Estudo da ActivTrak sobre a Jornada de Trabalho Revela que Usuários de IA Têm Dias Mais Longos
A ActivTrak informa que usuários de IA têm jornadas que podem durar até 90 minutos a mais do que as de não usuários, desafiando a promessa de que tarefas mais rápidas resultam em dias mais curtos. O estudo da ActivTrak sobre a jornada de trabalho abrange 9.140 trabalhadores do conhecimento em 467 empresas, usando dados de atividade digital coletados entre 1º de abril e 25 de setembro de 2026. Divulgadas em 29 de outubro, as conclusões associam a adoção de IA a dias mais longos, sem estabelecer que a IA tenha causado essa diferença.
Essa distinção é importante porque a aparente contradição tem várias explicações possíveis. Funcionários em cargos exigentes podem adotar IA com mais frequência. Uma produção mais rápida pode incentivar atribuições adicionais. Alternar o trabalho entre assistentes e aplicações existentes também pode consumir tempo que demonstrações de tarefas deixam de fora. Cada explicação pressiona empregadores que prometem eficiência sem medir o que acontece ao longo de toda a jornada de trabalho.
Pesquisas anteriores sobre IA e jornada de trabalho oferecem um contraponto essencial. Um experimento randomizado envolvendo um assistente integrado a aplicações existentes constatou redução no tempo dedicado a e-mails e menos trabalho fora do horário regular. O conflito emergente, portanto, ocorre entre uma promessa de produtividade e resultados desiguais no ambiente de trabalho. A IA pode poupar tempo em uma atribuição, mas ainda deixa sem resposta se os funcionários terminam mais cedo, assumem mais atribuições ou absorvem verificações e coordenação adicionais.
O Que o Estudo da ActivTrak sobre a Jornada de Trabalho Realmente Encontrou
A descoberta mais recente diz respeito à duração da jornada de trabalho, que não deve ser confundida com trabalho contínuo ou produção verificada.
Segundo a análise da jornada de trabalho da ActivTrak, os dias dos usuários de IA duravam de 8,4 a 9,1 horas, em comparação com 7,6 horas entre não usuários. Usuários intensivos tiveram, em média, sessões ininterruptas de foco de 37,8 minutos, contra 48,2 minutos entre usuários leves. Usuários intensivos também registraram 18 minutos adicionais de atividade diária fora do horário de trabalho.
Essas medições descrevem aspectos diferentes do trabalho. Uma duração maior não comprova esforço ininterrupto durante todo esse intervalo. Sessões de foco mais curtas não comprovam qualidade inferior. Atividade adicional à noite não identifica se ela foi solicitada pelo empregador, escolhida pelo funcionário ou deslocada por uma maior flexibilidade de horários.
O número de destaque também representa uma comparação máxima dentro das faixas informadas. Ele não deve se transformar na alegação de que todo funcionário que adota IA adiciona a mesma quantidade de trabalho. Tratar uma diferença observada como penalidade universal eliminaria justamente a variação que os empregadores precisam investigar.
O momento da divulgação torna o estudo relevante para o planejamento empresarial. Organizações que avaliam investimentos em IA precisam de evidências além de saber se funcionários abriram um assistente. Elas precisam entender se seu uso altera prazos de entrega, necessidades de pessoal, taxas de erro e limites da jornada.
Considere a diferença entre um rascunho mais rápido e sair mais cedo. Um assistente de redação pode reduzir o esforço necessário para produzir um documento inicial. Isso não responde o que acontece durante a aprovação, a checagem de fatos, a revisão e a distribuição. A atribuição concluída continua sendo a unidade relevante para avaliar um benefício no ambiente de trabalho.
O estudo não resolve toda essa cadeia. Sua contribuição é expor uma lacuna entre usar IA e ter um dia mais curto. Essa lacuna merece investigação mesmo quando a direção da causalidade permanece incerta.
Para os funcionários, a implicação prática é direta. Sentir-se mais rápido em tarefas isoladas não contradiz sentir-se mais ocupado de modo geral. Essas experiências medem coisas diferentes, e a avaliação de produtividade de um empregador precisa considerar ambas.
Para compradores, a divulgação levanta uma questão de aquisição. Uma demonstração de produto normalmente termina quando o assistente entrega uma resposta. Um processo empresarial termina quando alguém assume a responsabilidade pelo resultado. A distância entre esses dois pontos é onde uma aparente economia precisa ser verificada.
