O paradoxo de Solow retorna e desta vez fala com a IA
Existe um padrão silencioso que a história econômica repetiu pelo menos duas vezes com clareza antes da era da inteligência artificial. Primeiro com a eletrificação industrial, depois com os computadores pessoais. Em ambos os casos, a tecnologia chegou décadas antes de seu impacto aparecer nas estatísticas de produtividade. Em ambos os casos, o período em que "nada estava acontecendo" foi precisamente o momento em que tudo estava sendo reconfigurado por baixo.
O economista Robert Solow capturou isso com uma frase que não foi criada para fazer ninguém rir: "Você pode ver a era dos computadores em todo lugar, menos nas estatísticas de produtividade." Era 1987. Os PCs proliferavam nos escritórios corporativos, os mainframes processavam transações em velocidades inimagináveis uma década antes, e o embrião do que seria a internet já existia. No entanto, a produtividade agregada da economia americana não se movia. Esse fenômeno ficou registrado como o Paradoxo de Solow, e sua resolução levou quase dez anos para chegar.
O que hoje ocorre com a inteligência artificial tem uma geometria quase idêntica. E o acúmulo recente de dados — tanto de pesquisas massivas quanto de relatórios das grandes plataformas tecnológicas — sugere que o ponto de inflexão que demorou uma década para chegar no caso dos computadores pode estar se materializando agora mesmo para a IA.
---
Quando 90% diz "nada mudou" e o mercado diz o contrário
Em fevereiro deste ano, uma pesquisa aplicada a 6.000 líderes empresariais entregou um resultado que, à primeira vista, pareceria devastador para os argumentos de quem há anos vem prometendo a revolução da IA: 90% dos entrevistados relatou que a adoção de inteligência artificial não havia tido nenhum impacto mensurável em emprego ou produtividade em suas empresas. Ao mesmo tempo, 63% declarou ter adotado IA em alguma forma.
Esse é exatamente o retrato de 1987. Uma tecnologia onipresente no discurso, adotada pela maioria, mas sem rastro visível na economia real medida pelos instrumentos convencionais.
Mas há outro número na mesma foto que muda o enquadramento. Uma análise do Banco da Reserva Federal de Saint Louis encontrou que a IA generativa produziu uma melhora de 5,4% na produtividade dos trabalhadores que a utilizaram. Não é um número que justifique as avaliações atuais das empresas de IA. Tampouco é desprezível. É, em termos históricos, o tipo de sinal fraco que costuma preceder um movimento estrutural mais profundo.
A distância entre os 90% que não veem mudança e os 5,4% que efetivamente medem melhora não é uma contradição. É a diferença entre adotar uma ferramenta e redesenhar o processo completo ao redor dela. As fábricas do século XIX que instalaram motores elétricos sobre os mesmos sistemas de eixos e polias a vapor não obtiveram ganhos de eficiência. As que demoliram a arquitetura física de suas plantas e construíram do zero ao redor do motor individual por estação de trabalho sim os obtiveram — mas esse processo demorou quarenta anos desde que Edison ligou sua primeira usina geradora em 1882.
A análise da Deloitte sobre adoção de IA generativa acrescenta outro fragmento ao quebra-cabeça: a maioria das empresas que adotaram IA relatam retorno positivo, e quase 25% dos adotantes reporta ganhos de produtividade ou financeiros superiores a 30%. Esse quarto de empresas não está operando com ferramentas diferentes das do restante dos 75%. Está operando com uma lógica organizacional distinta, o que é exatamente o tipo de variável que não aparece nas pesquisas de adoção tecnológica, mas que determina onde o valor vai se concentrar nos próximos cinco anos.
---
O que os resultados da Alphabet e da Microsoft revelam que a pesquisa não enxerga
Enquanto a maioria das empresas reporta impacto nulo, duas companhias com posições dominantes em infraestrutura tecnológica estão publicando números que não se encaixam nessa narrativa. E a diferença não é que elas tenham acesso a uma IA melhor, mas que controlam o canal de distribuição pelo qual milhões de organizações acessam a tecnologia.
A Alphabet reportou em seu último trimestre um crescimento de 19% nas receitas por busca, atribuindo parte desse incremento diretamente à integração de IA em seu produto de busca principal. Sua divisão Google Cloud cresceu 63% ano a ano, e a empresa sinalizou que os clientes empresariais de grande escala que adotaram seus serviços de IA geraram receitas com crescimento de 800% em relação ao ano anterior. Esse último número não é um indicador de volume absoluto, mas é um sinal da velocidade de adoção no segmento corporativo que historicamente demora mais para se mover.
A Microsoft, por sua vez, reportou que seu negócio de IA opera atualmente a uma taxa de receita anualizada de 37 bilhões de dólares. Para contextualizar esse número: a OpenAI, a empresa que captura mais cobertura midiática no espaço de IA e que opera com receitas anualizadas em torno de 20 bilhões de dólares, ainda é menor em escala do que a Microsoft apenas em seu segmento de IA.
