As empresas relataram ganhos iniciais expressivos em trabalhos de grande volume e respostas relativamente claras, como consultas de clientes, dúvidas de RH e revisão de contratos. Essas tarefas eram fáceis de medir, o que permitiu avaliar os resultados antes de investir mais.
As empresas trataram os riscos de qualidade fazendo com que funcionários conferissem os rascunhos da IA antes que chegassem a clientes ou pacientes. A Klarna reduziu o quadro de atendimento ao cliente enquanto dependia de seu assistente de IA e depois voltou a recorrer a atendentes humanos por preocupações com a qualidade do serviço.
O Shinhan Bank reorganizou seu conhecimento bancário antes de adotar um assistente de IA generativa. Walmart, POSCO e Kurly também limparam, conectaram e compartilharam dados antes de escolher um modelo.
Um tribunal canadense considerou a Air Canada responsável por condições de reembolso informadas de forma errada pelo chatbot de seu site e rejeitou o argumento de que o chatbot respondia por suas próprias palavras. O McDonald's encerrou em 2024 o teste de pedidos por voz com IA em drive-thrus, enquanto a precisão dos pedidos seguia como problema.
A Zillow comprou imóveis a preços estimados por seu modelo. Com a mudança do mercado, erros de previsão resultaram em baixas contábeis, e a empresa encerrou a unidade de compra de imóveis. O MD Anderson gastou dezenas de milhões de dólares em um projeto de IA com supervisão frágil, que nunca foi usado no tratamento de pacientes.
A Amazon abandonou um modelo de triagem de currículos que, treinado com registros de contratações passadas, atribuía notas menores a candidaturas associadas a mulheres. Em contratação e avaliação, as empresas enfrentaram questionamentos sobre vieses nos dados de treinamento e sobre a capacidade de explicar decisões que afetavam a vida das pessoas.
O JPMorgan deixou que os funcionários decidissem se usariam sua plataforma de IA. A Moderna criou hábitos com um chatbot interno antes de expandir a IA pela empresa e de unir RH e tecnologia. A Shopify incluiu o uso de IA nas avaliações de desempenho, enquanto a Musinsa promoveu habilidades em IA entre todo o seu quadro.
Na plataforma de compras da Naver, o efeito das funções de compra com IA sobre as vendas foi maior para pequenos vendedores do que para grandes. Pequenos fabricantes coreanos recorreram a programas governamentais de fábrica inteligente para cobrir boa parte do custo inicial do controle de qualidade com IA.
O comercial de fim de ano da Coca-Cola, gerado por IA, recebeu críticas generalizadas por falta de calor humano. O memorando público do Duolingo sobre a estratégia centrada em IA também foi criticado de imediato. Marcas que dependiam de emoção e confiança encontraram limites na reação do público.
Algumas empresas usaram a IA em suas próprias operações antes de vendê-la a outras companhias. Octopus Energy, Samsung SDS e Salesforce venderam a clientes externos ferramentas que haviam testado em seu atendimento ao cliente ou no trabalho de escritório.
problemas resolvidos por hora por atendentes com apoio de IA (novatos e menos qualificados: cerca de +30%)
Economistas de Stanford e do MIT estudaram um assistente de chat baseado em GPT introduzido para 5.172 atendentes de suporte de uma empresa de software corporativo da Fortune 500, sobretudo entre o fim de 2020 e o início de 2021. Os problemas resolvidos por hora aumentaram 15% em média e cerca de 30% entre os atendentes menos experientes e menos qualificados, cuja velocidade e qualidade melhoraram. Os mais experientes ganharam pouca velocidade e tiveram uma pequena queda de qualidade. Esses resultados vêm do estudo de 2025, revisado por pares, que sucedeu um documento de trabalho de 2023 com ganhos de 14% e 34% entre 5.179 atendentes.
A ferramenta transmitiu o conhecimento dos atendentes experientes aos mais novos, e por isso equipes com mais profissionais inexperientes tiveram ganhos maiores.
Erik Brynjolfsson, Danielle Li e Lindsey Raymond estudaram 5.172 atendentes e publicaram suas conclusões, revisadas por pares, no volume 140(2) do The Quarterly Journal of Economics. Os problemas resolvidos por hora aumentaram 15% em média e cerca de 30% entre os atendentes menos experientes e menos qualificados, enquanto a qualidade caiu ligeiramente entre os mais qualificados. Os atendentes novos tiveram menor probabilidade de sair, e os clientes se mostraram mais educados.
