O Imposto da Verificação: O Custo Oculto de Revisar o Que a IA Produz

A Foxit encomendou uma pesquisa com 1.400 profissionais nos Estados Unidos e no Reino Unido. A pergunta era simples: quanto tempo a IA economiza no trabalho com documentos? A resposta deveria ter sido simples também. Não foi.

Executivos estimam que economizam 4 horas e 36 minutos por semana com IA. Mas gastam 4 horas e 20 minutos por semana verificando o que a IA produziu. Saldo líquido: 16 minutos semanais. Menos que o tempo de um café.

Trabalhadores estimam que economizam 3 horas e 36 minutos. Mas gastam 3 horas e 50 minutos revisando. Saldo: menos 14 minutos por semana. Perda líquida. Quem opera a ferramenta está trabalhando mais, não menos.

A hierarquia da ilusão

Esses números revelam algo que vai além de produtividade. Revelam uma distorção estrutural na forma como organizações avaliam IA.

Executivos enxergam um ganho modesto. Trabalhadores sofrem uma perda real. A diferença de 30 minutos semanais entre os dois grupos não é margem de erro. É perspectiva. Quem delega a verificação não sente o custo dela. Quem executa a verificação absorve o custo inteiro.

Como analisamos anteriormente ao examinar a pesquisa da McKinsey, percepção executiva e realidade operacional divergem por dezenas de pontos percentuais quando o assunto é IA. A pesquisa da Foxit adiciona uma dimensão nova: a divergência não é apenas cognitiva. É hierárquica. O custo da verificação desce na estrutura organizacional enquanto a percepção de ganho sobe.

Evan Reiss, vice-presidente sênior da Foxit, resume com precisão involuntária: “IA acelera a criação, mas introduz novas camadas de revisão, checagem de fatos e correção.” O que ele descreve é um imposto. A IA gera, e alguém precisa conferir. Esse alguém raramente é quem aprova o orçamento.

A distância entre confiança e confiabilidade

O estudo traz outro número que merece atenção: 60% dos executivos se dizem “altamente confiantes” na saída da IA. Entre trabalhadores, apenas 33%. E só 10% dos trabalhadores se dizem “extremamente confiantes”.

Essa assimetria não é pessimismo dos trabalhadores. É calibragem. Quem revisa output de IA quatro horas por semana aprende, na prática, onde a ferramenta falha. Quem recebe o resultado final não vê as correções que foram necessárias para chegar ali.

As três barreiras mais citadas pelos respondentes confirmam isso: 36% apontam privacidade, 34% apontam confiança, 25% apontam acurácia. Nenhuma dessas barreiras é técnica no sentido estrito. São barreiras de governança. Privacidade exige políticas. Confiança exige métricas. Acurácia exige verificação. E verificação, como os dados mostram, consome praticamente todo o tempo que a IA supostamente economiza.

O limiar cognitivo

O estudo da BCG publicado na Harvard Business Review em março de 2026 oferece uma explicação para o mecanismo de colapso. Pesquisadores acompanharam 1.488 trabalhadores americanos e encontraram um limiar claro: até três ferramentas de IA, os ganhos são reais. A partir da quarta ferramenta, a produtividade despenca.

O efeito não é linear. É uma ruptura. Com quatro ou mais ferramentas, os trabalhadores reportam 14% mais esforço mental, 12% mais fadiga e 19% mais sobrecarga informacional. A BCG batizou o fenômeno de “AI brain fry”.

O dado mais alarmante: 34% dos trabalhadores que experimentam “brain fry” expressam intenção de pedir demissão, contra 25% dos que não experimentam. IA mal governada não é apenas improdutiva. É um fator de rotatividade.

Esse achado se conecta diretamente ao estudo da UC Berkeley que documentou intensificação do trabalho com IA. Trabalhadores operam em ritmo mais acelerado, assumem escopo mais amplo e estendem o horário de trabalho. Burnout aparece em 62% dos trabalhadores de linha, contra 38% do C-suite. A ferramenta que prometia aliviar carga está, na prática, redistribuindo-a para baixo.

Reestruturação baseada em miragem

Aqui o problema se torna urgente. A pesquisa da Foxit mostra que 68% dos executivos reportam que IA já disparou reestruturações ou cortes em suas organizações. Ao mesmo tempo, 72% dizem priorizar retreinamento e 93% rastreiam métricas de retorno sobre investimento.

