Entre os trabalhadores norte-americanos que usam IA para uma ou duas tarefas distintas, 45% relatam um efeito positivo na sua produtividade. Entre os que a usam para sete ou mais, esse número é de 90% (Gallup, 2026). As mesmas ferramentas. As mesmas licenças. O mesmo orçamento de formação. A única variável que mudou foi quantas partes diferentes do trabalho a ferramenta realmente toca.
Esse gradiente é o número operacionalmente mais útil publicado este ano sobre produtividade da IA, e aponta para um lugar desconfortável: aquilo que a maioria dos rollouts do mid-market está a otimizar — o acesso — situa-se na parte plana da curva.
O gradiente de produtividade da IA que a Gallup realmente mediu
A leitura da Gallup sobre o trabalho no 2.º trimestre de 2026 coloca a integração organizacional de IA em 47% dos trabalhadores norte-americanos, mais seis pontos face aos 41% do trimestre anterior. O uso pessoal está nos 52%; 30% usam IA pelo menos algumas vezes por semana e 15% diariamente (Gallup, 2026).
São estes os números de manchete, e são estes que acabam nas apresentações à administração. O corte mais interessante é a desagregação por amplitude de aplicação — a proporção que relata um efeito de produtividade algo ou extremamente positivo, agrupada pelo número de tarefas distintas a que o trabalhador aplica IA:
- 1–2 casos de uso: 45%
- 3–4 casos de uso: 66%
- 5–6 casos de uso: 78%
- 7 ou mais: 90%
A curva é mais íngreme na base. Levar um trabalhador de duas aplicações para quatro vale cerca de 21 pontos de benefício relatado. Levá-lo de cinco para sete vale cerca de 12. O maior retorno disponível na maioria das empresas do mid-market não está nos power users — está na maioria parada em um ou dois usos, que na sua maior parte já tem licença.
Porque é que isto reformula a pergunta do rollout
A pergunta habitual do rollout é quantas pessoas têm acesso. Os dados da Gallup sugerem que a melhor pergunta é quantas funções foram mapeadas. Parecem semelhantes. São financiadas de forma completamente diferente — uma é uma rubrica de compras, a outra é um projeto de operações — e é precisamente por isso que a maioria das empresas continua a responder à primeira.
O mix de utilização está invertido face ao valor
O segundo resultado é mais afiado do que o primeiro, porque explica por que razão tantos trabalhadores ficam presos em um ou dois usos.
Os dados da Gallup sobre aquilo para que as pessoas realmente usam IA, contrapostos ao rendimento dessas aplicações em produtividade:
| Aplicação | Quota de utilizadores de IA | Relatam ganho de produtividade |
|---|---|---|
| Escrita e edição | 51% | 68% |
| Pesquisa e investigação | 49% | 65% |
| Ciência de dados e analytics | 18% | 75% |
| Slides e apresentações | 17% | 76% |
| Assistência à programação | 16% | 77% |
| Automação de processos | 16% | 77% |
Leiam-se as duas colunas uma contra a outra. As duas aplicações mais usadas são as que menos rendem em produtividade. As quatro mais bem avaliadas são usadas, cada uma, por menos de um em cada cinco utilizadores de IA (Gallup, 2026).
O caminho de adoção por omissão — escrever mais depressa, pesquisar mais depressa — é o que se generaliza a todas as funções e não exige trabalho de processo a ninguém. É também o que se esgota mais cedo. As aplicações que mais rendem são as que tocam um fluxo de trabalho específico: uma reconciliação, a construção de um relatório, uma passagem de pasta, um script. A essas ninguém chega abrindo uma janela de chat. Alguém tem de as mapear.
Há uma consequência orçamental escondida nessa tabela. Escrita e pesquisa são as duas aplicações com que uma demonstração de fornecedor se vende sozinha, porque não exigem configuração nem contexto sobre o vosso negócio. São também as duas que um trabalhador pode adotar sozinho, numa tarde, sem pedir nada a ninguém. Tudo o que rende acima de 75% exige que alguém saiba como funciona um processo concreto antes de a ferramenta lhe poder ser apontada. Esse conhecimento está na vossa função de operações, não no fornecedor nem no indivíduo — e é por isso que o escalão de alto valor continua preso nos 16% de adoção num mercado em que as licenças são praticamente universais.
Os dados de frequência da Gallup sustentam esta leitura. Os utilizadores frequentes têm cerca de três vezes mais probabilidade do que os esporádicos de usar IA para programação (22% contra 8%) e para automação (21% contra 8%), e mais do dobro para gestão de tarefas e projetos (21% contra 9%). Amplitude e profundidade chegam juntas, e ambas chegam pelo lado do processo do trabalho.
A mesma semana, duas realidades opostas
Esta é a parte que vale a pena levar à vossa próxima revisão operacional.
A Gallup publicou o seu salto de seis pontos na adoção a 20 de julho de 2026. No dia seguinte, o Productivity Lab da ActivTrak publicou telemetria comportamental sobre 120 620 trabalhadores, classificando a maturidade de IA pela atividade observada em vez de licenças, logins ou autodeclaração. O resultado: 27% dos trabalhadores atingem Assistência à Investigação, 14% Execução de Tarefas e 2% Integração no Fluxo de Trabalho (ActivTrak, 2026).
Dois conjuntos de dados credíveis, publicados com vinte e quatro horas de intervalo, a descrever a mesma força de trabalho em termos opostos. Não há contradição a resolver: medem coisas diferentes. A Gallup mede se a IA chegou às pessoas. A ActivTrak mede se chegou ao trabalho. O acesso está a escalar depressa. A redefinição do trabalho não.
