A produtividade com Claude AI acaba de elevar o padrão, e o foco se tornou o gargalo

A produtividade com Claude AI criou um conflito curioso: uma pessoa consegue iniciar dez projetos mais rápido, mas concluir um projeto significativo continua sendo dolorosamente difícil.

O escritor e fundador de startup Rick Manelius descreveu esse conflito em 26 de julho de 2026. A IA o ajudou a retomar ideias engavetadas e lançar projetos de prova de conceito entre reuniões. Em pouco tempo, ele gerenciava cerca de 40 deles e sentia o burnout voltar.

Seu relato é pessoal, não um estudo controlado de produtividade. Ainda assim, ele retrata um problema emergente para trabalhadores do conhecimento. A IA reduz o esforço necessário para começar a trabalhar, mas não reduz a atenção necessária para escolher, avaliar, revisar e concluir.

Essa distinção importa à medida que as empresas saem dos chatbots em direção a agentes que executam sequências mais longas de trabalho. Anthropic, Microsoft, OpenAI e outras competem para remover mais atrito da execução. As ferramentas resultantes tornam a produção mais barata, enquanto tornam a orientação humana mais valiosa.

A nova divisão já não está entre pessoas que usam IA e pessoas que a evitam. Está entre pessoas que transformam esforço economizado em resultados concluídos e aquelas que o transformam em mais trabalho inacabado.

O recurso escasso no trabalho assistido por IA está mudando da capacidade de produção para a atenção sustentada.

O paradoxo da produtividade com Claude AI começa com inícios mais fáceis

Manelius estruturou sua experiência em torno de uma contradição simples. A IA pode tornar tarefas individuais muito mais rápidas, mas a pessoa que a utiliza pode ficar mais sobrecarregada.

Seu relato original diz que ele tinha mais de 100 ideias e esboços de artigos em rascunho. Também mantinha uma lista de aproximadamente 50 projetos futuros. Essas ideias antes permaneciam adormecidas porque o tempo criava uma barreira natural.

Claude enfraqueceu essa barreira. Manelius podia enviar um prompt durante uma breve pausa, deixar o modelo trabalhar e voltar mais tarde. Projetos que antes exigiam uma tarde livre podiam começar em uma janela de cinco minutos.

Essa mudança fez a experimentação parecer quase gratuita. Também o incentivou a iniciar mais projetos, porque as primeiras tentativas geravam resultados utilizáveis. Cada sucesso ampliava sua percepção do que deveria perseguir.

O resultado não foi um portfólio organizado de trabalhos concluídos. Foram cerca de 40 provas de conceito ativas, cada uma trazendo decisões, revisões e expectativas.

Esse padrão expõe uma fragilidade na definição usual de produtividade. Muitas ferramentas medem a produção por tarefas concluídas, textos gerados ou tempo economizado. Trabalhadores do conhecimento se importam com resultados que resistem à revisão e criam valor duradouro.

Um esboço gerado por IA é produção. Um argumento publicado que muda a decisão de um cliente é um resultado. Um protótipo é produção, enquanto um produto mantido que resolve um problema recorrente é um resultado.

A IA reduz drasticamente o custo da primeira categoria. A segunda ainda exige julgamento, coordenação, testes e responsabilização.

Um modelo de linguagem pode elaborar cinco conceitos de campanha antes do almoço. A liderança de marketing ainda precisa selecionar um, verificar as afirmações, obter aprovação e medir seu efeito. A ideação mais rápida pode, portanto, ampliar a fila de decisões.

O mesmo efeito aparece no desenvolvimento de software. Um agente pode criar uma branch de funcionalidade, gerar testes e preparar documentação. Uma pessoa ainda precisa decidir se a funcionalidade pertence ao produto e se seu custo de manutenção é aceitável.

Pesquisadores já encontraram ganhos reais de produtividade em contextos de trabalho mais restritos. Um estudo do NBER com aproximadamente 5.000 agentes de suporte ao cliente identificou um aumento médio de produtividade próximo de 14%. Os trabalhadores menos experientes registraram os maiores ganhos.