O padrão que emerge não é o de uma tecnologia falida esperando validação. É o de uma tecnologia cuja captura de valor econômico está se concentrando, por ora, nas plataformas que controlam a infraestrutura e os canais de distribuição para o cliente empresarial: Alphabet, Microsoft e, em menor medida, Salesforce, ServiceNow e Databricks, que também reportaram monetização crescente de suas capacidades de IA integradas.
Isso replica com fidelidade o que ocorreu nos anos 1990 com a computação. Intel, Microsoft, Cisco e as operadoras de telecomunicações capturaram a maior parte do valor econômico da revolução digital muito antes de que o impacto dessa revolução fosse visível nas estatísticas agregadas de produtividade. As empresas usuárias dessa tecnologia levaram anos a mais para traduzir o investimento em ganhos operacionais reais.
---
O atraso que ninguém mede está na arquitetura organizacional
Existe uma fricção específica que explica por que a distância entre adoção e produtividade não colapsa automaticamente, e essa fricção raramente aparece nas análises de mercado. Trata-se da velocidade de redesenho organizacional, que é ordens de magnitude mais lenta do que a velocidade de adoção tecnológica.
Quando uma empresa instala uma ferramenta de IA generativa no fluxo de trabalho de sua equipe de conteúdo ou de atendimento ao cliente, o ganho inicial é marginal. O trabalhador aprende a usar a ferramenta, mas o processo no qual ela opera continua tendo os mesmos gargalos, as mesmas camadas de aprovação, o mesmo desenho de funções que existia antes da IA. Os 5,4% de melhora medidos pelo Banco da Reserva Federal são, em boa medida, o impacto da ferramenta sobre o processo existente.
O salto que transformou a eletrificação de um dado técnico em uma revolução de produtividade não foi instalar o motor. Foi eliminar o eixo central e distribuir a energia de forma descentralizada por toda a planta — o que implicou demolir fisicamente a infraestrutura anterior e reconstruí-la. A equivalência em termos de IA não é "implementar um copiloto". É redesenhar quais processos existem, quais desaparecem, quais funções fazem sentido e quais decisões podem ser tomadas sem intervenção humana direta.
As empresas do quartil superior na análise da Deloitte — o 25% que reporta ganhos superiores a 30% — estão fazendo algo diferente de instalar ferramentas. Estão redesenhando fluxos completos de trabalho ao redor de capacidades que antes não existiam. Essa é uma operação que requer tolerância ao caos transitório, disposição para abandonar processos que funcionavam e, sobretudo, uma leitura honesta do que o cliente final valoriza e de qual parte do processo interno não gera nenhum valor para ninguém, exceto para quem o desenhou.
Esse redesenho é lento, politicamente custoso dentro das organizações e difícil de medir no curto prazo. Por isso não aparece na pesquisa dos 6.000 líderes como impacto visível. Mas é exatamente o que, quando alcança massa crítica em setores e empresas suficientes, produz o tipo de movimento nas estatísticas de produtividade que os economistas descrevem retrospectivamente como um ponto de inflexão.
---
O que o paradoxo de Solow não consegue resolver por si só
A analogia histórica tem valor analítico, mas também tem um limite que convém nomear com precisão. O período de latência entre adoção tecnológica e produtividade mensurável nos anos 1980 e 1990 ocorreu em um contexto de menor velocidade de iteração tecnológica. Os modelos de linguagem que existem hoje serão versões primitivas dos que existirão daqui a três anos. A pressão competitiva sobre as empresas para adotar e redesenhar processos é mais intensa agora do que a que enfrentaram as organizações durante a transição para o PC.
Isso não encurta mecanicamente o período de atraso organizacional, porque esse atraso depende de fatores humanos e institucionais que não se aceleram no mesmo ritmo que a tecnologia. Mas significa que a distribuição de benefícios entre as empresas que redesenham e as que simplesmente instalam sem redesenhar se tornará visível nos balanços com uma velocidade maior do que na revolução do PC.
O 25% de adotantes com ganhos superiores a 30% reportado pela Deloitte não é uma curiosidade estatística. É a primeira evidência de que a separação entre os dois grupos já está ocorrendo. Se o padrão histórico se sustentar, esse diferencial se ampliará antes que as estatísticas macroeconômicas o registrem com clareza. Quando os índices de produtividade mostrarem o salto que Solow esperava ver desde 1987, a vantagem competitiva de quem redesenhou em vez de simplesmente adotar já será estruturalmente difícil de recuperar.
A pergunta que o paradoxo de Solow deixa sem resposta é sempre a mesma: quanto tempo tem uma organização para passar de usuária da ferramenta a designers dos processos que a ferramenta torna possíveis. Nos anos 1990, essa margem foi de quase uma década. Desta vez, a geometria do mercado sugere que será consideravelmente menor.
