The New Yorker: O Dilema da Rentabilidade e as Lições Históricas da Inteligência Artificial Autor: John Cassidy Em um artigo de 1987 no *The Times Book Review*, o ganhador do Prêmio Nobel de Economia, Robert Solow, do MIT, comentou: "A era da informática está em toda parte, exceto nas estatísticas de produtividade". Apesar do rápido aumento do poder computacional e da crescente prevalência de computadores pessoais, dados governamentais mostravam que um indicador-chave de salários e padrões de vida — a produção total por trabalhador — havia estagnado por mais de uma década. Isso ficou conhecido como o "paradoxo da produtividade". Esse paradoxo persistiu até a década de 1990 e além, gerando muitos debates na pesquisa acadêmica. Alguns economistas o atribuíram à má gestão das novas tecnologias; outros argumentaram que a importância econômica dos computadores era insignificante em comparação com invenções anteriores, como a máquina a vapor e a eletricidade; outros ainda culparam erros estatísticos, acreditando que o paradoxo desapareceria assim que fosse corrigido. Quase 40 anos após a publicação do artigo de Solow e quase três anos após o lançamento do chatbot ChatGPT da OpenAI, podemos estar diante de um novo paradoxo econômico, desta vez focado na inteligência artificial generativa. De acordo com uma pesquisa recente realizada por economistas da Universidade Stanford, da Universidade Clemson e do Banco Mundial, quase metade da força de trabalho (45,6%, para ser exato) utilizava ferramentas de IA em junho e julho deste ano. No entanto, um novo estudo de uma equipe do MIT Media Lab apresenta um resultado surpreendente: "Apesar de as empresas terem investido entre US$ 30 bilhões e US$ 40 bilhões em IA generativa, este relatório constatou que 95% das organizações não obtiveram nenhum retorno." Os autores do estudo analisaram mais de 300 projetos e anúncios de IA disponíveis publicamente e entrevistaram mais de 50 executivos de empresas. A definição de um "investimento bem-sucedido em IA" foi: aquele que ultrapassou a fase piloto e foi implementado na prática, gerando retornos financeiros mensuráveis ou ganhos significativos de produtividade seis meses depois. Eles escreveram: "Apenas 5% dos projetos piloto de IA integrados com sucesso estão gerando milhões de dólares em valor, enquanto a grande maioria permanece estagnada, sem impacto mensurável na demonstração de resultados." A investigação suscitou uma série de respostas, algumas repletas de ceticismo. "Está tudo sendo alardeado no LinkedIn, como se tudo tivesse mudado, mas em nossas operações reais, os fundamentos não mudaram em nada", disse o diretor de operações de uma empresa de manufatura de médio porte aos pesquisadores. "Estamos processando contratos um pouco mais rápido, mas só isso." Outro entrevistado comentou: "Vimos dezenas de demonstrações este ano. Talvez uma ou duas sejam realmente úteis. O resto são ou 'encapsulamentos' (mera embalagem de tecnologia existente sem inovação real) ou 'projetos científicos' (explorações tecnológicas distantes de aplicações comerciais práticas)." Para ser justo, o relatório também destaca que algumas empresas de fato fizeram investimentos bem-sucedidos em IA. Por exemplo, o relatório ressalta a eficiência gerada por ferramentas personalizadas para operações administrativas, observando que "esses resultados iniciais demonstram que sistemas com capacidade de aprendizado podem, de fato, agregar valor real, mesmo sem grandes reestruturações organizacionais, se adaptados a processos específicos". A pesquisa também menciona empresas que relataram "melhoria na retenção de clientes e nas taxas de conversão de vendas por meio de sistemas automatizados de contato e acompanhamento inteligente", sugerindo que os sistemas de IA podem ser úteis para o marketing. No entanto, a visão de que "muitas empresas estão com dificuldades para obter retornos substanciais" está alinhada com outra pesquisa recente da consultoria multinacional Akkodis. Após contatar mais de dois mil executivos corporativos, a empresa constatou que a porcentagem de CEOs "muito confiantes" na estratégia de implementação de IA de suas empresas despencou de 82% em 2024 para 49% este ano. A confiança