{"id":14595,"date":"2025-09-22T12:16:39","date_gmt":"2025-09-22T15:16:39","guid":{"rendered":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/2025\/09\/22\/na-fronteira-irregular-da-ia\/"},"modified":"2025-09-22T12:16:39","modified_gmt":"2025-09-22T15:16:39","slug":"na-fronteira-irregular-da-ia","status":"publish","type":"post","link":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/2025\/09\/22\/na-fronteira-irregular-da-ia\/","title":{"rendered":"Na fronteira irregular da IA"},"content":{"rendered":"

Nos \u00faltimos anos, a intelig\u00eancia artificial<\/a> deixou de ser apenas promessa tecnol\u00f3gica para se tornar parte do cotidiano de empresas, governos e profissionais em todo o mundo. Entre os avan\u00e7os mais not\u00e1veis est\u00e3o os Large Language Models (LLMs), como o ChatGPT, capazes de produzir textos, resumir informa\u00e7\u00f5es e apoiar processos decis\u00f3rios em tempo real.<\/p>\n

Mas at\u00e9 que ponto essas ferramentas realmente aumentam a nossa produtividade no trabalho? E, talvez mais importante, quais os limites que j\u00e1 come\u00e7am a aparecer quando tentamos aplic\u00e1-las em escala?<\/p>\n

Conhe\u00e7a o JOTA<\/span> PRO Poder, plataforma de monitoramento que oferece transpar\u00eancia e previsibilidade para empresas<\/span><\/a><\/h3>\n

O debate no plano macro<\/h3>\n

Como praticamente tudo hoje em dia, as respostas mais comuns \u00e0 pergunta que nos fizemos anteriormente se concentram em dois polos antag\u00f4nicos. De um lado, temos fundadores de startups e outros entusiastas muito otimistas com as possibilidades de crescimento econ\u00f4mico e ganhos de produtividade; do outro, vemos alguns soci\u00f3logos e economistas prevendo um cen\u00e1rio pouco animador, em que a substitui\u00e7\u00e3o do emprego pelo capital superaria a nossa capacidade de gerar novos tipos de ocupa\u00e7\u00e3o.<\/p>\n

Para o bem ou para o mal, a verdade \u00e9 que a IA j\u00e1 vem sendo discutida e empregada por grandes empresas h\u00e1 pelo menos 15 anos \u2013 e sem as grandes disrup\u00e7\u00f5es comumente previstas. De fato, quando olhamos para os EUA, um bom term\u00f4metro das economias desenvolvidas, vemos que, nessa mesma janela de tempo, a produtividade do trabalho avan\u00e7ou pouco (Figura 1), sem que isso comprometesse a manuten\u00e7\u00e3o do emprego.<\/p>\n

S\u00f3 recentemente, a partir de 2022, observamos sinais de acelera\u00e7\u00e3o da produtividade acompanhados de uma redu\u00e7\u00e3o suave da taxa de emprego, sugerindo uma poss\u00edvel reconfigura\u00e7\u00e3o dessa rela\u00e7\u00e3o. Esses movimentos ainda s\u00e3o incipientes. \u00c9 cedo para afirmar se marcam o in\u00edcio de uma mudan\u00e7a estrutural ou apenas um solu\u00e7o estat\u00edstico ou resqu\u00edcio do ciclo econ\u00f4mico, mas j\u00e1 oferecem combust\u00edvel para que otimistas e c\u00e9ticos reforcem suas narrativas.<\/p>\n\n

Fonte: Elabora\u00e7\u00e3o pr\u00f3pria, BLS<\/p>\n

As implica\u00e7\u00f5es microecon\u00f4micas da AI<\/h3>\n

De todo modo, por tr\u00e1s dos n\u00fameros agregados j\u00e1 \u00e9 poss\u00edvel observar o efeito da IA em setores espec\u00edficos. Embora a maioria dos casos envolva atividades de programa\u00e7\u00e3o, j\u00e1 existem estudos com advogados, consultores, m\u00e9dicos e atendentes de call center. Em todos eles, os resultados s\u00e3o consistentes: o uso da IA reduziu o tempo de execu\u00e7\u00e3o das tarefas em 22% a 55%, em compara\u00e7\u00e3o com grupos de controle \u2014 isto \u00e9, participantes que n\u00e3o utilizaram a tecnologia.<\/p>\n

