Imagine dois gestores no mesmo setor, com a mesma ferramenta de inteligência artificial disponível para os dois. Um deles termina o dia com três decisões tomadas e documentadas. O outro termina com doze coisas produzidas que precisam ser revisadas. Um mês depois, os resultados deles começam a divergir — não porque um é mais inteligente que o outro, mas porque estão usando a mesma coisa de jeitos completamente diferentes.
Essa cena não é hipotética. É o que cinco pesquisas sérias, feitas de forma independente nos últimos dois anos, estão documentando ao mesmo tempo. E o retrato que elas formam juntas é mais claro — e mais incômodo — do que qualquer pesquisa isolada consegue mostrar.
A fronteira irregular que ninguém te conta
Em 2023, pesquisadores da Harvard Business School testaram 758 consultores reais da BCG em 18 tarefas de consultoria. Metade com acesso à inteligência artificial, metade sem. O resultado virou referência por um motivo que a maioria das manchetes ignorou.
Nas tarefas dentro do domínio da ferramenta, quem usou inteligência artificial produziu 40% mais qualidade e foi 25% mais rápido. Os consultores mais fracos melhoraram 43%. Os mais experientes, 17%. A ferramenta levantou o piso de todos.
Mas havia um outro lado do experimento.
Os pesquisadores também incluíram tarefas fora do alcance da inteligência artificial — problemas que exigiam raciocínio contextual denso, julgamento situacional, leitura de nuances que a máquina ainda não domina. Nessas tarefas, quem usou a ferramenta acertou 19 pontos percentuais a menos do que quem não usou nada. (Navigating the Jagged Technological Frontier, HBS/BCG)
Os pesquisadores chamaram isso de "fronteira irregular" — a ideia de que a inteligência artificial não é boa em tudo nem ruim em tudo. Ela domina certos territórios com clareza e falha em outros com a mesma convicção. O problema é que essa fronteira não tem placa. Você não sabe onde está a linha. E quando você confia cegamente na ferramenta em território que ela não domina, você sai pior do que se não tivesse usado nada.
O atrito não é a ferramenta. É não saber onde a ferramenta acaba.
O que Stanford descobriu sobre quem mais ganha
No mesmo período, pesquisadores de Stanford e MIT acompanharam 5.179 atendentes de suporte de uma empresa de software que introduziu uma ferramenta de inteligência artificial conversacional. Os resultados confirmaram metade do que Harvard mostrou — e revelaram algo que a maioria das análises passa em branco.
Atendentes novatos com acesso à ferramenta aumentaram produtividade em 34%. Conseguiram resolver chamados mais rápido, com menos erros, com melhor avaliação dos clientes. A ferramenta funcionou como uma memória coletiva dos melhores atendentes — capturou o que os mais experientes sabiam fazer e tornou isso acessível para quem estava começando.
Os veteranos? Quase nenhuma mudança.
Isso revela algo que o discurso do "vai substituir todo mundo" não consegue capturar: a inteligência artificial, neste momento, levanta quem está abaixo da média e tem pouco efeito sobre quem já está acima. Ela comprime a distância entre os extremos. (Generative AI at Work, Stanford/MIT, NBER)
O trade-off honesto disso: se você é bom no que faz, a ferramenta provavelmente não vai te tornar dramaticamente melhor na execução daquilo que você já domina. Mas ela vai tornar seus concorrentes menos experientes muito mais competitivos. O piso sobe. A vantagem de quem é experiente fica menor — a menos que esse experiente comece a usar a ferramenta em outro nível: não para executar, mas para decidir.
O risco que a confiança traz
A pesquisa mais incômoda do conjunto vem da Microsoft, em parceria com a Universidade Carnegie Mellon. Em 2025, eles analisaram 319 profissionais em situações reais de uso, documentando mais de 900 interações com ferramentas de inteligência artificial.
O achado central: quanto mais as pessoas confiavam na ferramenta, menos ativavam o próprio pensamento crítico. E quanto mais confiavam em si mesmas, mais conferiam o que a máquina entregava — mesmo que isso custasse mais esforço cognitivo.
