Setenta e um por cento dos colaboradores dizem que as ferramentas de IA os ajudam a sentir-se mais produtivos. Entre os utilizadores mais intensivos, esse número sobe para 93%. Pergunte às mesmas pessoas se a sua carga de trabalho é razoável para a função e a resposta quase não se move: 72% entre os power users contra 69% entre os não utilizadores — uma diferença de três pontos (Culture Amp, 2026).
Estes dois resultados vêm do mesmo inquérito, dos mesmos colaboradores, dos mesmos doze meses. Uma curva sobe acentuadamente com a intensidade de uso. A outra é plana.
Não é um erro de medição. É um artefacto de gestão, e significa que a capacidade criada pela sua implementação de IA está a ser reabsorvida dentro das mesmas funções, em vez de ser realocada para algo que você escolheu.
Duas curvas do mesmo conjunto de dados
O primeiro benchmark AI at Work da Culture Amp baseia-se em 342 inquéritos realizados por 292 organizações na sua plataforma, representando cerca de 112.000 colaboradores e 343.000 respostas individuais recolhidas nos doze meses até julho de 2026. Os respondentes abrangem 16 setores e todas as principais regiões; os contribuidores individuais são cerca de dois terços da amostra. Os colaboradores foram padronizados em quatro níveis de uso — não utilizadores, utilizadores ligeiros (uma ou duas vezes por semana), utilizadores diários e power users (várias vezes ao dia) (Culture Amp, 2026).
Dentro desses níveis, praticamente todas as medidas de experiência melhoram com o uso. A literacia de risco sobe de 67% entre os não utilizadores para 95% entre os power users. A motivação para ir além do que a função exigiria noutro sítio está nos 72% entre os utilizadores mais intensivos contra 57% entre os não utilizadores. A concordância de que a IA os ajudou a aprender e a crescer situa-se em média nos 66% a nível global, puxada para baixo pelos não utilizadores com 27%.
Um único item recusa acompanhar. Na afirmação «De modo geral, a minha carga de trabalho parece-me razoável para a minha função», a favorabilidade vai de 69% entre os não utilizadores a 71–72% entre todos os que usam IA de alguma forma. A leitura da própria Culture Amp é directa: a adopção inicial melhora ligeiramente a percepção da carga de trabalho, e maior frequência de uso não produz alívio adicional (Culture Amp, 2026).
A produtividade percebida está nos 71% em toda a amostra e nos 93% entre os utilizadores mais intensivos. O alívio percebido da carga de trabalho, nos mesmos níveis, vale três pontos.
Porque é que o seu painel de adopção não vê uma carga de trabalho plana
A maioria dos programas de IA no mid-market está instrumentada na variável errada. Número de licenças, utilizadores activos semanais, prompts por posto, estimativas de tempo poupado ao nível da ferramenta — tudo isso sobe quando a adopção sobe. Nada disso muda quando a hora libertada é silenciosamente consumida por mais trabalho do mesmo tipo.
A reabsorção é invisível por construção. Um colaborador que fecha o relatório de quinta-feira em quarenta minutos em vez de noventa não reporta uma semana mais leve; reporta uma semana com mais coisas dentro. A Culture Amp levanta esta objecção contra si própria, e com razão: os pratos voltam a encher-se à medida que as pessoas ganham eficiência, e isso é normal. Ninguém espera que uma quilter com máquina produza o mesmo número de colchas por ano que outra a costurar à mão.
O problema não é o prato ter voltado a encher-se. É que ninguém decidiu o que foi para lá.
É aqui que o resultado da Culture Amp deixa de ser uma curiosidade e passa a ser uma questão de orçamento. Se o seu business case assumia que as horas recuperadas apareceriam como capacidade libertada, contratações evitadas ou ciclos mais rápidos, e os seus próprios dados de engagement dizem que a carga de trabalho percebida é plana em todos os níveis de uso, então o business case não está verificado — não refutado, não verificado. Não tem nenhum instrumento apontado àquilo que prometeu.