Essas conclusões sobre suporte vieram de um fluxo de trabalho definido, com métricas claras de desempenho. Os agentes resolviam problemas de clientes, e o sistema sugeria respostas durante essas conversas.

O trabalho intelectual aberto tem menos limites. Um fundador, designer, pesquisador ou gerente de produto sempre pode gerar outra proposta. Nenhum ponto natural de parada diz a essa pessoa quando seu portfólio de trabalho está cheio.

A produtividade com Claude AI, portanto, cria duas forças opostas. Ela reduz o tempo de execução para determinadas tarefas, enquanto aumenta o número de tarefas que parecem viáveis.

A segunda força é fácil de ignorar porque cada novo projeto parece pequeno no momento em que começa. Seu futuro custo de coordenação permanece oculto.

A IA não apenas elimina um backlog. Ela pode criar um backlog maior mais rápido do que uma pessoa consegue concluí-lo.

O tempo economizado rapidamente se transforma em novo trabalho

As ferramentas de produtividade raramente devolvem aos trabalhadores todo o tempo que economizam. As organizações frequentemente absorvem ganhos de eficiência elevando expectativas, aumentando o volume ou encurtando prazos.

A IA generativa torna esse efeito rebote especialmente visível. Um trabalhador que redige um relatório mais rápido raramente recupera o restante do dia. O tempo economizado frequentemente se torna outro relatório, outra análise ou outra reunião.

Os dados de ambiente de trabalho da Microsoft mostram por que esses acréscimos importam. Seu estudo de 2025 usou atividades agregadas do Microsoft 365 e uma pesquisa com 31.000 trabalhadores do conhecimento em 31 mercados.

O relatório jornada de trabalho infinita constatou que o funcionário médio recebia mais de 100 e-mails e 150 mensagens no Teams diariamente. Quase um terço dos trabalhadores pesquisados afirmou não conseguir acompanhar o ritmo.

Esses números antecedem o ensaio de Manelius, mas descrevem o ambiente que o cerca. Trabalhadores do conhecimento já gerenciavam canais de comunicação lotados antes de a IA facilitar a produção.

As ferramentas podem ajudar a resumir esses canais. Elas também podem gerar mais mensagens, documentos, atas de reuniões, tickets e solicitações para os colegas processarem.

Essa é a pressão central sobre os trabalhadores do conhecimento. A IA amplia o que uma pessoa pode iniciar sem ampliar o número de horas disponíveis para revisão.

Os gestores enfrentam um problema relacionado. Quando cada funcionário pode produzir mais propostas, a organização precisa de mais priorização. Caso contrário, a liderança se torna uma camada de encaminhamento para a produção assistida por máquinas.

As equipes podem interpretar uma atividade maior como evidência de adoção. Podem acompanhar prompts enviados, agentes criados, documentos gerados ou horas supostamente economizadas. Esses sinais dizem pouco sobre se os clientes receberam resultados melhores.

O perigo é uma nova forma de trabalho improdutivo. A IA executa o suficiente para fazer projetos opcionais parecerem baratos, mas os humanos herdam suas questões em aberto e obrigações de longo prazo.

Um dashboard gerado ainda precisa de um responsável. Um relatório automatizado ainda precisa de um leitor que saiba quando suas conclusões estão erradas. Um protótipo ainda precisa de alguém que decida se ele deveria existir.

Cada esforço ativo também impõe um custo de alternância. O trabalhador precisa lembrar seu estado, localizar o material relevante, entender a próxima decisão e recuperar a intenção original.

Essa recuperação se torna mais difícil quando as informações estão dispersas entre sessões de chat, documentos, e-mails e arquivos locais. Uma base de conhecimento pessoal bem mantida pode reduzir o atrito de recuperação. Ela não pode decidir quais projetos merecem atenção.

É por isso que a experiência de Manelius vai além da disciplina individual. Ela reflete um descompasso entre ferramentas projetadas para uma produção mais rápida e ambientes de trabalho que não têm limites firmes.

