Trabalhadores que usam IA relatam que ela economiza cerca de 11 horas por semana — mais de um quarto da semana de trabalho — e, ainda assim, apenas 13% dizem que sua organização tem desempenho significativamente melhor por causa dela (Glean Work AI Index, 2026). Coloque esses dois números lado a lado. A economia de tempo é real e grande. O resultado de negócio está quase ausente. Essa lacuna é o achado mais importante do ano sobre produtividade da IA, e não é um erro de medição. É para onde as horas estão indo.
Elas estão indo para algo que os pesquisadores da Glean batizaram: botsitting. Em uma pesquisa com 6.000 trabalhadores digitais em tempo integral nos EUA, Reino Unido e Austrália — conduzida com pesquisadores de Stanford, UC Berkeley e Harvard — os trabalhadores relataram dedicar em média 6,4 horas por semana a supervisionar, corrigir, reformular prompts e limpar o trabalho de suas ferramentas de IA (Glean / BusinessWire, 2026). É quase um dia inteiro de trabalho, toda semana, gasto tomando conta da ferramenta que deveria devolver esse dia. Para um Head of Operations, a manchete não é "a IA economiza 11 horas". É "a IA economiza 11 horas e cobra silenciosamente 6 delas — e você provavelmente não está contabilizando nem umas nem outras".
O número que deveria fazer você parar: 11 horas dentro, 13% fora
A maioria dos business cases de IA é construída sobre o primeiro número e assume em silêncio o segundo. A promessa são horas economizadas por licença, multiplicadas pelo quadro de pessoal, contabilizadas como capacidade liberada. O Work AI Index quebra essa aritmética em uma linha: 75% dos trabalhadores do conhecimento dizem que a IA aumenta sua produtividade, mas apenas 13% afirmam que ela melhorou significativamente o desempenho da empresa (CIO Dive, 2026). A produtividade individual é sentida de forma quase universal. O desempenho organizacional se move em cerca de uma empresa em cada oito.
A tentação é ler esses 13% como um problema de adoção — não há licenças suficientes, não há treinamento suficiente, dê mais um trimestre. Os dados apontam o contrário. A adoção já é alta; a produtividade percebida já existe. O que falta é a conversão da economia de tempo individual em trabalho que a organização possa de fato usar. As horas são economizadas na mesa e perdidas no sistema. Um Head of Operations que financia a próxima tranche de licenças com base no número das 11 horas está comprando mais do insumo que já não se converte.
Essa é a disciplina que o número exige: parar de medir a IA pelas horas que os indivíduos dizem ter economizado e começar a medi-la pelo trabalho que a organização entregou e que antes não teria conseguido entregar. A primeira métrica é autorrelatada e lisonjeira. A segunda é a única que sua demonstração de resultados algum dia verá.
O que é, de fato, o "botsitting"
Botsitting é o trabalho pouco glamouroso de tornar utilizável a saída de uma IA: fornecer-lhe o contexto que falta, conferir suas respostas, depurar seus erros, reexecutar prompts, alternar entre sistemas para montar o que ela não conseguiu montar e reescrever o material confiante-mas-errado que ela produz. A formulação da Glean é direta — para cada hora que um funcionário gasta obtendo uma saída útil da IA, gasta outra tornando-a utilizável (CIO Dive, 2026). Com 6,4 horas por semana, o botsitting consome cerca de 37% do tempo total dedicado à IA, um pouco mais do que o tempo que os trabalhadores passam de fato usando a IA para produzir (AIwire, 2026).
O custo não são apenas as horas perdidas. É o que acontece quando as pessoas param de pagá-las. O relatório nomeia um segundo comportamento — botshitting — entregar trabalho gerado por IA que o funcionário não verificou de fato. O indicador de alerta precoce está na taxa de verificação: apenas 69% dos trabalhadores dizem verificar as recomendações da IA (CIO Dive, 2026). Leia isso como um registro de riscos operacionais, não como uma curiosidade. Cerca de três em cada dez saídas de IA entram no seu produto de trabalho sem uma checagem humana. Algumas estão certas. Outras são as respostas confiantes-mas-erradas que o botsitting existe para interceptar, agora fluindo direto para uma entrega ao cliente, uma previsão ou um documento de conformidade. As horas que sua equipe economiza ao não fazer botsitting não desaparecem; convertem-se em retrabalho latente e risco de erro que afloram depois, mais a jusante e de forma mais cara.
Por que mais licenças e mais treinamento de prompts erram o alvo
As respostas instintivas a um rollout de IA decepcionante são comprar mais licenças ou treinar as pessoas a fazer prompts melhores. Ambas erram o que o Work AI Index identifica como a restrição determinante. A própria manchete do relatório a nomeia: a falta de contexto está consumindo os ganhos (Glean / BusinessWire, 2026). O gargalo não é com quanta habilidade um trabalhador formula o pedido. É se a IA consegue alcançar a informação de que precisa para responder bem — os documentos, os sistemas de registro, o conhecimento institucional trancado em ferramentas às quais ela nunca foi conectada.
Isso reformula o problema inteiro. Um redator de prompts perfeitamente treinado consultando uma IA incapaz de ver os dados relevantes ainda obterá uma resposta superficial, genérica ou errada — e depois gastará a hora de botsitting reconstruindo à mão o contexto que a ferramenta não conseguiu alcançar. Prompts melhores não fecham uma lacuna de acesso; apenas produzem pedidos mais articulados no mesmo vazio. Mais licenças multiplicam a mesma restrição sobre mais pessoas. A alavanca que a pesquisa aponta está a montante de ambas: a arquitetura da informação: quais dados e sistemas sua IA está, de fato, autorizada e capaz de recuperar.
