Alerta de Produtividade com IA de Rick Manelius: Foco e Perseverança Superam Mais Produção

Rick Manelius transformou a velocidade da IA em cerca de 40 projetos ativos de prova de conceito e, depois, descobriu que a execução mais rápida havia criado um novo problema de burnout. Seu ensaio de 26 de julho reformula o argumento sobre produtividade com IA de Rick Manelius em torno de um conflito direto. A IA generativa pode reduzir o trabalho dentro de uma tarefa, mas também incentivar as pessoas a iniciar mais atividades do que conseguem concluir de forma responsável.

Essa distinção importa porque a maioria dos programas de IA no ambiente de trabalho ainda mede atividade. Eles contam prompts, documentos gerados, tickets concluídos, minutos economizados e etapas automatizadas. Esses números podem revelar ganhos úteis de eficiência, mas dizem pouco sobre se um projeto importante alcançou um resultado duradouro.

Manelius propõe um par diferente de vantagens: foco e perseverança. A IA facilita a criação de rascunhos, protótipos, planos e opções. A capacidade humana escassa é decidir qual opção merece atenção contínua e, então, levá-la adiante pelas caras etapas finais.

O adversário não é outro modelo de IA. É a mentalidade de expansão que cerca a adoção de IA, em que cada hora economizada vira permissão para abrir mais um projeto. A promessa é maior capacidade. A realidade emergente costuma ser um campo mais amplo de trabalhos inacabados, mais alternância de contexto e menos confiança sobre o que merece atenção.

O Boom da Produtividade com IA Criou Mais Pendências em Aberto

A mudança imediata não é que a IA ficou mais rápida. É que a criação barata tornou a moderação mais valiosa.

Em seu ensaio sobre foco e perseverança, Manelius descreve um padrão familiar a profissionais ambiciosos do trabalho do conhecimento. Antes da IA generativa, as ideias permaneciam em uma lista de “algum dia” porque produzir uma primeira versão convincente exigia tempo demais. A IA reduziu esse custo inicial.

Manelius tinha mais de 100 títulos e esboços de artigos em rascunho, além de cerca de 50 projetos em potencial. Quando Claude passou a poder trabalhar em breves intervalos entre reuniões, algumas ideias negligenciadas se tornaram viáveis. Os resultados iniciais o incentivaram a lançar ainda mais experimentos.

A abordagem inicialmente pareceu bem-sucedida. Um prompt de cinco minutos podia iniciar uma pesquisa, gerar texto, estruturar um produto ou fazer um protótipo avançar. Cada sucesso fazia o próximo projeto parecer viável.

Esse cálculo deixava de fora o custo de assumir a responsabilidade. Um protótipo precisa de revisão, correção, posicionamento, manutenção e de uma decisão sobre seu futuro. Um rascunho de artigo precisa de checagem de fatos, revisão estrutural, edição e distribuição. Um pequeno experimento pode criar uma grande cadeia de obrigações posteriores.

Manelius acabou contabilizando cerca de 40 projetos de prova de conceito em andamento. Ele descreve cada um como uma pendência em aberto, ou seja, um compromisso não resolvido que ainda exige atenção. A IA havia reduzido o esforço necessário para começar, enquanto ele continuava responsável por tudo o que vinha depois.

Seus multiplicadores de produtividade relatados, que vão de duas a cem vezes, são estimativas pessoais, e não medições testadas de forma independente. O multiplicador exato é menos importante do que a assimetria por trás dele. A IA pode comprimir uma etapa isolada de produção sem comprimir, na mesma proporção, julgamento, coordenação, responsabilização ou cuidado.

É aqui que o debate sobre produtividade com IA frequentemente perde contato com o trabalho real. Gerar uma entrega plausível não equivale a concluir a responsabilidade subjacente. Um rascunho pode parecer finalizado enquanto questões sobre precisão, público, responsabilidade e consequências permanecem sem resposta.

Considere um gerente de produto usando IA para transformar notas de entrevistas em dez conceitos de funcionalidades. A etapa de geração leva minutos. O gerente ainda precisa comparar evidências, entender segmentos de clientes, testar premissas, coordenar engenharia, rejeitar ideias fracas e defender a prioridade final.

