Um working paper da Atlanta Fed de março de 2026, baseado em uma pesquisa com cerca de 750 executivos corporativos, acaba de colocar um número em algo que a maioria dos líderes operacionais do mid-market vinha notando em silêncio nos próprios pilotos: os ganhos de produtividade da IA são reais, mas são menores medidos do que percebidos, e a lacuna é ampla o suficiente para que os autores tenham chamado o fenômeno de paradoxo de produtividade de forma explícita (Atlanta Fed, 2026). Esse paradoxo não é artefato de medição. É a marca empírica de um problema de deployment mais profundo — um que, em uma curva apresentada pelo economista Scott Cunningham ao Federal Reserve Board em 27 de março de 2026, tem nome específico: a zona de perigo, onde o output ampliado por IA cai abaixo da linha de base pré-IA (Forbes, 2026).
Para um Head of Operations em uma empresa de 50 a 500 FTE que precisa decidir neste trimestre quais pilotos de IA escalar, o enquadramento pela zona de perigo reformula a pergunta de planejamento: deixa de ser quanto tempo conseguimos economizar e passa a ser onde a IA comprime tempo sem erodir o julgamento que produz precisão. O deployment de IA mid-market que escala de forma limpa em 2027 é aquele que roda essa calibração explicitamente. A maioria dos pilotos em curso não roda.
O paradoxo de produtividade da Atlanta Fed, quantificado
O paper da Atlanta Fed (Working Paper 2026-4) é a leitura entre empresas mais limpa sobre o impacto de produtividade da IA atualmente no registro público. As autoras principais Salomé Baslandze e colegas conduziram a coleta no final de 2025 e início de 2026, captando respostas principalmente de CFOs através do painel do Duke/Federal Reserve CFO Survey, complementado por membros da Financial Executives International (Atlanta Fed, 2026). Três achados importam para uma função operacional.
Primeiro, a adoção é ampla mas desigual. Mais da metade das empresas pesquisadas já investiu em IA, com os maiores ganhos de produtividade medidos concentrados em serviços altamente qualificados e finanças. O segmento mid-market é precisamente a coorte que ainda está acelerando investimento — o que significa que as decisões de deployment tomadas neste trimestre estão fixando a trajetória de produtividade para o restante de 2026.
Segundo, os ganhos são positivos mas modestos. Melhorias de produtividade do trabalho aparecem claramente nos dados, mas variam de forma significativa entre setores. Os autores esperam que os ganhos se fortaleçam ao longo de 2026, mas o nível principal — no momento do trabalho de campo — está bem abaixo dos números que circulam em decks de fornecedores e previsões de consultoria.
Terceiro — e este é o achado central — os ganhos percebidos correm à frente dos medidos. Executivos relatam sistematicamente melhorias de produtividade impulsionadas por IA maiores do que os dados subjacentes confirmam. Os autores interpretam isso como atraso na realização de receita. É também, de forma mais desconfortável, a assinatura empírica de pilotos que parecem produtivos por dentro enquanto produzem output que ainda não se manifestou como ganho durável e mensurável por fora.
Uma lacuna percebido-vs-medido desse tamanho é a precondição para a zona de perigo que Cunningham nomeou.
A curva de Cunningham e o mecanismo por trás da queda
Em 27 de março de 2026, Scott Cunningham — economista em Baylor — apresentou ao Federal Reserve Board of Governors e fez algo que a maioria dos economistas não faz: usou IA ao vivo durante a palestra para replicar um estudo de referência sobre sentimento imigratório, baixando 305.000 discursos do Congresso via um agente IA por onze dólares (Forbes, 2026). A substância da apresentação, além da demonstração, foi uma função de produção — uma curva formal de economista que mapeia investimento de tempo humano em output cognitivo, plotada tanto antes quanto depois da IA.
A curva tem duas características importantes. Primeiro, a curva pós-IA está acima da curva pré-IA em todos os níveis de engajamento humano — a IA eleva o output potencial em toda parte. Segundo, quando o investimento de tempo humano cai abaixo de um limiar crítico, a curva de output pós-IA cruza abaixo da linha de base pré-IA. Cunningham chama isso de zona de perigo: a região em que a tecnologia que deveria tornar o trabalhador mais produtivo o tornou, na prática, menos produtivo do que seria sem IA.
O mecanismo é direto. Antes da IA, tempo humano e tempo de máquina eram complementos — ambos eram necessários para produzir trabalho cognitivo, do mesmo modo que uma cozinha precisa tanto de um cozinheiro quanto de um forno. Conforme a capacidade da máquina sobe, os insumos vão se tornando cada vez mais substitutos. A economia empurra para uma solução de canto: tudo máquina, nada humano. Mas o output cognitivo exige julgamento — a camada silenciosa e difícil de instrumentar que pega o erro da IA com som plausível, que sabe qual dos três rascunhos é aquele em que o cliente vai realmente agir, que enquadra um problema com precisão suficiente para que a IA seja útil em primeiro lugar. Cortar essa camada de forma agressiva demais e o output deixa de ser utilizável. O piloto continua produzindo entregáveis; os entregáveis simplesmente não fazem mais o trabalho que faziam antes.
