O mesmo modelo. Os mesmos quinze minutos. A mesma tarefa. Mova essa janela da primeira metade da hora para a segunda, e a criatividade avaliada por especialistas cai 0,62 desvios-padrão (Huang, Yu, Chen & Zhou, 2026). Nada mudou na ferramenta — apenas o momento em que a equipa teve permissão para lhe tocar. Esse resultado transforma o momento do acesso à IA numa decisão de configuração com preço mensurável, e na maioria das empresas é uma decisão que ninguém tomou: o assistente está simplesmente ligado, sempre, para toda a gente.
O estudo é uma experiência laboratorial pré-registada com 148 equipas de três pessoas (444 participantes), distribuídas aleatoriamente por cinco calendários de acesso ao mesmo modelo de linguagem durante uma tarefa de design de produto de 40 minutos. A tarefa tinha uma fase de busca de 15 minutos, uma fase de seleção de 15 minutos e uma fase de desenvolvimento. O portão de decisão — os autores chamam-lhe the screen, o filtro — caía ao minuto 15 em todas as condições.
O que a experiência moveu de facto
Cinco condições: o assistente apenas durante a busca, apenas durante a seleção, ao longo de todo o processo, nunca, e durante a busca com um aviso permanente sobre dependência excessiva. A plataforma impunha cada janela, e todas as 2.124 consultas registadas caíram dentro da janela atribuída. O assistente era um único modelo (DeepSeek V3.2) à temperatura 0,1. Quatro avaliadores com cinco a dez anos de experiência no setor pontuaram cada entrega às cegas.
O contraste principal opõe o acesso na fase de busca ao acesso na fase de seleção: 0,356 pontos na escala de avaliação, IC 95% [0,064, 0,648], Welch p = 0,018, que os autores reportam como 0,62 desvios-padrão. Sobrevive à sua correção pré-registada de Benjamini-Hochberg sobre todos os oito contrastes.
Face ao grupo de controlo sem IA, o padrão fica mais nítido:
| Condição | Ganho vs. sem IA | valor p |
|---|---|---|
| Acesso durante a busca | +0,486 pontos | 0,002 |
| Acesso ao longo de todo o processo | +0,479 pontos | 0,002 |
| Acesso apenas durante a seleção | +0,130 pontos | 0,43 |
Duas coisas nessa tabela merecem uma segunda leitura. Primeiro, o acesso tardio não produziu qualquer ganho mensurável — mas também não deixou as equipas piores do que não ter IA de todo. Os autores são explícitos: não encontram evidência direta de uma penalização; o custo é um prémio perdido, não um dano. Segundo, acrescentar acesso na fase de seleção por cima do acesso na fase de busca não rendeu nada: contínuo contra apenas-inicial dá −0,007 pontos. Todo o retorno estava na primeira janela.
Porque o momento do acesso à IA decide o retorno
Os registos da plataforma localizam o mecanismo com precisão, e não tem que ver com esforço nem com taxas de utilização. As equipas usaram o modelo a taxas semelhantes em todas as condições.
As equipas com acesso inicial chegaram ao portão com 19,8 ideias distintas escritas, contra 3,9 das equipas sem IA — um conjunto cinco vezes maior. A maior parte era de origem máquina (18,6 ideias), e as ideias próprias das equipas chegaram mesmo a cair de 3,9 para 1,3. O assistente substituiu parte da sua ideação enquanto multiplicava o conjunto. Depois podaram: cerca de um terço das ideias reunidas (32%) reapareceu na entrega, a mesma proporção das equipas sem IA, e as entregas levavam 2,9 propostas.
É toda a história. Um conjunto amplo, depois um filtro humano, depois um compromisso estreito.
As equipas com acesso tardio chegaram ao mesmo portão com 3,8 ideias — estatisticamente idênticas às 3,9 do controlo, exatamente como a aleatorização implica. Depois receberam o modelo, e não o usaram para escolher. Usaram-no para procurar de novo. Mantendo fixos a janela, o prompt de sistema e o modelo — acesso tardio contra acesso contínuo, a comparação limpa — as equipas com acesso tardio dedicaram 29% das suas consultas da fase de seleção a gerar novas opções, contra 11% das equipas que já tinham tido o assistente durante a busca.
A consequência aparece no que sobreviveu. Apenas 5% do texto entregue pelas equipas com acesso tardio existia antes do portão, contra 22% das equipas sem IA e 71% das equipas com acesso inicial. As opções tardias não foram acrescentadas ao conjunto filtrado. Substituíram-no. A similaridade por embeddings de frases dá o mesmo padrão, por isso não se trata de o assistente reformular o que as equipas já tinham.
