Amy Webb alerta que o boom de produtividade da IA está prendendo empresas no purgatório dos pilotos
Amy Webb fez um alerta contundente em uma reportagem da Fortune destacada no Google News: a IA torna o conteúdo mais barato, ao mesmo tempo que torna as empresas mais difíceis e caras de operar.
O alerta questiona a premissa de que produzir mais rápido gera valor econômico automaticamente. As empresas agora conseguem produzir apresentações, análises, código e propostas em horas. Ainda assim, muitas não conseguem integrar essa produção a decisões, fluxos de trabalho ou retornos mensuráveis.
Webb, CEO da Future Today Strategy Group, compara esse mercado a um aplicativo de namoro ruim. A plataforma se beneficia quando os usuários continuam procurando, em vez de formar pares duradouros. Da mesma forma, os fornecedores de IA empresarial se beneficiam quando clientes seguem lançando pilotos, comprando tokens e testando modelos sem concluir uma implementação duradoura.
Essa dinâmica faz o boom atual lembrar a era pontocom, mas com uma complicação adicional. A bolha da internet financiou empresas que muitas vezes não tinham negócios em funcionamento. A economia da IA já conta com produtos úteis, receitas substanciais e ganhos reais de produtividade.
Sua fragilidade está em outro lugar. A IA pode produzir mais trabalho do que as organizações conseguem avaliar, governar ou absorver. A tecnologia é bem-sucedida em gerar resultados, enquanto a estrutura empresarial ao redor falha em transformar esses resultados em desfechos concretos.
O alerta de Amy Webb muda o debate sobre a bolha da IA no Google News
A mudança mais importante não é que a IA tenha parado de funcionar de repente. É que uma produção bem-sucedida pode criar novos custos organizacionais mais rapidamente do que as empresas percebem.
Webb apresentou esse argumento em uma análise da Fortune de 30 de agosto sobre a economia da IA. Ela disse à publicação que a IA torna a produção barata, ao mesmo tempo que torna quase todo o resto dentro das empresas mais caro.
Seu ponto diferencia esse alerta das alegações conhecidas de que a IA generativa é apenas hype. Os modelos conseguem redigir documentos convincentes, analisar informações, gerar software e criar apresentações. São exatamente essas capacidades que produzem o novo problema.
Quando criar uma apresentação levava uma semana, uma equipe podia entregar um único deck cuidadosamente preparado. Quando a IA reduz esse trabalho a um dia, os gestores podem receber cinco decks sobre questões que se sobrepõem.
O custo de produzir cada documento cai. O custo de revisá-los, compará-los, validá-los e decidir entre eles aumenta.
Webb chama isso de “afogamento em decks”. Um executivo disse a ela que seus subordinados diretos estavam enfrentando paralisia decisória porque tinham análise demais, não de menos. Outro descreveu “insta-decks” que chegam a uma taxa cinco vezes maior que a anterior.
Trata-se de um descompasso de capacidade. Sistemas generativos ampliam a oferta de trabalho plausível sem expandir, no mesmo ritmo, a atenção executiva, a revisão jurídica ou o julgamento organizacional.
O alerta sobre a economia da IA também apresenta a comparação com aplicativos de namoro. Webb argumenta que uma plataforma de encontros se beneficia quando os usuários continuam procurando, em vez de sair após encontrar um parceiro.
O mercado de IA empresarial pode criar um incentivo semelhante. Fornecedores geram receita enquanto clientes experimentam, consomem recursos computacionais e adicionam assinaturas. Um cliente não precisa concluir uma implementação lucrativa para que esses gastos continuem.
Enquanto isso, executivos podem apontar para pilotos ativos como prova de que estão respondendo à IA. Um piloto parece mais seguro do que redesenhar um fluxo de trabalho importante. Ele limita a exposição imediata e evita decisões difíceis sobre responsabilidade.
Essa segurança pode se tornar uma armadilha. Cada piloto gera mais uma demonstração, relatório ou deck estratégico. A empresa ganha evidências de que a IA consegue executar uma tarefa, mas não a prova de que essa tarefa pertence a um processo operacional sustentável.
Webb diz que executivos descrevem essa condição como “purgatório dos pilotos”. As equipes continuam testando aplicações sem integrá-las aos sistemas jurídicos, de tecnologia da informação, de compras ou aos sistemas empresariais estabelecidos.
