Cinquenta e seis por cento dos trabalhadores norte-americanos que usaram IA no trabalho na semana anterior pouparam duas horas ou menos. Treze por cento não pouparam nada, ou precisaram de tempo adicional para concluir o trabalho (U.S. Census Bureau, 2026; Nextgov/FCW, 2026).
Esta é a primeira medição federal e independente de fornecedores do tempo poupado pela IA no trabalho. Não é um argumentário de licenças, nem uma exportação de telemetria de customer success, nem um inquérito conduzido por uma empresa que vende lugares. E para um Head of Operations a construir um business case de IA para 2026, resolve uma questão que os dados dos fornecedores não conseguem resolver estruturalmente: quanto o utilizador mediano recupera de facto.
A resposta é uma a duas horas. O problema não é a dimensão do número. É que uma a duas horas dispersas não são a unidade em que o seu business case está denominado.
O que o Census mediu realmente sobre o tempo poupado pela IA no trabalho
O Household Trends and Outlook Pulse Survey de março de 2026, divulgado a 11 de agosto, perguntou aos trabalhadores inquiridos se tinham usado IA em alguma de 11 tarefas profissionais específicas. Cerca de 55% responderam que sim (Census Bureau, 2026).
Vale a pena ler a lista de tarefas com atenção, porque descreve a forma da adoção real e não a forma de um roadmap:
- 37% — procurar informação ou ajuda técnica
- 32% — redigir comunicações, documentação ou instruções
- 32% — gerar ideias
- 31% — interpretar, traduzir ou resumir informação
- 27% — tarefas administrativas
Nada disto é agêntico. É pesquisa, redação e compressão — o meio substituível do trabalho de conhecimento, não a propriedade ponta a ponta dos processos em torno da qual está escrita a maioria dos planos de implementação de 2026.
Depois, a pergunta sobre o tempo. Entre os trabalhadores que usaram IA na semana anterior, a distribuição foi: 25% pouparam menos de uma hora, 31% entre uma e duas horas, cerca de 30% três horas ou mais (repartidos de forma aproximadamente igual entre três horas e quatro ou mais), 10% não pouparam tempo nenhum e 3% afirmaram que o trabalho demorou mais com IA do que sem ela (Census Bureau, 2026; CBS News, 2026).
Uma nota metodológica que importa para a forma como citar isto internamente: a pergunta do Census está ancorada em tarefas concluídas na semana anterior, não num total semanal limpo por pessoa. Se alguma coisa, esse enquadramento é generoso. O uso é também mais ténue do que os títulos sobre adoção sugerem: apenas 24% dos utilizadores de IA lhe tocaram todos os dias na semana de referência, enquanto 46% a usaram pelo menos um dia.
Duas leituras federais independentes, um único número: cerca de duas horas
A característica mais útil deste conjunto de dados é ser a segunda medição de matriz federal a aterrar praticamente no mesmo ponto.
O inquérito nacionalmente representativo de Bick, Blandin e Deming — o que sustenta o trabalho da St. Louis Fed sobre adoção — perguntou aos utilizadores de IA generativa quantas horas adicionais teriam precisado para concluir o trabalho da semana anterior sem ela. A resposta foi 5,4% das horas trabalhadas, ou seja, cerca de 2,2 horas numa semana de 40 horas (St. Louis Fed, 2024).
Dois instrumentos diferentes, dois anos diferentes, dois desenhos de pergunta diferentes. Ambos aterram em cerca de duas horas.
Eis a parte que quase toda a gente lê ao contrário. Os fornecedores também não estão longe deste número. O estudo Total Economic Impact da Forrester sobre o Microsoft 365 Copilot constrói o seu motor de valor em cerca de 9 horas poupadas por utilizador por mês — aproximadamente 2,25 horas por semana — e ainda assim chega a um ROI de 116% para a sua organização compósita, com 36,8 milhões de dólares em benefícios contra 17,1 milhões em custos ao longo de três anos (Forrester, 2025).
Portanto, o desacordo entre os dados federais e o modelo dos fornecedores não é sobre horas. É sobre quanto vale uma hora. E esse é um pressuposto de modelação que lhe pertence, não um que o fornecedor possa validar por si.
O seu business case não erra nas horas. Erra sobre o que essas horas são.
A aritmética padrão é horas poupadas × custo horário carregado × efetivos. É limpa, sobrevive a uma revisão financeira e está errada de uma forma específica: assume que o tempo recuperado é fungível com o tempo comprado.
Não é. Duas horas por semana, distribuídas por uma dúzia de tarefas interrompidas, são folga. São absorvidas pelo dia de trabalho — finais de dia ligeiramente mais cedo, revisões ligeiramente mais longas, um pouco menos de compressão no fecho da semana. Não se consolidam num incremento de capacidade realocável, porque nada no modelo operacional foi desenhado para as recolher. Numa empresa de 200 FTE não existe mecanismo algum que varra os noventa minutos dispersos de quarenta pessoas para dentro de um projeto financiado.
