O paradoxo da produtividade na era dainteligência artificial: trabalho intensificado,tempo comprimido e a ilusão da eficiência

Resumo

A disseminação de ferramentas de inteligência artificial generativa no ambiente corporativo tem sido acompanhada por um discurso de otimização do tempo e aumento da produtividade. No entanto, evidências recentes sugerem que a adoção dessas tecnologias pode estar produzindo efeito inverso ao prometido: intensificação do trabalho, ampliação silenciosa da jornada e elevação das expectativas de desempenho. Este artigo investiga esse fenômeno à luz do conceito de paradoxo da produtividade, propondo uma leitura crítica das promessas de eficiência associadas à IA. A partir de revisão bibliográfica interdisciplinar, o estudo articula contribuições da sociologia do trabalho, da economia da tecnologia e dos estudos organizacionais para demonstrar que a automação contemporânea, ao reduzir o tempo de execução de tarefas específicas, tende a gerar novas demandas e a redefinir padrões de produtividade, sem necessariamente reduzir a carga global de trabalho. Conclui-se que a narrativa da eficiência precisa ser problematizada à luz das condições concretas de trabalho, sob pena de naturalizar novas formas de exploração.

Palavras-chave: Inteligência artificial. Produtividade. Trabalho. Paradoxo de Jevons. Intensificação do trabalho.

Abstract

The spread of generative artificial intelligence tools in corporate environments has been accompanied by a discourse of time optimization and productivity gains. However, recent evidence suggests that the adoption of these technologies may be producing the opposite effect: work intensification, silent extension of working hours, and rising performance expectations. This article investigates this phenomenon through the lens of the productivity paradox, proposing a critical reading of the efficiency promises associated with AI. Based on an interdisciplinary literature review, the study articulates contributions from the sociology of work, the economics of technology, and organizational studies to demonstrate that contemporary automation, by reducing the time required for specific tasks, tends to generate new demands and redefine productivity standards, without necessarily reducing the overall workload. It concludes that the efficiency narrative must be problematized in light of concrete working conditions, otherwise it risks naturalizing new forms of exploitation.

Keywords: Artificial intelligence. Productivity. Work. Jevons paradox. Work intensification.

1.  Introdução

A popularização de ferramentas de inteligência artificial generativa — como assistentes de escrita, geradores de código e sistemas de análise automatizada — modificou profundamente as rotinas de trabalho em setores administrativos, jurídicos, educacionais e tecnológicos. A promessa central dessas tecnologias é a de liberar o trabalhador de tarefas repetitivas, permitindo que ele se concentre em atividades de maior valor agregado. Em termos organizacionais, isso se traduziria em ganhos de produtividade, redução de custos e melhoria na qualidade das entregas.

No entanto, observa-se uma crescente discrepância entre o discurso e a experiência vivida. Profissionais que utilizam intensivamente essas ferramentas relatam não uma redução da carga de trabalho, mas sim uma elevação das expectativas de desempenho e uma ampliação silenciosa da jornada. Tarefas que antes demandavam horas passaram a ser realizadas em minutos, mas o tempo "economizado" não se converteu em descanso ou lazer. Pelo contrário, foi rapidamente absorvido por novas demandas, revisões mais detalhadas e a necessidade de alimentar sistemas cada vez mais complexos.

Esse fenômeno remete ao chamado paradoxo da produtividade, amplamente discutido na literatura econômica desde o final do século XX. A expressão, originalmente cunhada por Robert Solow (1987), apontava a ausência de ganhos mensuráveis de produtividade apesar do avanço da informatização. Hoje, o problema se recoloca em outros termos: não se trata apenas de questionar se a tecnologia aumenta a produtividade, mas de investigar como os ganhos de eficiência são distribuídos e apropriados dentro das organizações.

Nesse contexto, o presente artigo busca responder à seguinte questão: a inteligência artificial está, de fato, reduzindo a carga de trabalho ou apenas redefinindo os padrões de intensidade e expectativa produtiva? O objetivo é examinar criticamente a narrativa da eficiência associada à IA, articulando contribuições da sociologia do trabalho, da economia da tecnologia e dos estudos organizacionais.