Quando um piloto termina, outra equipe pode recomeçar do zero. A empresa paga repetidamente pela descoberta, enquanto retém pouca memória institucional das tentativas anteriores.
O resultado é um tipo peculiar de abundância. Os funcionários conseguem produzir mais material, mas os executivos ficam menos certos sobre o que merece ação. As organizações adquirem mais capacidade de IA, mas continuam incapazes de explicar sua contribuição econômica.
Isso não é uma falha de geração. É uma falha de conversão.
Um modelo converte prompts em resultados. Uma empresa precisa converter resultados em decisões, comportamentos, receita, economia ou menor risco. São processos distintos, com responsáveis e limitações diferentes.
Essa distinção reformula o debate sobre a bolha. A questão já não é se a IA consegue produzir um trabalho impressionante. A questão é se as empresas conseguem absorver esse trabalho sem criar uma camada cara de revisão e confusão.
Os gastos com IA empresarial continuam aumentando antes que os retornos cheguem
Os compradores empresariais enfrentam pressão dos dois lados: os conselhos esperam progresso visível em IA, enquanto as equipes operacionais têm dificuldade para provar que seus pilotos melhoram os resultados financeiros.
Uma pesquisa da Bain citada pela Fortune abrangeu 951 empresas em todo o mundo. Quase 40% dos entrevistados que mediam economias de custos com IA alcançaram menos de 10%, apesar de buscarem retornos entre 11% e 20%.
A lacuna não interrompeu os investimentos. Noventa por cento das empresas pesquisadas disseram que planejavam aumentar seus orçamentos de IA.
Essa combinação importa mais do que qualquer um dos números isoladamente. Economias medidas fracas normalmente reduziriam os gastos. Na IA, a ansiedade competitiva incentiva as empresas a gastar mais antes de entenderem por que as implementações existentes ficaram aquém.
Ninguém quer parecer atrasado. Líderes seniores viram a adoção pelos consumidores acelerar e as capacidades dos modelos melhorarem. Também ouvem alegações de que pequenas equipes nativas em IA podem superar concorrentes maiores e estabelecidos.
Por isso, a escolha politicamente mais segura dentro de muitas empresas é outro piloto. Cancelar iniciativas de IA pode parecer tímido. Aprovar um experimento parece uma resposta adequada, mesmo quando a organização não tem um caminho da demonstração à produção.
Dados mais amplos de adoção mostram a mesma lacuna. A pesquisa de adoção de IA da McKinsey constatou que 88% dos entrevistados relataram uso regular de IA em pelo menos uma função empresarial.
Apenas cerca de um terço disse que suas organizações haviam começado a escalar programas de IA em toda a empresa. A maioria permanecia em fases de experimentação ou pilotos.
O impacto financeiro foi mais limitado. Trinta e nove por cento atribuíram algum impacto da IA nos lucros da empresa. A maior parte desse grupo disse que a IA respondeu por menos de 5% dos lucros antes de juros e impostos.
Esses resultados não significam que a tecnologia não tenha valor. Eles mostram que uso, escala e valor financeiro são três medidas diferentes.
Um funcionário pode usar regularmente um chatbot sem alterar a economia de uma empresa. Um departamento pode implementar um agente sem redesenhar o fluxo de trabalho ao seu redor. Uma empresa pode economizar tempo dos funcionários sem capturar essas horas como custos menores ou maior produção.
As empresas frequentemente contabilizam atividade porque a atividade é fácil de observar. Elas acompanham licenças, prompts, usuários, código gerado e documentos concluídos. Esses números demonstram consumo, não necessariamente valor.
Uma medição útil precisa conectar o sistema a um resultado empresarial. Isso pode incluir resolução mais rápida de casos, custos menores de suporte, maior conversão de vendas, ciclos de desenvolvimento mais curtos ou menos erros de conformidade.
Mesmo assim, a atribuição continua difícil. Uma equipe pode melhorar após adotar IA porque também mudou sua liderança, limpou seus dados ou simplificou um processo. O modelo não merece nem todo o crédito nem toda a culpa.
Os custos criam outra fonte de pressão. A Fortune informou que os gastos globais com IA estavam projetados para chegar a US$ 2,5 trilhões em 2026, um aumento de 44% em relação ao ano anterior.
Alguns diretores de informação já restringiram o uso. A Samsara, por exemplo, monitora diariamente as despesas com IA e aplica diferentes limites de consumo conforme o trabalho dos funcionários.
