Um estudo diz que profissionais ficaram mais lentos com IA. Meses depois, seus autores explicam que a tecnologia e a forma de usá-la mudaram, e que medir o efeito ficou mais difícil. Para quem precisa entregar trabalho, essa sequência pode parecer frustrante: afinal, a ferramenta ajuda ou atrapalha? A resposta útil começa por reconhecer que uma média depende de quem participou, das tarefas escolhidas e do que foi contado como resultado.
O caso do METR é uma boa oportunidade para abandonar uma disputa pouco prática entre entusiasmo e rejeição. Você não precisa escolher um lado para organizar seu serviço. Precisa entender onde há evidência, onde permanece incerteza e como observar o efeito da IA no seu próprio processo sem transformar um teste pequeno em uma conclusão universal.
O resultado de 2025 e a atualização de 2026
Em sua atualização publicada em 24 de fevereiro de 2026, o METR recorda que o estudo inicial encontrou tarefas 19% mais demoradas com acesso a IA. Na rodada posterior, apareceram indícios de aceleração, mas seleção de participantes, escolha de tarefas e dificuldades de medir trabalho simultâneo enfraqueceram a interpretação. Os pesquisadores decidiram rever o desenho do experimento.
Isso não permite substituir uma manchete absoluta por outra. O resultado inicial continua sendo evidência sobre aquele contexto. A atualização impede tratá-lo como retrato permanente de todas as ferramentas e profissionais. Também não oferece licença para anunciar um ganho garantido. Quando os próprios autores apresentam limitações, a decisão sensata é conservar essas limitações junto do número, em vez de removê-las para tornar a conclusão mais simples.
Na prática, uma pessoa pode usar IA em atividades diferentes das que fazia antes. Pode produzir uma demonstração que não tentaria manualmente, executar mais testes ou acompanhar várias tarefas ao mesmo tempo. Comparar apenas a duração de uma atividade antiga não captura necessariamente esse novo conjunto. Ao mesmo tempo, ampliar a quantidade de entregas não demonstra que todas têm valor ou qualidade suficiente.
A pergunta precisa ficar específica: queremos entregar a mesma coisa em menos tempo, melhorar a mesma entrega ou fazer algo novo? Esses objetivos podem ser legítimos, mas exigem medidas distintas. Se forem misturados, qualquer resultado poderá parecer sucesso. Um processo mais demorado pode ser justificável por qualidade maior; um processo mais rápido pode ser ruim se apenas adiar problemas para depois.
Escolha a unidade que representa trabalho concluído
Para um profissional independente, contar mensagens enviadas ao assistente ou páginas geradas costuma dizer pouco. A unidade útil depende do serviço. Pode ser uma solicitação corretamente organizada, uma peça aprovada, uma análise conferida ou uma alteração que funciona no contexto combinado. O ponto de chegada deve incluir as verificações necessárias para que outra pessoa possa usar o resultado.
Considere um exemplo hipotético de preparação de propostas. Sem IA, a profissional leva mais tempo para redigir, mas conhece a origem de cada informação. Com IA, o rascunho chega rápido e inclui detalhes que precisam ser conferidos. A comparação só é justa se contar elaboração, revisão, correções e esclarecimentos posteriores. Encerrar o cronômetro quando aparece o primeiro texto favorece artificialmente o fluxo automatizado.
Também é importante decidir quais mudanças de qualidade importam. Um documento com menos ambiguidades pode reduzir perguntas do cliente. Uma versão mais extensa pode aumentar o tempo de leitura sem melhorar a decisão. Antes de medir, descreva o resultado mínimo aceitável e quais melhorias seriam relevantes. Assim, você consegue distinguir ganho operacional de simples crescimento do material produzido.
Não é necessário criar um sistema sofisticado. Uma ficha por entrega pode registrar tipo de tarefa, dificuldade percebida antes de começar, etapas realizadas, revisão e problemas posteriores. Use descrições curtas e critérios consistentes. O registro deve ajudar a enxergar o processo; se consumir mais esforço do que a dúvida justifica, reduza seu tamanho.
Conte o tempo que fica fora da demonstração
Uma demonstração geralmente mostra o momento em que a ferramenta funciona. A rotina também inclui preparação de dados, recuperação de contexto, escolha de arquivos, espera, conferência e ajustes. Algumas dessas etapas acontecem apenas na implantação; outras se repetem em cada entrega. Separá-las evita atribuir a um único trabalho todo o investimento inicial ou esconder uma despesa que continuará existindo.
Outro cuidado é distinguir tempo decorrido de tempo de atenção. Uma tarefa pode ficar rodando enquanto você faz outra atividade. Nesse caso, todo o intervalo não corresponde a trabalho humano dedicado. Mas a espera pode bloquear uma decisão ou exigir conferências frequentes. Anote o tempo efetivamente envolvido e, separadamente, se a ferramenta impediu o andamento de outras partes do serviço.
| Parte do processo | O que registrar | Pergunta de comparação |
|---|---|---|
| Preparação | Arquivos, contexto e configuração | É custo inicial ou recorrente? |
| Produção | Tempo de atenção e espera | A outra atividade ficou bloqueada? |
| Revisão | Conferências e correções | O resultado chegou utilizável? |
| Depois da entrega | Dúvidas e retrabalho | O ganho foi transferido para alguém? |
| Qualidade | Critérios definidos antes | A entrega preservou o combinado? |
A conta também pode incluir custo de ferramenta, mas não deve reduzir tudo a dinheiro imediatamente. Primeiro entenda a dinâmica. Se a revisão exige uma habilidade que você ainda não domina, o problema não é apenas o valor da assinatura. Talvez a tarefa precise de apoio especializado ou de um escopo menor antes de ser oferecida comercialmente.