Um engenheiro de software enfrenta o mesmo padrão. Um assistente pode gerar rapidamente várias implementações, mas cada uma introduz demandas de revisão e manutenção. Mais código pode significar mais testes, dependências, exposição a riscos de segurança e decisões arquiteturais.

O resultado é uma fila que cresce mais rápido do que a atenção humana. Começar se torna quase sem atrito, então parar parece irracional. Ainda assim, cada novo item compete com os compromissos existentes pelo mesmo calendário e pelos mesmos recursos cognitivos.

O antigo gargalo costumava ser a produção. O novo gargalo é a conclusão.

Isso não torna a IA generativa ineficaz. Significa que os ganhos de eficiência precisam ser medidos ao longo de um fluxo de trabalho completo. Se uma ferramenta economiza uma hora durante a redação, mas cria várias horas de revisão e coordenação, o ganho local superestima o benefício final.

Portanto, uma medida útil de produtividade pergunta se o trabalho chegou a um ponto final significativo. A decisão foi tomada, o produto foi adotado, o cliente foi ajudado ou o artigo se tornou confiável? As contagens de produção não conseguem responder a essas perguntas sozinhas.

A Produtividade com IA de Rick Manelius Encontra a Jornada de Trabalho Infinita

A IA pode aumentar a capacidade de executar tarefas sem expandir a capacidade humana de escolher, alternar, se recuperar e permanecer responsável.

As evidências já sustentam a afirmação mais restrita de que a IA generativa melhora o desempenho em determinadas tarefas. Um estudo de campo do NBER acompanhou 5.179 agentes de suporte ao cliente após a introdução de um assistente de IA. O acesso à ferramenta aumentou, em média, em 14% o número de casos resolvidos por hora.

Os ganhos foram desiguais. Trabalhadores novatos e menos qualificados melhoraram 34%, enquanto trabalhadores experientes e altamente qualificados observaram efeitos mínimos. O estudo de campo no ambiente de trabalho sugere que a IA pode disseminar práticas aprendidas com profissionais de melhor desempenho, ajudando funcionários mais novos a progredir mais rapidamente.

Um experimento separado com 758 consultores encontrou benefícios substanciais quando as tarefas estavam dentro dos limites de capacidade da IA. Participantes com GPT-4 concluíram mais subtarefas, trabalharam cerca de 25% mais rápido e produziram trabalhos que os avaliadores classificaram como melhores.

No entanto, o desempenho piorou em uma tarefa fora desse limite. Os pesquisadores chamaram essa limitação desigual de fronteira tecnológica irregular, o que significa que a competência da IA pode variar acentuadamente entre tarefas que parecem ter dificuldade semelhante. O experimento com consultores constatou que o julgamento humano continuava essencial para reconhecer quais atividades ficavam fora da zona confiável.

Esses estudos validam ganhos reais, mas nenhum deles diz que os trabalhadores devem multiplicar seus compromissos. Concluir mais rapidamente uma interação de suporte delimitada é diferente de assumir simultaneamente dezenas de projetos incertos. O segundo caso introduz custos de priorização e alternância que um benchmark de tarefa única não capta.

As condições de trabalho já dificultam absorver esses custos. A Microsoft analisou atividades agregadas do Microsoft 365 e relatou que usuários altamente interrompidos recebiam uma notificação de reunião, e-mail ou chat a cada dois minutos durante o horário principal. Sua estimativa diária mais ampla chegou a 275 interrupções.

A mesma análise constatou que 60% das reuniões eram não programadas ou ad hoc. As mensagens enviadas fora do horário padrão aumentaram 15% em relação ao ano anterior, enquanto as reuniões iniciadas após as 20h aumentaram 16%. A Microsoft chama esse padrão de jornada de trabalho infinita.

As medições refletem a base de clientes da Microsoft e definições específicas de telemetria. Elas não devem ser tratadas como um retrato universal de todos os funcionários. Ainda assim, descrevem o ambiente em que muitos profissionais do conhecimento agora adicionam tarefas geradas por IA.