A Docusign ajustou seus agentes de programação depois de descobrir que eles examinavam volumes excessivos de sua base de código em busca de contexto. A empresa afirmou que restringir o material recuperado reduziu o uso de tokens em quase 50%.
Esses exemplos mostram que a produção traz custos que uma demonstração refinada pode ocultar. Uma demo prova que um modelo consegue concluir uma tarefa. Ela não revela o custo do uso repetido por milhares de funcionários.
A produção também introduz revisões de segurança, controles de identidade, permissões de dados, requisitos de auditoria, treinamento e suporte. Cada componente acrescenta trabalho além do resultado visível do modelo.
O verdadeiro alvo da pressão é o comprador empresarial. Os fornecedores podem reportar uso crescente enquanto os clientes arcam com o custo da integração e da mudança organizacional.
Os conselhos acabarão exigindo uma resposta mais clara. Eles perguntarão quais sistemas de IA alteraram resultados mensuráveis, quais apenas deslocaram trabalho e quais geraram mais material do que alguém precisava.
Um fluxo de trabalho de IA bem gerenciado pode reduzir esforços fragmentados ao conectar informações a uma decisão definida. O essencial é a decisão definida, não o volume de resultados.
Sem essa âncora, expandir o acesso à IA pode amplificar a confusão existente. As equipes criam mais rápido, os gestores revisam por mais tempo e os orçamentos continuam crescendo enquanto a responsabilidade permanece difusa.
A inversão central: mais produtividade pode significar menos progresso
A inversão econômica central da IA é simples: resultados mais baratos aumentam o volume de trabalho, mas a organização ainda tem capacidade limitada para julgá-los e utilizá-los.
As métricas tradicionais de produtividade frequentemente tratam uma produção maior por hora como melhoria. Essa lógica funciona quando unidades adicionais têm demanda clara e qualidade consistente.
O trabalho do conhecimento nem sempre se comporta dessa forma. Uma empresa raramente se beneficia ao receber cinco recomendações estratégicas quando os líderes só conseguem financiar uma. Mais alternativas podem atrasar o compromisso, em vez de melhorá-lo.
A IA também reduz o custo de produzir trabalho medíocre. Uma proposta já não exige convicção suficiente para justificar vários dias de esforço. Qualquer pessoa pode gerar um documento refinado antes de testar se a ideia subjacente importa.
A qualidade da apresentação pode mascarar um raciocínio fraco. Um deck pode conter linguagem convincente, gráficos organizados e recomendações detalhadas. Sua aparência profissional não garante premissas precisas nem julgamento útil.
Isso cria um imposto de revisão. Os gestores precisam determinar quais partes vieram de evidências confiáveis, quais foram inferidas e quais foram geradas sem contexto adequado.
O imposto de revisão se espalha pelos departamentos. As equipes jurídicas analisam responsabilidade. As equipes de segurança avaliam a exposição de dados. A área financeira questiona estimativas de economia. Líderes operacionais decidem se os funcionários realmente mudarão seu comportamento.
Um piloto pode evitar grande parte desse atrito porque opera em um ambiente controlado. A produção não pode.
A produção exige um responsável estável, dados aprovados, monitoramento, caminhos de escalonamento e um plano para erros. Também exige que alguém decida quando a IA não deve agir.
Esses requisitos explicam por que pilotos tecnicamente bem-sucedidos ainda estagnam. A organização provou que um modelo podia executar uma tarefa, mas não construiu o sistema ao redor necessário para confiar nesse desempenho.
A pesquisa da McKinsey identifica o redesenho de fluxos de trabalho como uma importante linha divisória. As organizações que geram valor fazem mais do que colocar uma interface de IA ao lado de um processo antigo.
Elas mudam funções, incentivos, interfaces e métricas. Estabelecem mecanismos de feedback e criam responsabilidade explícita pela adoção.
Esse trabalho é lento porque expõe divergências que um piloto pode ocultar. As equipes precisam decidir quem é responsável pelos dados, quem aceita o risco e de qual orçamento vem o financiamento para o uso contínuo.
O problema de “se afogar em apresentações” segue o mesmo mecanismo em menor escala. A IA elimina um gargalo de produção e, em seguida, revela um gargalo de decisão.
