O Paradoxo da Produtividade Regressa

Em 1987, o economista Robert Solow escreveu uma frase que se tornou uma das observações mais citadas na história da tecnologia e da economia. Apareceu num artigo do New York Times Book Review, quase como um aparte: “You can see the computer age everywhere but in the productivity statistics.”

O computador pessoal estava a transformar escritórios em todo o mundo desenvolvido. As folhas de cálculo substituíram os livros de registo. Os processadores de texto substituíram as máquinas de escrever. As bases de dados substituíram os armários de arquivo. O investimento era enorme, o entusiasmo ilimitado e as estatísticas de produtividade teimosamente estagnadas. Os computadores estavam em todo o lado. Os ganhos não estavam em lado nenhum.

Em fevereiro de 2026, uma equipa de investigadores publicou um artigo através do National Bureau of Economic Research que fez a mesma observação sobre uma tecnologia diferente. Ivan Yotzov, Jose Maria Barrero e os seus colegas inquiriram quase 6.000 CEOs e CFOs nos Estados Unidos, no Reino Unido, na Alemanha e na Austrália. A conclusão foi clara: mais de 80 por cento das empresas não reportaram qualquer impacto da IA no emprego ou na produtividade nos três anos anteriores. Nove em cada dez executivos disseram que a IA não tinha feito diferença.

O paralelo não é coincidência. É estrutural. E compreender por que é estrutural — em vez de o descartar como um problema de timing ou um erro de medição — é a diferença entre organizações que eventualmente captarão o valor da IA e aquelas que passarão mais uma década a perguntar para onde foram os retornos.

O Paradoxo Tem Um Padrão

Erik Brynjolfsson tem pensado neste problema há mais tempo do que a maioria. Em 1993, cunhou o termo “paradoxo da produtividade” num artigo que transformou o comentário de Solow num programa de investigação. Três décadas depois, trabalhando com Daniel Rock e Chad Syverson, ofereceu um enquadramento que explica por que as tecnologias de uso geral — tecnologias que transformam economias inteiras — consistentemente não aparecem nas estatísticas de produtividade durante a sua fase inicial de adoção.

Chamaram-lhe a Curva-J da Produtividade.

O argumento é preciso. Quando uma tecnologia de uso geral chega, as organizações começam a fazer investimentos complementares significativos — novos processos, novos modelos de negócio, nova formação, novas estruturas organizacionais. Estes investimentos são em grande parte intangíveis. Não aparecem nas contas nacionais como formação de capital. Aparecem como custos. A organização está a gastar dinheiro, tempo e esforço cognitivo em reestruturação, e a reestruturação não produz resultados imediatos. A produtividade medida desce. A curva-J desce.

Mais tarde — por vezes muito mais tarde — os investimentos intangíveis amadurecem. Os novos processos tornam-se rotina. As novas estruturas tornam-se segunda natureza. As inovações complementares começam a produzir resultados. A produtividade medida sobe acentuadamente. A curva-J sobe.

Brynjolfsson, Rock e Syverson publicaram este modelo no American Economic Journal: Macroeconomics em 2021. Mostraram que o ajuste para investimentos intangíveis relacionados com hardware e software de computador resultava num nível de produtividade total dos factores 15,9 por cento superior às medições oficiais até ao final de 2017. Os ganhos de produtividade da era dos computadores eram reais — simplesmente estiveram invisíveis durante anos, escondidos dentro de investimentos que o sistema de medição não conseguia ver.

A questão para a IA é se o mesmo padrão se está a repetir. A resposta, com base nos dados disponíveis no início de 2026, é sim — mas com uma complicação que o enquadramento da curva-J, por si só, não capta.

Os Dados Dizem Que Ainda Não

O estudo do NBER não é a única evidência. Faz parte de uma convergência.

O 29.º Inquérito Global a CEOs da PwC, publicado em janeiro de 2026 e abrangendo 4.454 CEOs de 95 países, concluiu que 56 por cento não reportaram qualquer benefício financeiro significativo dos seus investimentos em IA. Não “ganhos modestos.” Não “retornos iniciais.” Nenhum benefício. Apenas 12 por cento — um em cada oito — reportaram que a IA tinha simultaneamente aumentado as receitas e reduzido os custos. Os restantes estavam ainda à espera ou já tinham concluído que o investimento não estava a compensar.