Esses 2% são o piso empírico por baixo da coorte de «sete ou mais» da Gallup. O número dos 90% de produtividade é real, e descreve um número muito reduzido de pessoas que reestruturaram o modo como o seu trabalho funciona.
O que isto faz ao vosso dashboard
Se o vosso reporting de IA assenta em licenças ativadas, utilizadores ativos semanais e tempo poupado autodeclarado, cada uma dessas métricas está a seguir a secção plana da curva da Gallup. Todas subirão num rollout que não produz um único fluxo de trabalho redesenhado — e subirão mais depressa no escalão de escrita e edição, o que menos rende em produtividade.
Distribuição não é adoção. O vosso dashboard, hoje, não sabe distingui-las.
Onde esta evidência para
Três limites, declarados antes de alguém construir um business case sobre o gradiente.
A ligação amplitude–produtividade é correlacional. A Gallup diz isso explicitamente. A autosseleção é uma explicação alternativa viva: os trabalhadores que já extraem valor da IA procuram mais sítios onde a aplicar, pelo que a seta causal pode correr no sentido inverso ao que a leitura operacional assume.
A superfície útil varia por função. Algumas funções oferecem mesmo sete aplicações plausíveis de IA; outras oferecem duas. Uma analista financeira e um técnico de campo não são igualmente endereçáveis, e um mandato do tipo «pôr toda a gente em cinco casos de uso» vai fabricar trabalho inútil nas funções que não os têm.
Tanto a medida de produtividade como a contagem de casos de uso são autodeclaradas. Vêm do mesmo respondente no mesmo instrumento, que é exatamente a condição em que benefício percebido e comportamento relatado tendem a mover-se juntos.
O que sobrevive a estas cautelas é a assimetria operacional, não as percentagens concretas. Os trabalhadores com uma ou duas aplicações são a larga maioria, são a coorte mais barata de mover, e todas as aplicações de alto rendimento estão do lado do processo do trabalho, não do lado da escrita. Isso chega para mudar onde um rollout gasta o próximo trimestre, mesmo que não chegue para prometer um número.
Mudem a métrica de licenças ativadas para casos de uso por função
A literatura mais ampla aponta nesta direção há um ano, pelo lado do investimento e não do uso.
O relatório Deloitte State of AI in the Enterprise 2026, com 3235 líderes em 24 países, identificou a insuficiência de competências dos trabalhadores como a maior barreira à integração de IA — e uma resposta desequilibrada a essa barreira. 53% formam a força de trabalho para elevar a fluência em IA, mas apenas 30% repensam a organização em torno dos novos padrões de IA e 33% redesenham percursos de carreira (Deloitte, 2026). Toda a gente forma. Quase ninguém redesenha.
O Work Trend Index 2026 da Microsoft, conduzido junto de 20 000 trabalhadores em 10 países, quantifica o custo dessa cisão: os fatores organizacionais — cultura, apoio das chefias, práticas de talento — determinam mais do dobro do impacto de IA efetivamente realizado face aos fatores individuais, 67% contra 32% (Microsoft, 2026). Apenas 26% dos utilizadores de IA relatam uma liderança alinhada numa estratégia de IA.
Ponham os três conjuntos de dados em sequência e o desenho do rollout escreve-se sozinho. O acesso está resolvido. A fluência individual está financiada. A variável de que ninguém é dono é o mapeamento entre uma função concreta e as duas ou três tarefas do lado do processo onde a IA realmente rende — e esse mapeamento é um entregável de operações, não de formação.
A versão prática
Escolham três funções, não a empresa inteira. Muitos efetivos, alta repetição, hoje em um ou dois usos de IA. Essa coorte tem o declive mais acentuado disponível.
Nomeiem os casos de uso antes de nomear a ferramenta. Para cada função, escrevam duas ou três tarefas recorrentes concretas — a reconciliação semanal, o resumo de fornecedores, a triagem de tickets. Concretas o suficiente para se poder dizer se aconteceram.
Inclinem a lista para o escalão de baixa adoção e alto rendimento. Automação, analytics, assistência à programação, produção de slides. Se a vossa lista for toda redação e pesquisa, documentaram a parte plana da curva.
Condicionem o alargamento de licenças a integração de fluxo demonstrada. Antes de comprar o bloco seguinte de licenças, exijam que pelo menos um fluxo de trabalho nomeado se tenha movido de forma visível — o relatório que agora se constrói sozinho, a passagem de pasta que já não precisa de reunião. Um fluxo de Stage 3 verificado vale mais como prova do que mil licenças ativadas.
Reportem casos de uso por função, não utilizadores por licença. É a única métrica de IA no vosso dashboard que o departamento de compras não consegue satisfazer.
Uma decisão para este trimestre
Peguem nas vossas três funções com mais efetivos. Para cada uma, peçam a cinco pessoas que listem todas as tarefas distintas para as quais usam IA. Contem-nas. Se a resposta mais frequente for uma ou duas, e ambas forem escrita ou pesquisa, já sabem exatamente onde está o vosso retorno de produtividade da IA — e não está noutro bloco de licenças.
O rollout que toda a gente financia acaba quando a ferramenta chega à pessoa. O retorno começa quando a ferramenta chega ao trabalho. São dois projetos diferentes, e só um deles está hoje no vosso orçamento.