A zona de perigo não é hipotética. É a explicação operacional da lacuna percebido-vs-medido da Atlanta Fed. Pilotos dentro da zona de perigo produzem output que parece mais rápido — porque é — e que mede pior, porque a camada de julgamento foi afinada além do ponto em que o output ainda sustenta.
O muro dos 13%: quando outsiders pegam emprestados os domínios dos insiders via IA
Um working paper separado da Harvard Business School de setembro de 2025, de Iavor Bojinov, Edward McFowland III e colaboradores, coloca um número em uma versão específica dessa queda. Em um estudo controlado na IG Group, uma trader global de derivativos, os pesquisadores pediram a três grupos — 12 analistas web (os insiders ocupacionais que normalmente escrevem os conteúdos de investimento da empresa), 26 especialistas de marketing (outsiders adjacentes) e 40 desenvolvedores de software (outsiders distantes) — que produzissem artigos de investimento, com acesso à IA padronizado nos três grupos (HBS, 2025).
Os especialistas de marketing, com IA, produziram artigos quase tão bons quanto os dos analistas web. Os desenvolvedores de software — igualmente capazes de operar a ferramenta de IA — produziram artigos com defasagem de 13% em clareza e competência em relação aos analistas web, mesmo com assistência plena da IA. Os pesquisadores chamaram o efeito de GenAI Wall: um teto sobre a transferência horizontal de expertise que a IA não dissolve.
Para uma função operacional, o achado é mais desconfortável do que o título sugere. A promessa implícita da maioria dos deployments de IA em nível de workflow é que a IA achata a diferença entre especialistas e generalistas — que um generalista com um bom modelo consegue fazer trabalho de especialista. Os dados HBS dizem que o achatamento é parcial. A IA comprime a lacuna entre insiders e outsiders adjacentes. Não fecha a lacuna entre insiders e outsiders distantes. O delta de precisão de 13% é o que aparece no produto final quando um time usa IA para cobrir trabalho fora do domínio real.
Em termos Atlanta Fed, a lacuna de 13% é um canal específico pelo qual os ganhos percebidos divergem dos medidos. O deck do piloto mostra que o deployment expandiu o escopo efetivo do time. O output, pontuado em competência, mostra que a expansão de escopo veio com um custo de precisão mensurável.
O que isso significa para uma função operacional mid-market
Os padrões de deployment de IA mid-market que derivam para a zona de perigo compartilham uma estrutura reconhecível. Normalmente há um workflow que era demorado para um membro sênior do time, especialista no domínio. O piloto substitui o tempo do sênior por um colega mais júnior mais uma ferramenta de IA. O cycle time cai. A headcount sobre o workflow cai. O piloto reporta um ganho de eficiência limpo.
Duas coisas aconteceram que a instrumentação do piloto não captura. Primeiro, a camada de julgamento do sênior — a parte que pegava os erros pequenos mas consequentes — foi afinada. Segundo, o colega júnior foi empurrado para um trabalho no qual ele é um outsider ocupacional, e não adjacente. O paradoxo da Atlanta Fed e o muro dos 13% de Bojinov estão ambos ativos no mesmo piloto. O board pack mostra uma métrica verde. O trabalho silenciosamente migrou para a zona de perigo.
A diagnóstica que pega isso não é uma métrica de produtividade. O throughput vai parecer bom. O cycle time vai parecer bom. A diagnóstica que pega é uma auditoria de qualidade conduzida sobre o output do workflow aumentado por IA, pelo sênior que costumava fazer o trabalho, em base amostrada. Se o sênior consistentemente sinaliza erros que uma versão pré-IA do workflow não teria produzido, o piloto está na zona de perigo — independentemente do que diga o dashboard de throughput.
A maioria dos pilotos mid-market não roda essa auditoria. O sênior cujo julgamento era instrumentalmente crítico está, por design do piloto, fora do loop sobre o output diário. A taxa de erro, portanto, não é visível de dentro do workflow. É visível apenas externamente — via escalações de cliente, retrabalho a jusante ou um sinal de qualidade atrasado que fica de um a três trimestres atrás do relatório de produtividade.
O contra-argumento: "Nossos pilotos mostram ganhos, não perdas"
A objeção natural de um líder operacional rodando pilotos de IA bem-sucedidos é que esse enquadramento por zona de perigo está exagerado. As métricas do piloto são positivas. O time reporta satisfação. O cliente não reclamou.