O Federal Reserve de São Francisco, na Economic Letter 2026-06, observou que o investimento relacionado com IA tinha ultrapassado a contribuição das componentes de TI para o crescimento real do PIB durante o boom das dot-com — tanto em termos absolutos como em percentagem do PIB. O dinheiro está a fluir. A despesa de capital é real. As indústrias intensivas em conhecimento com um aumento de ofertas de emprego relacionadas com IA representaram 50 por cento do crescimento do produto no terceiro trimestre de 2025, apesar de representarem pouco mais de um quarto do produto total. Mas a própria avaliação da Fed foi cautelosa: a maioria dos estudos macroeconómicos sobre crescimento da produtividade encontra evidência limitada de um efeito significativo da IA.

O investimento é visível. A produtividade não é. A frase de Solow, reescrita para 2026, diria: pode ver-se a era da IA em todo o lado excepto nas estatísticas de produtividade.

A Questão dos Quatro Por Cento

O Banco Europeu de Investimento acrescentou uma peça crucial a este puzzle. O EIB Working Paper 2026/02 analisou dados cruzados de mais de 12.000 empresas não financeiras na União Europeia e nos Estados Unidos. A conclusão: a adoção de IA aumenta a produtividade do trabalho em média 4 por cento.

Quatro por cento parece significativo até se examinar a distribuição. Os ganhos concentram-se em empresas médias e grandes — as que já têm orçamentos de formação, infraestrutura de dados e capacidade organizacional para absorver uma nova tecnologia. As empresas pequenas — as que constituem a vasta maioria da economia europeia — veem menos. Os 4 por cento são uma média que não descreve quase ninguém com precisão.

Mais importante, o BEI concluiu que o ganho de produtividade só se materializa nas empresas que fizeram o que os investigadores chamaram “investimentos complementares” — em software, infraestrutura de dados e formação da força de trabalho. Sem esses investimentos, o ganho aproxima-se de zero. A IA por si só não produz os 4 por cento. A IA mais a reestruturação organizacional produz os 4 por cento. A tecnologia é uma condição necessária. Não é uma condição suficiente.

Esta conclusão alinha-se com precisão ao enquadramento da Curva-J da Produtividade. Os investimentos intangíveis — a formação, a redesenho dos fluxos de trabalho, a reengenharia de processos — são o mecanismo através do qual o potencial da tecnologia se torna produto real. Sem os intangíveis, a tecnologia fica parada. Ou pior: fica ativa mas improdutiva, a gerar resultados que ninguém usa, a automatizar processos que ninguém reestruturou e a criar a ilusão de transformação sem a substância.

Os dados do Eurostat de dezembro de 2025 tornam a lacuna concreta. Vinte por cento das empresas da UE com 10 ou mais trabalhadores utilizam tecnologias de IA. Mas apenas 17 por cento das pequenas empresas o fazem, contra 55 por cento das grandes. A própria adoção é estratificada. E dentro dos 20 por cento que adotam, os dados do BEI dizem-nos que apenas as que fazem investimentos complementares estão a captar retornos.

A tecnologia não está distribuída de forma uniforme. Os retornos estão distribuídos de forma ainda menos uniforme. E as organizações com maior probabilidade de adotar IA sem os investimentos complementares — as pequenas e médias empresas que representam a espinha dorsal da economia da UE — são as que têm menor probabilidade de ver o paradoxo resolver-se a seu favor.

O Problema da Arquitetura de Decisão

Ajay Agrawal, Joshua Gans e Avi Goldfarb anteciparam isto no seu livro de 2022, Power and Prediction: The Disruptive Economics of Artificial Intelligence. O seu enquadramento baseia-se numa decomposição simples. Cada decisão tem duas componentes: previsão — estimar o que vai acontecer — e julgamento — decidir o que fazer com essa informação. A IA melhora dramaticamente a previsão. Reduz o custo de forecasting, reconhecimento de padrões e estimativa probabilística para perto de zero.

