A inteligência artificial devia poupar tempo.
Essa é a promessa que ouves em todo o lado: uma tarefa que demorava horas fica pronta em minutos. Um relatório é resumido automaticamente. Um email é escrito em segundos. Uma análise começa com um simples pedido.
Na prática, muitas equipas descobrem outra realidade.
A IA produz um resultado a 80%. Alguém tem de rever. Corrigir. Reformular o pedido. Confirmar factos. Explicar novamente o contexto. Voltar a gerar. Corrigir outra vez.
No fim, o processo demora o mesmo tempo — ou até mais.
A diferença é que agora inclui o tempo de gerir a IA.
O problema não é necessariamente a ferramenta. O problema é teres introduzido a IA sem medires o processo que existia antes.
A promessa da velocidade pode esconder o custo real
É fácil ficares impressionado com o tempo de geração.
Um texto aparece em dois minutos. Uma tabela é criada em poucos segundos. Um assistente responde imediatamente a uma pergunta.
Mas o resultado bruto não é o resultado final.
Entre a primeira resposta da IA e o trabalho que podes realmente utilizar existem várias etapas:
- Verificar se a informação está correcta.
- Confirmar se as fontes são credíveis.
- Corrigir erros de contexto.
- Adaptar a linguagem ao cliente.
- Eliminar repetições e generalidades.
- Garantir que os dados estão actualizados.
- Integrar o resultado no CRM, no documento ou no processo habitual.
- Obter aprovação.
- Refazer tudo quando a resposta não serve.
Se medires apenas o tempo de produção, estás a medir a parte mais favorável da história.
A métrica relevante é o tempo total desde o início do processo até ao resultado aceite.
O paradoxo do trabalho fantasma
Já falámos sobre AI slop e o conteúdo que parece pronto, mas não acrescenta valor.
Dentro das empresas, existe um problema semelhante: o workslop.
É o trabalho produzido ou assistido por IA que parece concluído, mas ainda não está suficientemente correcto, completo ou contextualizado para ser utilizado.
Tem bom aspecto. Tem títulos, estrutura e uma linguagem profissional. Pode até parecer melhor do que o primeiro rascunho de uma pessoa.
Depois começa a revisão.
Faltam dados. Há conclusões que não resultam da informação disponível. A resposta ignora uma condição importante. O texto está genérico. A proposta não reflecte o que foi discutido com o cliente.
A equipa sente que não pode recusar o resultado. Afinal, “já está feito”.
Por isso, começa a limpar.
Esse tempo escondido aparece em várias formas:
- Rever resultados.
- Corrigir informação errada.
- Reescrever prompts.
- Voltar a fornecer contexto.
- Comparar respostas de várias ferramentas.
- Validar números e fontes.
- Explicar à IA o que deveria ter compreendido à primeira.
- Refazer manualmente a parte que ficou pior com a automatização.
Ninguém regista estas horas como retrabalho criado pela IA. Entram na agenda como “revisão”, “ajuste”, “controlo de qualidade” ou simplesmente “mais uma tarefa”.
Uma análise do Work AI Index 2026, da Glean, descreve este fenómeno como botsitting: o trabalho de fornecer contexto, supervisionar resultados, corrigir erros e repetir instruções para tornar a IA útil. Segundo o estudo, os trabalhadores inquiridos reportaram poupanças de tempo, mas também várias horas semanais gastas a tornar os resultados utilizáveis.
Os valores pertencem à amostra do estudo e não devem ser tratados como uma regra universal. A conclusão, contudo, é importante: a IA pode reduzir o tempo visível de produção e aumentar o tempo invisível de validação.
Escolhe um processo. Não tentes medir tudo ao mesmo tempo.
Para perceberes se a IA está realmente a ajudar, escolhe um processo concreto.
Não avalies “a utilização da IA na empresa”. Isso é demasiado amplo para produzir uma resposta útil.
Escolhe algo com:
- Um início claro.
- Um resultado final identificável.
- Passos que possam ser observados.
- Volume suficiente para comparação.
- Uma pessoa responsável pelo processo.