Os sistemas generativos podem se tornar outra fonte de interrupção mesmo quando removem trabalho manual. Cada resposta gerada exige avaliação. Cada execução de agente produz um resultado, uma exceção ou uma pergunta. Cada experimento barato cria mais uma possível direção.

O custo cognitivo aumenta porque as pessoas não alternam entre projetos complexos sem atrito. A American Psychological Association resume pesquisas que mostram que a troca de tarefas reduz o desempenho e aumenta os erros. A mente precisa mudar objetivos, ativar regras diferentes e reconstruir o estado do trabalho interrompido.

Esses custos de alternância se tornam maiores à medida que as tarefas ficam mais complexas ou desconhecidas. Isso é especialmente relevante para projetos paralelos assistidos por IA, nos quais uma pessoa pode alternar entre programação, pesquisa de mercado, redação, design e descoberta de clientes em uma hora.

O problema não são apenas segundos perdidos. A alternância frequente muda a textura do trabalho. As pessoas passam mais tempo recarregando o contexto, verificando o status e decidindo o que retomar. Elas passam menos tempo seguindo uma linha de raciocínio até que ela se torne coerente.

Um sistema pessoal de conhecimento pode reduzir parte do trabalho de reconstrução ao preservar fontes, decisões e o contexto do projeto. Um segundo cérebro de IA pesquisável ajuda as pessoas a recuperar o que sabiam. Ele não consegue decidir qual compromisso deve receber a próxima hora ininterrupta.

Essa decisão continua sendo humana. A IA pode aumentar o número de ações disponíveis, mas a atenção ainda determina qual ação se torna consequente.

O Verdadeiro Superpoder da IA É o Progresso Vertical

O melhor uso da geração mais rápida é aprofundar o trabalho importante, não ampliar o portfólio de trabalho inacabado.

Manelius descreve a escolha como produtividade horizontal versus vertical. A produtividade horizontal usa o tempo economizado para iniciar mais projetos. A produtividade vertical o utiliza para avançar mais no mesmo projeto.

A distinção é mais útil do que um simples debate sobre se a IA economiza tempo. Ambas as estratégias podem produzir resultados visíveis. Apenas a estratégia vertical reserva capacidade suficiente para seleção, revisão, verificação e conclusão.

Isso importa porque as fases iniciais do trabalho do conhecimento se tornaram excepcionalmente baratas. Um modelo pode gerar dez manchetes, três conceitos de produto, um resumo de reunião e uma estratégia preliminar antes que uma pessoa examine o primeiro resultado. A abundância parece progresso porque os artefatos são concretos.

No entanto, o valor frequentemente se concentra perto do fim. Uma recomendação confiável surge após a eliminação das opções fracas. Uma funcionalidade confiável surge após os casos extremos serem testados. Um artigo forte surge depois que as afirmações são verificadas e o argumento resiste à revisão.

Manelius ilustra isso com um artigo que ele considerava de qualidade B ou B-. Em vez de publicá-lo rapidamente, ele parou e dedicou mais duas ou três revisões concentradas. Essa escolha reduziu a produção imediata, ao mesmo tempo em que elevou o padrão que pretendia alcançar.

Ele relaciona a decisão à diferença entre um eclipse solar parcial e um total. Passar de 99% de cobertura para a totalidade parece uma melhoria de um ponto, mas a experiência do observador muda drasticamente. Ele argumenta que produtos e obras criativas amados muitas vezes conquistam seu impacto por meio de um incremento final equivalente.

A analogia é subjetiva, e isso não significa que toda tarefa merece perfeição. Um e-mail interno de rotina não deve consumir a mesma atenção que uma recomendação médica ou o lançamento de um produto. A lição operacional é adequar o esforço de conclusão à consequência.

A IA muda essa alocação de duas formas. Primeiro, ela pode remover etapas de produção de baixo valor em projetos selecionados. Segundo, pode inundar o trabalhador com alternativas plausíveis que competem pelo tempo economizado.

O foco governa a primeira decisão. Qual resultado merece a escassa atenção humana? O acompanhamento governa a segunda. O que precisa acontecer após a geração para que esse resultado se torne confiável, adotado e concluído?

