Em 1987, o economista Robert Solow cunhou uma das frases mais célebres da economia moderna: “Você pode ver a era dos computadores em todo lugar, menos nas estatísticas de produtividade”. A observação ficou conhecida como o Paradoxo de Solow.
Décadas depois, quando a produtividade finalmente acelerou, nos anos 1990, ficou claro que a revolução dos computadores simplesmente havia demorado mais do que o esperado para aparecer nos números.
Hoje, diante da explosão da inteligência artificial, a pergunta se repete com urgência renovada: se a IA está transformando a forma como trabalhamos, onde está o crescimento? Se a tecnologia está aumentando a produtividade de certas tarefas em 20%, 30% ou 50%, por que o PIB e a produtividade agregada não estão acelerando na mesma proporção?
A pergunta não é retórica. Os relatos de ganhos de produtividade com IA são abundantes e impressionantes. Experimentos em atendimento ao cliente mostram aumentos de até 15%. Tarefas de análise e redação reportam ganhos de 25% a 50%. Desenvolvedores de software descrevem aumentos de produtividade ainda maiores em certas atividades.
A provocação, então, é direta: se empresas de tecnologia (que já representam mais de um terço do valor de mercado americano) estão crescendo 5 ou 10 vezes em produtividade, os modelos econômicos deveriam estar prevendo um crescimento do PIB muito acima do que se observa.
E, no entanto, a produtividade da economia americana cresceu apenas 0,8% em 2025, segundo o BLS. A previsão para 2026 é de 1,1%, de acordo com o CBO. O número macro parece desconectado dos relatos micro. Por quê?
A resposta passa por entender como a produtividade de uma tarefa se transforma —ou não— em crescimento econômico agregado. Imagine um programador que dedica 40% do seu tempo a escrever código. A IA aumenta sua produtividade nessa tarefa em 40%. Impressionante, mas o ganho para o trabalhador inteiro já cai para 16%.
Se apenas metade dos programadores adota intensamente a ferramenta, cai para 8%. Se metade desse tempo economizado se converte em produção adicional —não em pausas, retrabalho ou simplesmente fazer a mesma coisa mais devagar—, chegamos a 4%.
Depois ainda precisamos ponderar pelo peso desses trabalhadores no produto total da economia. O “ganho de 40% da IA” pode facilmente virar menos de 2% de produtividade econômica efetiva. Esse funil (da tarefa ao trabalhador, da empresa ao setor, do setor à economia) é onde grande parte da promessa da IA se perde no caminho.
Pesquisa recente do NBER com quase 750 executivos americanos documenta exatamente esse paradoxo: os ganhos percebidos são sistematicamente maiores que os mensurados, possivelmente porque a realização em receita demora mais que a melhora operacional.
Outros levantamentos sobre adoção reforçam o diagnóstico: apenas 23% dos trabalhadores americanos usam IA generativa ao menos uma vez por semana, e apenas 9% diariamente. Um estudo do Federal Reserve de St. Louis, de 2026, descreve a situação como espalhada por muitas ocupações, mas rasa dentro de cada uma. Alta produtividade condicional ao uso intensivo não é alta produtividade média da economia.
Há duas grandes explicações concorrentes para essa desconexão. A primeira é a hipótese da curva J, desenvolvida por Erik Brynjolfsson e seus coautores: tecnologias de propósito geral —como a eletricidade no século passado e os computadores nos anos 1980— exigem investimentos complementares antes de produzir plenamente seus efeitos.
Reorganização das empresas, treinamento, novos processos, novo capital organizacional. A fábrica não ficou dramaticamente mais produtiva quando substituiu a máquina a vapor pelo motor elétrico. Foi necessário redesenhar a fábrica inteira em torno da eletricidade. Talvez estejamos cometendo o mesmo erro ao imaginar que empresa antiga mais IA equivale a empresa antiga 30% mais produtiva.
A segunda explicação, mais cética, vem de Daron Acemoglu: o efeito macro depende da fração de tarefas realmente afetadas multiplicada pela economia de custos nessas tarefas. Sua estimativa é sóbria: não mais que 0,7% de aumento cumulativo de produtividade em dez anos.
Ou seja, ou a revolução está chegando, mas ainda não chegou às estatísticas, ou estamos extrapolando indevidamente resultados microeconômicos extraordinários.
Há uma distinção adicional que raramente aparece no debate público e que me parece fundamental. Mesmo que os ganhos de produtividade se confirmem, é preciso observar se temos um efeito de nível (um salto único que gera alguns anos de crescimento adicional durante a transição) ou um efeito de crescimento permanente.
Para que a taxa de crescimento do PIB acelere de forma duradoura, seria necessário que a própria fronteira do conhecimento continuasse avançando, porque a IA acelera pesquisa, inovação científica e criação de novas tecnologias. Essa distinção importa. Um mundo em que a IA nos torna mais produtivos de uma vez é muito diferente de um mundo em que a IA acelera permanentemente o ritmo da inovação.
O que tudo isso significa para o Brasil e para economias emergentes? A pergunta relevante não é apenas se a IA vai ou não transformar a produtividade global. É quem vai capturar esses ganhos e em que velocidade.
Países que investirem em adoção, qualificação e infraestrutura digital terão condições de aproveitar o salto de produtividade quando ele chegar —e de se posicionar melhor na cadeia de valor da nova economia.
O Paradoxo de Solow se resolveu: a produtividade dos computadores apareceu, mas levou mais de uma década e exigiu transformações profundas nas organizações e nas instituições. Será que a revolução da IA seguirá o mesmo caminho?
A questão não é se o crescimento vai chegar. É se estaremos preparados quando ele chegar. Uma outra pergunta é se os preços correntes dos ativos ligados à IA estão em sincronia com essa curva de crescimento. Mas essa é uma discussão para uma próxima coluna.
Fonte ==> Folha SP