Para onde vão realmente as horas recuperadas
Outros dois conjuntos de dados de 2026 mapeiam os destinos, e nenhum é estratégico.
O quarto inquérito anual AI at Work da BCG — 11.749 trabalhadores em 14 mercados — concluiu que 42% dos utilizadores regulares na linha da frente dizem poupar pelo menos um dia de trabalho completo por semana com IA, enquanto 66% afirmam receber orientação limitada ou nenhuma sobre o que fazer com esse tempo, e mais de metade não o redirecciona para trabalho estratégico. Na mesma amostra, 47% dizem agora passar mais tempo a gerir e a dirigir a IA do que a fazer o trabalho, e 72% afirmam que a IA já alterou consideravelmente as competências esperadas na sua função (BCG, 2026).
Leia esses dois números juntos. A hora é real. A decisão sobre a hora não existe. Na sua ausência, a hora vai por defeito para a procura mais próxima disponível — que é, cada vez mais, a própria IA.
O inquérito da BambooHR a 1.608 trabalhadores de escritório nos EUA cronometrou esse comportamento por defeito. Os trabalhadores passam em média 87 minutos por dia dentro de ferramentas de IA; 42% desse tempo vai para resolver erros e iterar prompts, contra 35% em trabalho que efectivamente faz avançar a sua própria carga (BambooHR, 2026). Mais tempo de IA vai para consertar a IA do que para produzir com ela.
Portanto a capacidade não desaparece em inactividade. É gasta — em supervisão, correcção e na nova superfície de coordenação que as ferramentas criaram. Esse trabalho é real. É apenas trabalho que ninguém orçamentou, nomeou ou atribuiu a uma função.
O vazio de orientação é o mecanismo
O mesmo benchmark que encontrou a carga de trabalho plana encontrou também a causa, e não é a resistência dos colaboradores.
Oitenta e cinco por cento dos colaboradores dizem que a sua organização incentiva activamente a exploração e a experimentação com IA. Apenas 58% dizem que os líderes explicaram claramente como a IA se liga ao rumo da empresa — o item com pontuação mais baixa de todo o benchmark, e um desvio de 27 pontos face ao item do incentivo. Mais perto do dia-a-dia, apenas 60% dizem que a sua chefia partilha exemplos de como a IA pode apoiar os seus objectivos, e o apoio de sistemas e processos fica nos 64% (Culture Amp, 2026).
Amy Lavoie, VP of People Science da Culture Amp, retira a conclusão do número da produtividade e não dos de sentimento: a maioria das equipas executivas leria sete em dez colaboradores a sentirem-se mais produtivos como um retorno do investimento, mas com as pontuações de carga de trabalho estáveis é uma pergunta sem resposta. As organizações que verão retorno genuíno, argumenta, «não serão as que têm as taxas de adopção mais altas. Serão as que decidiram, explicitamente, o que iam parar de fazer com o tempo devolvido» (Culture Amp, 2026).
Esta é uma força de trabalho que fez a sua parte. O artefacto que falta está acima dela: uma decisão escrita sobre o que para.
Um segundo sinal no mesmo comunicado
Um resultado adjacente merece ser manuseado com cuidado. O conhecimento dos colaboradores sobre oportunidades internas de carreira caiu 10 pontos percentuais desde julho de 2025 — a maior variação anual nos dados de benchmark da Culture Amp — enquanto a satisfação com o desenvolvimento profissional se manteve nos 66%, onde está desde 2021. Os colaboradores não estão menos satisfeitos com o desenvolvimento que recebem; estão menos claros sobre o que vem depois.
A ressalva importa: a Culture Amp indica que esses números de carreira vêm do seu benchmark de engagement mais amplo, uma população maior do que a amostra de IA de 112.000 colaboradores. Não os atribua à coorte de IA. Trate-os como o clima em volta, não como a mesma medição.