Pode ser:
- Responder a novos pedidos de contacto.
- Preparar resumos de reuniões.
- Criar descrições de produtos.
- Classificar pedidos de apoio ao cliente.
- Preparar uma primeira versão de propostas comerciais.
- Transformar notas internas em tarefas.
- Criar um relatório semanal.
O processo deve ser suficientemente frequente para conseguires medir o antes e o depois.
Antes da IA: cria a linha de base
Durante uma semana normal, mede o processo sem introduzir alterações.
Não tentes estimar. Regista.
Para cada tarefa, acompanha:
- Tempo total desde o pedido até à conclusão.
- Tempo de trabalho activo.
- Número de passos.
- Pessoas envolvidas.
- Tempo de espera entre etapas.
- Número de erros.
- Número de correcções.
- Casos que saem do percurso normal.
- Qualidade do resultado final.
A qualidade não precisa de ser uma avaliação complicada. Define três ou quatro critérios antes de começares.
Por exemplo, numa resposta a um potencial cliente:
- Responde a todas as perguntas?
- Usa informação correcta?
- Está adaptada ao caso concreto?
- Pode ser enviada sem uma reescrita completa?
Classifica cada resultado de forma consistente. O importante não é criares uma métrica perfeita. É teres um ponto de comparação.
Também deves distinguir entre tempo de trabalho e tempo de ciclo.
O tempo de trabalho é o número de minutos em que alguém está efectivamente a executar a tarefa.
O tempo de ciclo é o período entre o pedido inicial e o resultado final. Inclui esperas, aprovações, interrupções e transferências.
Uma ferramenta pode reduzir o trabalho activo e, ao mesmo tempo, aumentar o tempo de ciclo se criar mais revisões ou aprovações.
Depois da IA: mede o processo inteiro
Introduz a IA no ponto definido e repete a medição com volume e condições semelhantes.
Regista, pelo menos:
- Tempo de geração.
- Tempo para preparar o contexto.
- Tempo de revisão.
- Tempo de correcção.
- Número de tentativas ou prompts.
- Tempo de integração no fluxo real.
- Número de erros introduzidos.
- Taxa de retrabalho.
- Qualidade final.
- Tempo total até à aceitação.
A fórmula é simples:
Tempo total = geração + preparação + revisão + correcção + integração + aprovação
Não contes apenas o tempo que a ferramenta demora a responder.
Exemplo prático
Imagina que queres usar IA para preparar uma primeira resposta a novos pedidos de contacto.
Antes da IA, durante uma semana, a equipa mede:
| Etapa | Tempo médio |
|---|---|
| Ler o pedido e contexto | 5 minutos |
| Escrever a resposta | 10 minutos |
| Rever e enviar | 3 minutos |
| Tempo total | 18 minutos |
Depois da introdução da IA:
| Etapa | Tempo médio |
|---|---|
| Preparar o contexto para a IA | 4 minutos |
| Gerar a resposta | 2 minutos |
| Rever a resposta | 7 minutos |
| Corrigir informação e tom | 5 minutos |
| Integrar no sistema e enviar | 3 minutos |
| Tempo total | 21 minutos |
A geração passou de dez para dois minutos. Parece uma melhoria impressionante.
Mas o processo completo passou de 18 para 21 minutos.
A IA não poupou tempo. Criou três minutos adicionais por contacto.
O resultado pode melhorar mais tarde, se criares um bom modelo de contexto, definires critérios claros e eliminares as correcções repetidas. Mas, enquanto os dados não mostrarem essa melhoria, não deves apresentar o projecto como um ganho de produtividade.
Os sinais de que a IA está a criar mais trabalho
Presta atenção a estes sinais:
A equipa gasta mais tempo a corrigir do que a produzir
Se a primeira versão é rápida, mas a revisão exige uma reescrita quase total, a poupança é ilusória.
Os prompts são reescritos continuamente
Uma ou duas tentativas podem fazer parte do processo. Dez tentativas para obter uma resposta utilizável indicam que falta contexto, estrutura ou adequação da ferramenta.