Esta é a versão mid-market de um resultado macro. A contabilidade ao nível da tarefa de Acemoglu sobre o efeito agregado da IA — quota de tarefas afetadas multiplicada pela poupança média de custo por tarefa — produz no máximo um aumento de 0,66% da produtividade total dos fatores em dez anos, precisamente porque poupanças significativas por tarefa numa fatia modesta do trabalho não se agregam como a intuição exige (Acemoglu, 2024). A sua demonstração de resultados corre a mesma aritmética a menor escala, com o mesmo desfecho.
O teste operacional é binário e implacável: uma tarefa inteira saiu da secretária de alguém?
Se uma reconciliação mensal, um ciclo de primeira versão, uma classe de tickets de nível um ou a construção de um relatório estão agora totalmente absorvidos — isso é capacidade, e é contabilizável. Manifesta-se como um lugar que não repõe, um prestador que não renova, uma fila que escoa sem horas extraordinárias. Se, pelo contrário, cada tarefa continua a exigir uma pessoa e cada uma é apenas um pouco mais rápida, comprou conforto. Conforto é uma compra legítima. Não é uma linha de custo, e nunca deveria ter sido modelado como tal.
Os 13% que ninguém precifica
Dez por cento dos utilizadores de IA não pouparam tempo. Três por cento precisaram de mais tempo do que precisariam sem ela (Nextgov/FCW, 2026).
Nunca vi um business case mid-market que carregue uma cauda negativa. Todos os modelos que reviso tratam a poupança como tendo um piso em zero e uma distribuição acima. Os dados federais dizem que cerca de um em cada oito utilizadores está em zero ou abaixo — e esses utilizadores continuam a consumir uma licença, um lugar em formação e atenção de gestão.
Isto reformula a amplitude da implementação. Um rollout universal a preço fixo por lugar compra-lhe a distribuição inteira, incluindo o seu oitavo inferior. Um rollout dirigido a perfis de tarefa que correspondem ao topo da distribuição — redação de elevado volume, sumarização, funções intensivas em pesquisa de informação — compra-lhe uma versão truncada. Em 500 lugares, a diferença entre estas duas curvas é todo o argumento do ROI, e é decidida pelo âmbito da compra, não pela tecnologia.
A objeção: «O nosso piloto mostrou mais do que isso»
Provavelmente mostrou. Duas razões estruturais, ambas a ter presentes antes de extrapolar.
Os pilotos selecionam por entusiasmo. Os voluntários de um piloto de IA vêm da cauda direita da mesma distribuição que o Census acaba de publicar — os 30% que obtêm três horas ou mais. Alargar à população total aproxima-o da mediana, não da média do piloto. Um piloto que devolveu quatro horas por semana por participante não prevê quatro horas por semana por colaborador; prevê o teto.
O tempo poupado autodeclarado é a estimativa de um contrafactual. Tanto o instrumento do Census como o da St. Louis Fed pedem às pessoas que imaginem quanto tempo teriam demorado sem IA. É uma tarefa cognitiva difícil, e não é de todo óbvio que esteja enviesada para baixo. Nada aqui corrige a possibilidade de as autodeclarações sobrestimarem.
Nenhum destes pontos significa que a tecnologia fique aquém. Ambos significam o mesmo em termos operacionais: o seu business case deve ser construído sobre a mediana de uma população completa e testado no decil inferior — não construído sobre a coorte piloto e projetado por esperança.
Três decisões antes do fecho do trimestre
- Redenomine o modelo em tarefas, não em horas. Pegue no seu business case de IA atual e identifique cada linha em que horas poupadas são convertidas em dinheiro. Para cada uma, nomeie a tarefa específica que saiu da secretária de uma pessoa específica. As linhas que sobrevivem ficam. As que não conseguem nomear uma tarefa são reclassificadas de poupança de custo para benefício de qualidade ou de experiência — reais, dignas de financiamento, mas já não estruturantes do ROI.
- Precifique explicitamente o oitavo inferior. Acrescente uma linha para os cerca de 13% de utilizadores com resultado líquido nulo ou negativo. Multiplique pelo custo totalmente carregado do lugar mais a capacitação. Se essa linha alterar materialmente o seu período de retorno, a resposta é uma implementação mais estreita, não uma melhor biblioteca de prompts.
- Instrumente um processo ponta a ponta antes da renovação. Escolha um único fluxo de trabalho de elevado volume e bem delimitado. Meça o tempo de ciclo e o número de mãos que lhe tocam antes e depois — ao nível do processo, não do indivíduo. Uma medição limpa ao nível do processo vale mais do que um ano de horas autodeclaradas, e é a única evidência que distingue folga de capacidade.
A pergunta que vale a pena fazer antes da renovação
O contributo do Census Bureau não é o de que o tempo poupado pela IA seja pouco. Duas horas por semana para mais de metade de uma força de trabalho que adota a 55% é um ganho real e alargado, e converge com a estimativa federal independente.
O contributo é que o número é agora público, não comercial e suficientemente estável para se planear com ele — o que elimina a última desculpa para um business case que multiplica minutos dispersos por um custo horário carregado e chama capacidade ao resultado.
Antes de assinar a renovação, faça à sua equipa uma pergunta e exija um nome, não um número: que tarefa deixou de exigir uma pessoa? Se ninguém souber responder, este ano não comprou capacidade. Comprou uma semana um pouco mais leve — e é melhor sabê-lo antes que o controlo de gestão o descubra no relatório de desvios.