A hipótese central é a de que a adoção da IA generativa, ao reduzir o tempo de execução de tarefas específicas, tende a gerar uma inflação das expectativas de desempenho — fenômeno análogo ao paradoxo de Jevons, segundo o qual o aumento da eficiência no uso de um recurso tende a ampliar seu consumo total. Assim, a automação não elimina o trabalho; ela o reconfigura, transferindo para o trabalhador a responsabilidade por absorver os ganhos de produtividade sob a forma de novas exigências.

O artigo está organizado em cinco seções, além desta introdução. Na segunda seção, apresenta-se a fundamentação teórica, com destaque para os conceitos de paradoxo da produtividade, intensificação do trabalho e paradoxo de Jevons. Na terceira, recupera-se a trajetória histórica da administração, desde os clássicos até as abordagens contemporâneas, para situar o debate sobre produtividade e tecnologia. Na quarta, discute-se a reconfiguração do trabalho na era da IA generativa, com base em estudos recentes. Na quinta, analisam-se as implicações organizacionais e sociais do fenômeno. Por fim, as considerações finais retomam os principais achados e apontam caminhos para pesquisas futuras.

2. Fundamentação teórica

2.1 O paradoxo da produtividade

O debate sobre a relação entre tecnologia e produtividade ganhou destaque nos anos 1980, quando o economista Robert Solow observou, de forma irônica, que "você pode ver a era dos computadores em todos os lugares, menos nas estatísticas de produtividade" (SOLOW, 1987, p. 36). A afirmação sintetizava uma constatação empírica: apesar da crescente informatização das empresas, os indicadores macroeconômicos de produtividade não apresentavam melhorias significativas.

O chamado paradoxo de Solow foi interpretado de diferentes maneiras ao longo das décadas seguintes. Para alguns autores, a ausência de ganhos mensuráveis devia-se a problemas de mensuração, uma vez que os benefícios da tecnologia da informação nem sempre se refletiam nos indicadores tradicionais de produtividade (BRYNJOLFSSON; HITT, 1996). Para outros, havia um descompasso temporal entre a adoção da tecnologia e a maturação dos seus efeitos, de modo que os ganhos só se tornariam visíveis após um período de aprendizado e reorganização (DAVID, 1990).

Mais recentemente, a discussão foi retomada no contexto da inteligência artificial. Brynjolfsson, Rock e Syverson (2017) argumentam que a IA generativa representa uma tecnologia de propósito geral, com potencial de transformar amplamente a economia. No entanto, os autores alertam que os ganhos de produtividade não são automáticos: dependem de investimentos complementares em capital humano, reorganização do trabalho e mudança nos modelos de negócio.

O que interessa destacar aqui é que a literatura sobre o paradoxo da produtividade já indicava que a introdução de novas tecnologias não produz, por si só, redução do esforço humano. A tecnologia altera as condições de produção, mas a forma como os ganhos são distribuídos depende das relações sociais e organizacionais que estruturam o trabalho.

2.2 Intensificação do trabalho e a nova gestão do tempo

A intensificação do trabalho é um conceito central para compreender a experiência contemporânea de adoção da IA no ambiente corporativo. Dal Rosso (2008, p. 45) define a intensificação como "o processo pelo qual o trabalho se torna mais denso, mais acelerado e mais exigente em termos de atenção e energia, sem que haja necessariamente extensão da jornada formal". Trata-se, portanto, de um fenômeno qualitativo, que diz respeito à densidade do trabalho, e não apenas à sua duração.

Historicamente, a intensificação esteve associada à racionalização taylorista-fordista, com a decomposição das tarefas e o controle dos tempos e movimentos. No capitalismo contemporâneo, porém, a intensificação assume novas formas, vinculadas à flexibilização, à autonomia aparente e ao uso de tecnologias digitais. Sennett (2006, p. 53) observa que "a flexibilidade gera ansiedade, pois as pessoas não sabem quais riscos serão recompensados e quais caminhos seguir". Essa ansiedade se traduz em disponibilidade permanente e em uma disposição subjetiva para aceitar demandas crescentes.

A literatura sobre trabalho digital tem chamado a atenção para o fenômeno da "disponibilidade conectada", definida por Cavazotte, Lemos e Villadsen (2014) como a expectativa de que o trabalhador esteja acessível e responsivo por meio de dispositivos móveis, mesmo fora do horário formal de expediente. A IA generativa, nesse contexto, funciona como mais um vetor de intensificação, na medida em que reduz o tempo necessário para responder a demandas e, com isso, aumenta a frequência e o volume das interações.