Um pesquisador pode usar IA para resumir artigos, comparar terminologia e propor hipóteses. O progresso vertical começa quando o pesquisador rastreia as afirmações até às evidências primárias, identifica contradições e desenvolve uma interpretação que resiste ao escrutínio.

Um líder de vendas pode gerar abordagens personalizadas para centenas de contas. O progresso vertical significa identificar as contas certas, validar o contexto, coordenar o acompanhamento e aprender com as respostas reais. Enviar mais mensagens é atividade horizontal, a menos que melhore as conversas qualificadas.

Uma equipa de produto pode gerar conceitos de interface de um dia para o outro. O progresso vertical exige observar utilizadores, escolher um design, lidar com a acessibilidade, resolver restrições de engenharia e medir o comportamento após o lançamento. A geração de imagens, por si só, não conclui a decisão de produto.

Este enquadramento também esclarece por que o acompanhamento não é sinónimo de persistência. Continuar cegamente um projeto fraco desperdiça capacidade. Um acompanhamento eficaz inclui o cancelamento explícito quando as evidências deixam de apoiar o trabalho.

O objetivo é ter menos ciclos sem gestão, não a conclusão obrigatória de todas as ideias. Um projeto deve terminar por entrega, delegação, adiamento deliberado ou cancelamento. Deixá-lo psicologicamente ativo sem uma decisão é o estado dispendioso.

As organizações podem reforçar este comportamento através de limites de portefólio. As equipas podem restringir o número de experiências ativas, exigir responsáveis por iniciativas geradas por IA e definir critérios de saída antes de o trabalho começar. Estes controlos transformam a abundância da IA num pipeline gerido.

Também deslocam a avaliação do volume para os resultados. Uma equipa pode acompanhar decisões concluídas, problemas de clientes resolvidos, experiências encerradas ou melhorias adotadas. Estas medidas tornam visível o inventário inacabado.

Para os indivíduos, o mecanismo pode manter-se simples. Registe ideias sem ativar todas elas. Separe uma lista de possibilidades de uma lista de projetos ativos. Dê ao trabalho atual uma próxima ação clara e uma definição explícita de concluído.

Um sistema como o remio pode apoiar este limite ao manter as evidências do projeto e as decisões anteriores disponíveis através de combinação de conhecimento. O sistema reduz a necessidade de recriar o contexto entre informações locais. O utilizador ainda precisa decidir qual projeto entra no conjunto ativo.

Os novos superpoderes da IA são, portanto, gerenciais antes de serem técnicos. Envolvem recusar opções atraentes, proteger tempo ininterrupto e permanecer no trabalho depois de terminar a fase entusiasmante de geração.

Foco e Acompanhamento Não Resolvem o Burnout Sozinhos

A tese do foco é útil, mas torna-se enganadora quando o burnout é tratado apenas como uma falha pessoal de priorização.

Manelius apresenta a sua experiência como um problema de expansão criado por si próprio. Usou IA para reduzir o trabalho necessário e depois preencheu a abertura com trabalho adicional. Reduzir os projetos ativos foi uma resposta razoável a esse padrão específico.

Nem todos os trabalhadores do conhecimento controlam a carga de trabalho da mesma forma. Os funcionários podem enfrentar reuniões obrigatórias, prazos sobrepostos, falta de pessoal, prioridades vagas e gestores que tratam uma produção mais rápida como motivo para aumentar as metas. O foco pessoal não pode eliminar compromissos impostos por uma organização.

A Organização Mundial da Saúde define o burnout como um fenómeno ocupacional resultante de stress crónico no local de trabalho que não foi gerido com sucesso. As suas três dimensões incluem exaustão, maior distanciamento mental ou cinismo e redução da eficácia profissional.

Essa definição de burnout importa porque situa a questão no desenho do trabalho. Não classifica o burnout como uma condição médica, nem reduz a causa ao número de horas trabalhadas.