Os pesquisadores divulgaram o documento de trabalho em abril de 2023 e o revisaram em novembro de 2023. Relataram ganho médio de produtividade de 14% entre 5.179 atendentes e de 34% entre os novatos e menos qualificados, com pouco efeito sobre os experientes e mais qualificados. O sentimento dos clientes e a retenção de funcionários também melhoraram.
O Stanford HAI relatou um ganho de produtividade de 14% no estudo do call center, concentrado entre atendentes menos experientes. Atendentes com 2 meses de casa que usavam o assistente tiveram desempenho semelhante ao de atendentes com 6 meses que não o usavam. Os experientes se beneficiaram pouco.
conclusão mais rápida de tarefas dentro das capacidades da IA (os acertos caíram 19 pontos em uma tarefa fora delas)
Pesquisadores da Harvard Business School, de outras universidades e da BCG distribuíram aleatoriamente 758 consultores da BCG entre os grupos sem IA, com GPT-4 e com GPT-4 e uma breve introdução à elaboração de prompts, em um experimento pré-registrado. Em 18 tarefas de consultoria dentro das capacidades do modelo, os usuários de IA concluíram 12,2% mais tarefas, trabalharam 25,1% mais rápido e receberam notas de qualidade cerca de 32% maiores, em média. Em uma tarefa de análise de negócios fora dessas capacidades, os usuários de IA tiveram 19 pontos percentuais menos chance de responder corretamente, com cerca de 60–71% de acertos contra 84,5% sem IA. O documento de trabalho de 2023 apontou ganho de qualidade de mais de 40%, enquanto o estudo de 2026, revisado por pares, registrou cerca de 32%.
A mesma ferramenta de IA melhorou algumas tarefas de consultoria e reduziu a precisão em outra. Profissionais qualificados tiveram dificuldade para reconhecer quais tarefas excediam as capacidades da ferramenta.
Fabrizio Dell’Acqua e colegas publicaram o estudo, revisado por pares, on-line em março de 2026. Nas tarefas dentro das capacidades do modelo, os usuários de IA concluíram 12,2% mais tarefas, trabalharam 25,1% mais rápido e melhoraram a qualidade em cerca de 32%, em média. Os acertos caíram 19 pontos percentuais na tarefa fora dessas capacidades. Os participantes menos qualificados foram os que mais ganharam.
O estudo da Harvard Business School de setembro de 2023 distribuiu 758 profissionais do conhecimento em 3 grupos. Os usuários de IA trabalharam mais rápido e concluíram mais tarefas dentro das capacidades do modelo, mas tiveram menor probabilidade de resolver uma tarefa fora delas. A pesquisa foi publicada depois na Organization Science.
A BCG informou que seus consultores obtiveram notas cerca de 40% maiores com o GPT-4 em tarefas criativas de produto. Em tarefas de resolução de problemas de negócios, as notas foram 23% menores, porque muitos aceitaram respostas incorretas. As ideias dos usuários do GPT-4 foram 41% menos diversas.
redução do tempo para concluir uma tarefa de programação com um assistente de código com IA
Pesquisadores da Microsoft Research, do GitHub e da MIT Sloan recrutaram 95 desenvolvedores autônomos pela Upwork em maio e junho de 2022 e os dividiram aleatoriamente em um grupo com o Copilot (45) e um grupo de controle (50); 35 em cada grupo concluíram a tarefa. Diante da tarefa de escrever um servidor HTTP em JavaScript, o grupo com o Copilot levou em média 71 minutos, contra 161 minutos, uma redução de 55,8% (intervalo de confiança de 95%: 21–89%). Os desenvolvedores menos experientes se beneficiaram mais. O Copilot é produzido pelo GitHub, subsidiária da Microsoft, e 3 dos 4 autores trabalhavam na Microsoft ou no GitHub.
Os desenvolvedores economizaram bastante tempo em uma tarefa de programação bem definida. Estudos posteriores com grandes bases de código existentes encontraram ganhos muito menores ou lentidão nesse contexto diferente.
Sida Peng, Eirini Kalliamvakou, Peter Cihon e Mert Demirer recrutaram 95 desenvolvedores pela Upwork e designaram 45 ao Copilot e 50 ao grupo de controle. Em cada grupo, 35 concluíram a tarefa do servidor HTTP, e o grupo com o Copilot levou 55,8% menos tempo. Sua taxa de sucesso foi 7 pontos percentuais maior, diferença sem significância estatística.
