A curva em J explica por que 95% dos pilotos de IA não dão retorno

Em 1899, motores elétricos respondiam por menos de 5% da força mecânica das fábricas americanas. A lâmpada de Edison já tinha quase vinte anos, as centrais geradoras funcionavam, e a produtividade da indústria não se mexia. O salto só veio nos anos 1920, quando o crescimento da produtividade na manufatura passou de 5% ao ano — quatro décadas depois da comercialização da eletricidade. O economista Paul David reconstruiu essa história em 1990, em The Dynamo and the Computer, para explicar por que os computadores também não apareciam nas estatísticas.

O que aconteceu no intervalo não foi espera. Foi obra. Nas primeiras fábricas eletrificadas, o motor apenas ocupou o lugar da máquina a vapor no mesmo eixo de polias que movia dezenas de máquinas ao mesmo tempo, e o ganho foi de combustível. A produtividade só subiu quando uma nova geração de fábricas redesenhou o galpão em torno de um motor por máquina: layout, fluxo, sequência de montagem, supervisão. Ou seja: a tecnologia chegou décadas antes da reorganização que a tornava útil, e o intervalo entre as duas coisas aparece nos dados como estagnação.

Esse intervalo tem nome, tem formato e tem literatura própria. É a curva em J.

Os números

• 95% dos pilotos de IA generativa não geraram impacto mensurável em resultado (The GenAI Divide: State of AI in Business 2025, Project NANDA do MIT; 52 entrevistas com executivos, 153 líderes pesquisados, 300 implantações públicas analisadas)
• 88% das organizações usam IA em pelo menos uma função, mas só 39% atribuem algum impacto de EBIT à tecnologia — e a maioria desses fala em menos de 5% do EBIT (McKinsey, The State of AI, 2025)
• 55% das empresas de alto desempenho redesenharam fluxos de trabalho de forma fundamental, contra 20% das demais (mesma pesquisa)
• 15,9% acima da medida oficial: era onde estava a produtividade total dos fatores dos EUA no fim de 2017, contabilizados os intangíveis complementares a hardware e software (Brynjolfsson, Rock e Syverson, AEJ: Macroeconomics, 2021)
• US$ 5 de valor de mercado, no mínimo, para cada US$ 1 de capital computacional instalado numa empresa (Brynjolfsson, Hitt e Yang, Brookings Papers on Economic Activity, 2002)

A curva em J não é uma metáfora de palco, é um artefato de medição

Erik Brynjolfsson, Daniel Rock e Chad Syverson deram forma econômica ao fenômeno em The Productivity J-Curve, publicado no American Economic Journal: Macroeconomics em 2021. A tese é direta: tecnologias de propósito geral — eletricidade, computador, inteligência artificial — exigem investimentos complementares que são, em sua maior parte, intangíveis. Redesenho de processo, dado organizado, gente treinada, novas formas de dividir o trabalho.

Esses investimentos custam caro e não são contabilizados como investimento: entram como despesa do período, ou simplesmente não entram. No começo, a empresa parece produzir menos do que deveria, porque parte do esforço está sendo aplicada em construir uma capacidade que ninguém mede. Depois, quando esse estoque invisível passa a render, a produtividade medida sobe mais do que o investimento visível daquele ano explicaria.

Daí o J: desce, achata, sobe. Não é o desenho de um fracasso seguido de uma recuperação. É o desenho de uma construção invisível seguida de uma colheita visível.

O erro de medição é grande. Ajustando pelos intangíveis ligados a hardware e software, os três autores estimam que a produtividade total dos fatores americana estava, no fim de 2017, 15,9% acima do que os números oficiais mostravam. Duas décadas antes, Brynjolfsson, Hitt e Yang mediram o mesmo estoque pelo lado do mercado: cada dólar de capital computacional instalado vinha associado a pelo menos cinco dólares de valor de mercado. Os outros quatro não aparecem em linha nenhuma do balanço.

