Dois por cento.
É a parcela de trabalhadores cuja atividade observada mostra a IA realmente integrada ao modo como o trabalho é feito — não experimentada, não usada de vez em quando, mas incorporada ao fluxo da função. O número vem do Productivity Lab da ActivTrak, que classificou a adoção de IA em 120.620 trabalhadores pelo que essas pessoas foram vistas fazendo, e não pelas licenças que possuíam ou pelo que declararam numa pesquisa. Vinte e sete por cento chegaram à assistência de pesquisa. Catorze por cento à execução de tarefas. Dois por cento à integração no fluxo de trabalho (ActivTrak Productivity Lab, 2026).
O seu painel de adoção de IA quase certamente reporta um número muito maior. Ele não está mentindo. Está respondendo a outra pergunta — uma que você deixou de perceber que estava fazendo.
Duas medições, uma semana, duas realidades
O timing é o indício. Na mesma semana, a Gallup reportou um salto de seis pontos na adoção organizacional de IA (Gallup, 2026) e a ActivTrak publicou o número de 2% de integração no fluxo de trabalho (ActivTrak Productivity Lab, 2026).
Ambos são críveis. Não estão em conflito, porque não medem a mesma coisa. A Gallup pergunta a pessoas e organizações o que estão fazendo. A ActivTrak observa quais ferramentas estão de fato abertas, em que sequência, com que frequência, ao longo de que trecho do dia de trabalho. O autorrelato capta intenção, consciência e acesso. A telemetria comportamental capta hábito.
Quero ser precisa aqui, porque esta é uma comparação entre métodos diferentes e não um estudo cabeça a cabeça; tratá-la como contradição seria descuidado. Amostras diferentes, instrumentos diferentes, definições diferentes da palavra "adoção". A questão não é que um conjunto de dados desminta o outro. A questão é que a maioria das equipes de operações reporta o primeiro tipo de número a um conselho que está financiando o segundo tipo de resultado.
É nessa lacuna que os orçamentos de IA morrem em silêncio. O acesso escala rápido. O redesenho do trabalho, não. E todo painel construído sobre licenças, logins e usuários ativos mensais mostrará a primeira curva e ficará em silêncio sobre a segunda.
O que os três estágios realmente distinguem
O modelo em estágios importa mais do que a porcentagem de manchete, porque dá a quem lidera operações algo para instrumentar.
Estágio 1 — Assistência de pesquisa (27%). O trabalhador faz perguntas ao modelo. Rascunhar, resumir, consultar. A função permanece inalterada; um passo de consulta ficou mais rápido.
Estágio 2 — Execução de tarefas (14%). O modelo realiza uma unidade discreta de trabalho: escreve a primeira versão, extrai os campos, produz a análise. A tarefa agora é compartilhada. O fluxo de trabalho ao redor continua intacto.
Estágio 3 — Integração no fluxo de trabalho (2%). A IA é um passo estrutural de um processo que foi re-sequenciado em torno dela. As passagens de bastão mudaram. As aprovações mudaram. O trabalho não é o trabalho antigo feito mais rápido; tem outra forma.
Só o estágio 3 muda a estrutura de custos
Aqui está o ponto operacional. Os estágios 1 e 2 produzem economias de tempo distribuídas em fragmentos entre indivíduos — vinte minutos aqui, uma tarde ali. Reais, mas não capitalizáveis. Nada se move no resultado financeiro porque nada se moveu no processo; os minutos economizados são reabsorvidos pela mesma fila que os gerou.
O estágio 3 é onde tempo de ciclo, planos de quadro e economia unitária respondem, porque o processo em si foi reconstruído. É o estágio contra o qual o seu business case foi escrito. E é também o estágio alcançado por dois por cento dos trabalhadores.
O mecanismo por trás dessa lacuna está bem documentado. O estudo da Deloitte com 3.235 líderes encontrou uma resposta à IA fortemente inclinada a ensinar as ferramentas em vez de reestruturar o trabalho: 53% capacitam a força de trabalho para elevar a fluência em IA, enquanto apenas 30% repensam a organização em torno de novos padrões de IA e 33% redesenham trilhas de carreira (Deloitte, 2026). Todos treinam. Quase ninguém redesenha. Depois todos medem treinamentos concluídos e chamam isso de adoção.
Por que a contagem de licenças ainda passa por adoção de IA
As métricas de login sobrevivem por razões estruturais, não estúpidas.
São gratuitas — a plataforma de licenciamento as emite sem nenhum trabalho de instrumentação. Movem-se cedo, o que as torna satisfatórias nos dois primeiros trimestres de um rollout. São inequívocas, então ninguém discute no comitê de direção. E sobem de forma monótona, que é exatamente o que um patrocinador sob pressão quer de um slide.
As métricas de trabalho transformado não têm nenhuma dessas propriedades. Exigem que alguém defina o fluxo de trabalho, estabeleça sua linha de base e depois admita quando ele não se moveu. São contestáveis. Podem ficar planas por dois trimestres enquanto se disputa o redesenho. Reportá-las é um ato político, de um jeito que reportar licenças não é.
Então o incentivo é limpo e aponta para o lado errado: o número mais fácil de produzir é o menos conectado ao resultado que você prometeu. Isso não é uma falha de medição. É uma falha de governança vestida de medição.