Opções que nunca chegaram a encontrar a equipa
Um detalhe merece ser assinalado por quem gere um processo de revisão. Entre as equipas com acesso tardio, material de origem máquina entrou nas entregas sem nunca ter sido partilhado com os colegas de equipa em 9,6% dos casos, contra 3,9% no acesso inicial. Quando os autores mantêm fixo o tipo de pedido, a maior parte das diferenças entre as duas condições encolhe e perde significância — mas a adoção não partilhada sobrevive. Tarde numa tarefa, com uma decisão pendente, o output vai direto para a entrega sem passar por um segundo par de olhos.
É a mesma falha que a verification tax mede no terreno: 52% dos trabalhadores corrigem regularmente trabalho gerado por IA produzido por colegas, e 42% passam mais tempo a verificar output de IA do que aquele que poupam ao usá-la (Adaptavist, 2026). O output não filtrado não desaparece. Torna-se o problema de filtragem de outra pessoa, um passo mais a jusante.
O acesso tardio comprou amplitude, e amplitude não é qualidade
As equipas com acesso tardio não estiveram paradas. Produziram mais. As propostas por entrega subiram 1,53 face ao controlo (SE 0,54, p = 0,005) — um aumento de 73% sobre a média de controlo de 2,10 propostas, e o dobro do aumento com acesso inicial.
Os avaliadores humanos não o recompensaram. Entre equipas, cada proposta adicional esteve associada a uma avaliação 0,179 pontos mais baixa. Chegaram mais opções e a qualidade por opção desceu, que é o que se espera quando um orçamento de desenvolvimento fixo se reparte por mais candidatos.
Esta é a forma do problema para quem dirige operações: o acesso tardio à IA aumenta de forma fiável o output visível e falha de forma igualmente fiável em aumentar a qualidade avaliada. Se o seu painel conta artefactos, o acesso tardio parece uma vitória.
A objeção honesta: este resultado tem uma regra de pontuação lá dentro
Os autores conduzem eles próprios a objeção, e é a parte mais útil do trabalho. Dê crédito à amplitude, e o veredicto desloca-se.
Acrescente γ pontos por proposta à pontuação de cada equipa, e a vantagem do inicial sobre o tardio desce de 0,356 em γ = 0 para 0,279 em γ = 0,1, e para 0,203 em γ = 0,2 (p = 0,076), e desaparece por completo em γ = 0,46. Com um crédito de apenas 0,1 pontos por proposta, o acesso tardio supera o controlo sem IA. O acesso inicial também lidera por 0,356 na proposta média, por 0,221 na melhor proposta, e inverte-se no total — as equipas com acesso tardio somam mais pontos.
Portanto a afirmação honesta é condicional: se o que precisa é de um único compromisso sólido, dê o assistente à equipa antes do filtro. Se o que precisa é de um leque amplo de opções para levar adiante, o acesso tardio não é um modo de falha. O erro é não escolher. Um assistente sempre ligado define este parâmetro por omissão, e a omissão é a cara para trabalho de compromisso.
Três limites adicionais pertencem a qualquer síntese interna deste estudo. Os participantes eram 444 estudantes universitários na China, idade média 21,6 anos, numa tarefa estruturada de 40 minutos com um único modelo — os autores declaram abertamente que o seu desenho "troca amplitude de contexto por identificação limpa". O desenho tinha potência para d ≈ 0,74 e encontrou g = 0,62, portanto não é um efeito estimado com precisão, ainda que sobreviva à correção. E a comparação inicial-contra-tardio carrega um fator de confundimento de prompt que os autores divulgam: o prompt de sistema era definido por fase, pelo que ao assistente da fase de busca foi dito para gerar e ao da fase de seleção para refinar. A comparação que mantém fixos prompt, janela e modelo é acesso tardio contra acesso contínuo — ou seja, o resultado 29% contra 11%, e aponta na mesma direção.
O seu avaliador de IA não vai detetar isto
Eis o resultado que deveria mudar um processo, e não uma opinião.
Cada proposta foi também pontuada por dez modelos de linguagem de fronteira de cinco famílias de modelos, usando a mesma grelha dos especialistas humanos. O painel era internamente consistente e as suas pontuações por equipa correlacionavam 0,61 com as do painel humano. Detetou corretamente o benefício bruto do acesso à IA, colocando cada condição de acesso entre 0,58 e 1,41 desvios-padrão acima do controlo.