O indicador da Gallup sobre funcionários dos EUA informou que 27 por cento dos trabalhadores se sentiram em burnout muito frequentemente ou sempre em maio de 2026. O número, por si só, não estabelece que a IA causou burnout. Mostra que uma pressão substancial persiste durante o período em que a adoção de IA no trabalho está a expandir-se.

A IA pode reduzir a pressão quando lida com trabalho repetitivo, melhora o acesso à informação ou ajuda uma pessoa iniciante a concluir uma tarefa difícil. Pode aumentar a pressão quando os líderes usam a poupança de tempo para elevar as expectativas sem remover responsabilidades anteriores.

Este é o efeito de recuperação da produtividade. Quando uma unidade de trabalho se torna mais barata, a procura por essa atividade pode aumentar. Os funcionários não recebem o tempo poupado porque a organização o converte em maior produtividade.

O mesmo efeito surge a nível pessoal. Um escritor que consegue redigir cinco vezes mais depressa pode planear cinco vezes mais artigos. O trabalho restante, incluindo julgamento, edição, promoção e resposta do público, não acelera necessariamente à mesma taxa.

Há outro risco. “Dar seguimento” pode tornar-se um rótulo respeitável para o excesso de trabalho. Uma pessoa pode continuar a aperfeiçoar porque os padrões não são claros, a crítica parece perigosa ou a organização recompensa o sacrifício visível. A disciplina de conclusão precisa de uma regra de paragem.

A analogia do eclipse destaca o valor do último um por cento, mas o seu custo não pode ser ignorado. Manelius estima que este incremento final pode consumir 50 a 90 por cento do tempo total do projeto. Trata-se da sua avaliação qualitativa, não de uma proporção medida no setor.

Alguns resultados justificam esse investimento. Software crítico para a segurança, investigação com consequências relevantes e afirmações públicas precisam de revisão rigorosa. Outras tarefas ganham pouco com mais uma ronda de aperfeiçoamento. Foco sem proporcionalidade transforma-se em perfeccionismo.

O melhor enquadramento combina limites de projeto com padrões de qualidade baseados nas consequências. As equipas devem identificar que trabalho exige profundidade excecional, que trabalho precisa de fiabilidade adequada e que trabalho deve ser automatizado ou abandonado. A IA não deve nivelar essas categorias.

Os gestores também precisam remover trabalho, não apenas recomendar melhores hábitos. Se um novo assistente encurta a preparação de relatórios, os líderes devem decidir se o tempo de elaboração diminui, a qualidade da análise aumenta ou o volume de relatórios cresce. Permitir que as três expectativas aumentem convida à sobrecarga.

A propriedade clara também importa. Os agentes de IA podem executar etapas, mas os humanos continuam responsáveis pela maioria dos resultados no local de trabalho. Quando o trabalho gerado passa por vários sistemas e revisores, a responsabilidade pode tornar-se ambígua. A ambiguidade cria mais verificações, e não menos.

A conclusão cética não é que o foco falha. É que o foco deve existir tanto a nível individual como organizacional. Os trabalhadores podem limitar compromissos gerados por si próprios, enquanto os líderes limitam prioridades concorrentes e definem o que constitui uma conclusão aceitável.

Sem essa segunda camada, a tese de produtividade de IA de Rick Manelius corre o risco de se tornar mais uma exigência imposta a funcionários exaustos. Esperar-se-ia que gerassem mais, priorizassem melhor, verificassem tudo e protegessem a saúde dentro do mesmo ambiente fragmentado.

O Que os Trabalhadores do Conhecimento Devem Acompanhar a Seguir

A próxima fase da produtividade com IA será julgada por resultados concluídos, limites de carga de trabalho e taxas de erro, e não pelo volume gerado.

O primeiro sinal é se os empregadores começam a medir resultados de ponta a ponta. Os atuais painéis de adoção costumam enfatizar acesso a ferramentas, utilizadores ativos, prompts ou estimativas de tempo poupado. Essas métricas mostram implementação, mas não se o trabalho se tornou mais útil.

Um sistema de medição mais robusto acompanharia um resultado desde o início até ao encerramento. Analisaria o tempo de conclusão, adoção, retrabalho, taxas de erro e impacto no cliente. Também registaria quantas novas tarefas entraram na fila depois de a IA reduzir uma etapa anterior.