Há um custo de segunda ordem que raramente é nomeado. Uma vez que a contagem de licenças se estabelece como a definição de adoção de IA, ela passa a orientar o comportamento. O orçamento flui para o que a eleva — mais licenças, rollout mais amplo, outro departamento a bordo — porque esse é o número sob gestão. O redesenho do fluxo de trabalho, aquele que de fato moveria o business case, disputa financiamento com uma métrica que estruturalmente não pode recompensá-lo. As equipes não escolhem distribuição em vez de redesenho pelo mérito. Escolhem porque distribuição é o que o painel paga.
A leitura justa dos dois por cento
Três ressalvas, porque de outro modo o número será mal usado.
Não é evidência de que a IA não funciona. É evidência sobre difusão, não sobre eficácia. Uma taxa de integração de 2% diz que a prática é rara, não que seja improdutiva. As organizações dentro desses 2% são a população interessante, e nada nestes dados sugere que estejam perdendo tempo.
A trajetória é real. A coorte do estágio 3 cresceu de 1.739 trabalhadores no 1T de 2026 para 2.369 no 2T — um aumento trimestral de 36% (ActivTrak Productivity Lab, 2026). Base pequena, inclinação acentuada. É comportamento de difusão inicial, não estagnação.
A telemetria comportamental tem seus próprios pontos cegos. Ela vê atividade em ferramentas, não julgamento. Um trabalhador que usa IA uma vez para redesenhar um processo e depois roda o processo melhorado sem tocar em um modelo novamente está fazendo exatamente o que o estágio 3 deveria descrever, e não necessariamente será registrado assim. Dados de comportamento observado são um proxy melhor do que o autorrelato. Continuam sendo um proxy.
O que sobrevive às três ressalvas é a assimetria entre as duas curvas. O acesso está sendo provisionado num ritmo que o comportamento nem de longe acompanha, e apenas uma dessas duas coisas aparece nos relatórios que chegam à liderança.
Parar no estágio 2 tem a sua própria conta
Há mais uma razão para não tratar o estágio 2 como um repouso confortável, e ela vem do mesmo instrumento.
A comparação comportamental da ActivTrak com cerca de 10.584 funcionários, medidos 180 dias antes e depois da adoção de IA, encontrou atividade de e-mail 104% acima, chat 145%, uso de ferramentas de negócio 94%, horas produtivas 5% — e sessões de foco ininterrupto 9% abaixo, de 14 minutos e 23 segundos para cerca de 13 minutos (ActivTrak, 2026).
Leia isso como uma afirmação operacional. O trabalho ficou mais rápido e mais denso. Também ficou mais fragmentado, e a fragmentação recai exatamente sobre a capacidade de foco profundo que o redesenho de processos exige. O estágio 2 sem o estágio 3 compra mais transações por hora e menos trechos ininterruptos em que alguém possa pensar por que o processo tem tantas transações.
Enquanto isso, a curva de implantação continua subindo. O Work Trend Index 2026 da Microsoft reporta agentes ativos crescendo 15x ano a ano no seu ecossistema, 18x em grandes empresas, enquanto apenas 26% dos usuários de IA relatam uma liderança alinhada quanto à estratégia de IA (Microsoft, 2026). A distribuição está à frente da direção, e o painel está medindo distribuição.
Reconstrua o painel em torno do trabalho transformado
Quatro mudanças, ordenadas pelo quanto são baratas.
Aposente a contagem de licenças como métrica principal. Mantenha-a como insumo de custo, onde ela pertence — ao lado do gasto com licenças, não ao lado dos resultados. No instante em que aparece num slide de resultados, ela começa a substituir um.
Nomeie um fluxo de trabalho e classifique-o com honestidade. Escolha um único processo com um dono real. Classifique-o: assistência de pesquisa, execução de tarefas ou integração no fluxo. A maioria das equipes descobre que sua história de IA mais celebrada é um estágio 1 com boas anedotas anexadas. Essa descoberta é a entrega.
Instrumente fatos de processo, não fatos de atividade. Tempo de ciclo ponta a ponta, número de passagens, taxa de retrabalho, volume de exceções. São as coisas que só se movem quando o fluxo se move, e é exatamente por isso que são mais difíceis de manipular e valem mais do que qualquer gráfico de uso.
Condicione a expansão de licenças a uma prova de estágio 3. Segure o crescimento de licenças até que um fluxo de trabalho nomeado comprovadamente alcance a integração. É o único mecanismo da lista com dentes, porque torna a medição consequente em vez de decorativa.
Acrescente uma verificação de atenção: acompanhe a duração das sessões de foco ininterrupto antes e depois de cada rollout. Se a adoção de IA está fragmentando o dia de trabalho, você quer isso no mesmo relatório dos ganhos de throughput, e não descoberto um ano depois.
Uma decisão neste trimestre
Pegue o fluxo de trabalho pelo qual o seu investimento em IA é publicamente justificado. Classifique-o segundo o modelo de três estágios com alguém que não tenha interesse na resposta. Se for estágio 1 ou 2 — e com esta evidência muito provavelmente é — congele a expansão de licenças e gaste o próximo trimestre levando esse único fluxo ao estágio 3.
O exercício é barato, leva cerca de uma semana e produz o único artefato que falta à maioria dos programas de IA: uma linha de base honesta. Tudo o que vem depois — o business case, o plano de expansão, a discussão sobre quadro de pessoal — fica mais preciso por ter um número real embaixo.
A pergunta que o seu painel de adoção de IA responde é quantas pessoas podem usar IA. A pergunta sobre a qual repousa o seu business case é quanto trabalho agora é feito de forma diferente. Apenas uma delas já apareceu no resultado financeiro, e não é a que está no slide.
