Cinquenta e dois por cento dos trabalhadores do conhecimento já corrigem regularmente trabalho gerado por IA produzido por outra pessoa (Adaptavist, 2026). Não o próprio output — o de um colega. Na mesma pesquisa com 2.500 trabalhadores em cinco países, 42% afirmam gastar mais tempo verificando o output de IA do que economizam ao usá-la. Leia os dois números juntos e você tem a razão pela qual o retrabalho de IA nunca aparece em nenhum business case: quem contabiliza a economia e quem absorve o custo não são a mesma pessoa e, frequentemente, nem estão no mesmo time.
É um problema contábil antes de ser um problema tecnológico.
O estudo, e o que o torna diferente
A Adaptavist realizou a pesquisa em março de 2026 no Reino Unido, Estados Unidos, Canadá, Alemanha e Espanha — 2.500 trabalhadores do conhecimento, publicada como continuação do trabalho de 2025 sobre transformação digital (Adaptavist, 2026). O relatório cunha um termo útil: o imposto de verificação.
Os números principais:
- 52% corrigem regularmente trabalho gerado por IA produzido por colegas
- 42% gastam mais tempo verificando o output de IA do que economizam ao usá-la
- 49% dizem que output de IA de baixa qualidade atrasa ativamente os projetos
- 46% dizem que a IA tornou o trabalho mais repetitivo e menos significativo
O último número é o que quase todo mundo pula. Corrigir o output de máquina de outra pessoa não é trabalho interessante. Não desenvolve, raramente é creditado numa avaliação e é invisível para quem aprovou a ferramenta.
Note também o que o estudo não mostra. Não é um conjunto de dados anti-IA: 67% dos mesmos respondentes querem que a organização aumente o uso de IA, 60% se sentem adequadamente treinados e 66% dizem que a adoção foi comunicada de forma transparente (Adaptavist, 2026). São pessoas que querem a tecnologia e estão descrevendo uma falha de distribuição, não de capacidade.
Por que seu painel diz sim enquanto seus cycle times não dizem nada
No mid-market, a medição de IA é quase sempre por assento. Licenças implantadas, prompts executados, horas economizadas autodeclaradas, percentual de adoção por área. Cada uma dessas métricas é coletada no ponto de geração.
O retrabalho não é coletado em lugar nenhum, porque acontece no ponto de recebimento.
O marketing gera um primeiro rascunho em noventa segundos e registra noventa minutos economizados. O jurídico gasta quarenta minutos corrigindo uma citação errada apresentada com confiança. O painel do marketing é honesto. Os quarenta minutos do jurídico caem numa linha genérica de carga de trabalho, e ninguém concilia as duas coisas. Repita isso em finanças, operações, suporte e produto e você obtém o padrão hoje quase universal no reporting do mid-market: as economias de tempo declaradas sobem a cada trimestre e os cycle times ficam exatamente onde estavam.
Três propriedades que tornam esse custo difícil de enxergar
Ele cruza uma fronteira. A contabilidade de custos é organizada por time. Um custo que nasce num time e aterrissa em outro não tem dono natural — logo, nenhum dos dois o rastreia.
É senioridade não faturada. Quem corrige costuma ser a parte mais sênior — a pessoa com julgamento de domínio suficiente para notar o erro. Você está pagando suas maiores taxas horárias para limpar output gerado nas menores.
É socialmente desconfortável de reportar. "Passei a tarde consertando o rascunho de IA de um colega" não é uma linha confortável num status report, então é registrada como a tarefa subjacente.
Este não é o retorno de custo sobre o qual você já leu
Dois achados adjacentes são confundidos com este, e a distinção determina qual alavanca puxar.
O Work AI Index da Glean — 6.000 trabalhadores digitais, produzido com pesquisadores de Stanford, UC Berkeley e Harvard — constatou que a IA economiza cerca de 11 horas por semana enquanto os trabalhadores queimam cerca de 6,4 horas em "botsitting": supervisionar, depurar e alternar ferramentas (Glean, 2026). Isso é uma devolução no mesmo trabalhador. Quem economiza o tempo paga de volta a si mesmo, e a correção é acesso a contexto: o que seus sistemas permitem que o modelo alcance.
O ensaio randomizado da METR apontou uma falha diferente: 16 desenvolvedores open source experientes, 246 tarefas reais em seus próprios repositórios. Previam 24% mais velocidade, depois acreditavam ter ganhado 20%, e foram medidos 19% mais lentos (METR, 2025). Isso é uma falha de percepção: economias autodeclaradas são pouco confiáveis mesmo vindas de especialistas no próprio código.
A Adaptavist descreve uma terceira coisa: uma transferência lateral. Não o mesmo trabalhador se pagando, não um ganho mal percebido, mas um custo que sai de um centro de custo e chega a outro. Ferramentas de contexto não resolvem. Melhor autodeclaração não resolve. Só medir na fronteira resolve.
Os três achados, aliás, se somam. Se as economias são superestimadas na origem (METR), parcialmente reabsorvidas pelo mesmo trabalhador (Glean) e parcialmente exportadas a um colega (Adaptavist), o ganho líquido residual num fluxo típico do mid-market é um número muito menor do que qualquer estudo isolado sugere.
Dimensionando: quanto pesa o imposto de verificação em 200 FTE
O estudo reporta proporções, não horas — logo, qualquer cifra em euros é a sua aritmética, não a da Adaptavist. Faça mesmo assim: a ordem de grandeza é o argumento.