Habilidade em prompts é um problema do trabalhador. Acesso ao contexto é um problema de operações.
Essa distinção importa porque realoca a responsabilidade. Se o gargalo fosse habilidade em prompts, a solução caberia aos trabalhadores individuais e ao treinamento. Como o gargalo é o acesso ao contexto, a solução cabe a quem governa como os sistemas se conectam e a que a IA tem permissão de acessar — ou seja, operações e TI, não o usuário final. O trabalho de mapear as fontes de dados, desmontar os silos e ancorar a IA em contexto empresarial real é exatamente o tipo de encanamento entre sistemas que um Head of Operations governa e que um workshop de prompt engineering não pode tocar. As empresas que estão à frente, observa o relatório, são as que ancoram a IA em contexto empresarial genuíno e a medem por resultados de negócio em vez de número de licenças.
A exposição do mid-market
Isso atinge com mais força a empresa de 100 a 500 funcionários, e não por acaso. Grandes empresas têm orçamentos de integração de dados, equipes de plataforma internas e uma função de governança cujo trabalho é conectar sistemas. O mid-market opera um stack mais fino: mais ferramentas pontuais desconectadas, menos responsáveis pela integração e um rollout de IA comprado como licenças em vez de construído como infraestrutura. O imposto do botsitting é regressivo — pesa mais sobre as organizações menos equipadas para vê-lo, porque têm a menor instrumentação para notar as 6 horas por semana que vazam da agenda de cada usuário de IA.
Para uma operação de 200 funcionários, a exposição se acumula em silêncio. Compre 150 licenças de IA, celebre as 11 horas que cada um diz economizar e contabilize um número acima de 1.600 horas por semana de "capacidade liberada" que nunca aparece na produção. Enquanto isso, essas mesmas 150 pessoas estão absorvendo quase 1.000 horas por semana de botsitting não contabilizado, e cerca de um terço de sua saída de IA é entregue sem verificação. Nada disso está em um painel, porque o rollout foi concebido como uma compra de produtividade, não como uma mudança operacional. A primeira vez que isso se torna visível é quando a capacidade liberada não se materializa e alguém pergunta para onde foi o ROI da IA.
A auditoria antes da próxima licença
O movimento de maior alavanca para este trimestre não é uma ferramenta nova nem um contrato maior. É uma auditoria do que sua IA consegue de fato alcançar — feita antes de financiar a próxima licença, não depois. Três passos concretos.
Mapeie o acesso ao contexto em relação ao seu trabalho real. Para o punhado de tarefas em que você mais quer alavancagem da IA, faça uma pergunta literal: a ferramenta consegue recuperar os documentos, registros e sistemas que um humano competente consultaria para fazê-lo bem? Onde quer que a resposta seja não, você localizou um gerador de botsitting — um ponto em que a ferramenta produzirá uma resposta fraca e uma pessoa gastará uma hora reconstruindo o contexto à mão. Essas lacunas, não seus templates de prompt, são o backlog.
Instrumente o botsitting e a verificação como métricas permanentes. Você não consegue gerenciar um custo de 6,4 horas por semana que não mede. Faça aos seus usuários de IA duas perguntas de forma recorrente: quanto tempo vai em corrigir, reformular prompts e montar em torno da ferramenta, e que parcela da saída de IA chega ao produto de trabalho sem uma checagem humana. O primeiro número é sua linha de trabalho oculto. O segundo é seu risco de erro. Acompanhe ambos, e a conversa sobre ROI de IA passa da anedota à instrumentação.
Condicione a próxima compra ao contexto, não à demanda por licenças. Antes de aprovar mais licenças, exija uma resposta: o que mudamos no acesso aos dados desde a última tranche? Se nada, mais licenças reproduzirão a mesma falha de conversão a um custo maior. Conectar mais um sistema de registro às suas licenças existentes renderá, com base nessa evidência, mais do que dobrar as licenças sobre o mesmo stack desconectado.
É aqui que a inteligência de talentos e operações deixa de ser uma categoria de ferramentas e se torna uma prática operacional. Na Scovai, o fio condutor de todo o nosso trabalho é que as decisões devem repousar sobre sinal objetivo e rastreável — e um rollout de IA não é exceção. Uma ferramenta ancorada no contexto que seu trabalho de fato exige devolve horas líquidas. Uma ferramenta privada desse contexto devolve o mesmo trabalho, reetiquetado como supervisão.
A decisão deste trimestre
Aqui está a única decisão a tomar antes do fechamento do trimestre, e ela não custa nada além de honestidade. Pegue seu rollout de IA e responda a uma pergunta: estamos medindo-o pelas horas que os indivíduos dizem ter economizado, ou pelo trabalho que a organização entregou e que antes não teria conseguido entregar? Se for o primeiro, você está perseguindo o número das 11 horas que lisonjeia e ignorando o número das 6,4 horas que cobra. Mude a métrica, execute a auditoria de acesso ao contexto e coloque botsitting e verificação em um painel antes de aprovar mais uma licença. As empresas que tratam a IA como uma compra movida pelo número de licenças continuarão se perguntando por que a produtividade percebida nunca chega à demonstração de resultados. As que a tratam como um problema de arquitetura da informação encontrarão as horas que lhes foram prometidas — e deixarão de pagar o imposto que não conseguiam ver.