2.3 O paradoxo de Jevons aplicado ao trabalho digital

O paradoxo de Jevons, formulado originalmente no século XIX por William Stanley Jevons, estabelece que o aumento da eficiência no uso de um recurso tende a levar ao aumento do seu consumo total, e não à sua redução. Jevons (1865) observou que a melhoria da eficiência das máquinas a vapor, longe de reduzir o consumo de carvão, havia estimulado a expansão do uso do recurso em novas aplicações.

A transposição desse princípio para o campo do trabalho digital tem sido explorada por autores contemporâneos. McAfee e Brynjolfsson (2017) observam que a automação de tarefas rotineiras frequentemente gera novas demandas que antes não existiam, criando um ciclo de expansão do trabalho. No caso da IA generativa, a redução do tempo necessário para produzir um relatório, por exemplo, tende a aumentar o número de relatórios solicitados, bem como o nível de detalhamento exigido.

Esse fenômeno é descrito por Han (2017) em termos de uma "sociedade do cansaço", na qual o sujeito contemporâneo se vê submetido a uma pressão constante por desempenho e otimização. Para Han, a tecnologia digital não libera o indivíduo; ela o captura em uma lógica de autoexploração, na qual a maximização da produtividade se torna um imperativo internalizado.

2.4 Trabalho imaterial e a captura da subjetividade

Outra contribuição relevante para a análise do trabalho na era da IA vem da literatura sobre trabalho imaterial. Lazzarato e Negri (2001) definem o trabalho imaterial como aquele que produz bens intangíveis, como informação, conhecimento, comunicação e relações sociais. Para os autores, esse tipo de trabalho mobiliza intensamente a subjetividade do trabalhador, exigindo competências cognitivas, afetivas e relacionais.

No contexto da IA generativa, o trabalho imaterial assume novas configurações. O trabalhador é chamado a revisar, validar e aprimorar as produções da máquina, o que exige um tipo de atenção constante e uma capacidade de julgamento que não podem ser automatizadas. Gorz (2005) observa que, quanto mais a tecnologia avança, mais o trabalho humano se desloca para as dimensões imateriais e intangíveis, como a interpretação, a avaliação e a decisão.

Essa dimensão é frequentemente invisibilizada no discurso da eficiência, pois não é contabilizada como "trabalho" nos indicadores tradicionais. O tempo gasto na revisão de um texto gerado por IA, na checagem de informações ou na correção de erros de programação não aparece nas métricas de produtividade, mas consome energia subjetiva significativa.

3. A trajetória histórica da administração e a busca pela produtividade

3.1 Taylorismo e a racionalização do trabalho

A preocupação com a produtividade não é recente. Ela está no cerne da constituição da administração como campo de conhecimento, no final do século XIX e início do século XX. Frederick Winslow Taylor, considerado o pai da administração científica, dedicou sua obra à busca sistemática da eficiência produtiva. Em Princípios da Administração Científica, publicado originalmente em 1911, Taylor (1990) propôs a decomposição do trabalho em tarefas elementares, a seleção científica do trabalhador e a padronização dos métodos como caminhos para eliminar a "vadiagem sistemática" e aumentar a produtividade.

A proposta de Taylor baseava-se na separação radical entre concepção e execução do trabalho. Ao trabalhador cabia executar as tarefas conforme os métodos definidos pela gerência; à gerência cabia planejar, controlar e otimizar os processos. Essa separação permitiu ganhos expressivos de produtividade, mas ao preço de uma profunda desqualificação do trabalho operário e de uma intensificação sem precedentes do ritmo de trabalho.

Braverman (1987) analisa criticamente esse processo em Trabalho e Capital Monopolista, mostrando como a administração científica promoveu a apropriação do saber operário pela gerência, transformando o trabalhador em um apêndice da máquina. Para Braverman, a lógica taylorista não visava simplesmente aumentar a eficiência, mas garantir o controle gerencial sobre o processo de trabalho, subordinando o trabalhador aos imperativos do capital.

3.2 Fordismo e a linha de montagem

O fordismo, desenvolvido por Henry Ford nas primeiras décadas do século XX, radicalizou os princípios tayloristas ao introduzir a linha de montagem mecanizada. A esteira rolante, que levava o produto até o trabalhador, determinava o ritmo do trabalho de forma externa e imperativa. O trabalhador não controlava mais o tempo de execução; era controlado pelo fluxo contínuo da linha.

