Dez por cento das empresas do mid-market escalaram todas as suas iniciativas de IA para além da fase piloto (IT Brief UK, 2026). Os restantes noventa por cento compram as mesmas ferramentas, aos mesmos fornecedores, por aproximadamente o mesmo preço.
É nesse ponto que vale a pena parar. Se fosse a ferramenta a produzir o retorno, os retornos não se dispersariam assim.
Um novo working paper do NBER dá um nome a essa dispersão. Babina, He e Jiang atribuem os primeiros ganhos de produtividade da IA não à tecnologia, mas ao capital organizacional: o conhecimento durável e específico da empresa que uma companhia acumula através do aprender-fazendo (NBER, 2026). A ferramenta é a ocasião do ganho. Não é o ativo.
O mesmo investimento, duas décadas diferentes
«Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital» foi publicado em agosto de 2026 por Tania Babina, Alex Xi He e Renhao Jiang (NBER, 2026).
O instrumento de medição é a parte interessante. Em vez de contar licenças, gastos com fornecedores ou adoção autodeclarada — todas medidas de distribuição —, os autores constroem uma medida de investimento em IA ao nível da empresa a partir do emprego qualificado em IA, abrangendo desde o machine learning até à IA generativa e agêntica. Quem uma empresa contrata é mais difícil de falsear do que aquilo que a empresa diz estar a fazer.
Aplicado a essa medida, o resultado principal é um contraste, não um coeficiente:
Os investimentos em IA estão associados ao crescimento da produtividade nos anos recentes, mas não na década anterior.
Mesma medida. Mesma classe de tecnologia. Duas respostas diferentes.
Os autores fazem então o trabalho que a maior parte da investigação sobre adoção salta: perguntam o que mudou. A resposta é a acumulação de capital organizacional — e, para a testar, constroem uma segunda medida original, elaborada a partir das descrições de funções dos trabalhadores, para identificar que cargos constroem efetivamente esse capital. Os ganhos de produtividade, concluem, são impulsionados por cargos qualificados em IA que constroem capital organizacional. Não pelo efetivo de IA em geral. Não pelas ferramentas em geral.
Uma ressalva que declaro antes que alguém construa um slide sobre isto: o corpo do working paper tem acesso restrito, e verifiquei o desenho do estudo e a direção dos resultados, não as magnitudes dos efeitos. Ninguém deve ainda atribuir uma percentagem a este estudo — incluindo eu.
Por que razão a década anterior nada rendeu não é resolvido pelo artigo, e sinalizo a minha leitura como inferência e não como resultado: a vaga do machine learning comprou sobretudo previsão colocada ao lado do fluxo de trabalho — uma pontuação, uma projeção, um painel que alguém consulta. A vaga atual situa-se dentro do fluxo de trabalho, que é a única posição a partir da qual uma ferramenta pode gerar aprendizagem sobre como o trabalho é realmente feito. Uma previsão adjacente a um processo não lhe ensina o processo.
O que «capital organizacional» significa de facto
O termo não é novo nem é vago. Eisfeldt e Papanikolaou formalizaram-no no Journal of Finance: o capital organizacional é um fator de produção incorporado nos talentos-chave da empresa, portador de eficiência específica dessa empresa e com um direito sobre os seus fluxos de caixa. As empresas que detêm mais obtiveram retornos médios cerca de 4,6% superiores às que detêm menos (Eisfeldt e Papanikolaou, 2013).
Em linguagem operacional: é o conhecimento acumulado sobre como o vosso trabalho é feito. Que exceções importam. Que sinais do cliente antecipam a saída. Que passo do vosso processo de fecho é o que realmente quebra.
Uma licença dá-vos uma capacidade de uso geral. O capital organizacional é o que acontece quando essa capacidade é apontada repetidamente ao vosso trabalho específico e o resultado é guardado algures que não a cabeça de uma única pessoa.
A primeira compra-se. O segundo não.
Porque é que o vosso concorrente comprou o mesmo stack e não construiu capital organizacional
Coloquem o resultado do NBER ao lado da evidência do mid-market e o padrão deixa de ser abstrato.
A Klarus inquiriu 500 decisores seniores em empresas do Reino Unido e da Irlanda com receitas entre 200 milhões e 2 mil milhões de libras e entre 300 e 3.000 colaboradores. Setenta e três por cento tinham implementado IA parcial ou totalmente. Dez por cento tinham escalado todas as iniciativas para além do piloto. Noventa por cento estavam paradas ou ainda em fases iniciais (IT Brief UK, 2026).
O mesmo inquérito contém uma inversão que merece segunda leitura: 91% diziam confiar na sua competência interna em IA — enquanto 48% apontavam a falta de competência em IA como principal razão para os projetos não avançarem. A mesma população está simultaneamente certa de ter a capacidade e certa de que a capacidade falta.
Por baixo de ambas as afirmações: 83% reportavam má qualidade de dados, e 69% diziam que dados deficientes tinham impedido ou atrasado atividade de IA.
O Heartbeat Index da CLA encontrou a mesma forma do outro lado do Atlântico. Entre 722 organizações pequenas e de mid-market, 69,9% acreditavam que a sua força de trabalho tinha as competências necessárias para o futuro. Apenas 49,5% reportavam alguma melhoria de eficiência decorrente de investimentos recentes em tecnologia ou IA, e somente 20,2% reportavam impacto fortemente positivo (CLA, 2026).
Duas amostras independentes do mid-market. Ambas reportam capacidade presente e resultados ausentes.
Essa combinação exclui o diagnóstico que a maioria das empresas está a financiar. Se as competências fossem a restrição determinante, a população estudada reportaria um défice de competências. Reporta o oposto. O que falta não é fluência de utilização — é o mecanismo que transforma essa fluência em algo que a empresa possui.