Gestores Enfrentam uma Escolha Sobre o Destino do Tempo Economizado
Uma tarefa mais curta cria capacidade disponível; as decisões de gestão determinam se essa capacidade se transforma em alívio, produção adicional ou outra obrigação.
A pressão imediata recai sobre os gestores que aprovam implementações de IA e os funcionários que se espera que demonstrem seu valor. Compradores precisam de evidências de que o investimento melhora o desempenho empresarial. Trabalhadores precisam de clareza sobre se uma execução mais rápida altera suas responsabilidades, prazos ou disponibilidade.
Esses interesses podem se alinhar. Um funcionário pode preferir eliminar a redação rotineira para se concentrar em trabalho que exige julgamento. Um empregador pode valorizar essa mudança mais do que reduzir as horas programadas. O problema começa quando cada lado pressupõe um destino diferente para o mesmo tempo economizado.
Uma semana de trabalho mais curta é um resultado específico. Ela exige que o trabalho caiba em menos horas programadas, com qualidade aceitável e demanda administrável. Uma melhoria de produtividade, por si só, não garante esse arranjo. Organizações podem, em vez disso, direcionar a capacidade adicional para um acúmulo de trabalho existente.
Essa escolha não é automaticamente injustificável. Trabalho não concluído pode incluir projetos úteis, solicitações de clientes ou manutenção negligenciada. No entanto, líderes devem descrever o resultado com precisão. Entregar mais trabalho dentro do mesmo horário difere de reduzir o horário, e estender o dia cria um resultado inteiramente diferente.
A discussão sobre a carga de trabalho com IA da ActivTrak torna essa distinção mais difícil de evitar. Empregadores não podem avaliar o benefício para os funcionários apenas pelo volume de material gerado. Um aumento nos rascunhos pode ajudar o autor enquanto amplia as demandas sobre editores, revisores ou colegas responsáveis pela implementação.
Uma equipe hipotética de produto ilustra a questão. Um gestor usa IA para preparar uma proposta mais rapidamente e acrescenta alternativas adicionais antes de compartilhá-la. A equipe então avalia mais opções, verifica mais premissas e discute mais mudanças possíveis. A tarefa inicial se torna mais barata, enquanto o processo de decisão se torna maior.
Nada nesse exemplo exige que o assistente apresente falhas. Todos os rascunhos podem ser úteis. A carga adicional surge da ambição ampliada e da capacidade limitada de revisão. Uma produção mais rápida muda o que parece viável antes de a organização mudar o que pode aprovar de forma responsável.
Gestores, portanto, enfrentam um problema que vai além da habilidade de elaborar prompts. Alguém precisa decidir qual trabalho adicional merece atenção e qual trabalho deve permanecer por fazer. Sem essa decisão, um assistente pode ampliar a oferta de propostas mais rapidamente do que os colegas conseguem avaliá-las.
A mesma questão se aplica à gestão do conhecimento. Organizar informações existentes pode resolver uma carga diferente daquela criada pela geração de mais material. Uma base de conhecimento pessoal diz respeito a como as informações são mantidas e recuperadas. Nenhuma das duas funções deve receber crédito por jornadas mais curtas sem evidências de que o processo geral melhorou.
A questão de gestão relevante é, portanto, concreta: o que deixou de consumir o tempo dos funcionários após a implementação? Se nada desapareceu, os líderes devem identificar o valor adicional que justifica a nova atividade. Caso contrário, a adoção se torna uma expectativa sobreposta a uma agenda já cheia.
Tarefas Mais Rápidas Podem Ampliar o Trabalho ao Seu Redor
A capacidade da IA de facilitar o trabalho também pode aumentar a quantidade de trabalho que os funcionários tentam realizar.
Pesquisas da UC Berkeley Haas oferecem uma explicação fundamentada para essa possibilidade. Xingqi Maggie Ye e Aruna Ranganathan conduziram um estudo etnográfico de oito meses, usando observação no ambiente de trabalho e entrevistas, em uma empresa de tecnologia com 200 funcionários. Ye também realizou mais de 40 entrevistas em diferentes grupos funcionais.
A pesquisa sobre intensificação do trabalho identificou responsabilidades mais amplas, trabalho invadindo antigas pausas e mais tarefas simultâneas. Às vezes, os funcionários mantinham processos de IA em execução enquanto lidavam com outras obrigações. A pesquisa descreve como o trabalho se expandiu, em vez de estimar um efeito universal entre empregadores.