Esses ganhos, no entanto, n\u00e3o se repetem quando se avalia tamb\u00e9m a qualidade do trabalho. Em um estudo da Harvard Business School com a Boston Consulting Group<\/a>, os consultores mais juniores tiveram ganhos de produtividade quase tr\u00eas vezes maiores que seus pares s\u00eaniores.<\/p>\n

J\u00e1 em tarefas mais complexas, os efeitos foram nulos ou mesmo negativos: nesse mesmo experimento, a nota m\u00e9dia das entregas feitas com apoio da IA ficou 15% abaixo daquelas produzidas sem a ferramenta. Resultados semelhantes aparecem em outras \u00e1reas. Em pesquisa recente do Model Evaluation & Threat Research (METR)<\/a>, programadores que utilizaram IA tiveram desempenho 12% inferior em tarefas de maior complexidade.<\/p>\n

Mas afinal, o que diferencia uma tarefa simples de uma tarefa complexa? Ser\u00e1 que podemos utilizar a mesma r\u00e9gua de complexidade que usamos para modelos como o GPT ou o Gemini? A resposta \u00e9 menos \u00f3bvia do que parece. No estudo que citamos de Harvard, os autores apresentam o conceito de \u201cfronteira tecnol\u00f3gica irregular\u201d (jagged frontier), em que a IA se destaca em certas tarefas, mas falha em outras aparentemente semelhantes. Para os economistas de plant\u00e3o, \u00e9 como se tiv\u00e9ssemos uma Fronteira de Possibilidades de Produ\u00e7\u00e3o (FPP) cheia de irregularidades e quinas (vide Figura 2).<\/p>\n\n

Fonte: Dell\u2019Acqua et al. (2023)<\/p>\n

Dentro dessa fronteira, a IA se destacou em atividades como gera\u00e7\u00e3o de ideias, an\u00e1lise argumentativa, escrita e persuas\u00e3o. De forma surpreendente, tamb\u00e9m foi competente em tarefas que os humanos tendem a considerar de alta complexidade, mas fracassou em opera\u00e7\u00f5es muito mais simples, como aritm\u00e9tica b\u00e1sica.<\/p>\n

Fora da fronteira, mostrou dificuldade para lidar com dados quantitativos elaborados ou para captar nuances de entrevistas contradit\u00f3rias em rela\u00e7\u00e3o a outras fontes \u2013 atividades que mesmo um consultor j\u00fanior muitas vezes conseguiria fazer por conta pr\u00f3pria.<\/p>\n

Experi\u00eancias pr\u00e1ticas com IA<\/h3>\n

Delimitar com precis\u00e3o a fronteira da IA na pr\u00e1tica n\u00e3o \u00e9 tarefa simples. Um experimento conduzido pela Impacta Finan\u00e7as Sustent\u00e1veis buscou mapear os fluxos de capital clim\u00e1tico no Brasil a partir de not\u00edcias de jornal, com o objetivo de construir m\u00e9tricas que indicassem a evolu\u00e7\u00e3o desses investimentos ao longo do tempo, bem como as modalidades e os principais atores envolvidos.<\/p>\n

O primeiro prot\u00f3tipo concentrou-se em apenas um ve\u00edculo de comunica\u00e7\u00e3o: ap\u00f3s a extra\u00e7\u00e3o e filtragem de mat\u00e9rias relevantes, o conte\u00fado foi processado por meio de IA para identificar informa\u00e7\u00f5es pertinentes ao escopo. O resultado foi um conjunto de 385 not\u00edcias que, apesar de algumas duplica\u00e7\u00f5es e lacunas, permitiu a constru\u00e7\u00e3o de um mapa de redes. A an\u00e1lise revelou a forma\u00e7\u00e3o de clusters distintos e destacou o BNDES como um hub de alt\u00edssima centralidade, articulando parceiros de infraestrutura e energia e assumindo um papel estruturante \u2014 diferente da l\u00f3gica mais comercial dos grandes bancos privados no financiamento sustent\u00e1vel.<\/p>\n\n

Fonte: Elabora\u00e7\u00e3o pr\u00f3pria<\/p>\n

A partir desses achados, a Impacta decidiu escalar a metodologia. A segunda vers\u00e3o foi desenvolvida em colabora\u00e7\u00e3o com a Mondor\u00e9, consultoria especializada em tecnologia e gest\u00e3o, e exigiu maior sofistica\u00e7\u00e3o t\u00e9cnica.<\/p>\n

