Alerta da Apollo sobre os retornos da IA desafia a tese de ganhos fora da tecnologia

Torsten Slok, economista-chefe da Apollo, afirma que a inteligência artificial não gerou retorno financeiro fora do setor de tecnologia, apesar do investimento corporativo e da adoção disseminada. Publicada em 24 de outubro de 2026, sua avaliação contrasta o desempenho financeiro em melhora entre gigantes da tecnologia com evidências mais fracas no restante das empresas dos Estados Unidos. O alerta da Apollo sobre os retornos da IA pressiona uma promessa conhecida: que um trabalho individual mais rápido se traduzirá em resultados empresariais mais fortes.

Essa conclusão merece escrutínio, inclusive de suas próprias limitações. Uma atualização de outubro de uma ampla pesquisa empresarial internacional relata benefícios modestos de produtividade com IA, em vez de nenhum benefício. Experimentos no ambiente de trabalho também documentam melhorias em tarefas específicas. Nenhuma das descobertas estabelece um amplo boom de lucros, mas ambas complicam uma rejeição generalizada.

O conflito central diz respeito à distância entre usar IA e obter retorno com ela. A Microsoft e outros fornecedores de tecnologia podem vender acesso antes que os clientes determinem se esse acesso melhora sua economia. Para compradores empresariais, desenvolvedores e trabalhadores do conhecimento, a questão é se uma assistência útil sobrevive ao percurso de verificação, coordenação e restrições de negócio.

O que o alerta da Apollo sobre os retornos da IA realmente mede

A avaliação sobre os retornos da IA de Slok compara as Magnificent Seven, um grupo de grandes empresas de tecnologia, com os demais componentes do S&P 500. Ele descreve o aumento da receita por trabalhador e das margens de lucro no primeiro grupo, em paralelo ao desempenho estagnado no segundo.

Sua nota também aponta evidências fracas de uma contribuição da IA para um crescimento mais amplo da produtividade. Ela argumenta que os gastos continuam concentrados e retrata empresas convencionais como cada vez mais sensíveis aos custos contínuos de uso dos modelos. Essas são interpretações da Apollo sobre as evidências, e não conclusões de um estudo controlado de implementações empresariais.

A Apollo identifica uma lacuna entre o entusiasmo com a IA e o desempenho financeiro amplo, mas sua comparação não isola os efeitos da IA.

A receita por trabalhador mede as vendas em relação ao número de funcionários. Ela pode aumentar porque os trabalhadores se tornam mais produtivos, mas também porque os preços sobem, o quadro de pessoal muda ou as empresas terceirizam trabalho. Uma empresa pode melhorar essa proporção sem introduzir IA.

As margens de lucro trazem outro conjunto de influências. Custos de insumos, pressão competitiva, mix de produtos e decisões contábeis podem alterar as margens independentemente da eficiência dos funcionários. Uma implementação de IA pode reduzir uma despesa operacional enquanto um problema empresarial não relacionado anula o benefício.

Os grupos comparados também exigem cautela. As demais empresas do S&P 500 não constituem uma amostra pura de negócios fora da tecnologia. Tampouco os gigantes da tecnologia representam um experimento limpo de adoção de IA. Seus modelos de negócio, posições de mercado e exposição à demanda por infraestrutura diferem dos de outras empresas.

Isso não torna a comparação da Apollo irrelevante. Torna os gráficos úteis para identificar um padrão financeiro, com limites para explicar sua causa. A fraqueza financeira ampla pode coexistir com implementações bem-sucedidas em departamentos específicos.

O momento importa porque Slok publicou uma avaliação do retorno atual, e não uma previsão da capacidade técnica final. Sua alegação trata de saber se os benefícios são visíveis agora. Isso coloca o ônus sobre os resultados atuais, ao mesmo tempo que deixa a trajetória de longo prazo em aberto.

A leitura útil é, portanto, mais restrita do que a implicação mais forte da manchete. A Apollo está questionando as evidências de retornos financeiros generalizados. Estabelecer que nenhuma empresa fora da tecnologia se beneficiou exigiria uma investigação muito mais detalhada.

As equipes financeiras enfrentam um problema de conversão

A pressão imediata recai sobre executivos responsáveis tanto pelo investimento em tecnologia quanto pelos resultados operacionais. Um diretor de informações pode demonstrar a adoção pelos funcionários. Um líder financeiro ainda precisa explicar o que mudou no negócio.

O tempo economizado só se torna retorno financeiro quando a organização consegue usar esse tempo ou capturar outro benefício mensurável.