Pegue uma empresa de 200 pessoas em que 120 fazem trabalho do conhecimento. Se 52% corrigem regularmente output de IA de colegas, são cerca de 62 pessoas. Suponha — de forma conservadora, e esta é a premissa a testar, não a acreditar — duas horas por semana cada uma. São 124 horas semanais, cerca de 6.400 horas por ano, o equivalente a três posições em tempo integral que você nunca contratou, orçou ou discutiu.
Agora veja de quem são essas horas. Corrigir exige o julgamento necessário para saber o que está errado, então a carga se concentra nos seus colaboradores individuais sêniores — as mesmas pessoas que você citaria se perguntassem quem é mais difícil de substituir. Você está gastando três FTEs do seu julgamento mais escasso em limpeza que não está nos objetivos de ninguém.
O número é ilustrativo. O exercício não é: refaça com seu quadro e sua estimativa, coloque diante de quem detém o orçamento de IA e observe a rapidez com que a conversa migra de contagem de licenças para desenho de processos.
O que o estudo não pode dizer
Três limites, ditos com clareza. É autodeclarado, então os 42% são uma percepção de tempo líquido, não uma medição — e o trabalho da METR é um aviso direto de quanto autodeclarações derivam. É transversal, então fotografa março de 2026 e não diz se o imposto está crescendo ou caindo. E pesquisa trabalhadores de cinco países e empresas de todos os portes, não operações mid-market especificamente; a direção deve se transferir, a magnitude no seu contexto segue indeterminada.
O que sobrevive aos três é o ponto estrutural: a correção cruza uma fronteira que a medição não cruza.
A objeção óbvia, e onde ela se sustenta
O contra-argumento razoável: isto é atrito de adoção inicial. A qualidade do output melhora, as normas de revisão amadurecem e o imposto decai. Parte disso é certamente verdade. O uso de primeira geração de qualquer classe de ferramenta carrega um prêmio de correção que cai com a familiaridade.
Duas coisas limitam o otimismo.
Primeiro, a correção não é principalmente sobre qualidade do modelo — é sobre alocação de responsabilidade. Enquanto gerar for barato e revisar for caro, o volume sobe ao nível que é conveniente para quem gera, e quem revisa absorve a diferença. Modelos melhores elevam o volume tão rápido quanto elevam a qualidade.
Segundo, há indícios de que o atrito está sendo formalizado em vez de dissolvido. A pesquisa de força de trabalho 2026 da BambooHR encontrou 81% dos líderes alegando ganhos de produtividade com IA enquanto 49% dos trabalhadores dizem que a IA não entregou valor algum (BambooHR, 2026). Quando ganhos não verificados já estão precificados nas expectativas da liderança, o trabalho de correção não recebe recursos: é absorvido em silêncio pelas pessoas cuja performance é medida justamente contra o ganho alegado.
Portanto: o argumento do atrito se sustenta quanto à magnitude do imposto. Não se sustenta quanto à sua direção.
Medir o retrabalho de IA na fronteira do handoff
Quatro movimentos. Todos são mudanças de medição ou de política; nenhum exige gasto novo.
1. Instrumente o handoff, não a tecla. Escolha seus dois fluxos entre times de maior volume e registre três coisas do lado receptor: horas de revisão, rascunhos rejeitados e rodadas até a aceitação. A etapa de revisão já existe. Você só não a cronometra. Um mês disso produz um número real de horas líquidas em vez de um autodeclarado.
2. Atribua a propriedade da revisão antes de a ferramenta entrar no ar. Todo fluxo assistido por IA que cruza uma fronteira de time precisa de um revisor nomeado e de um número de horas orçado. Se ninguém financia a revisão, o fluxo não está pronto: você está propondo rotear um custo não orçado para a semana de um colega.
3. Faça da procedência uma norma, não uma confissão. Exigir uma linha de nota no trabalho assistido por IA que cruza uma fronteira — o que foi gerado, o que foi checado, o que não foi — custa segundos a quem envia e poupa a quem recebe a reconstrução. E, discretamente, freia o volume, porque output em massa não revisado passa a ser visivelmente atribuível.
4. Reequilibre a amostra de quem você pergunta. Pesquisas de adoção quase sempre consultam quem gera. Consulte quem recebe: quanto da sua semana se vai corrigindo trabalho assistido por IA que você não produziu? Essa única pergunta, feita aos seus colaboradores individuais sêniores, dirá mais sobre o seu ROI real de IA do que todo o painel de uso de licenças.
Note o padrão nos quatro: nenhum desacelera a adoção. Eles realocam a medição para onde o custo de fato aterrissa.
Uma decisão para este trimestre
Seu retrabalho de IA não é erro de arredondamento, e não é invisível por ser pequeno. É invisível porque sua instrumentação para no momento da geração, e o custo começa uma mesa adiante.
Então a pergunta não é se sua IA está entregando valor. É mais estreita e muito mais respondível: nos seus dois fluxos entre times de maior volume, quem está corrigindo hoje — e alguém já perguntou quanto tempo isso leva?
Se você não conseguir nomear essa pessoa até o fim da semana, você não tem um problema de ROI de IA. Tem um problema de medição fantasiado de ROI, e ele continuará dizendo exatamente o que você quer ouvir até que o medidor mude para o outro lado do handoff.
