Pesquisadores do Ramp Economics Lab e da Revelio Labs cruzaram os gastos corporativos em IA efetivamente observados — transações reais de cartão e pagamentos a fornecedores, não respostas de pesquisa — com os registros de força de trabalho de 21.559 empresas norte-americanas. As companhias na faixa mais alta de investimento em IA aumentaram o quadro total em 10,2% nos dois anos seguintes à adoção, e o quadro júnior em 12%. As companhias na faixa de baixa intensidade não registraram nenhuma variação estatisticamente significativa (Ramp Economics Lab, 2026).
Não um ganho menor. Zero.
Esse contraste é o achado que merece atenção, e não é o que as manchetes captaram. O resultado interessante não é que adoção de IA e contratação júnior possam se mover juntas. É que a adoção em si não explicou nada. A intensidade fez todo o trabalho.
O Estudo Mediu Gastos, Não Percepções
Quase tudo o que um Head of Operations lê sobre adoção de IA é autodeclarado. Alguém entrevista executivos, os executivos descrevem a própria maturidade, e a curva resultante reflete tanto confiança quanto implantação. O problema de medição já está bem documentado — você provavelmente o viu na própria casa, com líderes avaliando a capacidade de IA da empresa bem acima do que os dados de implantação sustentam.
O desenho da Ramp–Revelio contorna isso. O gasto em IA vem dos registros de cartão corporativo e pagamentos a fornecedores da Ramp — dinheiro que efetivamente saiu da empresa — e é ligado aos registros de força de trabalho da Revelio Labs para as mesmas companhias. As empresas foram então classificadas como adotantes de alta ou baixa intensidade com base no gasto em IA por funcionário nos três primeiros meses após a adoção, e seu emprego acompanhado adiante (Revelio Labs, 2026).
Essa construção importa para o peso que o resultado consegue sustentar. Ninguém na amostra foi perguntado sobre quão transformador o próprio programa de IA parecia. A variável independente é um registro contábil.
É, segundo os autores afirmam, o primeiro estudo a ligar gasto em IA no nível da firma a dados de emprego nessa escala (Ramp Economics Lab, 2026). Para quem lidera operações, essa é a diferença entre um dado com o qual se planeja e um que apenas se cita.
A Intensidade É a Variável, e Ela Se Comporta Como um Limiar
Coloque as duas faixas lado a lado e a forma do resultado é incomum.
Adotantes de alta intensidade: +10,2% de quadro total em dois anos, +12% júnior, com ganhos surgindo gradualmente e distribuídos amplamente entre funções — engenharia, vendas, administração e atendimento ao cliente (Ramp Economics Lab, 2026). Adotantes de baixa intensidade: nada estatisticamente distinguível de não ter adotado.
Se o investimento em IA produzisse retornos aproximadamente proporcionais ao gasto, esperaríamos que a faixa baixa mostrasse um pequeno efeito positivo — atenuado, ruidoso, mas presente. Não mostra. A relação não é linear, e meias-medidas não percorrem metade do caminho.
Leia isso como uma restrição operacional. Uma alocação modesta espalhada finamente por onze departamentos não é uma versão reduzida de um programa sério. Sobre essa evidência, é uma categoria diferente de atividade, e não aparece de forma alguma nos dados de emprego.
Isso deveria reformular como a conversa de orçamento é conduzida. A postura padrão do mid-market — um pouco de IA em cada função, para que ninguém se sinta excluído e nenhuma aposta isolada possa constranger alguém — é exatamente o perfil que a faixa de baixa intensidade descreve. É um portfólio construído para minimizar arrependimento, e não devolve nada mensurável.
O Número Júnior Contraria o Canário
Os 12% caem no meio de uma discussão ativa, e vale ser preciso sobre o que resolvem e o que não resolvem.
O Stanford Digital Economy Lab, trabalhando com dados de folha de pagamento da ADP, documentou uma queda relativa de cerca de 13% no emprego de trabalhadores em início de carreira nas ocupações mais expostas à IA — o resultado dos "canários na mina" que moldou boa parte da narrativa júnior de 2025–2026 (Stanford Digital Economy Lab, 2025).
Ambos os achados podem valer simultaneamente, porque não medem o mesmo objeto. Stanford acompanha ocupações: dentro das categorias profissionais expostas à IA, os jovens trabalhadores perderam terreno. A Ramp acompanha empresas: dentro das companhias que investem pesado em IA, o quadro júnior cresceu. Alguns cargos estão encolhendo na economia enquanto algumas empresas contratam mais gente júnior do que antes. Exposição ocupacional agregada e intensidade de investimento no nível da firma são eixos distintos, e quem opera está no segundo.
Que é a leitura praticamente útil. Você não controla se o mix de tarefas do seu setor é exposto à IA. Você controla a concentração de investimento da sua empresa — e essa é a variável que, segundo os dados no nível da firma, se moveu.
A tentação é escolher o estudo que confirma o plano que você já tem. Resista. A síntese honesta é mais estreita e mais útil: a exposição define a pressão sobre um cargo, a intensidade do investimento parece definir se sua organização cresce dentro dessa pressão ou encolhe sob ela.
O Contra-Argumento: Pode Ser Seleção
A objeção mais forte ao resultado da Ramp vem do próprio estudo, e merece ser declarada abertamente em vez de enterrada.