Gramsci (2001) dedicou importantes reflexões ao fordismo em seus Cadernos do Cárcere, interpretando-o não apenas como um sistema de produção, mas como um projeto de reorganização da sociedade. Para Gramsci, o fordismo exigia um novo tipo de trabalhador, disciplinado, sóbrio e adaptado ao ritmo da máquina. Essa adaptação não se dava apenas no espaço da fábrica, mas envolvia a vida cotidiana, a moralidade e as instituições sociais.

A combinação de taylorismo e fordismo consolidou um modelo de produção em massa que dominou o século XX. A produtividade aumentou exponencialmente, mas a intensificação do trabalho tornou-se estrutural. O tempo economizado pela mecanização foi sistematicamente reabsorvido pelo aumento das metas de produção e pela aceleração da linha.

3.3 A Escola de Relações Humanas e o fator humano

A partir dos anos 1930, a Escola de Relações Humanas, inspirada nos experimentos de Elton Mayo na fábrica de Hawthorne, introduziu uma nova dimensão no debate sobre produtividade: o fator humano. Os experimentos revelaram que a produtividade não dependia apenas das condições físicas e dos métodos de trabalho, mas também das relações sociais, da motivação e do sentimento de pertencimento dos trabalhadores.

Mayo (1933) argumentou que a atenção dispensada aos trabalhadores, o reconhecimento de suas necessidades emocionais e a criação de um ambiente de cooperação poderiam aumentar a produtividade tanto quanto as melhorias técnicas. Essa perspectiva abriu caminho para o desenvolvimento de novas abordagens gerenciais, que buscavam mobilizar a subjetividade do trabalhador em favor dos objetivos organizacionais.

A contribuição da Escola de Relações Humanas, no entanto, foi ambígua. Se por um lado reconheceu a dimensão humana do trabalho, por outro forneceu instrumentos mais sofisticados de controle e manipulação. A gestão da subjetividade tornou-se, a partir de então, uma ferramenta gerencial, visando alinhar os desejos e aspirações dos trabalhadores aos imperativos de produtividade.

3.4 A administração por objetivos e a era da gestão

No pós-Segunda Guerra Mundial, a administração consolidou-se como disciplina acadêmica e prática profissional. Peter Drucker, um dos principais teóricos da administração moderna, introduziu o conceito de administração por objetivos (APO) no livro The Practice of Management, publicado em 1954. Drucker (2006) propôs que a produtividade não deveria ser medida apenas em termos de eficiência técnica, mas de eficácia — ou seja, da capacidade de alcançar os objetivos definidos pela organização.

A APO representou uma mudança significativa na forma de conceber a produtividade. Em vez de controlar diretamente o processo de trabalho, a gerência passou a definir metas e indicadores, delegando ao trabalhador a responsabilidade por alcançá-los. Essa aparente autonomia, no entanto, carregava uma nova forma de controle: o controle por resultados.

A literatura crítica da gestão, inspirada no pensamento foucaultiano, analisa essa mudança em termos de "governamentalidade" e "tecnologias de si" (FOUCAULT, 2008). O trabalhador contemporâneo não é apenas disciplinado externamente; ele internaliza as metas e se autogoverna, transformando-se em um empresário de si mesmo. A produtividade deixa de ser imposta e passa a ser desejada, criando as condições para uma intensificação voluntária do trabalho.

3.5 Toyotismo e a flexibilização produtiva

A crise do modelo fordista, a partir dos anos 1970, abriu espaço para novas formas de organização da produção, inspiradas na experiência japonesa. O toyotismo, sistematizado por Taiichi Ohno na Toyota, introduziu princípios como just-in-time, kanban, qualidade total e produção enxuta. Ohno (1997) descreveu o Sistema Toyota de Produção como uma forma de eliminar desperdícios e aumentar a eficiência, mas também como um dispositivo de envolvimento intensivo dos trabalhadores.

O toyotismo combinou flexibilidade produtiva com intensificação do trabalho. A polivalência, a rotação de tarefas e a responsabilização pelos resultados criaram um ambiente de pressão permanente. O trabalhador passou a ser convocado a pensar, sugerir melhorias e engajar-se ativamente na busca por eficiência. Essa mobilização da inteligência e da subjetividade representou uma nova forma de extração de valor, que Lazzarato e Negri (2001) descreveram como trabalho imaterial.