Mas previsão sem julgamento reorganizado é apenas dados mais baratos. O valor da IA não vem apenas de melhores previsões, mas de reorganizar as decisões que essas previsões alimentam. Uma empresa de logística que usa IA para prever a procura mas mantém as suas decisões de rotas, pessoal e inventário inalteradas melhorou um input para um processo que não reestruturou. A previsão é melhor. A arquitetura de decisão é a mesma. O resultado mal se move.

Agrawal, Gans e Goldfarb usam um termo que capta o problema: “redesenho ao nível do sistema.” Os ganhos de uma tecnologia de uso geral não vêm de a inserir nos sistemas existentes. Vêm de redesenhar os sistemas em torno das capacidades da tecnologia. A máquina a vapor não transformou a indústria por ser uma fonte de energia melhor. Transformou a indústria porque as fábricas foram redesenhadas em torno de energia centralizada — e depois redesenhadas novamente em torno de motores elétricos distribuídos, o que exigiu um layout de fábrica inteiramente diferente, um fluxo de trabalho diferente, competências diferentes e estruturas de gestão diferentes.

Os historiadores económicos documentaram isto. Paul David, no seu artigo de 1990 “The Dynamo and the Computer,” mostrou que foram necessários aproximadamente 40 anos desde a introdução do dínamo elétrico até à realização do seu pleno potencial de produtividade — porque as inovações organizacionais complementares levaram esse tempo a desenvolver-se e a difundir-se. As fábricas tiveram de ser reconstruídas. Os trabalhadores tiveram de ser requalificados. Os sistemas de gestão tiveram de ser reinventados.

O paralelo com a IA é direto. A maioria das organizações inseriu a IA nos fluxos de trabalho existentes. Não redesenhou os fluxos de trabalho em torno das capacidades da IA. O motor de previsão está a funcionar. A arquitetura de decisão está intacta. As estatísticas de produtividade refletem isto com precisão: a tecnologia está a fazer o que faz, mas a organização não mudou o que faz.

A Armadilha da Medição

Há um problema mais subtil que agrava o problema estrutural: a forma como medimos a produtividade pode ser sistematicamente cega ao valor que a IA cria.

A produtividade, nas contas nacionais, é o produto por unidade de input. Mas o que conta como produto? Se uma equipa de marketing usa IA para produzir cinco rascunhos em vez de um, e apenas um desses rascunhos é utilizado, a estatística de produtividade vê o mesmo produto — um documento publicado — produzido com o mesmo input. A contribuição da IA é invisível. Os quatro rascunhos não utilizados não são desperdício no sentido tradicional; são opções. A equipa escolheu melhor porque pôde avaliar cinco alternativas em vez de uma. A qualidade da decisão melhorou. A quantidade do produto medido não.

Esta é a hipótese de erro de medição que Brynjolfsson tem explorado desde os anos 1990. Quando a tecnologia melhora a qualidade, a variedade ou a tomada de decisão em vez da quantidade, as estatísticas de produtividade não captam a diferença. O PIB mede transações. Não mede a qualidade dessas transações, nem as decisões que as precederam, nem as opções que foram avaliadas e rejeitadas.

A métrica do próprio estudo do NBER — vendas por trabalhador — é reveladora. As vendas por trabalhador captam volume. Não captam se as vendas foram mais bem direcionadas, mais lucrativas por unidade ou exigiram menos suporte pós-venda. Uma empresa que usa IA para melhorar a segmentação de clientes pode vender o mesmo volume a clientes mais adequados, reduzindo a rotatividade e aumentando o valor ao longo da vida — mas as vendas por trabalhador mantêm-se estáveis. A estatística de produtividade diz: sem impacto. A demonstração de resultados, eventualmente, diz algo diferente.

Isto não significa que o paradoxo seja meramente um artefacto de medição. A conclusão do NBER de que 80 por cento das empresas não veem impacto é demasiado ampla para ser explicada apenas por erro de medição. Muitas empresas genuinamente não estão a captar valor da IA. Mas a cegueira do sistema de medição a melhorias de qualidade significa que mesmo as empresas que o fazem bem podem não aparecer nas estatísticas — ainda.