entre os diretores de tecnologia também diminuiu, embora não tão drasticamente. A pesquisa da Akkodis afirma que essas mudanças "podem refletir resultados decepcionantes anteriores em projetos de digitalização ou IA, atrasos ou falhas na implementação e preocupações com a escalabilidade". A cobertura midiática da semana passada sobre a pesquisa do MIT Media Lab coincidiu com uma queda nas ações de empresas de inteligência artificial de alto valor, como Nvidia, Meta e Palantir. Claro, correlação não implica causalidade, e comentários recentes do CEO da OpenAI, Sam Altman, podem ter desempenhado um papel mais significativo nessa queda (dado o recente aumento nos preços, uma queda era inevitável). Segundo a CNBC, Altman afirmou em um jantar com jornalistas que as avaliações atuais são "insanas", usando a palavra "bolha" três vezes em 15 segundos. Apesar disso, o estudo do MIT atraiu bastante atenção. Após a onda inicial de cobertura jornalística, surgiram relatos de que o Media Lab, ligado a diversas empresas de tecnologia, estava discretamente restringindo o acesso ao relatório. Minhas mensagens para a assessoria de imprensa da organização e para os dois autores do relatório não foram respondidas. Embora este relatório seja mais matizado do que algumas notícias sugerem, ele sem dúvida desafia a grande narrativa econômica que sustentou o boom tecnológico desde o lançamento do ChatGPT pela OpenAI em novembro de 2022. A versão simplificada dessa narrativa é que a adoção generalizada da IA generativa é prejudicial aos trabalhadores (especialmente aos trabalhadores do conhecimento), mas extremamente benéfica para as empresas e seus acionistas, pois levará a um salto massivo na produtividade e, consequentemente, a lucros substanciais. Por que esse cenário ainda não parece ter se materializado? Uma possível razão remete à visão das décadas de 1980 e 1990 de que a má gestão limita os ganhos de produtividade dos computadores. Uma pesquisa do Media Lab constatou que alguns dos investimentos mais bem-sucedidos em IA foram feitos por startups que utilizavam ferramentas altamente personalizadas em fluxos de trabalho específicos. Do outro lado da "Divisão da IA de Geração", startups menos bem-sucedidas estão "ou criando ferramentas de uso geral ou tentando desenvolver capacidades internamente". O relatório observa, de forma mais ampla, que a divisão entre sucesso e fracasso "não parece ser impulsionada pela qualidade do modelo ou pela regulamentação, mas sim pela metodologia (de implementação)". É compreensível que a novidade e a complexidade da IA generativa possam dissuadir algumas empresas. Um estudo recente da consultoria Gartner revelou que menos da metade dos CEOs acreditava que seus CIOs eram "especialistas em IA". Mas há outra possível explicação para o desempenho decepcionante destacado no relatório do Media Lab: para muitas empresas consolidadas, a IA generativa (pelo menos em sua forma atual) simplesmente não é tão milagrosa quanto se alardeia. "Ela é excelente para brainstorming e redação, mas não se lembra das preferências do cliente nem aprende com os editores anteriores", disse um participante da pesquisa do Media Lab. "Ela repete os mesmos erros e cada sessão exige muito contexto. Para trabalhos de alto risco, preciso de um sistema que possa acumular conhecimento e melhorar continuamente." É claro que muitas pessoas consideram a IA útil, e há evidências acadêmicas que comprovam isso: em 2023, dois economistas do MIT descobriram que, em um estudo randomizado, os participantes expostos ao ChatGPT concluíram "tarefas de escrita profissional" mais rapidamente e com melhor qualidade de escrita. No mesmo ano, outras equipes de pesquisa também descobriram que programadores que usavam o Copilot do GitHub (um assistente de programação com IA) e agentes de suporte ao cliente que utilizavam ferramentas proprietárias de IA experimentaram aumento de produtividade. Pesquisadores do Media Lab descobriram que muitos funcionários estão usando suas ferramentas pessoais, como o GPT ou o Claude, no trabalho; o relatório chama esse fenômeno de "economia paralela da IA" e comenta que "seu retorno sobre o investimento (ROI)" geralmente supera o de projetos patrocinados