O conceito de "lean management" difundiu-se globalmente, tornando-se sinônimo de modernização gerencial. No entanto, estudos empíricos têm mostrado que a implementação de práticas enxutas frequentemente resulta em intensificação do trabalho, aumento do estresse e precarização das condições de emprego (STEWART et al., 2010).

3.6 A era digital e a reconfiguração do trabalho

A disseminação das tecnologias digitais, a partir dos anos 1990, introduziu novas dimensões no debate sobre produtividade. A internet, o e-mail, os sistemas integrados de gestão e, mais recentemente, as plataformas digitais transformaram profundamente as formas de organização do trabalho. A conectividade permanente dissolveu as fronteiras entre tempo de trabalho e tempo de não trabalho, criando uma disponibilidade contínua que se tornou a norma em muitos setores.

A literatura sobre "trabalho digital" tem destacado os paradoxos dessa nova configuração. Por um lado, as tecnologias digitais oferecem flexibilidade e autonomia; por outro, geram novas formas de vigilância e controle. Zuboff (2015) cunhou o termo "capitalismo de vigilância" para descrever a extração sistemática de dados comportamentais, mas o conceito também se aplica ao contexto do trabalho, onde os sistemas digitais monitoram cada movimento, cada clique, cada pausa.

A inteligência artificial generativa representa a mais recente etapa desse processo. Ao automatizar tarefas cognitivas, a IA não apenas altera a natureza do trabalho, mas redefine as expectativas de produtividade. A capacidade da máquina de produzir instantaneamente cria uma referência implacável para o desempenho humano, que se vê constantemente desafiado a acompanhar o ritmo da automação.

4. A reconfiguração do trabalho na era da IA generativa

4.1 Da automação de tarefas à inflação de expectativas

A automação de tarefas rotineiras não é um fenômeno novo. Desde a revolução industrial, as organizações buscam substituir trabalho humano por máquinas sempre que possível. No entanto, a IA generativa introduz uma novidade qualitativa: ela não apenas executa tarefas mecânicas, mas também produz conteúdo simbólico — textos, imagens, códigos, análises — que antes eram considerados exclusivos do trabalho intelectual.

Essa capacidade altera o equilíbrio entre trabalho humano e trabalho automatizado. Se antes a automação liberava o trabalhador de atividades repetitivas, hoje ela também assume parte das atividades criativas e analíticas. O resultado, paradoxalmente, é o aumento da pressão sobre o trabalhador, que passa a ser responsável por supervisionar, corrigir e validar as produções da máquina.

Autor, Mindell e Reynolds (2020) observam que a introdução de sistemas de IA em ambientes de trabalho tende a criar novas tarefas de supervisão e manutenção, que não existiam antes da automação. Essas tarefas são frequentemente invisíveis, pois não são formalmente reconhecidas como parte da jornada de trabalho, mas exigem tempo e atenção consideráveis.

Além disso, a capacidade da IA de produzir grandes volumes de conteúdo em pouco tempo gera uma inflação das expectativas de desempenho. Se antes um profissional produzia dez relatórios por mês, agora pode produzir cinquenta com a ajuda da IA — e essa nova capacidade rapidamente se torna o novo padrão mínimo aceitável. O tempo economizado pela tecnologia é imediatamente reabsorvido pelo sistema de metas e cobranças.

4.2 A intensificação silenciosa do trabalho

Um dos aspectos mais problemáticos da adoção da IA generativa é o caráter silencioso da intensificação do trabalho. Ao contrário das formas clássicas de intensificação, que envolviam controle direto e visível sobre o trabalhador, a intensificação contemporânea opera por meio da internalização das demandas de produtividade.

Dejours (2004) analisa esse fenômeno em termos de "servidão voluntária": o trabalhador contemporâneo não precisa ser coagido a trabalhar mais; ele se autoimpõe metas cada vez mais elevadas, movido por uma combinação de medo, ambição e identificação com os valores da organização. A IA generativa amplia esse mecanismo, pois oferece a ilusão de que o trabalhador é o responsável pelos ganhos de eficiência, ao mesmo tempo em que obscurece as condições estruturais que determinam a distribuição desses ganhos.