Os dados da Atlanta Fed são exatamente o contra a essa objeção. Em cerca de 750 empresas, o padrão típico reportado é: ganhos de produtividade percebidos positivos e um ganho medido menor que o percebido. O sinal de satisfação do piloto não está em disputa. A lacuna entre o que os times reportam e o que as estatísticas de produtividade confirmam é o que os dados chamam de paradoxo. Um piloto mostrando ganhos percebidos positivos é consistente com — não evidência contra — estar dentro da zona de perigo.
O segundo contra-argumento é mais substancial: que a zona de perigo é função do design do piloto, e não da IA em si, e que pilotos maduros podem evitá-la. Essa é a leitura correta. A curva de Cunningham não é um veredicto sobre IA. É um mapa de onde mora o ganho de produtividade — e onde, na mesma curva, o ganho se inverte. A pergunta de instrumentação para uma função operacional é se cada piloto foi desenhado para pousar na região de produtividade da curva e ficar fora da região de perigo, não se o piloto está reportando números positivos no segundo mês.
Um piloto que não rodou uma auditoria de competência não consegue dizer em qual região da curva está operando. Um relatório de produtividade é necessário mas não suficiente.
Uma calibração que a maioria dos pilotos nunca roda
A única calibração que separa um piloto de zona de perigo de um piloto de zona de produtividade é estruturalmente simples e operacionalmente rara. Tem três componentes, nenhum dos quais exige headcount adicional ou gasto com fornecedor.
Amostrar o output aumentado por IA em uma frequência definida e pontuá-lo contra o output pré-IA de referência, usando o mesmo revisor sênior que teria produzido a versão pré-IA. A pontuação não é um joinha pra cima/joinha pra baixo. É uma classificação de competência por dimensão sobre os elementos que importam para o uso a jusante do workflow — precisão, completude, escolhas de julgamento, manejo de casos de borda.
Rastrear explicitamente a lacuna percebido-vs-medido, não como número de produtividade mas como delta de qualidade. Linguagem estilo Atlanta Fed: quanto do ganho reportado pelo piloto é melhoria medida durável, e quanto é melhoria percebida que ainda não se manifestou como resultado mensurável (Atlanta Fed, 2026)?
Definir um limiar de stop-loss antes do scaling. Se a competência sobre o output amostrado cair abaixo de um piso definido — os dados HBS sugerem que 13% é aproximadamente a borda inferior do que aparece em pontuação cuidadosa de trabalho de IA de outsiders distantes (HBS, 2025) — pausar o scaling e reconstruir o investimento de tempo humano até o score se recuperar. Esta é a parte da calibração que a maioria dos pilotos não consegue fazer, porque o time já comprometeu as economias de headcount no plano do próximo trimestre.
A realidade pouco glamourosa é que a calibração custa talvez 2-5% do tempo sênior do workflow por trimestre. O custo de não rodar é que a função operacional descobre a zona de perigo pela fila de escalações de cliente ou pelo backlog de retrabalho a jusante, com um a três trimestres de atraso.
A decisão deste trimestre
Os dados PwC e BCG que dominaram as conversas de estratégia de IA em 2026 estabeleceram a importância da postura de business-model no deployment de IA. Os achados da Atlanta Fed, Cunningham e Bojinov agora estabelecem o ponto paralelo do lado operacional: postura de deployment não é apenas onde a IA é apontada. É quão fina a camada de julgamento humano pode ficar antes que o output aumentado por IA caia abaixo da linha de base pré-IA.
Um Head of Operations não precisa redesenhar o portfólio de IA neste trimestre para agir sobre isso. A decisão é mais estreita. Para cada piloto de IA em curso, fazer uma pergunta: há uma auditoria de competência rodando sobre o output deste workflow, conduzida pelo sênior que costumava fazer o trabalho, em base amostrada, com stop-loss definido? Se a resposta for não, o piloto — na leitura composta Atlanta Fed/Cunningham/Bojinov — está operando sem o único instrumento que distingue um deployment de zona de produtividade de um deployment de zona de perigo.
O paradoxo de produtividade da Atlanta Fed é o sinal empírico mais disciplinado atualmente no mercado de que ganhos percebidos de IA e ganhos medidos de IA não são a mesma coisa. A função operacional mid-market que audita a diferença neste trimestre é a que escala o portfólio de IA em 2027 sem descobrir — via escalações e retrabalho — que os ganhos já estavam erodindo a linha de base.
Adicionar a auditoria de competência à próxima revisão de piloto. O instrumento não custa nada que a função operacional já não tenha. O custo de operar sem é o único número que o dashboard de produtividade não consegue mostrar.