O Fosso das Expectativas dos Executivos

O estudo do NBER revelou outra conclusão que merece atenção. Apesar de reportarem nenhum impacto nos últimos três anos, os mesmos executivos preveem efeitos substanciais da IA nos próximos três anos: um aumento de 1,4 por cento na produtividade, um crescimento de 0,8 por cento no produto e uma redução de 0,7 por cento no emprego.

Este é o fosso de expectativas de que o paradoxo de Solow se alimenta. A tecnologia está perpetuamente prestes a entregar. Os retornos estão sempre a três anos de distância. O investimento continua porque a promessa continua, e a promessa continua porque a tecnologia comprovadamente funciona ao nível da tarefa — escreve o email, redige o relatório, analisa os dados mais rapidamente. A microevidência de capacidade sustenta a macroexpectativa de transformação, mesmo quando a macroevidência de transformação não se materializa.

Os dados da PwC afinam esta análise. Os 12 por cento de CEOs que reportam ganhos simultâneos em custos e receitas com IA — a “vanguarda” — não estão a usar tecnologia diferente. Estão a usar os mesmos modelos, as mesmas ferramentas, as mesmas plataformas. O que os distingue, segundo a PwC, é que incorporaram IA extensivamente nos produtos, serviços, geração de procura e tomada de decisão estratégica. Estabeleceram enquadramentos de IA responsável. Construíram ambientes tecnológicos que permitem integração à escala da empresa.

Por outras palavras, fizeram o redesenho ao nível do sistema. Fizeram os investimentos complementares. Reorganizaram a arquitetura de decisão. Não estão na vertente descendente da curva-J. Investiram através dela e estão a começar a subir.

Os outros 88 por cento compraram o motor de previsão e deixaram o chão de fábrica inalterado. Estão a experimentar o paradoxo não porque a tecnologia não funciona, mas porque não fizeram o trabalho organizacional que permite à tecnologia funcionar ao nível do sistema.

O Estrangulamento Organizacional

Aqui está a frase que quero reter, porque reenquadra toda a conversa: a máquina não é o estrangulamento. A organização é.

Os modelos de IA são capazes. A infraestrutura computacional está disponível. As ferramentas são cada vez mais acessíveis. As barreiras técnicas à adoção de IA caíram dramaticamente. Uma empresa de 200 pessoas pode aceder aos mesmos modelos de linguagem, aos mesmos sistemas de visão, às mesmas ferramentas analíticas que uma empresa da Fortune 500 utiliza. A tecnologia foi democratizada.

O que não foi democratizado é a capacidade organizacional para absorver a tecnologia. A capacidade de redesenhar fluxos de trabalho. A capacidade de requalificar trabalhadores — não em como usar a ferramenta, mas em como tomar decisões de forma diferente agora que a ferramenta fornece melhores previsões. A capacidade de reestruturar incentivos para que o tempo que a IA poupa não seja simplesmente preenchido com mais do mesmo trabalho. A capacidade de construir o capital intangível que a curva-J exige.

É aqui que o paradoxo da produtividade se torna um problema de psicologia organizacional — o meu território. Os investimentos complementares que Brynjolfsson descreve não são compras de software ou atualizações de hardware. São mudanças na forma como as pessoas trabalham, como as decisões são tomadas, como os papéis são definidos e como o desempenho é medido. Cada uma destas é uma mudança humana. Cada uma encontra resistência humana. Cada uma requer aquilo a que Amy Edmondson chama segurança psicológica — a crença de que se pode tentar algo novo, falhar e não ser punido por isso.

Uma organização que implementa IA sem criar condições para a experimentação — sem tornar seguro reestruturar, mudar papéis, redefinir o que significa “produtivo” — é uma organização que permanecerá na vertente descendente da curva-J. A tecnologia ficará parada, como aquelas máquinas cobertas num chão de fábrica. As bancadas de trabalho antigas — os processos familiares, os fluxos de trabalho conhecidos, as rotinas confortáveis — continuarão a mostrar as marcas de uso intensivo.

O Problema do Horizonte Temporal

Os paralelos históricos oferecem simultaneamente conforto e aviso.