Pesquisas empíricas recentes corroboram essa leitura. O estudo de Felten, Raj e Seamans (2023), publicado pelo National Bureau of Economic Research, documenta que os trabalhadores que utilizam IA generativa em suas rotinas relatam níveis mais altos de estresse e ansiedade, apesar de também reportarem ganhos de produtividade. Os autores interpretam esse resultado como um indício de que a tecnologia aumenta a intensidade do trabalho, exigindo mais atenção, mais julgamento e mais interações em um mesmo intervalo de tempo.

4.3 O trabalho invisível de supervisão e validação

A IA generativa produz resultados que parecem prontos, mas que raramente estão isentos de erros. A confiabilidade dos sistemas de IA varia conforme o domínio de aplicação, e a validação dos resultados exige conhecimento especializado. O trabalho de revisar, corrigir e validar as produções da máquina é um tipo de trabalho invisível, que não aparece nas métricas de produtividade e não é remunerado como atividade específica.

Essa invisibilidade é analisada por Star e Strauss (1999) no contexto do "trabalho de articulação", definido como o conjunto de atividades necessárias para garantir que as diferentes partes de um sistema funcionem de forma integrada. No caso da IA, o trabalho de articulação inclui a formulação de prompts adequados, a interpretação dos resultados, a correção de erros e a adaptação dos produtos às necessidades específicas de cada situação.

A literatura sobre trabalho digital tem mostrado que esse tipo de atividade tende a ser subvalorizado, pois não se enquadra nas categorias tradicionais de trabalho produtivo. No entanto, é justamente esse trabalho invisível que garante a qualidade e a confiabilidade das entregas. Ao não reconhecê-lo, as organizações transferem para o trabalhador os custos da supervisão tecnológica, aumentando a carga mental sem aumentar a remuneração.

5. Implicações organizacionais e sociais

5.1 A redistribuição dos ganhos de produtividade

A adoção da IA generativa levanta questões importantes sobre a distribuição dos ganhos de produtividade. No discurso dominante, esses ganhos são apresentados como benefícios coletivos, que se traduzem em maior competitividade, redução de custos e melhoria dos serviços. No entanto, a literatura crítica aponta que, na prática, os ganhos de produtividade tendem a ser apropriados de forma desigual.

Piketty (2014) demonstra que, nas economias capitalistas, a taxa de retorno sobre o capital tende a ser maior que a taxa de crescimento da economia, o que gera uma concentração crescente da riqueza. No contexto da IA, isso significa que os ganhos de produtividade tendem a beneficiar majoritariamente os detentores de capital, enquanto os trabalhadores absorvem os custos da intensificação e da instabilidade.

A pesquisa de Acemoglu e Restrepo (2020) sobre automação e desigualdade mostra que a introdução de tecnologias automatizadas pode reduzir a participação do trabalho na renda nacional, especialmente quando as novas tarefas criadas pela tecnologia não compensam a destruição de empregos e a desvalorização de habilidades. No caso da IA generativa, o efeito sobre a estrutura ocupacional ainda é incerto, mas há indícios de que a tecnologia tende a acirrar a polarização entre trabalhadores altamente qualificados e trabalhadores precarizados.

5.2 O papel das organizações e a governança do trabalho digital

Diante do cenário de intensificação do trabalho, as organizações têm uma responsabilidade central na definição de políticas que regulem o uso da IA e garantam que os ganhos de produtividade sejam distribuídos de forma justa. No entanto, a literatura sobre gestão de tecnologia sugere que as empresas tendem a adotar uma postura instrumental, priorizando a maximização da eficiência em detrimento do bem-estar dos trabalhadores.

Rifkin (2015) argumenta que a automação tende a reduzir o custo marginal do trabalho, tornando-o progressivamente dispensável. Nesse contexto, as organizações podem ser tentadas a explorar a capacidade da IA de substituir trabalho humano, sem considerar os efeitos sociais da precarização. A ausência de regulação adequada pode levar a uma corrida para o fundo, na qual a pressão por redução de custos se sobrepõe às condições dignas de trabalho.