Essa distinção é importante para interpretar o estudo da ActivTrak sobre a jornada de trabalho. A observação no ambiente de trabalho pode revelar mecanismos que as medições de atividade não conseguem explicar sozinhas. Ela não prova que esses mecanismos causaram as diferenças em outro conjunto de dados. Ainda assim, identifica explicações que vale a pena testar.
Uma possibilidade é que reduzir a dificuldade de iniciar o trabalho altere o ponto de parada. Uma atribuição que antes parecia impraticável pode passar a valer a tentativa. Um trabalhador que consegue explorar rapidamente uma ideia enfrenta uma nova decisão sobre continuar, refiná-la e compartilhá-la.
Isso cria uma experiência diferente de simplesmente receber uma tarefa extra de um gestor. O esforço adicional pode começar por curiosidade ou satisfação. Um funcionário pode valorizar a capacidade de tentar realizar trabalho além de sua faixa anterior de habilidades. Prazer e expansão da carga de trabalho podem, portanto, ocorrer juntos.
A visão geral da pesquisa de Aruna Ranganathan enfatiza essa distinção entre produção mensurável e a experiência vivida pelos funcionários. Seu trabalho examina autonomia, exigências cognitivas, especialização, relacionamentos e bem-estar, entre outras consequências da IA no ambiente de trabalho. Essas dimensões ajudam a explicar por que uma medida favorável de produção não pode resolver todas as questões sobre uma implementação.
A preocupação analítica é a acumulação. Um pequeno experimento opcional se torna uma entrega útil. Entregas úteis influenciam expectativas. As expectativas, por sua vez, moldam o que os colegas solicitam e o que os funcionários sentem ser responsáveis por manter. A economia original pode desaparecer sem uma decisão formal de expandir o papel de alguém.
O trabalho paralelo introduz outra versão desse problema. Iniciar um assistente não elimina a responsabilidade de verificar seu resultado. Se vários processos terminam enquanto um trabalhador lida com outra atribuição, seus resultados criam uma fila que exige atenção.
A carga resultante depende do que esses resultados exigem. Material rotineiro pode precisar de pouca revisão. Uma recomendação relevante pode exigir verificação de fontes, consulta e revisão. Contar as respostas concluídas pelo assistente trataria essas situações como semelhantes, apesar de suas diferentes exigências humanas.
A inversão é, portanto, plausível sem presumir que a IA falhou em sua tarefa imediata. Uma assistência melhor pode ampliar a variedade de trabalho que as pessoas assumem. Se isso se torna um benefício depende dos limites de carga de trabalho, da capacidade de revisão e do valor dos resultados adicionais.
Assistentes Integrados Oferecem um Ponto de Referência Diferente
Evidências de que alguns usuários de IA trabalham mais não anulam evidências experimentais de que outras implementações poupam tempo dos funcionários.
Um estudo de Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica e Christopher T. Stanton fornece uma comparação importante. Seu experimento randomizado no ambiente de trabalho envolveu 7.137 trabalhadores do conhecimento em 66 empresas. A seleção aleatória determinou o acesso a um assistente de IA generativa integrado a aplicações usadas para e-mails, reuniões e redação.
Na segunda metade do experimento de seis meses, os usuários participantes passaram duas horas a menos por semana no e-mail e reduziram o trabalho fora do horário regular. Os pesquisadores não detectaram mudanças na quantidade ou na composição das tarefas decorrentes do acesso individual. Essas descobertas estabelecem um possível resultado diferente dos períodos mais longos relatados em dados observacionais.
A comparação reforça a necessidade de fazer afirmações cuidadosas. Ela não estabelece que assistentes integrados sempre encurtam os dias de trabalho ou que assistentes independentes sempre os prolongam. Amostras, métodos, aplicações e ambientes de trabalho diferentes impedem essa simplificação.
Ela estabelece que “a IA faz os funcionários trabalharem mais tempo” é uma conclusão ampla demais para ser universal. O acesso pode reduzir o tempo gasto em atividades específicas em algumas condições. Uma associação observada em outro contexto não pode invalidar esse resultado experimental.
A distinção entre produtos também merece atenção, sem se transformar em uma disputa entre fornecedores. ChatGPT, Claude e Microsoft Copilot não devem ser tratados como implementações equivalentes no ambiente de trabalho. A posição de um assistente dentro de um processo, o contexto disponível e a revisão necessária afetam o que os funcionários precisam fazer em torno de seu resultado.