O conforto: o paradoxo da produtividade resolveu-se antes. A era dos computadores acabou por aparecer nas estatísticas. De meados dos anos 1990 ao início dos anos 2000, houve um aumento na produtividade medida que os economistas atribuíram, em parte, à maturação dos investimentos em TI feitos nos anos 1980. As inovações complementares alcançaram a tecnologia. A curva-J subiu. O paradoxo de Solow dissolveu-se — não porque a observação estivesse errada, mas porque o desfasamento temporal era mais longo do que executivos impacientes e economistas impacientes esperavam.

O aviso: a resolução não foi automática. Não aconteceu simplesmente porque o tempo passou. Aconteceu porque as organizações acabaram por se reestruturar. Redesenharam fluxos de trabalho. Requalificaram trabalhadores. Mudaram práticas de gestão. E as empresas que o fizeram primeiro captaram retornos desproporcionados, enquanto as que esperaram — ou nunca se reestruturaram — ficaram para trás.

A estimativa de 40 anos de Paul David para o dínamo elétrico é sóbria. Mas o cronograma para a era dos computadores foi mais curto — aproximadamente 15 a 20 anos desde a adoção generalizada até aos ganhos de produtividade medidos. A questão é se o cronograma da IA será ainda mais curto, ou se a complexidade das mudanças organizacionais necessárias o prolongará.

A minha leitura da evidência é cautelosa. A IA requer uma reestruturação organizacional mais profunda do que o computador pessoal, porque a IA afeta decisões, não apenas tarefas. O PC automatizou a datilografia. A IA automatiza a previsão — e a previsão alimenta cada decisão que a organização toma. Reestruturar em torno de melhor datilografia era relativamente simples: os mesmos documentos, produzidos mais rapidamente. Reestruturar em torno de melhor previsão requer repensar que decisões são tomadas, por quem e como. Essa é uma mudança mais fundamental, e mudanças fundamentais levam mais tempo.

A Integração

Aqui está a tensão que quero manter sem colapsar, porque colapsá-la seria prematuro.

O paradoxo da produtividade é real. Os dados são inequívocos. Oitenta por cento das empresas não veem impacto da IA na produtividade. Cinquenta e seis por cento dos CEOs não reportam benefício financeiro. As macrostatísticas mostram o investimento a crescer e a produtividade estagnada. O paradoxo não é uma narrativa. É uma medição.

O paradoxo da produtividade é também, potencialmente, temporário. O enquadramento da curva-J é bem sustentado pela evidência histórica. As empresas que fizeram investimentos complementares estão a captar retornos. Os 12 por cento de vanguarda nos dados da PwC não tiveram sorte — são estruturalmente diferentes. Fizeram o trabalho organizacional.

Ambas as coisas são verdadeiras simultaneamente. A IA ainda não está a cumprir a sua promessa à escala. A IA tem as características estruturais de uma tecnologia que acabará por cumpri-la. A questão não é se o paradoxo se resolve. A questão é quem faz o trabalho organizacional para o resolver — e quem espera por uma resolução que não chegará por si só.

A máquina funciona. A organização não mudou. As estatísticas de produtividade não estão erradas. Estão a refletir, com uma precisão desconfortável, o fosso entre a capacidade tecnológica e a prontidão organizacional.

Robert Solow podia ver a era dos computadores em todo o lado. Não a podia ver nas estatísticas de produtividade. As estatísticas não estavam a mentir. Estavam a contar uma verdade que os executivos não queriam ouvir: a tecnologia não é a transformação. A transformação é a transformação. A tecnologia é apenas o catalisador que torna a transformação possível — e se o catalisador produz uma reação depende inteiramente das condições no recipiente.

O recipiente é a organização. As condições são a cultura, os incentivos, a arquitetura de decisão, a vontade de reestruturar. A maioria dos recipientes adicionou o catalisador e não mudou mais nada. O paradoxo é o resultado previsível.

A questão, para qualquer organização que leia isto, não é “quando é que a IA vai entregar?” É “o que é que mudámos para tornar a entrega possível?” Se a resposta é “comprámos as ferramentas” — isso não é uma mudança. É uma compra. E compras, sem o redesenho organizacional para as absorver, são a forma como os paradoxos são feitos.