Se a gestão tratar cada hora economizada como nova capacidade disponível, os trabalhadores não receberão nenhum dividendo de produtividade. Apenas passarão a operar em uma agenda mais densa.

A produtividade com IA então se torna uma escada rolante de expectativas. O tempo de resposta excepcional de ontem se torna o nível de serviço padrão de amanhã.

O efeito também pode distorcer o planejamento. Líderes podem estimar o trabalho pelo tempo de geração, ignorando verificação, integração e manutenção. Um rascunho produzido em minutos ainda pode exigir dias de esforço organizacional.

O tempo economizado pela IA permanece teórico até que uma pessoa ou organização decida o que deixará de ser feito.

Foco e capacidade de execução superam a expansão horizontal

Manelius propõe uma correção direta: usar a IA para aprofundar menos projetos importantes, em vez de expandir horizontalmente para mais deles.

Expansão horizontal significa transformar custos reduzidos de tarefas em um portfólio mais amplo. Um escritor inicia mais rascunhos. Um desenvolvedor abre mais repositórios. Um gestor lança mais experimentos internos.

O progresso vertical usa a mesma capacidade de outra forma. Ele financia pesquisas melhores, testes adicionais, edição mais consistente e entregas mais completas.

Essa distinção torna o foco uma decisão operacional, não um slogan motivacional. O foco determina quais possíveis produções jamais entram na fila.

A capacidade de execução começa depois dessa escolha. Ela abrange o trabalho menos empolgante entre um primeiro rascunho plausível e um resultado em que outras pessoas possam confiar.

Manelius ilustra a diferença com um artigo que escolheu não publicar imediatamente. Ele considerou o rascunho adequado, mas acreditava que a ideia exigia mais duas ou três revisões.

Essa decisão vai contra os incentivos criados pela IA generativa. O modelo torna outro rascunho barato, enquanto uma revisão cuidadosa ainda consome tempo humano concentrado.

A IA pode ajudar na edição, mas não pode definir completamente o padrão. O autor precisa decidir se o argumento é verdadeiro, original, claro e digno da atenção do leitor.

O mesmo padrão se mantém no trabalho de produto. A IA pode gerar histórias de usuário, textos de interface e código. A capacidade de execução exige observar o uso real, resolver casos extremos e remover funcionalidades que distraem da tarefa principal.

Para pesquisadores, a última etapa inclui verificar fontes e evidências contrárias. Para equipes de vendas, inclui compreender o comprador em vez de produzir mais contatos. Para executivos, inclui tomar uma decisão e sustentá-la quando as condições mudam.

O uso de maior valor da IA pode, portanto, ser a multiplicação de profundidade. O trabalhador aplica o tempo economizado às partes de um projeto que antes recebiam cuidado insuficiente.

Essa abordagem muda a forma como a produtividade com Claude AI deve ser medida. A pergunta relevante não é quantas produções Claude ajudou a criar. É se o trabalho selecionado alcançou um padrão mais elevado ou um destino mais valioso.

Uma revisão semanal pode revelar a diferença. Se o trabalho assistido por IA gera mais projetos ativos, mas a taxa de conclusão cai, o sistema aumentou o movimento, e não o progresso.

Limites de portfólio oferecem uma resposta mais forte do que a determinação pessoal. Uma equipe pode restringir o número de experimentos ativos e exigir que um seja encerrado antes de outro começar.

Critérios claros de conclusão também importam. “Explorar a integração de clientes” convida a uma atividade indefinida. “Identificar as três maiores falhas na integração e testar uma correção” cria uma linha de chegada.

Sistemas de conhecimento podem apoiar essa disciplina ao preservar decisões e conectar evidências. Uma memória de trabalho pesquisável ajuda trabalhadores a retomar projetos importantes sem reconstruir o contexto.

Ainda assim, a recuperação não pode substituir a recusa. O usuário precisa rejeitar oportunidades de baixo valor mesmo quando um assistente de IA as torna fáceis.

Essa é a nova habilidade desconfortável. Antes da IA generativa, a capacidade limitada de produção rejeitava muitas ideias automaticamente. Agora, as pessoas precisam rejeitá-las deliberadamente.