Por outro lado, há iniciativas que buscam construir uma governança mais democrática do trabalho digital. O conceito de "trabalho decente", formulado pela Organização Internacional do Trabalho (OIT), oferece um marco normativo para avaliar as condições de trabalho na era da IA. Segundo a OIT (2019), o trabalho decente envolve oportunidades de emprego produtivo, remuneração justa, segurança no local de trabalho, proteção social e diálogo social. A aplicação desses princípios ao contexto da IA generativa exige uma revisão das práticas de gestão e uma negociação coletiva capaz de incorporar as novas formas de intensificação.

5.3 Perspectivas para pesquisas futuras

O estudo do paradoxo da produtividade na era da IA generativa abre diversas perspectivas para pesquisas futuras. Em primeiro lugar, é necessário desenvolver indicadores capazes de capturar a intensidade do trabalho, indo além das métricas tradicionais de produtividade. A medição do tempo efetivamente dedicado à supervisão da IA, por exemplo, pode revelar dimensões invisíveis do trabalho que não aparecem nas estatísticas oficiais.

Em segundo lugar, é importante investigar as diferenças setoriais e ocupacionais na adoção da IA generativa. Os efeitos da tecnologia provavelmente variam conforme o tipo de tarefa, o nível de qualificação e a estrutura organizacional. Estudos comparativos entre setores, como educação, saúde, direito e tecnologia da informação, podem contribuir para uma compreensão mais matizada do fenômeno.

Em terceiro lugar, é fundamental dar voz aos trabalhadores, por meio de pesquisas qualitativas que capturem a experiência subjetiva da intensificação. A escuta atenta das narrativas dos trabalhadores pode revelar dimensões do fenômeno que escapam às abordagens quantitativas, como o sofrimento psíquico, a ansiedade e a perda de sentido no trabalho.

Por fim, é necessário avançar na formulação de políticas públicas e práticas organizacionais capazes de regular o uso da IA generativa, garantindo que os ganhos de produtividade sejam distribuídos de forma equitativa e que a tecnologia esteja a serviço do bem-estar humano, e não o contrário.

6. Considerações finais

A disseminação da inteligência artificial generativa representa um divisor de águas na história do trabalho. Pela primeira vez, a automação se estende a domínios que eram considerados exclusivos do trabalho intelectual, como a escrita, a análise e a criação simbólica. As promessas de eficiência e produtividade associadas a essa tecnologia são poderosas, mas precisam ser examinadas criticamente à luz das condições concretas de trabalho.

O presente artigo buscou demonstrar que a adoção da IA generativa tende a intensificar o trabalho, e não a reduzi-lo. A redução do tempo de execução de tarefas específicas é rapidamente compensada pelo aumento do volume de demandas, pela elevação das expectativas de desempenho e pela expansão do trabalho invisível de supervisão e validação. Esse fenômeno pode ser compreendido como uma manifestação contemporânea do paradoxo de Jevons, segundo o qual o aumento da eficiência no uso de um recurso tende a ampliar seu consumo total.

A trajetória histórica da administração demonstra que a busca pela produtividade sempre esteve associada a tensões entre eficiência técnica e condições humanas de trabalho. Do taylorismo ao toyotismo, cada inovação tecnológica e gerencial prometeu reduzir o esforço humano, mas frequentemente resultou em novas formas de intensificação. A IA generativa não foge a esse padrão, mas adiciona uma dimensão qualitativamente nova: a automação do trabalho intelectual e a captura da subjetividade em escala ampliada.

A contribuição do artigo está em articular essa leitura com a literatura sobre intensificação do trabalho, trabalho imaterial e distribuição dos ganhos de produtividade. Ao fazê-lo, esperamos oferecer subsídios para que pesquisadores, gestores e formuladores de políticas possam problematizar a narrativa da eficiência e construir alternativas que coloquem a tecnologia a serviço do trabalho digno.

A questão fundamental, que permanece aberta, é a seguinte: a quem pertence o tempo economizado pela inteligência artificial? Se a resposta for exclusivamente às organizações e aos detentores de capital, a promessa de libertação se converterá em uma nova forma de servidão. Se, ao contrário, os ganhos de produtividade forem distribuídos de forma justa, a IA poderá, de fato, contribuir para a redução da jornada e a melhoria da qualidade de vida. O desfecho depende menos da tecnologia em si e mais das escolhas políticas e organizacionais que faremos nos próximos anos.

Referências

ACEMOGLU, D.; RESTREPO, P. Robots and jobs: evidence from US labor markets. Journal of Political Economy, Chicago, v. 128, n. 6, p. 2188-2244, 2020.