O novo prot\u00f3tipo, por\u00e9m, trouxe resultados menos animadores: o crivo mais rigoroso reduziu a amostra a apenas 134 not\u00edcias, muitas ainda fora do escopo desejado. Mesmo ao focar em linhas de financiamento espec\u00edficas, n\u00e3o foi poss\u00edvel chegar a narrativas consistentes em n\u00edvel macro. De forma paradoxal, a simplicidade do primeiro modelo revelou-se mais eficaz do que a sofistica\u00e7\u00e3o da segunda vers\u00e3o.<\/p>\n

Conclus\u00e3o<\/h3>\n

\u00c9 importante lembrar que se tratava apenas de prot\u00f3tipos iniciais. Com mais tempo, parte dos problemas da segunda vers\u00e3o poderia ter sido resolvida. Ainda assim, a trajet\u00f3ria acabou funcionando como uma ilustra\u00e7\u00e3o concreta da chamada \u201cfronteira tecnol\u00f3gica\u201d. O primeiro modelo, mesmo com imperfei\u00e7\u00f5es, j\u00e1 tocava a linha t\u00eanue entre o que a IA executa bem e o que come\u00e7a a escapar de sua capacidade.<\/p>\n

Quando a complexidade foi ampliada, essa fronteira foi ultrapassada e o desempenho da ferramenta passou a piorar em vez de melhorar. Na era das LLMs, o desafio para pesquisadores \u00e9 justamente identificar esses limites sinuosos: compreend\u00ea-los permite fragmentar tarefas, delegando \u00e0 IA aquelas em que se destaca, enquanto preservamos para o trabalho humano as etapas em que ainda levamos clara vantagem.<\/p>\n

ACEMOGLU, Daron. The simple macroeconomics of AI.\u00a0Economic Policy, v. 40, n. 121, p. 13-58, 2025.<\/p>\n

AUTOR, David H. Why are there still so many jobs? The history and future of workplace automation. Journal of economic perspectives, v. 29, n. 3, p. 3-30, 2015.<\/p>\n

BECKER, Joel et al. Measuring the impact of early-2025 AI on experienced open-source developer productivity. arXiv preprint arXiv:2507.09089, 2025.<\/p>\n

BRYNJOLFSSON, Erik; LI, Danielle; RAYMOND, Lindsey. Generative AI at work. The Quarterly Journal of Economics, v. 140, n. 2, p. 889-942, 2025.<\/p>\n

BRYNJOLFSSON, Erik; ROCK, Daniel; SYVERSON, Chad. Artificial intelligence and the modern productivity paradox: A clash of expectations and statistics. National Bureau of Economic Research, 2017.<\/p>\n

CHOI, Jonathan H.; MONAHAN, Amy B.; SCHWARCZ, Daniel. Lawyering in the age of artificial intelligence. Minn. L. Rev., v. 109, p. 147, 2024.<\/p>\n

Dell\u2019Acqua, Fabrizio, et al. \u201cNavigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality.\u201d Harvard Business School Technology & Operations Mgt. Unit Working Paper 24-013 (2023).<\/p>\n

GAMBACORTA, Leonardo et al. Generative AI and labour productivity: a field experiment on coding. Bank for International Settlements, Monetary and Economic Department, 2024.<\/p>\n

NOY, Shakked; ZHANG, Whitney. Experimental evidence on the productivity effects of generative artificial intelligence.\u00a0Science, v. 381, n. 6654, p. 187-192, 2023.<\/p>","protected":false},"excerpt":{"rendered":"

Nos \u00faltimos anos, a intelig\u00eancia artificial deixou de ser apenas promessa tecnol\u00f3gica para se tornar parte do cotidiano de empresas, governos e profissionais em todo o mundo. Entre os avan\u00e7os mais not\u00e1veis est\u00e3o os Large Language Models (LLMs), como o ChatGPT, capazes de produzir textos, resumir informa\u00e7\u00f5es e apoiar processos decis\u00f3rios em tempo real. Mas […]<\/p>\n","protected":false},"author":0,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[],"_links":{"self":[{"href":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/wp-json\/wp\/v2\/posts\/14595"}],"collection":[{"href":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/wp-json\/wp\/v2\/comments?post=14595"}],"version-history":[{"count":0,"href":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/wp-json\/wp\/v2\/posts\/14595\/revisions"}],"wp:attachment":[{"href":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/wp-json\/wp\/v2\/media?parent=14595"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/wp-json\/wp\/v2\/categories?post=14595"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aprimora.site\/carvalhoalmeidaadvogados\/wp-json\/wp\/v2\/tags?post=14595"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}