O acesso à IA elevou as notas dos testes em 7,2 pontos percentuais e, uma semana depois de a ferramenta ser retirada, 3,9 pontos ainda estavam lá — mas apenas nas pessoas que usaram a IA como tutor. Para quem a deixou escrever em seu lugar, o ganho havia desaparecido (Contractor e Reyes, 2026).
Duas pessoas da sua equipe podem usar o mesmo modelo na mesma tarefa e produzir trabalho de qualidade idêntica. Uma semana depois, uma delas está mensuravelmente melhor nessa tarefa e a outra voltou ao ponto de partida. O entregável que você tem nas mãos não diz qual é qual.
O experimento por trás desses números é um ensaio aleatorizado presencial e supervisionado: estudantes de graduação estudaram um tema técnico desconhecido sob pressão de tempo e escreveram um ensaio analítico com ou sem acesso à IA, depois fizeram avaliações sem qualquer apoio imediatamente e novamente cerca de uma semana mais tarde. O resumo que os autores fazem dessa divergência é o achado inteiro — os ganhos permanecem nos estudantes que usam a IA como tutor e se dissipam nos que deixam a IA escrever por eles.
O desenho mediu a pessoa, não o entregável
Quase todo estudo sobre IA e produtividade mede a produção enquanto a ferramenta está na sala. Este faz algo mais difícil e mais relevante para decidir: retira a ferramenta e mede o que a pessoa reteve.
Dos 256 inscritos, 211 compareceram à primeira sessão e 205 voltaram para a segunda, em média 6,98 dias depois. Os temas eram deliberadamente alheios aos participantes — blockchain, captura de carbono, CRISPR. A segunda sessão foi supervisionada e sem apoio para todos, grupo tratado e grupo de controle igualmente. Os ensaios foram avaliados por 309 corretores com mestrado ou doutorado, com 23 excluídos por não passarem em um teste de compreensão.
É essa estrutura que separa produção emprestada de capacidade retida. O teste imediato diz se a ferramenta ajudou. O acompanhamento sem apoio diz se a pessoa mudou. São perguntas diferentes, e quase todo painel de adoção em uso numa empresa de médio porte responde apenas à primeira — quando responde a alguma.
O que os números realmente dizem
| Medida | Resultado |
|---|---|
| Teste de conhecimento imediato, acesso à IA vs controle | +7,2 pp, 0,28 SD (p = 0,021) |
| Mesmo teste, treatment-on-treated | +10,4 pp, 0,41 SD |
| Teste sem apoio cerca de uma semana depois | +3,9 pp, 0,21 SD |
| Qualidade do ensaio na segunda sessão, escrito sem IA | +0,24 SD |
| Mecanismo | Mesmo tempo total; tempo deslocado de escrever para ler e pesquisar |
O resultado dos ensaios merece um segundo olhar. Uma semana após a retirada da ferramenta, numa sala supervisionada e sem qualquer assistência, as pessoas que tinham tido acesso à IA escreveram ensaios mensuravelmente melhores — com os maiores efeitos no uso de evidências e exemplos e na clareza do estilo. Algo foi transferido para a pessoa, não apenas para o documento.
Quem usou automação ganhou a primeira sessão e perdeu a semana
Aqui está a parte que deveria mudar como você pensa o rollout.
Os participantes que deixaram a IA escrever por eles — os autores chamam isso de automation — entregaram os ensaios melhor avaliados na primeira sessão. Pareciam os melhores. Uma semana depois, na sessão sem apoio, essa vantagem simplesmente havia desaparecido. Os participantes que usaram a IA como tutor, pedindo que explicasse em vez de produzir, mantiveram a deles.
Dois modos de uso. Indistinguíveis no entregável. Opostos no efeito sobre a capacidade. E o mecanismo é prosaico: os dois grupos gastaram o mesmo tempo total, mas o acesso à IA deslocou minutos de escrever para ler e buscar informação. Os de modo tutor gastaram esses minutos em compreensão. Os de modo ghostwriter gastaram-nos em nada que ficasse.
É por isso que "uso de IA" é a métrica de adoção errada. Não é uma métrica fraca nem atrasada. É uma métrica que atribui o mesmo valor ao comportamento que constrói o seu banco e ao que o esvazia.
Seu painel de adoção não enxerga a IA como tutor
Se o modo de uso é a variável que importa, a pergunta óbvia é se alguém o está medindo. De modo geral, não.
O Productivity Lab da ActivTrak inferiu estágios de adoção de IA a partir de telemetria comportamental de 120.620 trabalhadores, e não de licenças, logins ou autodeclaração. Encontrou 27 % em assistência à pesquisa, 14 % em execução de tarefas e 2 % em integração real ao fluxo de trabalho (ActivTrak Productivity Lab, 2026). Contagens de licenças e painéis de login medem distribuição. Não medem adoção e, certamente, não medem modo.
Enquanto isso, a capacidade de desenvolvimento que ensinaria o modo melhor está se contraindo. A pesquisa de força de trabalho 2026 da PwC, com 49.364 trabalhadores em 48 países, constatou que a parcela de quem diz ter acesso aos recursos de aprendizagem e desenvolvimento de que precisa caiu para 51 %, vindo de 59 % no ano anterior — enquanto o uso diário de IA generativa subiu de 14 % para 22 % (PwC, 2026). O acesso à ferramenta está escalando. O acesso à instrução sobre como usá-la vai no sentido contrário.
Os trabalhadores percebem. No estudo de trabalho 2026 da GoTo, 39 % disseram que sua dependência da IA estava erodindo suas competências, e 43 % admitiram ter entregado produção de IA que suspeitavam ser de baixa qualidade (GoTo e Workplace Intelligence, 2026). Autodeclaração é evidência fraca isoladamente. Ao lado de um experimento supervisionado que encontra a mesma forma, deixa de ser ruído.