AUTOR, D.; MINDELL, D.; REYNOLDS, E. The work of the future: building better jobs in an age of intelligent machines. Cambridge: MIT Press, 2020.

BRAVERMAN, H. Trabalho e capital monopolista: a degradação do trabalho no século XX. 3. ed. Rio de Janeiro: LTC, 1987.

BRYNJOLFSSON, E.; HITT, L. Paradox lost? Firm-level evidence on the returns to information systems spending. Management Science, Catonsville, v. 42, n. 4, p. 541-558, 1996.

BRYNJOLFSSON, E.; ROCK, D.; SYVERSON, C. Artificial intelligence and the modern productivity paradox: a clash of expectations and statistics. National Bureau of Economic Research Working Paper, Cambridge, n. 24001, 2017.

CAVAZOTTE, F.; LEMOS, A. H.; VILLADSEN, K. Corporate smartphone use: a boundary theory perspective. Journal of Business Research, Amsterdam, v. 67, n. 11, p. 2282-2289, 2014.

DAL ROSSO, S. Mais trabalho!: a intensificação do labor na sociedade contemporânea. São Paulo: Boitempo, 2008.

DAVID, P. A. The dynamo and the computer: an historical perspective on the modern productivity paradox. American Economic Review, Nashville, v. 80, n. 2, p. 355-361, 1990.

DEJOURS, C. A banalização da injustiça social. Rio de Janeiro: FGV Editora, 2004.

DRUCKER, P. F. The practice of management. New York: HarperBusiness, 2006.

FELTEN, E.; RAJ, M.; SEAMANS, R. Occupational heterogeneity in exposure to generative AI. National Bureau of Economic Research Working Paper, Cambridge, n. 31219, 2023.

FOUCAULT, M. O nascimento da biopolítica: curso no Collège de France (1978-1979). São Paulo: Martins Fontes, 2008.

GORZ, A. O imaterial: conhecimento, valor e capital. São Paulo: Annablume, 2005.

GRAMSCI, A. Cadernos do cárcere: Americanismo e fordismo. Rio de Janeiro: Civilização Brasileira, 2001. v. 4.

HAN, B.-C. Sociedade do cansaço. Petrópolis: Vozes, 2017.

JEVONS, W. S. The coal question: an inquiry concerning the progress of the nation, and the probable exhaustion of our coal-mines. London: Macmillan, 1865.

LAZZARATO, M.; NEGRI, A. Trabalho imaterial: formas de vida e produção de subjetividade. Rio de Janeiro: DP&A, 2001.

MAYO, E. The human problems of an industrial civilization. New York: Macmillan, 1933.

MCAFEE, A.; BRYNJOLFSSON, E. Machine, platform, crowd: harnessing our digital future. New York: W. W. Norton, 2017.

OHNO, T. O Sistema Toyota de Produção: além da produção em larga escala. Porto Alegre: Bookman, 1997.

ORGANIZAÇÃO INTERNACIONAL DO TRABALHO. Trabalhar para um futuro melhor: relatório da Comissão Mundial sobre o Futuro do Trabalho. Genebra: OIT, 2019.

PIKETTY, T. O capital no século XXI. Rio de Janeiro: Intrínseca, 2014.

RIFKIN, J. Sociedade com custo marginal zero: a internet das coisas, os bens comuns e o eclipse do capitalismo. São Paulo: M. Books, 2015.

SENNETT, R. A corrosão do caráter: consequências pessoais do trabalho no novo capitalismo. Rio de Janeiro: Record, 2006.

SOLOW, R. We'd better watch out. New York Times Book Review, New York, 12 jul. 1987, p. 36.

STAR, S. L.; STRAUSS, A. Layers of silence, arenas of voice: the ecology of visible and invisible work. Computer Supported Cooperative Work, Dordrecht, v. 8, n. 1-2, p. 9-30, 1999.

STEWART, P. et al. We sell our time no more: workers' struggles against lean production in the British car industry. London: Pluto Press, 2010.

TAYLOR, F. W. Princípios da administração científica. 8. ed. São Paulo: Atlas, 1990.

ZUBOFF, S. Big other: surveillance capitalism and the prospects of an information civilization. Journal of Information Technology, Basingstoke, v. 30, n. 1, p. 75-89, 2015.