pelo empregador. Mas a pergunta permanece, e é uma que os executivos das empresas provavelmente farão com mais frequência: por que mais empresas não estão vendo esses benefícios se traduzirem em lucros (corporativos) finais? Parte do problema pode ser que, embora a IA generativa seja atraente, sua aplicação é limitada em muitos setores da economia. Os setores de lazer e hotelaria, varejo, construção civil, imobiliário e o setor de cuidados (cuidado com crianças, idosos ou enfermos) — esses setores, em conjunto, empregam cerca de 50 milhões de americanos, mas não parecem ser candidatos diretos à transformação pela IA. Outro ponto fundamental a observar é que a adoção generalizada da IA em toda a economia provavelmente será um processo longo. No Vale do Silício, há uma tendência a "agir rápido e quebrar paradigmas". Mas a história econômica nos ensina que mesmo as tecnologias mais transformadoras — o que os economistas chamam de "tecnologias de uso geral" — só atingem seu pleno potencial quando a infraestrutura, as habilidades e os produtos que as acompanham são desenvolvidos. E esse pode ser um processo demorado. O inventor escocês James Watt inventou sua máquina a vapor cilíndrica em 1769. Trinta anos depois, a maioria das fábricas de algodão na Grã-Bretanha ainda era movida a rodas d'água, em parte devido à dificuldade de transportar carvão para as máquinas a vapor. Isso só mudou no início do século XIX com o desenvolvimento das locomotivas a vapor. A adoção da eletricidade também foi lenta, não levando imediatamente a um crescimento generalizado da produtividade em toda a economia. Como Solow destaca, o desenvolvimento dos computadores seguiu o mesmo padrão. (De 1996 a 2003, o crescimento da produtividade geral na economia dos EUA finalmente acelerou, o que muitos economistas atribuíram aos efeitos tardios da tecnologia da informação. Mas, posteriormente, a taxa de crescimento diminuiu.) Economistas argumentam que, em alguns casos, novas tecnologias podem até reduzir o crescimento da produtividade por serem disruptivas e difíceis de integrar às práticas de trabalho existentes. Os ganhos de produtividade podem se tornar aparentes apenas mais tarde — um padrão conhecido como "curva J" (a curva J refere-se ao declínio inicial da produtividade durante a adoção de uma nova tecnologia, devido aos altos custos, tempo de adaptação e reengenharia de processos; posteriormente, à medida que a tecnologia amadurece e a infraestrutura de suporte melhora, a produtividade aumenta rapidamente, formando a parte ascendente do J). No início deste ano, quatro economistas de diferentes instituições publicaram um artigo argumentando que a indústria manufatureira dos EUA pode estar atualmente no lado descendente da "curva J" da IA. Após coletar dados de adoção de IA em nível empresarial em colaboração com o Departamento do Censo, os economistas afirmaram ter encontrado evidências de que "perdas de desempenho de curto prazo precedem ganhos de longo prazo". Uma das autoras do estudo, a professora Kristina McElheran, da Universidade de Toronto, escreveu em um artigo relacionado publicado na MIT Sloan School of Management: "A IA não é algo que se instala automaticamente. Ela exige mudanças sistêmicas, e esse processo irá gerar atritos, especialmente para empresas já estabelecidas." À primeira vista, esse argumento parece otimista para as empresas — embora não necessariamente para os trabalhadores cujas habilidades podem ser replicadas pela IA. (Como alguns programadores novatos já descobriram, estes últimos têm todos os motivos para serem cautelosos.) Na curva J da tecnologia, a produtividade dispara assim que o "atrito" é superado. Mas, como a jornada ao longo da curva pode ser longa, é difícil prever quem serão os vencedores e os perdedores. Na onda da comercialização da internet, muitos dos grandes vencedores só surgiram depois que a bolha da internet estourou em 2000. (O Google foi fundado em 1998, mas só abriu capital em 2004. O Facebook também só foi fundado em 2004 e o Airbnb em 2008.) A história não se repetirá necessariamente. Mas, para os investidores que ainda estão surfando na onda da IA, vender parte de seus investimentos agora pode ser uma decisão sábia.