O GitHub informou que 78% do grupo com o Copilot e 70% do grupo de controle concluíram a tarefa. O grupo com o Copilot terminou cerca de 55% mais rápido, em 1 hora e 11 minutos, contra 2 horas e 41 minutos. Em uma pesquisa à parte com mais de 2.000 usuários do Copilot, a maioria disse que a ferramenta ajudou a trabalhar mais rápido e a manter o foco.
parcela de PMEs industriais que apontaram o custo inicial como a maior barreira à adoção de IA
O Ministério das PMEs e Startups citou uma pesquisa da Federação Coreana de PMEs ao anunciar, em 24 de outubro de 2025, sua estratégia Inovação em Manufatura Inteligente 3.0, baseada em IA. As PMEs industriais apontaram o custo inicial (44,2%) como a maior barreira, seguido da falta de pessoal (20,5%) e da falta de estratégia (14,9%), enquanto 72,3% queriam apoio financeiro direto. O governo estimou a adoção de IA em cerca de 1% e fixou metas de 10% de adoção e 12.000 fábricas inteligentes centradas em IA até 2030. A data e o tamanho da amostra da pesquisa não foram informados.
Os fabricantes citaram o custo inicial com mais frequência do que a falta de pessoal ou de estratégia. As medidas do governo incluíram subsídios e fábricas inteligentes por assinatura para reduzir esse peso inicial.
O Money Today informou que as PMEs industriais citaram o custo inicial (44,2%), a falta de pessoal (20,5%) e a falta de estratégia (14,9%) como barreiras à IA, enquanto 72,3% queriam ajuda financeira direta. As medidas do governo incluíram fábricas inteligentes por assinatura e uma plataforma de apoio de balcão único. O governo pretendia elevar a adoção de IA de cerca de 1% para 10%.
O Herald Business informou que uma pesquisa da Federação Coreana de PMEs apontou o custo inicial como a maior barreira dos fabricantes à IA, e que cerca de 7 em cada 10 queriam financiamento direto. As metas do governo incluíam 12.000 fábricas inteligentes com IA, 10% de adoção de IA, 500 empresas especializadas e 1.000 conjuntos de dados compartilhados.
O Financial News informou que o governo fixou metas de 12.000 fábricas inteligentes centradas em IA e de aumento da adoção de IA de 1% para 10% até 2030. Também descreveu o apoio a empresas individuais no âmbito do programa de IA para fábricas inteligentes.
aumento do tempo de conclusão das tarefas quando a IA era permitida (os desenvolvedores esperavam ser 24% mais rápidos)
De fevereiro a junho de 2025, a organização sem fins lucrativos METR permitiu ou proibiu a IA de forma aleatória em 246 tarefas reais executadas por 16 desenvolvedores experientes em grandes projetos de código aberto que mantinham havia anos. Quando a IA era permitida, os desenvolvedores usaram principalmente o Cursor Pro com o Claude 3.5/3.7 Sonnet e levaram 19% mais tempo, com intervalo de confiança de 95% de +2% a +39%. Eles esperavam trabalhar 24% mais rápido e, depois, ainda acreditavam ter sido 20% mais rápidos. Um estudo de acompanhamento iniciado em agosto de 2025 com 57 desenvolvedores produziu estimativas cujos intervalos de confiança incluíam 0, e a METR afirmou em fevereiro de 2026 que efeitos de seleção tornavam os dados pouco confiáveis.
Desenvolvedores experientes, trabalhando em bases de código conhecidas, sentiram-se mais rápidos com a IA, embora o tempo de conclusão medido tenha aumentado. Os resultados de ferramentas do início de 2025 podem diferir dos de ferramentas posteriores.
Joel Becker, Nate Rush, Elizabeth Barnes e David Rein constataram um aumento de 19% no tempo de conclusão em um teste com 16 desenvolvedores e 246 tarefas. Os desenvolvedores esperavam um ganho de velocidade de 24% e perceberam um de 20% depois, enquanto especialistas em aprendizado de máquina e economia haviam previsto ganhos de 38–39%. Os pesquisadores examinaram 20 explicações possíveis e consideraram improvável que a lentidão fosse sobretudo um artefato do desenho do estudo.
A METR estudou projetos com média de mais de 22.000 estrelas e mais de um milhão de linhas de código, com tarefas de cerca de duas horas. Ressaltou a pequena amostra de desenvolvedores, o foco em um único domínio e possíveis efeitos de aprendizado. A METR descreveu depois esses resultados como desatualizados e divulgou dados de acompanhamento.