Considere uma equipe hipotética de atendimento que introduz IA para ajudar a redigir respostas aos clientes. Os agentes terminam suas respostas iniciais mais cedo, mas os supervisores ainda as revisam. Se as aprovações continuarem sendo o gargalo, a empresa poderá não processar solicitações adicionais.

Essa implementação ainda pode melhorar as condições de trabalho ou a qualidade das respostas. Esses resultados importam, mas sustentam uma justificativa de negócio diferente do aumento de capacidade. Uma empresa não deveria descrevê-los de forma intercambiável apenas porque cada resultado parece favorável.

O problema de conversão também aparece quando os funcionários concluem o trabalho existente com menos esforço. Uma tarefa mais curta não altera automaticamente salários, necessidades de pessoal ou demanda dos clientes. O benefício pode se tornar capacidade ociosa, redução de horas extras ou maior atenção a casos difíceis.

Cada resultado precisa de suas próprias evidências. A redução de horas extras pode afetar diretamente as despesas. Um serviço melhor pode melhorar a retenção ao longo do tempo. A capacidade ociosa tem valor quando uma organização consegue redirecioná-la para trabalhos de que os clientes precisam.

Os desenvolvedores enfrentam uma restrição relacionada. Gerar mais cedo um recurso de aplicativo não necessariamente encurta seu percurso por revisão de segurança, testes de integração e aprovação de lançamento. Uma produção mais rápida em uma etapa sem restrições pode deixar a entrega geral inalterada.

É por isso que as equipes financeiras devem distinguir uma demonstração promissora de um resultado operacional. A demonstração mostra que uma ferramenta pode executar uma tarefa. O resultado operacional mostra se seu uso altera o desempenho de um fluxo de trabalho real.

A economia do fornecedor é diferente. Microsoft, Google e outros provedores podem receber receita pelo uso de um cliente enquanto esse cliente continua avaliando os benefícios. O sucesso comercial deles e o retorno do comprador pertencem a contas conectadas, mas separadas.

A mesma distinção se aplica aos provedores concorrentes de modelos. Um modelo tecnicamente mais forte pode resolver um problema difícil que justifica seu uso. Outro fluxo de trabalho pode precisar apenas de recuperação confiável de informações e uma resposta curta, tornando a capacidade adicional economicamente irrelevante.

Os compradores, portanto, enfrentam uma decisão mais específica do que simplesmente aderir à IA. Eles precisam identificar a restrição que esperam remover. Se a implementação proposta não abordar essa restrição, os números de adoção oferecem pouca segurança.

Isso desloca a pressão para as escolhas de aquisição e implementação. Uma empresa precisa de um motivo para expandir uma aplicação que funciona, um motivo para revisar uma que apresenta desempenho insuficiente e uma forma de interrompê-la. Sem essas distinções, um piloto pode continuar gerando atividade sem produzir um resultado defensável.

Novos dados de empresas complicam a alegação de retorno zero

A ressalva mais forte vem de pesquisas que examinam as empresas mais diretamente. A revisão de outubro de 2026 da pesquisa sobre adoção de IA em empresas entrevistou quase 9.000 executivos seniores em sete países. Os autores incluem Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom e colaboradores.

O artigo atualizado relata que 78% das empresas pesquisadas usam IA. Executivos atribuem à adoção um aumento anual de 0,2% no crescimento da produtividade do trabalho nos três anos anteriores. Eles esperam uma contribuição anual maior, de 0,6%, nos três anos seguintes.

Essas descobertas descrevem um benefício relatado modesto. Elas não descrevem uma economia transformada pela IA. Tampouco apoiam tratar todos os ganhos de produtividade empresarial como inexistentes.

As evidências atualizadas enfraquecem uma alegação literal de retorno zero, ao mesmo tempo que deixam sem comprovação a tese de uma transformação financeira disseminada.

A data de revisão do estudo importa. Coberturas anteriores descreviam uma pesquisa menor e enfatizavam efeitos observados limitados. Relatar as descobertas mais antigas sem verificar o artigo atualizado deixaria passar uma mudança relevante nas evidências disponíveis.

Os autores também identificam concentração de gastos. Apenas 2% das empresas respondem por mais da metade dos gastos relatados com IA. Essa concentração sustenta a cautela ao usar a atividade intensa entre adotantes de destaque para caracterizar a empresa típica.

No entanto, a pesquisa não resolve o argumento da Apollo. Executivos relatam efeitos percebidos sobre a produtividade, e essas avaliações não equivalem a ganhos financeiros auditados de forma independente. Os respondentes podem superestimar os benefícios, não percebê-los ou atribuir mudanças não relacionadas à IA.