Se as empresas adotarem estas medidas, o argumento de foco e acompanhamento ganha apoio. Os líderes veriam a diferença entre uma produção mais rápida de artefactos e uma entrega de valor mais rápida. Se o volume de prompts continuar a ser a medida dominante, a expansão horizontal provavelmente continuará.

O segundo sinal é se os agentes de IA reduzem obrigações ativas ou as multiplicam. Os agentes podem monitorizar caixas de entrada, preparar pesquisas, atualizar registos e coordenar etapas entre softwares. Também podem gerar um fluxo contínuo de alertas, rascunhos, exceções e ações propostas.

O principal teste de produto não é quantas tarefas um agente inicia. É quão fiavelmente o sistema encerra fluxos de trabalho delimitados com supervisão compreensível. Produtos que expõem propriedade, estado, evidências e condições de paragem apoiarão melhor o acompanhamento do que produtos otimizados para geração interminável.

Observe como os fornecedores lidam com exceções. Um agente útil deve saber quando pedir uma decisão, preservar o contexto relevante e evitar criar trabalho duplicado. Um sistema que expande silenciosamente a sua própria árvore de tarefas pode poupar teclas, ao mesmo tempo que aumenta a carga de supervisão.

O terceiro sinal é se o burnout e a fragmentação no trabalho melhoram à medida que a adoção amadurece. Os dados de interrupção da Microsoft fornecem uma referência, enquanto os inquéritos a funcionários oferecem outra. Nenhum pode provar causalidade isoladamente, mas a sua direção testará a promessa de capacidade.

Se a adoção de IA aumentar enquanto a atividade fora do horário, as interrupções e o burnout relatado diminuírem, as organizações terão evidências de que a automação está a devolver tempo às pessoas. Se esses indicadores permanecerem estáveis ou piorarem, a explicação provável será que a capacidade poupada foi reinvestida em mais exigências.

Os trabalhadores do conhecimento não precisam esperar por painéis corporativos. Podem realizar o mesmo teste numa escala menor. Contem projetos ativos, não ficheiros gerados. Acompanhem decisões concluídas, não conversas com um modelo. Reparem se o tempo poupado se transforma em recuperação, trabalho mais profundo ou outra obrigação.

Antes de iniciar um projeto assistido por IA, pergunte o que significa a conclusão e quem será responsável pelo resultado. Decida que evidências justificariam parar. Estime a revisão e a coordenação humanas que permanecerão depois de o modelo terminar.

Depois, limite o conjunto ativo. As ideias podem permanecer registadas sem se tornarem compromissos. A IA torna barato preservar e revisitar possibilidades, por isso há menos razão para ativar imediatamente cada pensamento promissor.

Proteger o foco também exige reduzir mudanças de contexto. Agrupe interações semelhantes com IA, mantenha o material de origem ligado às decisões e reserve períodos ininterruptos para síntese. A geração e a avaliação não devem competir pela atenção a cada poucos minutos.

Mais importante ainda, use os ganhos da automação deliberadamente. Alguns devem melhorar a qualidade. Outros devem encurtar a entrega. Outros devem devolver tempo à pessoa que realiza o trabalho. Tratar cada minuto poupado como capacidade não utilizada recria a jornada de trabalho infinita sob uma interface mais avançada.

O alerta de Rick Manelius é convincente porque surge depois de as ferramentas funcionarem. O problema não foi uma produção fraca nem uma automação falhada. Foi que o sucesso removeu a fricção natural que antes limitava quantos projetos podiam começar.

Essa é a inversão central na produtividade com IA. À medida que a execução se torna abundante, a contenção torna-se economicamente valiosa. O foco identifica os poucos resultados que valem a pena perseguir, e o acompanhamento transforma começos baratos em trabalho concluído.

A questão prática já não é se a IA permite fazer mais. Ela claramente permite em muitas tarefas delimitadas. A melhor pergunta é o que deixará de começar, para que o trabalho que importa receba atenção suficiente para ser concluído.