Esta é uma comparação de escolhas de implementação, e não uma afirmação sobre qual marca tem melhor desempenho. As evidências citadas não sustentam uma classificação entre esses produtos. Compradores precisam avaliar a versão, a configuração e o processo específicos que pretendem usar.
Um fluxo de trabalho hipotético de redação torna a distinção tangível. Se um assistente retorna material dentro do documento que está sendo editado, o trabalhador pode avaliá-lo ao lado do texto ao redor. Se o material chega em outro lugar, o trabalhador precisa movê-lo, reconciliar o contexto e verificar se o documento final ainda reflete as fontes pretendidas.
Nenhuma das duas configurações garante sucesso. O exemplo identifica etapas adicionais que uma demonstração de tarefa pode excluir. Uma avaliação justa precisa contabilizar essas etapas onde quer que ocorram.
O mesmo raciocínio se aplica a assistentes que recuperam conhecimento interno. A geração de respostas é apenas parte da tarefa quando os funcionários precisam confirmar qual documento é a fonte autorizada. Uma resposta confiante ainda pode exigir verificação substancial se seu contexto de apoio não estiver claro.
Para compradores corporativos, a questão competitiva passa a ser se uma implementação elimina trabalho ao longo de todo o processo concluído. Uma geração mais conveniente é útil, mas seu valor depende do que vem depois. A evidência experimental dá aos compradores motivos para buscar economias mensuráveis, ao mesmo tempo em que resistem a promessas genéricas de semanas mais curtas.
Dias Mais Longos Ainda Não Estabelecem Causa e Efeito
O estudo de jornada de trabalho da ActivTrak identifica um padrão que merece investigação, mas deixa explicações importantes em aberto.
A questão mais evidente é a seleção. Os funcionários não necessariamente adotam IA de forma aleatória. Aqueles que lidam com atribuições complexas ou cargas de trabalho mais pesadas podem ter motivos mais fortes para buscar assistência. Seus dias mais longos podem preceder parcialmente o uso de IA.
As diferenças entre funções complicam ainda mais a interpretação. Um trabalho centrado em redação, coordenação ou programação cria oportunidades diferentes para usar um assistente. Comparar trabalhadores dessas funções pode misturar o efeito da IA com as exigências do próprio trabalho.
A causalidade reversa é outra possibilidade. Um prazo se aproximando pode levar funcionários a trabalhar mais tempo e usar IA com maior frequência. Nessa situação, a carga de trabalho ajuda a explicar ambas as observações. O assistente pode reduzir parte do esforço mesmo enquanto seus usuários continuam registrando dias mais longos.
Essas são explicações a serem testadas, e não relatos estabelecidos desta amostra. Elas mostram por que uma correlação não pode responder sozinha à questão causal. A divulgação pública não apresenta um desenho randomizado que resolva essas alternativas.
A medição apresenta outra limitação. A atividade digital revela aspectos de como as pessoas interagem com aplicações. Ela não estabelece diretamente o valor de suas decisões, a qualidade de sua colaboração ou seu nível de exaustão.
Um dia mais longo pode acompanhar uma produção valiosa, retrabalho evitável, horários flexíveis ou uma combinação dessas condições. Distingui-los exige informações além da duração em si. A experiência dos funcionários e os resultados aceitos devem acompanhar as medidas de atividade.
Descobertas anteriores também precisam ser cuidadosamente separadas da divulgação mais recente. A análise anual do ambiente de trabalho da ActivTrak incluiu um subconjunto de 10.584 usuários comparados antes e depois da adoção de IA. Ela relatou aumentos em categorias de trabalho medidas, incluindo e-mail e mensagens. Trata-se de uma análise diferente da comparação de outubro, e sua amostra não deve ser combinada com a mais recente.
Essa separação evita uma impressão inflada de certeza. Várias descobertas podem apontar para maior atividade enquanto medem populações e períodos diferentes. A concordância na direção não identifica automaticamente uma causa compartilhada.
A posição comercial da ActivTrak também merece consideração. A empresa vende análises de força de trabalho, o que lhe dá interesse em como as empresas medem o trabalho. Isso não invalida as descobertas. Torna especialmente úteis definições transparentes, replicação independente e acesso aos detalhes metodológicos.
A conclusão mais forte é mais restrita do que a manchete mais dramática. A adoção de IA não demonstra de forma confiável alívio para os funcionários. As descobertas da ActivTrak sobre carga de trabalho com IA justificam investigação adicional, enquanto evidências experimentais mostram que a economia de tempo continua alcançável.