O foco é a capacidade de deixar por fazer um trabalho tecnicamente viável, enquanto a perseverança transforma uma possibilidade escolhida em valor duradouro.

Resultados Mais Rápidos Não Eliminam a Fronteira Irregular

A defesa de um trabalho mais profundo não significa que a IA deva ser reservada para tarefas menores. Pesquisas mostram que a IA generativa pode melhorar tanto a velocidade quanto a qualidade dentro de limites de tarefa adequados.

Um experimento de campo com 758 profissionais do Boston Consulting Group examinou trabalhos que envolviam análise, redação, criatividade e persuasão. Os participantes que usaram GPT-4 concluíram determinadas tarefas mais rapidamente e receberam pontuações de qualidade mais altas.

O experimento com consultores também trouxe um alerta importante. O desempenho da IA seguiu uma fronteira tecnológica irregular, o que significa que tarefas aparentemente semelhantes podiam estar em lados opostos da competência real do modelo.

Em tarefas dentro dessa fronteira, os consultores que usavam IA concluíram mais de 12 por cento a mais de tarefas. Trabalharam mais de 25 por cento mais rápido e produziram resultados avaliados em mais de 40 por cento superiores.

Em uma tarefa fora da fronteira, os usuários de IA tiveram desempenho pior. A fluência do resultado da ferramenta podia levar as pessoas a conclusões incorretas.

Essa descoberta complica a ideia de que mais automação sempre libera atenção. Às vezes, a IA transfere o esforço da produção para a supervisão. O trabalhador precisa identificar onde a confiança supera a correção.

À medida que agentes assumem fluxos de trabalho mais longos, essa carga de supervisão muda de forma. Uma frase fraca é fácil de perceber. Uma premissa equivocada enterrada em um processo de pesquisa com várias etapas é mais difícil de encontrar.

O usuário pode economizar tempo em cada ação visível, mas gastar mais atenção avaliando a cadeia. Se vários agentes trabalham simultaneamente, o número de decisões de revisão volta a crescer.

A pesquisa econômica da Anthropic mostra que os padrões de uso ainda transitam entre delegação e colaboração. Sua análise de janeiro de 2026 constatou que a ampliação voltou a ser mais comum do que a automação no Claude.ai.

Os dados de interação distinguem automação de ampliação. A automação delega a conclusão da tarefa, enquanto a ampliação mantém o usuário envolvido por meio de aprendizado, validação e iteração.

Nenhum dos padrões é universalmente melhor. Uma transformação repetitiva com verificações claras pode ser adequada à automação. Uma decisão estratégica com evidências incertas se beneficia da participação humana ativa.

É aqui que a perseverança difere do perfeccionismo. O perfeccionismo prolonga o trabalho sem uma regra racional de encerramento. A perseverança direciona a revisão para os pontos de falha que importam.

Uma resposta de suporte pode exigir precisão, empatia e conformidade com políticas. Um memorando de pesquisa pode exigir fontes confiáveis e uma declaração explícita de incerteza. Um lançamento de produto pode exigir verificações de segurança e procedimentos de reversão.

Esses padrões definem quando um esforço adicional muda o resultado. Eles protegem os trabalhadores do polimento interminável, ao mesmo tempo que evitam a conclusão prematura.

A visão cética merece destaque. Manelius estima que a IA tornou algumas tarefas entre duas e 100 vezes mais eficientes, mas seu ensaio não oferece uma medição controlada para essa faixa.

O número funciona como uma descrição de experiência pessoal, não como uma referência geral de produtividade. Tarefas, ferramentas e usuários diferentes produzirão resultados muito diferentes.

Mesmo ganhos de velocidade verificados não provam redução da carga de trabalho ou melhora do bem-estar. Uma empresa pode converter execução mais rápida em metas mais altas. Um trabalhador autônomo pode convertê-la em mais compromissos.

O burnout também tem múltiplas causas. A carga de trabalho importa, mas também importam controle, justiça, reconhecimento, comunidade e alinhamento com valores pessoais. A IA não consegue resolver essas condições apenas com redação mais rápida.