"Pós-IA" é o nome do que vem depois do fundo, não do que vem depois da compra

Boa parte das empresas trata a transição pós-IA como um evento de aquisição. Ligar o copiloto ao e-mail, liberar um modelo para todo mundo, fechar a licença corporativa e comunicar internamente que a companhia agora é movida a inteligência artificial. Isso não é a transição. É a versão 2026 do motor elétrico gigante preso ao mesmo eixo de polias: potência nova, arquitetura velha.

A transição pós-IA começa quando a empresa muda a unidade de trabalho. Quando um processo é redesenhado a partir do que a máquina faz bem e do que continua humano, e não apenas acelerado no formato em que já existia. Quando a pergunta deixa de ser "quem vai usar a ferramenta" e passa a ser "que etapas deste fluxo deixam de existir".

Os números da McKinsey mostram onde as empresas estão nessa régua: adoção quase universal, impacto raro, e o redesenho de fluxo como a variável que separa os dois grupos — 55% entre as de alto desempenho, 20% entre as demais. É justamente a linha que ninguém gosta de orçar, porque não vem com fatura de fornecedor.

Os 95% do MIT são o fundo da curva, não um veredito sobre a tecnologia

O relatório do Project NANDA circulou em 2025 como atestado de óbito da IA corporativa. Lido com a curva em J na mão, ele diz outra coisa. As causas que os pesquisadores apontam para os pilotos que não devolveram nada quase nunca são o modelo: são prontidão de dados, integração ao fluxo de trabalho e ausência de um resultado definido antes de começar a construir. Ou seja, faltaram exatamente os investimentos complementares que Brynjolfsson descreve. Não é uma refutação da curva em J, é a descrição do trecho descendente dela.

Vale, porém, uma ressalva que a analogia esconde. Nem toda empresa no fundo do J vai subir. A curva descreve o retorno de quem investiu no complemento, não uma lei que premia paciência. Empresa que comprou licença, distribuiu acesso e parou ali não está no fundo de um J — está numa linha reta com um custo novo em cima. A diferença entre as duas não aparece na foto do primeiro ano. Aparece na resposta a uma pergunta só: o que foi construído aqui dentro além da assinatura?

Sinais e impactos

Para CEOs e conselhos. A pergunta de conselho não é quanto foi investido em IA, é quanto foi investido no complemento: processo redesenhado, dado organizado, gente treinada, decisão realocada. Orçamento em que a licença é a maior linha é o retrato de uma empresa que ainda não começou.

Para C-levels e diretores. Piloto sem número definido antes de começar não é piloto, é demonstração. O critério mínimo cabe em três campos: qual processo, qual métrica, qual linha do resultado. Sem isso, o projeto não consegue provar que atravessou o fundo da curva, mesmo que tenha atravessado.

Para donos de pequenas e médias. O fundo do J aqui é mais raso: menos processo legado para desmontar, menos camada para convencer. Em compensação, falta caixa para bancar um ano de investimento invisível. Isso torna a escolha de um único processo, com dono e prazo, mais importante do que qualquer "estratégia de IA" no plural.

Sua empresa está no fundo da curva em J ou só comprou licença?

O retrato somado é o de um mercado com adoção quase completa e transformação quase nenhuma — e de uma literatura econômica de trinta anos dizendo que era exatamente isso que aconteceria. A eletricidade levou quatro décadas para virar produtividade porque as fábricas precisaram ser redesenhadas antes. O computador repetiu o padrão. A IA está no mesmo trecho da curva, em escala comprimida.

O que falta na maioria das empresas não é acesso a modelo, nem orçamento, nem gente disposta a testar. É o critério para decidir qual processo entra primeiro, como medir o que ele devolve e o que precisa ser redesenhado antes de a ferramenta entrar em cima. É esse método que a Masterclass de IA da StartSe, aula gratuita conduzida por Piero Franceschi, CEO da escola, foi montada para abrir — a partir do que a companhia diz já ter implantado em mais de mil empresas de portes diferentes.

Para ir mais fundo:

• The Productivity J-Curve: How Intangibles Complement General Purpose Technologies, Brynjolfsson, Rock e Syverson, American Economic Journal: Macroeconomics, 2021
• The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox, Paul A. David, American Economic Review, 1990
• The GenAI Divide: State of AI in Business 2025, Project NANDA, MIT