Uma equipe de marketing pode gerar 30 conceitos de campanha da noite para o dia. Isso não significa que a marca deva executar 30 campanhas. As pessoas ainda precisam selecionar um público, aprovar alegações, alocar recursos e interpretar resultados.
Uma equipe de software pode gerar mais código. Os engenheiros ainda precisam revisar a arquitetura, testar casos extremos, manter dependências e dar suporte ao serviço implantado.
Uma equipe de pesquisa pode resumir centenas de documentos. Alguém ainda precisa determinar se o conjunto de fontes está completo e se evidências contraditórias alteram a conclusão.
Essas tarefas exigem contexto, responsabilização e discernimento. São mais difíceis de automatizar porque seus resultados corretos dependem de prioridades organizacionais, e não de uma resposta universal.
A promessa de produtividade, portanto, contém uma premissa oculta. Ela pressupõe que a organização ao redor consegue absorver tudo o que o modelo produz.
Essa premissa frequentemente falha. Gestores já enfrentam caixas de entrada sobrecarregadas, dashboards concorrentes e reuniões repetidas. A IA adiciona mais um canal de informação de alto volume, a menos que a empresa elimine os anteriores.
A solução não é automaticamente outro modelo. Um modelo com melhor raciocínio pode melhorar resultados individuais, mas também pode gerar documentos maiores e mais convincentes.
Quanto mais capaz o sistema se torna, mais fácil é criar análises que merecem revisão séria. Isso pode aumentar a carga sobre especialistas escassos.
A observação de Webb sobre ideias genéricas acrescenta outra preocupação. Quando muitas equipes dependem de modelos semelhantes, podem produzir estratégias, linguagem e recomendações semelhantes.
Isso cria a aparência de uma análise ampla sem diversidade genuína. Cinco apresentações geradas podem representar um único centro de gravidade estatístico expresso de cinco formas.
As empresas então correm o risco de confundir volume com confirmação independente. A repetição se torna especialmente persuasiva quando todos os documentos parecem refinados.
A melhor resposta não é rejeitar o trabalho gerado. É definir o que esse trabalho precisa mudar antes de produzi-lo.
Um projeto útil começa com uma decisão operacional, uma linha de base mensurável, um responsável definido e um limiar para continuidade. O componente de IA então serve a essa estrutura.
O purgatório dos pilotos começa na direção oposta. Uma empresa começa com uma ferramenta, procura aplicações e celebra repetidamente a viabilidade técnica.
Esse processo pode continuar indefinidamente porque os modelos seguem melhorando. Cada lançamento cria um motivo para retestar o mesmo fluxo de trabalho.
A comparação com aplicativos de namoro fica mais clara aqui. A própria busca se torna o produto. As empresas continuam sendo clientes ativos porque o próximo modelo ou agente talvez finalmente crie a combinação prometida.
Por que a comparação com a bolha das pontocom faz sentido — e onde ela falha
O paralelo com as pontocom faz sentido porque o capital está financiando capacidade antes de retornos comprovados, mas os produtos de IA de hoje já oferecem utilidade real e demanda substancial.
Durante o boom da internet, os investidores reconheceram corretamente que as redes e o comércio digital remodelariam a economia. Muitas vezes erraram sobre quais empresas capturariam esse valor e com que rapidez os lucros apareceriam.
A IA apresenta a mesma separação entre importância tecnológica e disciplina de investimento. Uma tecnologia pode transformar a sociedade enquanto muitas empresas construídas ao seu redor fracassam.
Webb argumenta que a situação atual pode ser pior porque a IA faz mais do que atrair capital especulativo. Ela também inunda organizações em funcionamento com produção barata.
Um varejista pontocom fracassado poderia perder o dinheiro dos investidores e fechar. Uma implantação de IA mal governada pode remodelar decisões, quadro de funcionários, fluxos de informação e custos operacionais dentro de uma empresa que, de outra forma, é saudável.
Os gastos com infraestrutura elevam o risco. George Lee, co-chefe do Goldman Sachs Global Institute, estimou que o investimento total em infraestrutura de IA poderia eventualmente alcançar US$ 7 trilhões a US$ 8 trilhões.
Lee argumentou que deslocar fontes de lucro existentes não geraria retorno suficiente. O investimento exigiria nova atividade econômica líquida.
Esse é um padrão exigente. A economia de custos frequentemente transfere valor em vez de criá-lo. Se todas as empresas usarem IA para reduzir despesas trabalhistas semelhantes, a concorrência pode repassar grande parte do benefício aos clientes.