A afirmação prática deve permanecer limitada. A IA pode reduzir o esforço em tarefas selecionadas. Se ela reduz o trabalho total depende dos limites em torno desses ganhos.

O modelo pode acelerar a execução, mas os humanos ainda são responsáveis pela seleção de tarefas, pela verificação e pelas consequências de errar.

Os Trabalhadores Sob Pressão São Aqueles Que Conseguem Fazer Tudo

As primeiras discussões sobre IA no trabalho concentraram-se no acesso. Trabalhadores que aprenderam prompting ou adotaram assistentes de programação pareciam propensos a superar aqueles que não o fizeram.

Essa diferença continua relevante, mas está se tornando menos marcante. Recursos de IA agora aparecem em aplicativos comuns de produtividade, ferramentas de desenvolvimento e plataformas de comunicação.

A diferença emergente diz respeito à orquestração. Duas pessoas podem usar o mesmo modelo e produzir resultados muito diferentes porque uma controla o escopo, enquanto a outra multiplica obrigações.

Os profissionais do conhecimento altamente ambiciosos enfrentam o maior risco. Eles têm muitas ideias, habilidade suficiente para avaliar resultados iniciais e autonomia suficiente para iniciar projetos sem aprovação formal.

A IA elimina o atrito que antes obrigava esses trabalhadores a esperar. Também enfraquece um sinal útil: se uma ideia não valia várias horas de preparação, talvez não merecesse um lugar no portfólio.

Fundadores agora podem validar vários conceitos em paralelo. Gerentes de produto podem gerar propostas detalhadas para cada solicitação de cliente. Engenheiros podem criar implementações experimentais antes de decidir qual problema merece atenção.

Essas capacidades parecem benéficas porque são benéficas. O risco surge quando a experimentação não tem uma regra de saída.

Uma prova de conceito gera informação, mas também cria apego. Quando um trabalhador vê um rascunho ou protótipo funcional, abandoná-lo parece desperdiçar um trabalho já concluído.

A IA torna essa armadilha psicológica mais barata de acessar. A primeira versão chega rapidamente, enquanto as decisões custosas aparecem depois.

As organizações podem agravar o problema ao celebrar a produção visível. Um grande fluxo de demonstrações e documentos cria a aparência de impulso. Encerrar discretamente projetos fracos pode parecer menos impressionante, mesmo quando isso protege a equipe.

Por isso, líderes precisam de novas evidências de maturidade em IA. Taxas de encerramento de projetos, resultados para clientes, taxas de erro e carga de manutenção revelam mais do que o número de artefatos gerados.

Também precisam proteger o tempo de julgamento. A Microsoft informou em 2023 que 68 por cento dos trabalhadores não tinham foco ininterrupto suficiente durante o dia. A adoção de IA não pode reparar essa condição enquanto calendários e expectativas de comunicação permanecerem inalterados.

A pressão também alcança especialistas experientes. Estudos de produtividade frequentemente mostram ganhos maiores para trabalhadores menos experientes porque a IA pode distribuir padrões aprendidos com profissionais de melhor desempenho.

Os trabalhadores seniores podem então passar mais tempo revisando trabalhos de outras pessoas assistidos por máquinas. Seu tempo pessoal de geração diminui, mas sua carga organizacional de verificação aumenta.

Essa mudança pode tornar a expertise menos visível, ao mesmo tempo que a torna mais necessária. O especialista detecta erros sutis, define a qualidade e decide quando a resposta do modelo não deve ser usada.

As equipes devem reconhecer esse trabalho explicitamente. Caso contrário, a IA parece criar resultados sem esforço, enquanto funcionários seniores absorvem discretamente seus riscos.

Trabalhadores individuais precisam de um método de contabilização semelhante. Todo projeto assistido por IA deve incluir um custo estimado de revisão, custo de manutenção e custo de oportunidade.

Um protótipo de dez minutos não é um compromisso de dez minutos. Se exigir decisões futuras, comunicação com partes interessadas ou atualizações recorrentes, seu custo real começa após a geração.

