatórios — são tarefas em que o modelo reproduz o que já funcionou milhares de vezes, e o humano valida o resultado em segundos. Quanto mais parecida a tarefa nova é com milhares de exemplos anteriores, maior a chance de a IA entregar algo aproveitável de primeira.
Esses são exatamente os usos com ganho comprovado em estudo que mapeamos antes: trabalho repetitivo, verificável e com exemplos de referência. O mecanismo identificado pelos economistas do primeiro estudo explica o porquê — a IA funciona como um repositório das melhores práticas da equipe, colocando o conhecimento dos mais habilidosos à disposição de quem ainda não o acumulou. Quem já tem esse repertório internoizado ganha pouco; quem não tem, salta etapas da curva de aprendizado.
Onde a IA atrapalha
O lado desconfortável veio do ensaio da METR: no estudo randomizado com desenvolvedores experientes, os participantes levaram 19% mais tempo para concluir tarefas reais de software quando podiam usar IA, comparados ao próprio desempenho sem a ferramenta. Eram profissionais trabalhando em projetos que conheciam a fundo, com padrões rigorosos de qualidade, documentação e teste — terreno em que o modelo erra com confiança e o especialista gasta tempo revisando o que gerou.
O mais importante do resultado não é o número, e sim a distância entre percepção e realidade: antes de começar, os desenvolvedores previam ficar 24% mais rápidos; depois de terminar, ainda estimaram ter ficado 20% mais rápidos depois de usar IA. O cronômetro mostrava o contrário. Percepção de produtividade não é medição de produtividade — e essa lição vale para qualquer pessoa avaliando uma ferramenta nova no trabalho cotidiano.
Como escolher as tarefas certas
Antes de entregar qualquer atividade a um assistente de IA, passe-a por este filtro de cinco perguntas, pensado para separar o trabalho em que o modelo ajuda do trabalho em que ele só cria retrabalho. Tarefa que falha em duas ou mais delas tende a consumir mais tempo do que economiza:
- Você consegue verificar a saída em poucos minutos, sem precisar refazer tudo?
- A tarefa se repete com um padrão estável de formato e qualidade?
- Existem exemplos de bom resultado para o modelo imitar?
- O custo de um erro que passe despercebido é baixo ou reversível?
- Você é menos experiente nessa tarefa específica do que a média da área?
Rotina prática em cinco passos
- Liste as cinco atividades que mais consomem sua semana de trabalho, com estimativa honesta de horas gastas em cada uma.
- Classifique cada uma no filtro acima e marque apenas as que passarem em pelo menos quatro perguntas.
- Passe as aprovadas para o assistente com contexto completo: exemplos de bom resultado, formato desejado e critério de qualidade.
- Meça por uma semana o tempo real gasto e a taxa de retrabalho, anotando cada sessão logo após o uso.
- Descarte o que não sobreviver à medição e realoque o tempo economizado na tarefa seguinte da lista.
Meça antes de adotar por definitivo. A evidência disponível diz que o ganho existe, mas não é automático nem universal: ele aparece em tarefas repetitivas e verificáveis, desaparece em trabalho especializado de alta exigência e costuma ser superestimado por quem o avalia de memória. Uma semana de registro simples separa o que a IA acelera no seu dia do que só parece acelerar.
Fontes
- Brynjolfsson, Li e Raymond — Generative AI at Work (NBER Working Paper 31161; versão publicada na Quarterly Journal of Economics).
- METR — Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (julho de 2025).
- Becker, Rush, Barnes e Rein — Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (arXiv:2507.09089).