A produtividade do trabalho, isto é, a produção em relação ao insumo de trabalho, também difere da lucratividade. Uma empresa pode produzir com mais eficiência enquanto gasta mais com software e implementação. A pressão competitiva pode então repassar parte do benefício aos clientes por meio de serviço melhor ou preços mais baixos.

Os países e empresas da pesquisa diferem da comparação da Apollo com o mercado de ações. As métricas abordam questões relacionadas por meio de amostras e métodos diferentes. Seus resultados devem ser examinados em conjunto sem fingir que um reproduz diretamente o outro.

Uma pesquisa com executivos ajuda a revelar a adoção e as expectativas da gestão. Demonstrações financeiras mostram os resultados das empresas, mas raramente isolam a contribuição de uma tecnologia específica. Experimentos controlados podem identificar efeitos locais com mais clareza, embora suas conclusões tenham limites mais estreitos.

Para os compradores, essa combinação recomenda cautela tanto contra a complacência quanto contra a rejeição. Alguns benefícios mensuráveis aparecem nas evidências, mas sua dimensão e distribuição exigem atenção. Um efeito médio modesto deixa espaço para aplicações bem-sucedidas ao lado de implementações que pouco fazem.

A implicação comercial é direta. Os fornecedores não podem estabelecer os retornos dos clientes apontando apenas para o uso crescente. Os céticos não podem estabelecer fracasso universal apontando apenas para margens agregadas estagnadas. Ambas as posições exigem uma conexão mais clara entre implementação e resultado.

Ganhos no ambiente de trabalho não bastam para provar lucros empresariais

Um estudo publicado sobre suporte ao cliente fornece um exemplo concreto de IA melhorando um fluxo de trabalho definido. Erik Brynjolfsson, Danielle Li e Lindsey Raymond examinam um assistente conversacional usado por 5.172 agentes. Seu estudo sobre produtividade no suporte ao cliente relata um aumento médio de 15% nos problemas resolvidos por hora.

Os ganhos variam entre os trabalhadores. Agentes menos experientes e com menor qualificação melhoram tanto a velocidade quanto a qualidade. Os agentes mais experientes e mais qualificados recebem menores benefícios de velocidade, acompanhados de pequenas quedas de qualidade.

A IA pode melhorar uma tarefa operacional sem estabelecer o retorno para cada trabalhador, empresa ou setor.

Essa variação importa para a implementação. Uma ferramenta que ajuda um funcionário mais novo a encontrar uma resposta apropriada pode oferecer menos assistência a um colega experiente. Aplicar o benefício médio a todos os funcionários ocultaria uma diferença importante.

O resultado também corresponde ao trabalho mais diretamente do que uma medida genérica de engajamento. Problemas de clientes resolvidos conectam a assistência à atividade de serviço concluída. Uma contagem de sugestões geradas deixaria uma lacuna muito maior entre o comportamento da ferramenta e o valor para o negócio.

Mesmo aqui, produtividade e lucro continuam sendo coisas distintas. A melhoria relatada não fornece automaticamente uma estimativa de margem para toda a empresa. Esse cálculo exigiria informações sobre implementação, custos de uso, supervisão e o valor da capacidade adicional de atendimento.

O estudo também trata do suporte em uma empresa de software. Ele demonstra um mecanismo relevante para outros contextos de serviços, mas não estabelece de forma independente resultados em setores não tecnológicos. Estender suas conclusões exige evidências desses contextos.

Um experimento mais amplo no ambiente de trabalho chega a um resultado diferente, mas complementar. Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica e Christopher Stanton estudam 7.137 trabalhadores do conhecimento em 66 empresas. Seu experimento de IA no ambiente de trabalho forneceu aleatoriamente acesso a um assistente integrado a aplicações conhecidas.

No período posterior do experimento, os usuários ativos entre os trabalhadores tratados passaram duas horas a menos por semana no e-mail. Os pesquisadores também relatam menos trabalho fora do horário regular. Eles não detectaram mudanças mais amplas na quantidade ou na composição das tarefas decorrentes do acesso individual.

Essa é uma distinção importante. Menos tempo com e-mails pode beneficiar um trabalhador mesmo quando não gera vendas adicionais ou projetos concluídos. A redução do trabalho fora do horário normal também pode ter valor sem aparecer como um aumento imediato nos ganhos da empresa.