Os números parecem responsáveis. Reestruturar enquanto retreina, e medir resultados. Mas considere a base sobre a qual essas decisões foram tomadas: executivos acreditam num ganho de 16 minutos semanais que, para os trabalhadores, é uma perda de 14 minutos. As decisões de reestruturação foram tomadas a partir da perspectiva de quem delega, não de quem executa.

93% rastreiam “retorno sobre investimento em IA”. Nenhum rastreia o custo da verificação. Nenhum mede quanto tempo suas equipes gastam corrigindo o que a IA produziu. A métrica que justifica a reestruturação ignora o custo que a reestruturação transfere para quem fica.

É o equivalente organizacional de medir a velocidade de um carro sem considerar o consumo de combustível. O carro anda rápido. O tanque esvazia mais rápido ainda.

A confirmação macro

Se os dados micro (Foxit, BCG) fossem exceção, poderíamos descartá-los. Não são.

O Federal Reserve publicou em fevereiro de 2025 uma estimativa de produtividade com IA generativa: 1,1% de aumento. Não 16%. Não 45%. Um vírgula um por cento.

Goldman Sachs, em março de 2026, conduziu análise própria e não encontrou relação significativa entre adoção de IA e ganhos de produtividade em escala macro. Empresas que adotaram mais IA não são mensuravelmente mais produtivas que as que adotaram menos.

Os dados apontam numa direção consistente. IA gera valor real em tarefas específicas, para usuários específicos, em contextos específicos. Mas quando as organizações agregam esses ganhos pontuais em narrativas de transformação, a conta não fecha. O imposto da verificação consome uma parcela enorme dos ganhos brutos. E ninguém está medindo esse imposto.

O que medir quando ninguém está medindo

O problema central não é que IA falha. É que as organizações medem a parte errada do processo. Medem quanto tempo a IA economiza na geração. Não medem quanto tempo a verificação consome. Medem confiança executiva. Não medem confiança operacional. Medem adoção. Não medem o custo real de operar o que foi adotado.

Três métricas resolveriam a maior parte dessa cegueira.

Primeira: tempo líquido. Não quanto a IA economiza, mas quanto sobra depois da verificação. Se o saldo é 16 minutos para executivos e negativo para trabalhadores, a organização precisa saber disso antes de reestruturar.

Segunda: custo de verificação por nível hierárquico. O estudo da Foxit mostra que o custo cai desproporcionalmente sobre quem opera. Sem medir isso por camada, decisões de headcount são tomadas no escuro.

Terceira: limiar de ferramentas. O estudo da BCG mostra que o colapso começa na quarta ferramenta. Quantas ferramentas de IA cada equipe usa hoje? Se ninguém sabe responder, o “brain fry” já está acontecendo.

Nota metodológica

Uma ressalva necessária: o estudo da Foxit usa estimativas autorreferidas, não dados rastreados. Profissionais estimaram quanto tempo economizam e quanto tempo gastam verificando. A direção dos dados é confiável, o número exato (16 minutos de ganho, 14 minutos de perda) é aproximação. É possível que os verdadeiros números sejam piores, porque pessoas tendem a subestimar tempo gasto em tarefas percebidas como improdutivas.

A Foxit também tem conflito de interesse: vende ferramentas de IA para documentos. O estudo da BCG, publicado na Harvard Business Review com metodologia mais rigorosa, sustenta a mesma direção sem esse viés.

A convergência entre fontes independentes (Foxit, BCG, Federal Reserve, Goldman Sachs, UC Berkeley) é o que dá credibilidade ao padrão. Nenhum estudo isolado prova o caso. Juntos, desenham um retrato consistente: o custo de verificar IA é real, é significativo, e ninguém está contabilizando.

Fontes

Foxit. “State of Document Intelligence.” Março 2026. 1.400 respondentes (EUA e Reino Unido).
BCG. “AI Brain Fry.” Harvard Business Review, Março 2026. 1.488 trabalhadores americanos.
Goldman Sachs. Análise de produtividade macro com IA. Março 2026.
Federal Reserve. Estimativa de produtividade com IA generativa. Fevereiro 2025.

Victorino Group ajuda organizações a construir infraestrutura de medição que distingue entusiasmo com IA de valor real: contato@victorino.com.br | www.victorino.com.br