Ninguém confia no resultado
Se tudo passa por uma revisão completa, a IA não está a substituir uma etapa. Está a acrescentar uma etapa antes do trabalho normal.
A ferramenta é usada “porque sim”
Ter uma licença, um assistente ou um agente não é um objectivo. A pergunta é outra: que problema medido estás a resolver?
Uma etapa ficou mais rápida, mas o processo ficou mais lento
Este é o sinal mais enganador. A IA acelera a produção do texto, mas aumenta o tempo de validação, aprovação e integração.
Quando é que a IA ajuda realmente?
A IA ajuda quando é aplicada a um processo estável, com critérios claros e uma pessoa responsável pelo resultado.
Isto liga directamente aos checks que deves fazer antes de automatizar qualquer processo:
- O processo está suficientemente organizado?
- Sabes qual é o resultado esperado?
- Existe um dono que acompanha o processo?
- Sabes o que acontece quando a ferramenta falha?
A IA tende a funcionar melhor em tarefas como:
- Criar um primeiro rascunho.
- Resumir informação.
- Organizar notas.
- Comparar documentos.
- Classificar pedidos.
- Sugerir estruturas.
- Formatar informação.
- Procurar padrões num conjunto de dados.
Deves ter mais cuidado quando a tarefa envolve:
- Decisão final.
- Informação financeira ou legal.
- Relação com clientes.
- Dados sensíveis.
- Avaliação de risco.
- Interpretação de contexto específico.
- Promessas comerciais.
- Conteúdo que pode causar dano à reputação.
A regra é simples: quanto maior o risco, mais rigoroso deve ser o portão de revisão.
Uma nota interna e reversível pode ter uma revisão rápida. Uma proposta enviada a um cliente, uma decisão de crédito ou uma resposta sobre dados pessoais exigem outro nível de controlo.
Como melhorar o processo depois da primeira medição
Se a IA não está a poupar tempo, não concluas imediatamente que a ferramenta é inútil. Primeiro identifica onde está o problema.
Pergunta:
- A equipa está a dar contexto suficiente?
- As fontes estão organizadas?
- O prompt inclui critérios de aceitação?
- A ferramenta está a ser usada no ponto certo do processo?
- Existe informação contraditória?
- A revisão está a ser feita por alguém sem tempo ou sem autoridade?
- O resultado tem de ser corrigido porque a tarefa não estava bem definida?
- Estás a usar IA numa decisão que deveria continuar a ser humana?
Faz uma alteração de cada vez.
Depois mede novamente ao fim de 30 dias. Compara:
- Tempo total por tarefa.
- Qualidade final.
- Taxa de erro.
- Número de ciclos de retrabalho.
- Tempo de revisão.
- Adopção real pela equipa.
- Incidentes ou correcções posteriores.
Se o processo melhorar, documenta o novo método.
Se não melhorar, ajusta-o ou abandona-o.
Não mantenhas uma utilização de IA apenas porque já investiste tempo a implementá-la.
A métrica que interessa é o resultado final
A IA não é boa nem má por si.
Pode poupar horas ou comê-las. Pode reduzir trabalho repetitivo ou criar uma camada adicional de supervisão. Pode melhorar a qualidade de uma primeira versão ou produzir uma resposta polida que ninguém consegue defender.
A diferença está em medir.
Quem introduz IA sem medir o antes e o depois está a comprar trabalho fantasma. Quem mede o processo completo consegue perceber onde existe valor, onde existe retrabalho e onde a ferramenta deve ser retirada.
Na próxima semana, escolhe um processo e responde a três perguntas:
- Quanto tempo demora hoje, do início ao resultado aceite?
- Quanto desse tempo é revisão, correcção, espera e integração?
- Quanto vai demorar depois da IA, incluindo tudo o que a equipa terá de fazer para confiar no resultado?
IA que reduz o tempo total sem criar retrabalho é uma ferramenta.
IA que parece poupar tempo, mas obriga a corrigir tudo, é um passatempo caro.
Mede o processo inteiro. Só assim vais saber a diferença.