Juntos, esses estudos mostram por que um único rótulo de produtividade pode confundir o debate. Resolução mais rápida, menor esforço com e-mails, qualidade aprimorada e maior lucro descrevem resultados diferentes. A evidência de um não deve se tornar silenciosamente evidência de todos.

Para equipes empresariais, a implicação diz respeito à mensuração. Um resultado relevante deve seguir o objetivo da implementação. Um assistente de suporte deve ser avaliado por métricas de serviço; um assistente de pesquisa deve ser avaliado pela qualidade das evidências e pela utilidade do resultado.

Essa distinção também se aplica a uma base de conhecimento pesquisável. Encontrar um documento é um evento intermediário. O benefício organizacional depende de essa informação ajudar alguém a resolver um problema, evitar retrabalho ou concluir uma decisão.

A promessa sob pressão é a conversão automática de assistência em retorno. Esses estudos mostram efeitos úteis em condições específicas. Também mostram por que as empresas precisam examinar o restante do fluxo de trabalho antes de projetar um retorno mais amplo.

Indicadores amplos não podem fornecer um veredito claro sobre a IA

O argumento cético continua substancial mesmo após o reconhecimento de tarefas bem-sucedidas. As empresas operam dentro de restrições que um assistente não consegue eliminar por si só. Um rascunho mais rápido ainda pode aguardar aprovação, e uma produção adicional ainda pode encontrar demanda limitada.

Evidências da Dinamarca destacam outro limite. Anders Humlum e Emilie Vestergaard associam pesquisas de adoção a registros administrativos do mercado de trabalho. Sua pesquisa sobre os efeitos da IA sobre o trabalho encontra mudanças generalizadas no trabalho sem efeitos detectáveis sobre ganhos ou horas registradas.

Esses resultados não medem todos os benefícios que uma empresa ou funcionário pode receber. Eles, porém, desafiam a suposição de que a adoção produz rapidamente mudanças visíveis nas métricas convencionais do mercado de trabalho. O trabalho pode mudar antes que os salários ou os horários registrados mudem.

Indicadores amplos fracos limitam as alegações sobre um boom de IA, mas não identificam o desempenho de cada implementação.

A Apollo também faz referência à produtividade total dos fatores, uma medida do crescimento da produção além das mudanças medidas nos insumos de trabalho e capital. Sua versão ajustada pela utilização leva em conta mudanças na intensidade com que esses insumos operam. Isso ajuda a separar algumas influências cíclicas da eficiência subjacente.

Essa medida continua sendo mais ampla do que a IA. Outras tecnologias, mudanças organizacionais, problemas de medição e condições econômicas afetam o resultado. Uma série para toda a economia não consegue identificar diretamente o que ocorreu depois que uma empresa específica introduziu um assistente.

Os dados de medição de produtividade ilustram a distinção. Nos quatro trimestres encerrados no segundo trimestre de 2026, a produtividade total dos fatores não ajustada subiu 1,42%. Sua contraparte ajustada pela utilização caiu 0,07%.

A divergência mostra por que a medida escolhida importa. Ela não mostra que a produtividade comum parou de crescer, nem que a IA causou qualquer um dos resultados. Uma alegação sobre IA exige um argumento adicional que conecte a adoção à mudança econômica observada.

Há também um problema de timing. Os resultados financeiros podem seguir a implementação com atraso, especialmente quando as empresas mudam responsabilidades ou sistemas. Ainda assim, um retorno futuro não especificado não pode justificar indefinidamente todas as despesas atuais.

Ambos os lados enfrentam um ônus de prova. Os defensores precisam de evidências de que os benefícios sobrevivem aos custos operacionais e às restrições organizacionais. Os críticos precisam de evidências antes de interpretar a ausência de um sinal agregado como fracasso universal.

A qualidade introduz outra complicação. Um sistema que produz mais material também pode criar mais trabalho de revisão. Se a organização mede apenas a velocidade de geração, pode ignorar o esforço necessário para corrigir afirmações sem respaldo ou decisões inconsistentes.

O problema oposto também existe. Um assistente pode ajudar um funcionário a evitar um erro caro ou atender um cliente difícil. Uma medida restrita de velocidade poderia deixar esse benefício passar. Uma avaliação confiável precisa de resultados que reflitam o trabalho real.

Essas limitações devem tornar a cobertura mais precisa. Uma afirmação sobre lucros deve usar evidências financeiras. Uma afirmação sobre velocidade de tarefas deve identificar a tarefa. Uma afirmação sobre transformação econômica deve abordar a escala e a distribuição da adoção.