Isso deixa os empregadores com uma responsabilidade prática. Eles devem distinguir produção adicional de esforço reduzido ao descrever resultados. Os funcionários merecem saber qual resultado uma implementação pretende produzir e como o sucesso será avaliado.
O Que Mostraria que a IA Está Devolvendo Tempo
A próxima evidência convincente conectará trabalho aceito, horas dos funcionários e qualidade dentro da mesma avaliação.
Nos próximos meses, o primeiro sinal a observar é a pesquisa que acompanha trabalhadores comparáveis antes e depois da implementação. Desenhos mais robustos levariam em conta diferenças de funções, carga de trabalho e demanda sazonal. O acesso randomizado, quando prático, ajudaria a separar o efeito do assistente das razões pelas quais os funcionários o adotam.
Se dias mais longos persistirem nessas condições, o argumento de que a implementação contribui para a extensão do tempo de trabalho se torna mais forte. Se a diferença desaparecer em grande parte, a seleção se torna uma explicação mais convincente. Qualquer um dos resultados seria melhor do que tratar todos os usuários de IA como um grupo uniforme.
O segundo sinal é um empregador relatar o que aconteceu com a capacidade economizada. Uma afirmação de que os funcionários concluíram tarefas mais rapidamente deixa a questão central sem resposta. As evidências devem estabelecer se a produção aceita aumentou, se os horários foram reduzidos, se os acúmulos diminuíram ou se as exigências de revisão mudaram.
Uma semana de trabalho programada mais curta sustentaria diretamente a promessa de redução do tempo de trabalho. Maior produção dentro de horas estáveis sustentaria um benefício diferente. Aumentar a produção junto com jornadas mais longas exigiria uma explicação mais clara sobre se a produtividade por hora melhorou.
A qualidade deve continuar fazendo parte dessa avaliação. Um rascunho mais rápido que exige correção extensa não pode ter o mesmo peso que um trabalho aceito. Da mesma forma, uma revisão adicional não elimina um benefício quando o resultado final melhora o suficiente para justificá-la.
O terceiro sinal é a evidência que acompanha mudanças no fluxo de trabalho ao lado dos resultados dos funcionários. Compradores devem observar se eliminar transferências, consolidar revisões ou melhorar o acesso às fontes altera as horas de trabalho. A comparação relevante é o processo concluído antes e depois do redesenho.
Se essas mudanças reduzirem o trabalho noturno enquanto preservam a qualidade, o argumento por uma implementação melhor se fortalece. Se as horas continuarem prolongadas, a atenção deve se voltar para expectativas de carga de trabalho e demanda organizacional. Uma interface mais simples não pode determinar quanto trabalho um empregador pede que as pessoas concluam.
Esses sinais devem aparecer juntos em uma cobertura confiável. Horas, por si só, deixam a produção incerta. Produção, por si só, deixa o esforço dos funcionários incerto. O uso, por si só, diz pouco sobre ambos.
Para trabalhadores do conhecimento, a pesquisa sobre jornadas de trabalho com IA é mais útil quando explica essas relações, em vez de emitir um veredito universal. Uma ferramenta pode ser útil, agradável e estar associada a um trabalho em expansão. Uma implementação também pode gerar economias reais de tempo sem proporcionar uma semana de trabalho mais curta.
O estudo de jornada de trabalho da ActivTrak coloca essa distinção em foco. Sua descoberta desafia promessas automáticas de alívio, ao mesmo tempo em que deixa espaço para melhores projetos e resultados diferentes. A questão agora é se as organizações medirão para onde o esforço economizado realmente vai.
Antes de aceitar outra alegação de produtividade, procure evidências sobre toda a atribuição e toda a jornada de trabalho. Pergunte qual trabalho desapareceu, qual trabalho adicional chegou e quem verificou o resultado. Compare essas respostas com a produção aceita, os erros e a experiência dos funcionários. Um relato confiável deve explicar se as pessoas ganharam tempo, entregaram mais valor ou simplesmente permaneceram disponíveis por mais tempo. Ele também deve distinguir um experimento inicial de uma mudança sustentada nas condições de trabalho. Use essas perguntas ao avaliar a próxima implementação de assistente ou estudo sobre o ambiente de trabalho. Se um empregador diz que a IA está devolvendo tempo, que evidência mostra para onde esse tempo foi?