A objecção honesta
Três limites, ditos com clareza.
Isto é percepção, não produção. Todos os números aqui são colaboradores a reportar como se sentem. A Culture Amp di-lo explicitamente: cada resultado do benchmark é um conjunto de colaboradores a dizer-lhe como se sente em relação a algo, não uma medida de produção ou de horas. Uma pontuação plana de carga de trabalho é compatível com ganhos reais de capacidade que as pessoas simplesmente absorveram sem notar.
A amostra é auto-seleccionada. As organizações que lançam um inquérito sobre IA estão, por definição, mais avançadas do que as que não o fazem. A América do Norte representa 58% das empresas que usam o template, a tecnologia lidera por sector, e as organizações com mais de 1.000 colaboradores são cerca de um terço dos utilizadores. O enquadramento da Culture Amp é correcto: leia isto como o retrato de organizações já envolvidas com IA, não de qualquer empregador. (O corpo do comunicado também cita «123 organizações» num parágrafo, contra 292 no bloco metodológico; é a nota de metodologia que deve ser citada.)
A explicação alternativa é o calendário, não o fracasso. O working paper NBER 35684 — Babina, He e Jiang — liga os primeiros ganhos de produtividade da IA à acumulação de capital organizacional, o conhecimento durável e específico da empresa construído através de learning-by-doing, mais do que às ferramentas ou ao número de pessoas dedicadas à IA (NBER, 2026). O corpo do artigo é de acesso restrito, pelo que não deve ser-lhe atribuída qualquer dimensão de efeito. Mas a direcção é uma objecção legítima: um ano de carga de trabalho plana pode ser o custo de construir conhecimento de processo que paga mais tarde. Essa leitura, porém, só está disponível para empresas que estão efectivamente a codificar algo. Não está disponível para uma empresa com 400 fluxos de trabalho optimizados individualmente e nenhum registo de nenhum deles.
O que decidir antes de o trimestre fechar
Quatro movimentos. Nenhum deles é uma licença nova.
- Escreva a lista do que para, por equipa, com nomes. Não «reduzir trabalho manual» — três entregáveis recorrentes concretos que deixam de ser produzidos depois deste trimestre, e quem confirmou que já não são necessários. Se nada na lista for incómodo, a lista é decorativa.
- Nomeie o destino das horas recuperadas antes de as reclamar. Uma hora libertada sem destino nomeado é uma hora absorvida. Escolha um por função: um objectivo de desenvolvimento, um projecto transversal, uma mobilidade interna ou folga deliberada. «Trabalho estratégico» não é um destino.
- Acrescente uma pergunta sobre carga de trabalho ao próximo inquérito de engagement e segmente-a por nível de uso de IA. Pode reproduzir o resultado da Culture Amp dentro da sua empresa num único ciclo de inquérito. Se os seus utilizadores mais intensivos reportarem a mesma carga que os não utilizadores, mediu a reabsorção directamente — nos seus dados, com as suas funções ligadas.
- Instrumente a função, não a ferramenta. A decisão sobre o que para exige ver o que cada posição contribui realmente, que competências as horas recuperadas poderiam construir e que movimento interno a capacidade libertada torna possível. Isso são dados ao nível da função, não dados de adopção. A camada de performance e sucessão da Scovai mede competências por ciclo e daí mapeia mobilidade interna e prontidão para sucessão, se quiser uma referência concreta do aspecto dessa instrumentação.
O verdadeiro resultado do benchmark não é que a IA falhou em reduzir a carga de trabalho. É que 112.000 colaboradores receberam um ganho de produtividade e ninguém, acima deles, especificou para que servia.
Os seus utilizadores de IA mais intensivos já encontraram o tempo. A única pergunta que resta para este trimestre é se é você a decidir para onde vai, ou se é a caixa de entrada deles a decidir.