Os autores são explícitos: quem adota IA não é uma amostra aleatória. São empresas já maiores, mais intensivas em engenharia, com maior probabilidade de aporte de venture capital, e de crescimento mais rápido do que as não adotantes. Os ganhos setoriais se concentram em Informação (Ramp Economics Lab, 2026).
Esse é um problema real para a leitura causal ingênua. Empresas de software em rápido crescimento e bem capitalizadas gastam muito em IA e contratam muito, e o fator comum pode ser simplesmente que estão vencendo. Sob essa interpretação, gasto elevado em IA é sintoma da expansão mais do que causa — e uma empresa de serviços industriais de 220 pessoas comprando mais licenças não herdaria os 12%.
Duas coisas mantêm o achado útil mesmo após esse desconto. Primeiro, o estudo acompanha mudanças dentro das empresas antes e depois da adoção, não uma comparação bruta entre adotantes e não adotantes — o crescimento chega depois do gasto, em curva gradual. Segundo, e mais decisivo para seus fins: o resultado nulo na faixa de baixa intensidade não é explicado por seleção. Aquelas empresas também escolheram adotar. Também tinham orçamento, patrocínio e intenção. Gastaram menos por funcionário, e obtiveram um zero estatisticamente indistinguível.
Portanto trate os 12% como direcionais e ligados ao contexto. Trate o zero como a lição transferível.
O Que Plausivelmente Separa um 12% de um Zero
Aqui a evidência afina, e quero ser clara sobre onde os dados terminam.
O estudo da Ramp mede intensidade de gasto e resultados de emprego. Não identifica o mecanismo — não pode dizer o que as empresas de alta intensidade fizeram com o dinheiro que as de baixa intensidade deixaram de fazer. Quem afirma o contrário está extrapolando.
A melhor evidência disponível sobre mecanismo vem de outro lugar. O State of AI 2025 da McKinsey constatou que, embora ampla maioria das organizações relate usar IA, apenas uma minoria reporta impacto significativo no EBIT no nível corporativo — e que a prática mais associada às organizações que veem retorno é o redesenho fundamental dos fluxos de trabalho em torno da tecnologia, em vez da implantação sobre os processos existentes (McKinsey, 2025). É uma correlação de uma pesquisa autodeclarada, não uma estimativa causal, e deve ser ponderada de acordo.
Juntando as duas com a devida cautela, emerge uma história plausível: gasto alto e sustentado por funcionário é a aparência que o redesenho de fluxos assume na contabilidade. Redesenhar como o trabalho atravessa uma função custa esforço de integração, trabalho de dados e tempo de processo — e aparece como uma fatura grande e concentrada. Comprar licenças e deixar o fluxo intacto é barato, que é exatamente por isso que produz uma assinatura de baixa intensidade e um resultado nulo.
Eu manteria isso como hipótese de trabalho, não como achado. O que está medido é isto: concentração de gasto prediz crescimento de quadro, dispersão não prediz nada.
Três Movimentos Antes do Próximo Ciclo Orçamentário
Meça sua intensidade, não sua adoção
A maior parte do reporting de IA no mid-market conta licenças, usuários ativos e departamentos alcançados. Nenhum deles é a variável que se moveu neste estudo. Calcule o gasto em IA por funcionário, e calcule por função em vez de por empresa — uma média geral esconde se você está rodando um programa sério ou nove cosméticos. Normalmente você descobrirá que o total parece respeitável enquanto cada função individual está na faixa de baixa intensidade.
Concentre em vez de distribuir
Se a dispersão não devolve nada, a implicação para alocação é desconfortável mas clara: o mesmo orçamento concentrado em uma ou duas funções é uma aposta materialmente diferente do mesmo orçamento espalhado por nove. Escolha as funções onde o processo ao redor pode de fato ser reconstruído — onde você detém o fluxo ponta a ponta e pode mudar como o trabalho é roteado, não apenas como é redigido. Financie essas adequadamente e restrinja o resto deliberadamente.
Isso será politicamente mais difícil do que a planilha sugere. Todo líder de função agora tem uma linha de orçamento de IA, e retirar uma é lido como julgamento sobre aquela função. Leve o argumento para a evidência: um piloto financiado pela metade não é uma vitória menor, é um zero com uma linha orçamentária anexada.
Ligue explicitamente o caso de IA a um caso de contratação
O enquadramento reflexo — investimento em IA como evitação de quadro — não é o que as empresas de alta intensidade deste conjunto de dados produziram. Elas cresceram, inclusive no nível júnior (Ramp Economics Lab, 2026). Se isso se generaliza ao seu setor permanece genuinamente aberto, dada a concentração no setor Informação. Mas vale nomear a premissa no seu business case, porque "isso substitui três contratações" e "isso nos permite absorver mais trabalho com o time que estamos construindo" produzem escolhas de implementação, investimento em treinamento e política interna diferentes desde o primeiro dia.
Uma Decisão
Extraia seu gasto em IA dos últimos quatro trimestres e divida por função e por quadro. Depois faça uma pergunta: existe alguma função nesta empresa realmente na faixa de alta intensidade, ou distribuímos um orçamento sério em nove programas não sérios?
Se for o segundo — e para a maioria dos operadores mid-market será — a correção não é mais dinheiro. São menos apostas.
As empresas deste conjunto de dados que cresceram o quadro, contratação júnior incluída, não foram as que adotaram IA mais cedo ou com mais entusiasmo. Foram as que concentraram. As que não obtiveram nada não foram as que ficaram de fora — foram as que espalharam fino demais.