Um diário honesto inclui tentativas abandonadas. Se você testa cinco caminhos e só registra o que funcionou, perde parte do custo de descobrir a solução. Por outro lado, não trate toda exploração como desperdício: aprender um procedimento reutilizável pode ser útil. Identifique esse investimento separadamente, sem prometer que ele será recuperado em qualquer volume de trabalho.
Compare tarefas parecidas e procure explicações alternativas
O primeiro projeto costuma exigir mais aprendizado que os seguintes, com ou sem IA. Se a comparação coloca um trabalho desconhecido no fluxo manual e uma repetição no fluxo assistido, a vantagem pode vir da familiaridade. Também pode acontecer o contrário: a pessoa demora mais porque está aprendendo a interface. Essas diferenças não invalidam a observação, mas precisam aparecer na interpretação.
Uma forma simples de reduzir confusão é comparar tarefas de natureza e dificuldade semelhantes, alternando os fluxos quando isso for seguro e viável. Não use dados sensíveis só para deixar o teste mais realista. Trabalhos demonstrativos e materiais autorizados podem ser suficientes para identificar gargalos. O objetivo inicial é decidir sobre sua operação, não publicar uma descoberta científica.
Registre o contexto antes de saber o resultado. Uma tarefa pode ser classificada como familiar, nova ou dependente de informação externa. Depois observe em qual grupo a IA ajudou. Talvez ela seja útil para variações de uma estrutura conhecida e pouco útil quando faltam requisitos. Essa conclusão parcial costuma ser mais acionável que afirmar que a ferramenta é boa ou ruim para tudo.
Evite mudar várias partes do processo ao mesmo tempo. Se você troca modelo, instruções, materiais de referência e critérios de qualidade, não consegue explicar de onde veio a diferença. Quando uma mudança conjunta for inevitável, registre que avaliou um novo fluxo completo. Não atribua automaticamente todo o efeito a uma única função anunciada pelo fornecedor.
Considere qualidade, aprendizado e capacidade futura
Produtividade não se resume a produzir hoje. Um fluxo pode economizar tempo e deixar você sem compreensão suficiente para corrigir o trabalho amanhã. Outro pode ensinar uma técnica que tornará as próximas entregas mais seguras. Por isso, vale observar se o uso da ferramenta fortalece ou enfraquece sua capacidade de explicar o resultado, reconhecer exceções e resolver falhas.
Há evidência de benefícios em contextos específicos. O estudo Generative AI at Work, publicado no QJE em 2025, encontrou melhora de produtividade em atendimento ao cliente. Ele analisou uma operação e uma aplicação determinadas. Esse tipo de resultado ajuda a formular hipóteses, mas não substitui a avaliação da tarefa e do público que você atende.
Você pode descobrir que a melhor configuração é intermediária: assistência para organizar alternativas, produção humana nas partes decisivas e verificação com instrumentos independentes. Também pode perceber que uma rotina simples, sem modelo generativo, resolve o problema com mais previsibilidade. Escolher uma solução menor não representa atraso; representa ajuste entre necessidade, esforço e consequência do erro.
Se o ganho aparece apenas porque outra pessoa revisa tudo, inclua essa participação na avaliação. O sistema de trabalho compreende quem produz e quem recebe. Uma economia individual que aumenta muito o esforço do parceiro ou cliente pode comprometer a colaboração, mesmo quando o seu cronômetro apresenta um resultado favorável.
Transforme a observação em uma decisão limitada
Ao final de algumas entregas comparáveis, escreva uma conclusão pequena: em qual tarefa o fluxo ajudou, sob quais condições, com qual revisão e quais dúvidas ainda existem. Não é preciso calcular um percentual se a amostra não sustenta precisão. Uma constatação como “funcionou melhor em materiais completos e conhecidos” já pode orientar o uso da próxima semana.
Defina também o que justificaria uma nova avaliação: mudança de modelo, aumento de complexidade, erros recorrentes ou alteração do tipo de cliente. Assim, sua escolha permanece revisável sem exigir que você teste tudo a cada lançamento. A finalidade da medição é sustentar uma rotina mais confiável, não criar uma obrigação permanente de acompanhar cada novidade.
O principal aprendizado do caso METR é manter as conclusões do tamanho da evidência. Você pode aproveitar a IA enquanto reconhece incertezas, medir o trabalho completo e mudar de opinião quando o contexto muda. Esse cuidado oferece uma base mais sólida para organizar prazos e capacidade do que qualquer manchete sobre velocidade.