Novos produtos, mercados e demanda ofereceriam uma base mais sólida. Ainda assim, essas oportunidades levam mais tempo para ser comprovadas do que uma demonstração de produtividade.
Jim Covello, do Goldman, enfatizou o problema do timing. Ele aceita que a adoção pelos consumidores e o progresso técnico superaram suas expectativas, mas continua cético quanto ao retorno final dos gastos com infraestrutura.
Seu teste é prático. Se o setor ainda estiver chamando a tecnologia de “inicial” após mais dois anos, a rentabilidade adiada se torna mais difícil de justificar.
O cenário otimista merece igual peso. As empresas de IA estão gerando receita real, e as ferramentas de programação demonstraram melhorias mensuráveis em alguns contextos.
Uma análise da Atlantic relatou que a adoção paga por empresas se expandiu substancialmente durante 2025 e 2026. Também descreveu uma demanda crescente por agentes de programação da Anthropic, OpenAI e Anysphere.
Uma pesquisa recente citada nessa análise de produtividade da IA constatou que ferramentas mais novas ajudaram desenvolvedores a concluir tarefas atribuídas quase 20% mais rápido do que um grupo de controle.
Esse resultado inverteu um experimento anterior, no qual desenvolvedores que usavam IA levavam 20% mais tempo. A qualidade das ferramentas e a experiência do usuário mudaram o suficiente para alterar o resultado medido.
É por isso que uma conclusão simples de que “a IA é outra bolha das pontocom” seria enganosa. As capacidades estão melhorando, os clientes estão pagando e certas aplicações produzem benefícios diretos.
A programação também pode ser especialmente favorável à IA. O software oferece grandes conjuntos de dados de treinamento, feedback estruturado e resultados que as equipes podem testar.
Outras formas de trabalho do conhecimento não têm essas vantagens. Uma recomendação estratégica nem sempre pode ser avaliada por meio de um teste automatizado. Uma decisão de gestão pode levar meses para revelar sua qualidade.
O boom atual, portanto, pode conter tanto vencedores duradouros quanto sobreinvestimento severo. Essas condições não são contraditórias.
Provedores de nuvem, fabricantes de chips, desenvolvedores de modelos, fornecedores de aplicações, consultores e equipes corporativas ocupam posições diferentes. A receita de uma camada pode se tornar uma despesa improdutiva para outra.
Um provedor de modelos pode crescer porque os clientes continuam experimentando. Uma empresa de nuvem pode crescer porque os provedores de modelos precisam de capacidade computacional. Nenhum dos dois resultados prova que os compradores corporativos obtenham retornos adequados.
A cadeia permanece saudável apenas se os usuários finais criarem, em algum momento, valor econômico suficiente para sustentar os gastos a montante.
É aqui que o alerta de Webb sobre o “custo da abundância” se torna mais útil do que o rótulo de bolha. Os debates sobre bolhas frequentemente se reduzem a previsões sobre uma queda do mercado.
O argumento dela se concentra na economia operacional. Mesmo que as avaliações públicas permaneçam altas, as empresas ainda podem desperdiçar dinheiro com pilotos duplicados, produção excessiva e integração fraca.
A evidência mais forte dos céticos não é um fracasso dramático. É a lacuna persistente entre a ampla adoção e o impacto limitado sobre os lucros em escala empresarial.
A evidência mais forte dos otimistas não é um benchmark. É a demanda paga ligada a melhorias mensuráveis no trabalho real.
Ambas podem ser verdadeiras durante uma transição. A questão não resolvida é se as aplicações fortes de hoje se espalharão por setores suficientes antes que os custos de infraestrutura e operação superem os retornos.
O purgatório dos pilotos é um problema de integração, não apenas de modelo
As empresas saem do purgatório dos pilotos quando deixam de tratar a IA como um produto independente e passam a tratar a implantação como uma mudança no sistema operacional.
Um piloto normalmente pergunta se um modelo consegue executar uma tarefa. Um programa de produção pergunta se a empresa pode depender desse desempenho sob restrições reais.
Essas restrições incluem privacidade, permissões, latência, custo, precisão e comportamento dos funcionários. Também incluem questões rotineiras sobre orçamentos e responsabilidade.
Muitos pilotos permanecem isolados das equipes jurídica e de tecnologia da informação. Isso permite experimentação rápida, mas adia o trabalho necessário para a implantação.