As pessoas mais capazes de usar IA amplamente precisam dos limites mais fortes, porque a capacidade amplia as opções mais rápido do que a atenção amplia a capacidade.

Três Sinais Mostrarão Se a IA Devolve Tempo

A próxima fase da produtividade com Claude AI não será definida apenas por pontuações de benchmark. Ela será decidida pela forma como ferramentas, equipes e trabalhadores lidam com a crescente distância entre iniciar e concluir.

O primeiro sinal é o design de produto. Plataformas de agentes apoiam cada vez mais tarefas de longa duração, execução paralela e conexões com dados do ambiente de trabalho.

Observe se os fornecedores adicionam controles de portfólio mais fortes junto com essas capacidades. Controles úteis mostrariam compromissos ativos, aprovações necessárias, trabalho paralisado e o custo de manter resultados criados por agentes.

Se as ferramentas apenas facilitarem o lançamento de mais processos, a experiência de Manelius se espalhará. Se ajudarem os usuários a encerrar, consolidar e rejeitar trabalho, a IA poderá apoiar a perseverança.

O segundo sinal é a medição dentro das organizações. Líderes continuarão relatando tempo economizado, taxas de adoção e resultados gerados porque esses números são fáceis de coletar.

Medidas mais reveladoras incluem resultados de negócio concluídos, taxas de correção, tempo de ciclo após a revisão e o número de projetos ativos por funcionário. Essas métricas mostram se a IA reduz o trabalho ou o redistribui.

Uma empresa que gera o dobro de rascunhos, mas leva mais tempo para aprová-los, deslocou seu gargalo. Não o resolveu.

O terceiro sinal é a política de carga de trabalho. Os empregadores precisam decidir se a eficiência da IA pertence inteiramente à organização ou, em parte, ao trabalhador.

Se cada hora economizada se transformar em uma meta mais alta, os funcionários vivenciarão a IA como compressão. Mais produção caberá no mesmo dia, enquanto recuperação e foco continuarão escassos.

Se as equipes eliminarem relatórios de baixo valor, reduzirem a carga de reuniões e criarem tempo de revisão protegido, a eficiência poderá melhorar a qualidade do trabalho. Isso fortaleceria a afirmação de Manelius de que foco e perseverança são a nova vantagem.

Esses sinais também oferecem um teste prático para usuários individuais. Acompanhe se o número de seus projetos ativos aumenta após adotar agentes. Em seguida, compare esse número com sua taxa de conclusão e a qualidade do trabalho finalizado.

Se o trabalho ativo aumentar enquanto a conclusão cair, interrompa novos inícios. Selecione os poucos projetos com valor claro, defina o que significa concluído e use a IA para levar esses projetos mais adiante.

Essa escolha não é resistência à tecnologia. É uma forma mais exigente de adoção, porque avalia a ferramenta pelos resultados, e não pela atividade.

A produtividade com Claude AI pode eliminar horas de redação, programação, pesquisa e formatação. Ela não pode proteger essas horas de outra ideia, solicitação, notificação ou compromisso autoimposto.

A vantagem humana está se tornando menos relacionada a produzir todo artefato possível. Ela reside em escolher o que merece atenção sustentada, detectar quando o trabalho está errado e conduzir o projeto certo até a linha de chegada.

A IA oferece mais movimentos possíveis, enquanto o foco seleciona o movimento e a perseverança faz com que ele conte.

Observe sua lista atual de projetos antes de abrir outra sessão de agente. Qual esforço merece pesquisa mais profunda, outro teste ou uma revisão cuidadosa? Escolha esse projeto e defina o resultado que o tornaria completo. Em seguida, deixe a IA reduzir o trabalho mecânico sem permitir que ela amplie o escopo. A questão central já não é se Claude pode ajudar você a produzir mais. As evidências já mostram que a IA melhora velocidade e qualidade em tarefas adequadas. A questão mais difícil é se esses ganhos criam algo concluído, confiável e útil. Se não criam, o gargalo nunca foi a velocidade de digitação. Foi a decisão de focar e a disciplina de levar o trabalho até o fim.