Não conseguiu ver de todo o custo do momento. O contraste inicial-contra-tardio foi de 0,59 desvios-padrão sob as avaliações humanas (p = 0,019) e de −0,08 sob o painel de modelos (p = 0,77). Excluindo o modelo mais próximo do assistente fica em −0,10; excluindo ambos os modelos DeepSeek fica em −0,08, pelo que não é autopreferência. A cegueira aparece em todas as dimensões — originalidade, adequação, elaboração, qualidade do texto — onde os especialistas humanos viam diferenças de 0,5 a 0,7 SD.
Parte da explicação é mecânica. Os avaliadores humanos retiravam 0,179 pontos por cada proposta adicional; o painel de modelos retirava 0,063. O painel não valorizou a amplitude como os especialistas, e amplitude é exatamente o que o acesso tardio produziu.
A frase dos autores é a que convém levar a uma reunião de direção: uma organização que avalia trabalho assistido por IA com juízes de IA "verá que a assistência ajuda, mas não que o seu momento importa".
Não é um resultado isolado sobre uma grelha. As camadas de avaliação são instrumentos de medida com propriedades próprias, e derivam: num estudo longitudinal de revisão de output de agentes, um revisor mais severo que entrou em maio pontuou lotes idênticos 0,79 SD mais baixo e achatou, nos dados brutos, uma tendência real de melhoria de 0,53 SD (Efeitos do avaliador na avaliação de agentes, 2026). Seja o seu juiz humano ou um modelo, precisa de ser calibrado contra alguma coisa antes de o deixar classificar um deployment.
Há um paralelo digno de nota do lado das capacidades. Num ensaio aleatorizado de três meses com 133 advogados de patentes, o acesso à IA elevou a qualidade do trabalho entregue em 0,38 SD aos 90 dias — e quando a ferramenta foi retirada, a vantagem retida concentrou-se nos advogados seniores em 0,45 SD enquanto os juniores não mostraram qualquer ganho médio (Autor et al., NBER w35720, 2026). Qualidade entregue e julgamento subjacente separaram-se. O estudo sobre o momento é a mesma lição um nível acima: o artefacto parece correto enquanto o processo que o deveria ter produzido não correu.
O que um Head of Operations deve fazer este trimestre sobre o momento do acesso à IA
Quatro movimentos concretos, por ordem de custo.
- Encontre os seus filtros e ponha-os por escrito. Para os dois ou três fluxos de trabalho recorrentes de maior impacto, nomeie o momento em que o conjunto de opções se fecha e começa o compromisso. A maioria das equipas não o sabe apontar, e essa é a precondição para calendarizar mal o acesso.
- Decida, fluxo a fluxo, se está a comprar profundidade ou amplitude. É a questão γ tornada concreta. Trabalho de compromisso — uma proposta, um fornecedor, um plano — quer o assistente antes do filtro. Trabalho de leque quer-o depois. Escreva a resposta na definição do fluxo em vez de a deixar a quem abra uma janela de chat.
- Restrinja o uso de IA posterior ao filtro ao desenvolvimento, não à geração. A diferença 29% contra 11% é a falha mensurável. Onde o primeiro contributo do assistente chega necessariamente tarde, exija que o output tardio seja comparado com o que já foi escolhido em vez de competir com ele sem filtro.
- Valide o seu avaliador antes de confiar num veredicto. Pontue um lote com o seu juiz automatizado e com dois humanos experientes, e compare os contrastes que realmente lhe interessam — não apenas o acordo global. Um painel que correlaciona 0,61 em níveis pode ainda assim devolver −0,08 na comparação que conta.
Os pontos três e quatro são questões de configuração, não de formação, e é por isso que governação por tarefa vence uma política genérica. Onde esse trabalho acontece numa plataforma e não num documento, os controlos relevantes são os que se situam ao nível da ação individual: os Digital Employees da Scovai são confirm-first por omissão, com autonomia ganha por tipo de ação a partir de um registo auditado de aprovações e occupancy definida por posto, de modo que "o assistente pode desenvolver uma opção escolhida mas não pode abrir uma nova depois do portão" é uma definição imposta com trilho de auditoria, e não uma linha num manual que ninguém lê ao minuto 22.
Repare no que nada disto exige. Nenhuma ferramenta nova, nenhuma rubrica orçamental nova, nenhuma migração de modelo. A experiência mudou um parâmetro que a sua empresa já está a definir por acidente, todos os dias, em cada fluxo de trabalho onde alguém tem uma janela de chat aberta.
Escolha a sua decisão recorrente de maior impacto deste trimestre e faça uma pergunta: a IA chega antes do filtro, ou depois? Se ninguém souber responder, não está a conduzir um piloto de IA. Está a correr a condição cara por omissão — e se for um juiz de IA a classificá-la, nada nos seus relatórios lho dirá alguma vez.