Quando essas funções finalmente analisam o projeto, o desenho original pode deixar de ser viável. A equipe então modifica o piloto, substitui o fornecedor ou recomeça.
Sistemas legados intensificam o problema. Os dados da empresa frequentemente ficam em aplicações incompatíveis, com definições e regras de acesso inconsistentes.
Um agente não consegue concluir um fluxo de trabalho de forma confiável quando as informações relevantes estão fragmentadas ou são mal governadas. Um raciocínio melhor não pode compensar permissões ausentes ou registros contraditórios.
É por isso que a IA empresarial frequentemente produz uma demonstração convincente antes de produzir automação confiável. A demonstração usa um exemplo limpo. A produção encontra a empresa como ela realmente existe.
Os funcionários também criam soluções alternativas informais. Eles copiam informações entre ferramentas, mantêm planilhas pessoais e dependem de conhecimento não documentado.
Um sistema de IA treinado em processos oficiais pode não captar como o trabalho é realmente concluído. Um sistema com acesso amplo pode expor informações sensíveis ou realizar alterações não autorizadas.
A revisão humana continua essencial, mas precisa ser incorporada ao fluxo de trabalho. Apenas dizer aos funcionários para verificarem cada resultado pode eliminar a economia de tempo prometida.
A revisão deve se concentrar no risco material. Uma alegação voltada ao cliente merece mais escrutínio do que uma lista interna de ideias. Uma decisão de pagamento exige controles mais rigorosos do que um resumo de reunião.
As empresas também precisam de regras de interrupção. Um piloto deve definir qual desempenho, adoção e resultado econômico justificam a produção.
Sem esses limiares, o sucesso se torna subjetivo. Os patrocinadores podem destacar um exemplo impressionante enquanto ignoram o uso fraco ou os custos crescentes.
A perspectiva cética é que a reforma organizacional talvez não resolva todos os casos. Algumas tarefas são ambíguas demais, pouco frequentes demais ou arriscadas demais para justificar uma implantação de IA.
Uma empresa pode integrar um modelo corretamente e ainda descobrir que o caso de uso gera pouco valor. Esse é um resultado válido, não necessariamente uma falha de execução.
Os fornecedores de IA têm incentivos para descrever todos os projetos paralisados como um desafio de integração. Essa explicação protege o produto subjacente de críticas.
Os compradores devem resistir a esse enquadramento quando as evidências apontarem para outro lado. Um modelo pode ser pouco confiável, caro, lento ou genérico demais para a tarefa.
A distinção exige medição controlada. As empresas devem comparar o trabalho assistido por IA com uma linha de base adequada, incluindo tempo de revisão e correção de erros.
Elas também devem medir o uso sustentado. Os funcionários podem testar um sistema com entusiasmo durante o lançamento e, depois, abandoná-lo quando a novidade passa.
Um piloto bem-sucedido precisa sobreviver às condições rotineiras. Ele precisa de dados reais, usuários comuns, volume recorrente e os mesmos controles exigidos em produção.
Também precisa de continuidade de conhecimento. As equipes devem reter prompts anteriores, avaliações, casos de falha e decisões, em vez de recomeçar a cada lançamento de fornecedor ou modelo.
Essa memória institucional evita experimentos repetidos. Ela também ajuda os compradores a determinar se um novo modelo muda a economia ou apenas melhora a demonstração.
A lição mais profunda é que a transformação empresarial continua sendo uma responsabilidade da própria empresa. Fornecedores podem disponibilizar modelos e ferramentas. Eles não podem resolver todos os conflitos nos processos de um cliente.
Líderes seniores devem decidir quais fluxos de trabalho merecem ser redesenhados. Devem eliminar etapas redundantes e dar às equipes responsáveis autoridade para mudar as operações.
Caso contrário, a IA se torna mais uma camada. Os funcionários mantêm o processo antigo por segurança enquanto executam um novo processo assistido por IA para fins de visibilidade.
Essa duplicação eleva os custos. Ela também pode fazer a produtividade parecer pior durante a transição, porque as equipes mantêm dois sistemas ao mesmo tempo.
Um plano de implantação confiável deve explicar qual trabalho antigo deixará de existir. Se nenhuma reunião, relatório, aprovação ou etapa manual for eliminada, o sistema de IA provavelmente estará adicionando complexidade.
