Por que IA derruba o resultado das empresas no curto prazo?

Toda empresa que adota inteligência artificial espera ganho de produtividade imediato. A pesquisa mais recente do MIT Sloan mostra o oposto: no curto prazo, o resultado cai. Com dados de duas pesquisas do U.S. Census Bureau cobrindo dezenas de milhares de empresas industriais americanas entre 2017 e 2021, pesquisadores da Universidade de Toronto, da Universidade do Colorado Boulder e de Stanford identificaram uma queda de 1,33 ponto percentual na produtividade das empresas que adotaram IA em suas operações, mesmo depois de controlar variáveis como porte, idade e infraestrutura de TI. 

Quando os pesquisadores corrigem o viés de seleção — o fato de que empresas com maior expectativa de retorno tendem a adotar IA primeiro —, o impacto negativo de curto prazo chega a ser bem maior, na casa de 60 pontos percentuais, segundo o estudo publicado pelo MIT Sloan.

Antes de entender por que essa queda acontece — e como atravessá-la sem perder o rumo —, vale registrar que esse é exatamente o tipo de decisão estrutural que separa empresas que avançam de empresas que travam. O AI Journey foi desenhado para lideranças que precisam tomar essa decisão com dados, não com ansiedade de resultado trimestral.

O que a pesquisa do MIT Sloan encontrou

O fenômeno é conhecido como curva em J: a produtividade cai antes de voltar a subir, formando um desenho em J quando plotada ao longo do tempo. Segundo Kristina McElheran, uma das autoras principais do estudo, “a IA não é plug-and-play. Ela exige mudança sistêmica, e esse processo introduz fricção, principalmente em empresas já estabelecidas.” Essa fricção explica boa parte do motivo pelo qual o impacto econômico da IA tem decepcionado em certos momentos, apesar de todo o potencial transformador da tecnologia.

A queda não é apenas uma dor de crescimento passageira sem causa identificável. Ela reflete um desalinhamento mais profundo entre as novas ferramentas digitais e os processos operacionais legados. Sistemas de IA usados para manutenção preditiva, controle de qualidade ou previsão de demanda geralmente também exigem investimento em infraestrutura de dados, treinamento de equipe e redesenho de fluxos de trabalho. Sem essas peças complementares, mesmo a tecnologia mais avançada pode gerar menos resultado ou criar novos gargalos.

Por que empresas mais antigas sofrem mais

O estudo mostra que a perda de curto prazo não é distribuída igualmente. O impacto negativo da adoção de IA foi mais pronunciado em empresas mais antigas e estabelecidas, que costumam ter rotinas consolidadas, hierarquias em camadas e sistemas legados difíceis de desmontar. Segundo os pesquisadores, empresas mais antigas em particular têm dificuldade em manter práticas vitais de gestão de produção, como o monitoramento de indicadores-chave e metas de produção, depois de adotar IA — e essa perda de disciplina de gestão respondeu por quase um terço da queda de produtividade nessas empresas.

Empresas mais jovens e mais flexíveis, por outro lado, se mostraram mais equipadas para integrar a tecnologia rapidamente e com menos disrupção. Elas têm menos processos legados para desaprender, o que torna a transição para operações habilitadas por IA mais fluida.

O que vem depois da queda

A parte que mais interessa ao conselho é a segunda metade da curva em J. Ao longo de um período mais longo — quatro anos, no recorte estudado —, as empresas industriais que adotaram IA passaram a superar seus pares que não adotaram, tanto em produtividade quanto em participação de mercado. Essa recuperação seguiu um período de ajuste em que as empresas refinaram processos, escalaram as ferramentas digitais e passaram a capitalizar sobre os dados gerados pelos próprios sistemas de IA.

A recuperação também não foi distribuída de forma uniforme: os ganhos mais fortes concentraram-se nas empresas que já eram digitalmente maduras antes de adotar IA. Segundo McElheran, empresas que já haviam passado pela transformação digital — ou que já nasceram digitais — enfrentam uma jornada bem mais fácil, porque dados históricos se tornam bons preditores de resultados futuros. Escala também ajuda: quanto mais rápido uma empresa consegue distribuir os benefícios da IA por mais produtos, mercados e clientes, mais rápido ela atravessa a fase descendente da curva.

O que isso muda na prática para o conselho

O recado prático para quem senta na sala de decisão é direto: uma queda de resultado no primeiro ano de adoção de IA não é necessariamente sinal de fracasso do projeto — pode ser exatamente o comportamento esperado pela literatura. O erro mais caro que uma liderança pode cometer é interromper a jornada de IA no fundo do J, exatamente no momento em que a fricção é maior e o benefício ainda não apareceu no resultado.

Isso não significa tolerar qualquer queda sem questionamento. Significa, antes de mais nada, entender se a queda está sendo acompanhada da reconstrução dos processos que a sustentam — investimento em infraestrutura de dados, treinamento e redesenho de fluxo de trabalho — ou se a empresa apenas comprou ferramenta sem tocar no modelo operacional, caso em que a queda tende a não se reverter. Também explica por que empresas mais antigas, com mais camadas hierárquicas e processos consolidados, devem esperar uma fricção maior do que startups nativas digitais, e por que a disciplina de gestão — manter o monitoramento de indicadores e metas de produção mesmo durante a transição — é um dos fatores que mais preservam produtividade durante a queda.

O paradoxo da produtividade não é motivo para desacelerar a adoção de IA. É motivo para negociar, desde o início, o horizonte de tempo em que o conselho vai avaliar o resultado — e para garantir que a fricção do primeiro ano esteja sendo usada para redesenhar processos, não apenas tolerada como custo inevitável.