O alerta da Apollo é mais forte quando questiona o salto de atividade visível para retornos amplos. Ele é mais fraco quando interpretado como prova de que ganhos úteis não existem. As evidências disponíveis sustentam o escrutínio do processo de conversão, em vez de um veredito universal.

As próximas evidências precisam conectar gastos a resultados

No próximo período de divulgação, o debate deve girar em torno de mudanças observáveis, e não de declarações concorrentes. Os sinais relevantes dizem respeito aos resultados para clientes, à distribuição dos ganhos e à economia do uso contínuo. Juntos, eles podem distinguir o sucesso seletivo de um retorno financeiro amplo.

A evidência decisiva conectará o uso de IA ao trabalho concluído e aos resultados financeiros em uma gama mais ampla de empresas.

Primeiro, acompanhe as próximas divulgações de resultados de empresas fora dos grandes fornecedores de tecnologia. As divulgações mais úteis conectariam uma implementação identificada a uma métrica operacional e explicariam os custos associados. Declarações gerais sobre a adoção pelos funcionários forneceriam evidências muito mais fracas.

Um varejista, seguradora ou fabricante poderia fortalecer o argumento ao explicar onde um fluxo de trabalho melhorou e como isso afetou o desempenho empresarial. A conexão importa mais do que uma alegação isolada de horas economizadas. Os leitores também devem buscar discussões sobre exigências de revisão e esforço de implementação.

Divulgações repetidas desse tipo enfraqueceriam a interpretação mais ampla do alerta da Apollo. A dependência contínua de linguagem vaga sobre eficiência manteria intacta sua preocupação central. O crescimento da receita dos fornecedores, por si só, não responderia à questão do retorno para o cliente.

Segundo, observe se pesquisas empresariais subsequentes mostram ganhos se espalhando além dos adotantes mais intensivos. A atualização de pesquisa de outubro já sugere benefícios modestos de produtividade relatada. A próxima questão diz respeito à sua amplitude, durabilidade e relação com resultados operacionais reais.

Uma média crescente mereceria atenção, mas a distribuição ainda importaria. Benefícios concentrados em um grupo restrito descreveriam uma economia diferente de ganhos que se estendem pelas empresas comuns. Amostras representativas podem ajudar a impedir que histórias de sucesso proeminentes substituam resultados típicos.

As revisões das pesquisas também exigem comparações cuidadosas. Uma mudança na amostra de países ou na formulação das perguntas pode alterar o quadro relatado. Os leitores devem comparar medidas equivalentes antes de interpretar um novo número como aceleração ou reversão.

Terceiro, observe se implementações ampliadas melhoram sua economia à medida que o uso cresce. Gerar mais resultados é insuficiente se o esforço de verificação e correção também aumenta. O sinal significativo é uma melhoria no trabalho útil concluído em relação aos recursos necessários.

Isso se aplica especialmente a sistemas autorizados a executar ações em softwares empresariais. Uma implementação convincente demonstraria conclusão confiável, intervenção humana gerenciável e um benefício claro para o fluxo de trabalho. Uma demonstração que funciona sob supervisão rigorosa responde a uma pergunta mais restrita.

Renovações, reduções e cancelamentos também fornecerão pistas, embora cada um exija contexto. Um contrato renovado pode refletir valor percebido, dificuldade de migração ou uma avaliação inacabada. Um cancelamento pode refletir uma implementação deficiente, e não uma falha da tecnologia subjacente.

Para trabalhadores do conhecimento, a implicação prática é manter visível a conexão entre assistência e resultados. Um fluxo de trabalho de gestão de conhecimento pessoal pode organizar materiais úteis, mas a organização por si só não estabelece retorno financeiro. A evidência se torna mais forte quando um melhor acesso altera uma decisão ou entrega real.

Leia a próxima alegação de sucesso em IA considerando seu denominador. Pergunte qual trabalho melhorou, de quem o esforço mudou e quais custos permaneceram. Diferencie um trabalhador terminando mais cedo de uma empresa ganhando mais, reconhecendo que ambos os resultados podem importar. O debate sobre o retorno da IA da Apollo ficará mais claro quando as empresas explicarem essa conexão de forma consistente. Até lá, compare alegações de adoção com trabalho concluído, compare economias relatadas com resultados operacionais e mantenha visíveis os limites de cada estudo. Quando uma organização apresentar sua próxima implementação, peça o resultado que ela foi projetada para mudar e a evidência de que ele mudou. O que aconteceu depois que o rascunho mais rápido, o documento recuperado ou a resposta gerada chegaram ao restante da empresa?