A METR iniciou um estudo de acompanhamento em agosto de 2025 com 57 desenvolvedores e mais de 800 tarefas. Estimou ganhos de velocidade de 18% para os desenvolvedores que retornaram e de 4% para os novos participantes, com ambos os intervalos de confiança incluindo 0. Como os desenvolvedores se recusavam cada vez mais a trabalhar sem IA, a METR considerou os dados pouco confiáveis e anunciou um novo desenho de estudo.
efeito medido sobre rendimentos e horas registradas 2 anos após o lançamento do ChatGPT (efeitos acima de 2% descartados)
Anders Humlum, da Universidade de Chicago, e Emilie Vestergaard, da Universidade de Copenhague, trabalharam com a Statistics Denmark em pesquisas representativas de 11 ocupações altamente expostas a chatbots de IA. A pesquisa do fim de 2024 abrangeu 25.000 trabalhadores em 7.000 locais de trabalho e foi cruzada com registros oficiais de rendimentos, horas e ocupação até dezembro de 2024. Onde os empregadores incentivaram o uso e ofereceram chatbots corporativos e treinamento, 93% haviam usado chatbots, 28% os usavam diariamente e 19% disseram economizar mais de 1 hora por dia. Ao comparar quem adotou e quem não adotou antes e depois da chegada dos chatbots, os pesquisadores não encontraram efeito sobre rendimentos ou horas registradas, embora o trabalho tenha mudado, com os funcionários gerando conteúdo, revisando os resultados da IA e integrando a IA.
A economia de tempo relatada pelos trabalhadores não alterou salários nem horas em 2 anos. A maioria dos usuários disse ter usado o tempo economizado em outras tarefas, o que mudou a organização do trabalho.
Os pesquisadores divulgaram o documento de trabalho em maio de 2025 e o revisaram em março de 2026. Com dados de pesquisa e administrativos cruzados, compararam as mudanças entre quem adotou e quem não adotou e descartaram efeitos médios sobre rendimentos e horas superiores a 2%. Cerca de 85% dos usuários disseram ter usado o tempo economizado em outras tarefas, e alguns migraram para ocupações mais bem pagas.
O Becker Friedman Institute informou que não houve efeito sobre rendimentos nem sobre horas registradas 2 anos após o lançamento do ChatGPT. A conclusão valeu para usuários intensivos, adotantes iniciais e locais de trabalho que investiram muito. A adoção de chatbots esteve associada a mudanças em tarefas e ocupações, sem alterações líquidas em salários ou horas.
tarefas semanais concluídas por desenvolvedores que usaram o assistente de código com IA (estimativa combinada, erro padrão de cerca de 10 pontos)
Economistas de Princeton, MIT, Wharton e Microsoft analisaram 3 experimentos aleatórios na Microsoft, na Accenture e em uma fabricante de eletrônicos da Fortune 100 não identificada, de setembro de 2022 a maio de 2023. Um subconjunto aleatório de 4.867 desenvolvedores recebeu acesso ao GitHub Copilot durante o trabalho normal, e os usuários concluíram 26,08% mais tarefas por semana (erro padrão de 10,3%), fizeram 13,55% mais commits e executaram 38,38% mais builds nos experimentos. Contratados recentes e desenvolvedores juniores usaram mais a ferramenta e ganharam mais, enquanto os seniores não tiveram ganho estatisticamente significativo. 2 dos 6 autores trabalhavam na Microsoft, dona do GitHub.
Os desenvolvedores das empresas ganharam menos do que no teste de laboratório com uma única tarefa, e com mais incerteza nos resultados. Os menos experientes foram os que mais ganharam.
Kevin Zheyuan Cui, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng e Tobias Salz relataram os experimentos em fevereiro de 2025. Os testes duraram de 2 a 8 meses, até que todos os grupos recebessem acesso. Nos 3 testes, as tarefas concluídas aumentaram 26,08%, os commits 13,55% e os builds 38,38%. Os pesquisadores disseram que cada teste isolado tinha incerteza estatística considerável e que a adesão inicial foi baixa.
Os pesquisadores registraram os experimentos nas 3 empresas na American Economic Association depois de realizados. Os experimentos ocorreram de setembro de 2022 a maio de 2023 e atribuíram o acesso de forma aleatória, por equipe ou indivíduo, em cada empresa. As medidas principais incluíam pull requests, commits e builds.