O mecanismo é previsível quando você pensa a fundo. Quando você recebe uma resposta que parece boa, o impulso natural é seguir em frente. Conferir tem custo. Questionar tem custo. E nas tarefas que a pessoa considera simples ou de baixo risco, a conferência é a primeira coisa que some. Exatamente onde a ferramenta mais erra com confiança. (The Impact of Generative AI on Critical Thinking, Microsoft Research/CMU, CHI 2025)
Não é que a inteligência artificial torna as pessoas mais burras. É que ela cria um atrito diferente — o atrito de decidir quando confiar e quando não confiar. Quem aprende a navegar esse atrito com critério está do lado certo. Quem delega sem conferir está construindo um processo de erro em escala.
E aqui vai a consequência prática: o desligamento do cérebro não aparece nas tarefas grandes, nas decisões visíveis, nas coisas que você sabe que importam. Aparece nas pequenas. No e-mail que você achou que não precisava reler. No diagnóstico que pareceu certo. No número que veio redondo demais.
O Brasil na ponta de uma divisão que já aconteceu
O contexto global agrava o diagnóstico. Em 2025, a PwC ouviu quase 50.000 profissionais em 48 países sobre uso de inteligência artificial no trabalho. O Brasil apareceu em primeiro lugar: 71% dos trabalhadores brasileiros usaram alguma ferramenta de inteligência artificial no último ano, contra 54% de média global. 26% usam diariamente — quase o dobro dos 14% globais. (PwC Global Hopes and Fears 2025 / AI Jobs Barometer)
Na mesma pesquisa, o PwC identificou que vagas que exigem habilidades em inteligência artificial pagam, em média, 56% a mais do que vagas equivalentes que não exigem — e esse prêmio de salário mais que dobrou em um ano (era 25% no levantamento anterior).
O WEF, no Relatório de Empregos de 2025, projetou que até 2030 a inteligência artificial deve criar 170 milhões de novos postos e eliminar 92 milhões — resultado líquido de 78 milhões de empregos a mais. Mas 39% das habilidades atuais ficarão obsoletas. (WEF Future of Jobs Report 2025)
Agora o dado que faz o retrato ficar completo.
Menos de 20% dos profissionais brasileiros se sentem preparados para usar inteligência artificial no trabalho. 60% dizem estar apenas parcialmente preparados. [FONTE?] Então temos o maior índice de adoção da pesquisa e um dos menores índices de preparo declarado. Alto volume de uso, baixa confiança no próprio preparo.
Isso é o retrato de uma divisão que não é sobre quem vai adotar e quem não vai. Essa decisão já foi tomada — a maioria já usa. A divisão é sobre como se usa. Com critério ou no automático. Com conferência ou com delegação cega. Entendendo a fronteira irregular ou ignorando que ela existe.
O que esse diagnóstico muda na prática
Os cinco estudos, lidos juntos, formam uma estrutura de ação — não um prognóstico de catástrofe.
Primeiro: a ferramenta não é uniformemente boa. Ela domina certos tipos de tarefa e falha em outros. Identificar quais tarefas do seu trabalho estão dentro do domínio dela — e quais estão fora — é o diagnóstico mais valioso que você pode fazer agora. Não existe uma lista universal. Você precisa testar, conferir o resultado, e calibrar a confiança com base na evidência, não no hype.
Segundo: o ganho maior não está em produzir mais com a ferramenta. Está em usar a ferramenta para decidir melhor. Os consultores que mais melhoraram no estudo de Harvard não foram os que geraram mais entregáveis — foram os que usaram a ferramenta para expandir a análise antes de concluir. A diferença de papel importa: produzir é o estagiário trabalhando; decidir é o conselheiro.
Terceiro: conferir não é fraqueza. É o mecanismo que separa uso com critério de delegação cega. A pesquisa da Microsoft mostra que quem mais confia em si mesmo é quem mais confere. Não porque desconfia da ferramenta — mas porque sabe que o resultado final é responsabilidade sua. Isso vale para qualquer saída da ferramenta que você vai usar para tomar uma decisão real.
Na segunda de manhã, faça uma coisa antes de usar a ferramenta: escreva em uma linha qual decisão você quer tomar com aquela análise. Não o que você quer que a ferramenta produza — qual a decisão que você vai tomar depois de ler o resultado. Isso muda o que você pede, muda o que você confere, e muda o peso que você dá à resposta. É o menor ajuste com o maior impacto no lado certo da divisão.