A assimetria que transforma isso em problema de sucessão
Mais um resultado, e é o que tira o assunto do treinamento e o coloca no planejamento de quadro.
Um experimento de campo pré-registrado de três meses colocou um assistente de IA para redação de patentes nas mãos de 133 advogados de patentes em atividade em onze bancas norte-americanas, com especialistas cegos avaliando cada entrega. Nas tarefas assistidas, a qualidade subiu 0,38 SD em noventa dias, com ganhos maiores entre os juniores. Depois veio uma tarefa de revisão sem assistência, na qual a IA não era permitida a ninguém — a medição da competência. Os advogados tratados pontuaram 0,32 SD acima no conjunto, mas a vantagem estava inteiramente concentrada nos seniores, em 0,45 SD. Os juniores não mostraram ganho médio algum; suas notas se bifurcaram, com resultados medianos bem mais raros, compensados por mais resultados ruins e mais bons (Autor et al., NBER, 2026).
O enquadramento dos próprios autores é a frase para levar à sua próxima reunião de planejamento: os maiores ganhos da IA couberam aos advogados que menos retiveram, e uma expertise fundamental pode ser pré-requisito para extrair competência durável da prática assistida por IA.
Leia os dois estudos juntos. O modo de uso decide se a capacidade se acumula, e a expertise já existente parece decidir qual modo a pessoa adota por padrão. Seus mais seniores estão capitalizando. Seus juniores estão se dividindo em dois grupos, e a produção assistida de ambos parece correta.
Vale dizer com clareza: o financiamento e parte da autoria do estudo de patentes estão com o fabricante da ferramenta. O pré-registro e a avaliação cega por terceiros são o que sustenta sua credibilidade, não o patrocinador.
A objeção honesta
Quatro limites, antes que alguém construa uma política sobre isso.
São estudantes de graduação numa tarefa de uma hora. Não funcionários ao longo de um trimestre de trabalho real. O mecanismo — realocação de tempo da produção para a compreensão — viaja com plausibilidade. Os tamanhos de efeito não devem ser citados como estimativas de ambiente de trabalho, e eu não colocaria 7,2 pontos num business case.
É um preprint. O arXiv 2607.08849 foi publicado em julho de 2026 e revisado em outubro de 2026. Não concluiu revisão por pares.
As verificações de robustez movem o número. Excluindo participantes que violaram as regras do estudo, o efeito de aprendizagem da primeira sessão cai para 0,24, 0,15 ou 0,27 SD, dependendo da medida usada. O efeito sobrevive; seu tamanho é mais brando que a manchete.
O modo foi observado, não atribuído. A divergência tutor versus ghostwriter é o resultado mais acionável do artigo e sua parte experimentalmente menos limpa — os participantes escolheram como usar a ferramenta. Quem busca explicação pode diferir de quem busca produção também em aspectos que predizem retenção. A assimetria por senioridade do estudo de patentes é exatamente coerente com essa leitura.
O que sobrevive aos quatro: o entregável não é uma leitura de se a pessoa está aprendendo, e a diferença entre os dois é um problema de medição que você pode resolver sem comprar nada.
O que mudar neste trimestre
Quatro movimentos. Nenhum é uma compra.
- Pare de reportar uso de IA como métrica de adoção. Licenças, logins e contagens de sessão descrevem distribuição. Substitua o indicador principal por um único número: quantas pessoas demonstraram uma capacidade nomeada sem apoio, depois de usar IA para construí-la.
- Torne o prompting em modo tutor um comportamento explícito e ensinado. É específico o suficiente para entrar numa trilha de integração e no roteiro de um um-a-um: peça ao modelo que explique o raciocínio dele e verifique o seu, não que produza o artefato. É a intervenção mais barata do conjunto inteiro e ninguém a está fazendo.
- Acrescente uma tarefa sem apoio ao ciclo de desenvolvimento para funções em que o julgamento é o entregável. Não um teste — uma tarefa real, feita sem assistência, avaliada pela mesma rubrica da versão assistida. A diferença entre as duas é o seu sinal de retenção de competência, e ela não existe em nenhum relatório de qualidade de produção.
- Precifique a bifurcação dos juniores no seu plano de sucessão. Se a produção assistida é plana ao longo da senioridade enquanto a capacidade retida não é, o seu banco de dois anos é mais fino do que dizem seus dados de desempenho, e o erro corre numa só direção.
Esse quarto movimento é o que não tem lugar óbvio na maioria das empresas, porque exige competência medida por ciclo contra um framework estável, e não inferida dos entregáveis recentes. A camada de desempenho e sucessão da Scovai é construída sobre essa separação — competência pontuada de forma determinística, por competência e por ciclo, no framework Great Eight; uma 9-box calculada a partir desses dados de competência em vez das impressões dos gestores; e prontidão de sucessão declarada por posição crítica como pronta agora ou em doze a vinte e quatro meses. A relevância aqui é estrutural: se o seu eixo de potencial está lendo produção assistida, está lendo a ferramenta.
A implicação incômoda desta pesquisa é que seus adotantes de IA com melhor desempenho e os que decaem mais rápido podem ser as mesmas pessoas, e que nada do que você mede hoje separa a IA como tutor da IA como ghostwriter.
Então escolha uma função neste trimestre, faça executar uma tarefa sem apoio pela mesma rubrica da versão assistida e descubra em que direção corre a diferença. Meça a pessoa, não o documento — o documento parou de lhe dizer algo sobre qualquer uma das duas no dia em que a ferramenta chegou.