O que as empresas devem acompanhar nos próximos três meses
Três sinais mostrarão se o alerta de Webb está se tornando um padrão econômico duradouro: conversão em produção, valor financeiro capturado e controles mais rígidos sobre o consumo de IA.
O primeiro sinal é a proporção de pilotos que passam para produção recorrente. Anúncios de novos experimentos importam menos do que sistemas que funcionários comuns usam em fluxos de trabalho já estabelecidos.
Uma taxa de conversão maior enfraqueceria a tese do purgatório dos pilotos. Ela mostraria que as empresas estão resolvendo barreiras de governança, dados e integração.
O crescimento contínuo de pilotos sem crescimento em produção fortaleceria o argumento de Webb. Isso sugeriria que a experimentação se tornou uma categoria permanente de compras, e não uma ponte para a implantação.
Observe como as empresas descrevem esses programas. “Disponível aos funcionários” não é o mesmo que usado rotineiramente. “Implantado” não é o mesmo que economicamente valioso.
O segundo sinal é o impacto financeiro no nível da empresa. A McKinsey constatou que a maioria das organizações que relatou alguma contribuição para os lucros ainda atribuía menos de 5% do EBIT à IA.
Pesquisas futuras e teleconferências de resultados devem revelar se essa contribuição aumenta. As empresas devem reportar economias mensuráveis, receita, melhorias no tempo de ciclo ou redução de riscos.
Afirmações vagas de produtividade merecem cautela. O tempo economizado só tem valor quando a organização o utiliza para gerar produção adicional, melhorar o serviço ou reduzir despesas.
Se as empresas começarem a vincular a IA a ganhos sustentados nos lucros, a comparação com uma bolha enfraquece. Os gastos com infraestrutura teriam uma fonte mais clara de retorno.
Se os gastos aumentarem enquanto os retornos mensurados permanecerem estáveis, o alerta se fortalece. O mercado estaria financiando mais atividade sem um aumento correspondente no valor capturado.
O terceiro sinal é a disseminação de limites de consumo e sistemas de roteamento de modelos. Esses controles direcionam tarefas para modelos com base em custo, velocidade e capacidade necessária.
Os limites de uso da Samsara e a recuperação de contexto mais restrita da Docusign mostram como as empresas estão reagindo após descobrirem despesas operacionais ocultas.
Mais controles não provariam que a economia da IA está entrando em colapso. Eles mostrariam que o mercado está deixando sua fase de experimentação e enfrentando a economia unitária.
Essa transição pode ser saudável. A computação em nuvem também exigiu anos de gestão de custos, governança e otimização de cargas de trabalho.
No entanto, restrições agressivas introduzidas após estouros de orçamento reforçariam a preocupação de Webb. Elas indicariam que as organizações compraram abundância antes de entender seu custo.
Os leitores também devem distinguir entre setores. Programação, atendimento ao cliente, gestão do conhecimento e processamento de documentos oferecem diferentes níveis de estrutura e feedback mensurável.
Um sucesso em engenharia de software não garante resultado semelhante em estratégia ou gestão. Um fracasso em um fluxo de trabalho regulado não invalida todos os assistentes internos.
O Google News continuará exibindo histórias dos dois lados, porque as evidências são realmente mistas. A adoção e a receita podem crescer enquanto os retornos empresariais permanecem desiguais.
A pergunta útil não é se a IA é real. Ela claramente realiza trabalho valioso. A pergunta útil é se cada implantação altera um resultado operacional o suficiente para justificar seu custo total.
Esse custo inclui tokens, assinaturas, infraestrutura, integração, revisão, treinamento e atenção organizacional. Também inclui o custo de oportunidade de projetos que nunca saem do status de piloto.
A metáfora de Webb sobre aplicativos de namoro captura o risco da busca interminável. As empresas podem continuar combinando ferramentas com casos de uso sem jamais construir uma relação operacional estável.
A saída começa com menos experimentos e critérios mais rigorosos. Cada projeto precisa de um responsável, uma linha de base econômica, um caminho para produção e uma regra explícita de encerramento.
Antes de aprovar mais um piloto, os executivos devem fazer uma pergunta final: qual decisão, fluxo de trabalho ou custo desaparecerá se isso der certo?
Se ninguém conseguir responder, a empresa provavelmente não precisa de mais uma apresentação. Precisa de clareza sobre o próprio trabalho.