Os pilotos não falham. Não depositam nada.
A Valliance inquiriu 1.000 líderes seniores de grandes empresas europeias e concluiu que 40% das iniciativas de IA permanecem pilotos por desenho — nunca encerradas, nunca escaladas. Em organizações com programas de IA maduros e estabelecidos, o valor sobe para 48% (Consultancy.uk, 2026).
Mais maturidade, mais pilotos perpétuos. Não é o aspeto de uma curva de aprendizagem.
O custo está no mesmo conjunto de dados. As empresas presas em piloto reportam ROI forte em 20% dos casos. As que escalam reportam-no em 76%. A coorte presa também espera mais tempo pelo valor: 6,6 meses contra 5,9 (Consultancy.uk, 2026).
Lida através da lente do NBER, a lacuna torna-se legível. Um piloto que termina sem alterar um processo documentado, uma definição de função ou uma regra de decisão produziu um resultado e não depositou nada. A equipa aprendeu. A empresa não. Repitam doze vezes e terão doze experiências e zero capital organizacional — que é exatamente a configuração que mostra investimento em IA sem crescimento de produtividade associado.
O teste do depósito
Passemos à aritmética. Uma empresa de serviços com 200 FTE lança seis pilotos de IA num ano, cada um com cerca de dois meses de trabalho a tempo parcial — na prática, um ano-pessoa de atenção sénior, antes das licenças. O reporting padrão pergunta quanto cada piloto poupou. Perguntem antes quantos produziram um artefacto durável: um procedimento reescrito, um conjunto de prompts e avaliações mantido, uma regra de decisão agora usada por pessoas que nunca tocaram no piloto.
Se a resposta for um, converteram cerca de dois meses desse ano em capital organizacional e gastaram o resto em propinas. Os pilotos não foram falhanços — cinco deles simplesmente não foram capitalizados. Essa distinção não aparece em lado nenhum num ROI deck padrão, e é precisamente por isso que continua a ser refinanciada.
O enquadramento da própria Valliance é que o problema não é a experimentação, mas o que vem a seguir. O artigo do NBER explica porque é que essa frase é uma afirmação contabilística e não um slogan. O aprender-fazendo só capitaliza se a aprendizagem for capturada em algo durável.
A objeção honesta
Quatro limites, ditos com clareza.
Associação não é causalidade. O resultado do NBER é uma associação entre investimento em IA e crescimento da produtividade, mediada por uma medida construída de capital organizacional. É plausível que empresas capazes de construir bem capital organizacional sejam mais bem geridas de formas que também as tornam melhores adotantes de IA. O desenho do artigo é cuidadoso; não é um ensaio aleatorizado.
Ambas as medidas originais são proxies. O investimento em IA inferido a partir de contratações qualificadas em IA subestima empresas que compram capacidade em vez de a contratar. O capital organizacional inferido a partir de descrições de funções subestima empresas cujo conhecimento reside nos sistemas e não no texto das funções. Proxies deste tipo acertam na direção com mais fiabilidade do que na magnitude.
A corroboração do mid-market é regional e autodeclarada. A Klarus cobre Reino Unido e Irlanda; a CLA é um painel de clientes norte-americanos. Ambas são autodeclaradas. Concordam entre si, o que é significativo, e nenhuma é uma amostra probabilística nacional, o que importa.
O capital organizacional tem uma porta de saída. É a objeção mais afiada, e Eisfeldt e Papanikolaou levantaram-na há treze anos: o capital organizacional está incorporado nos talentos-chave, e esses talentos detêm um direito sobre os seus retornos. O conhecimento que vive em três pessoas seniores é específico da empresa até à semana em que uma delas se demite. Aqui, a codificação não é peso burocrático — é a diferença entre um ativo e um risco de retenção.
O que decidir neste trimestre
Quatro movimentos. Nenhum exige um novo fornecedor.
- Avaliem cada piloto ativo pelo que deixou, não pelo que acelerou. Uma pergunta por piloto: nomeiem o documento de processo, a regra de decisão ou a definição de função que mudou graças a ele. Se a resposta honesta for «a equipa ficou mais rápida», financiaram uma experiência. Os 40% da Valliance são feitos inteiramente de experiências.
- Reescrevam uma descrição de função de IA em torno da codificação. O resultado do NBER passa pelos cargos que constroem conhecimento específico da empresa. A maioria das descrições de funções ligadas a IA no mid-market especifica ferramentas. Especifiquem antes o entregável: fluxos de trabalho documentados, conjuntos de avaliação mantidos, regras de decisão que outros possam executar.
- Corrijam a fundação de dados antes da próxima licença. Os 83% de má qualidade de dados não são uma nota de rodapé: são a razão pela qual o aprender-fazendo não consegue acumular-se — um agente que não alcança o vosso histórico não pode aprender a vossa empresa. É uma rubrica do Q4 em concorrência direta com a expansão de licenças, e deve ganhar.
- Auditem onde está incorporado o vosso capital organizacional. Listem os cinco processos que a IA melhorou de forma mensurável este ano e depois indiquem onde cada melhoria está guardada. Cada uma que se resolva numa pessoa em vez de num artefacto é um ganho de produtividade com uma carta de demissão anexada.
O vosso concorrente pode comprar o vosso stack esta tarde. Não pode comprar os dezoito meses que a vossa equipa passou a aprender que exceções importam — a menos que os tenham deixado por documentar, caso em que basta contratá-los.
O capital organizacional é a única parte do vosso investimento em IA que é verdadeiramente vossa. Decidam neste trimestre se o estão a construir, ou se apenas estão a alugar a ocasião para o fazer.
