O paradoxo de Jevons explica por que a IA nunca devolve o tempo que promete

O rascunho sai rápido. O tempo livre não aparece

A promessa vendida junto com qualquer assinatura de IA é sempre a mesma: menos tempo na tarefa, mais tempo sobrando para o que só a pessoa sabe fazer. Quem de fato usa essas ferramentas todo dia relata outra coisa. O volume de trabalho sobe, o tempo livre não aparece, e a sensação de atraso continua, mesmo produzindo mais do que antes.
A explicação não veio de quem vende ferramenta. Veio de uma pesquisa de campo publicada em fevereiro de 2026 por Aruna Ranganathan e Xingqi Maggie Ye, da Haas School of Business, Universidade da Califórnia em Berkeley. Oito meses observando uma empresa de tecnologia de 200 pessoas, mais de quarenta entrevistas estruturadas, depois da adoção de IA em toda a operação. A expectativa de quem financiou a pesquisa era simples, menos hora trabalhada. O que apareceu foi o oposto.

Insight 1: a hora mais barata vira mais trabalho, não mais folga

As pesquisadoras descreveram três padrões repetidos: as pessoas passaram a considerar parte do próprio trabalho tarefas que antes eram de outra função, o trabalho escorreu para dentro de pausa e fim de expediente sem ninguém pedir isso, e várias instruções de IA passaram a rodar em paralelo como se cada uma custasse zero atenção.
O mecanismo por trás disso é econômico, chamado paradoxo de Jevons. No século 19, máquinas a vapor mais eficientes não reduziram o consumo de carvão da Inglaterra, aumentaram, porque a eficiência tornou o carvão mais barato de usar em cada aplicação, o que abriu espaço para mais aplicações. Com hora de trabalho, o raciocínio é o mesmo. Quando uma ferramenta torna cada hora mais produtiva, essa hora passa a valer mais, e a decisão racional não é parar mais cedo, é produzir mais dentro do mesmo tanto de horas. Ninguém decide isso numa reunião. Acontece pedido por pedido, sem que ninguém marque no calendário o momento em que trabalhar mais virou o novo normal.

Insight 2: o retrabalho consome a economia anunciada

Existe uma segunda conta que raramente entra no cálculo de quem decide se a assinatura valeu. Uma pesquisa da BetterUp Labs com o Stanford Social Media Lab, 1.150 trabalhadores de escritório nos Estados Unidos, encontrou que 40% deles já receberam, no mês anterior, algum conteúdo de IA com aparência de pronto e sem substância suficiente para avançar o que precisava avançar. O termo usado é workslop. Cada ocorrência custou, em média, cerca de duas horas de retrabalho.
Com uma premissa declarada (quatro peças por mês, mesma frequência e custo de retrabalho medidos pela pesquisa), a conta fecha assim: 0,4 vezes 4 peças dá 1,6 peça precisando de retrabalho, vezes duas horas dá 3,2 horas de retrabalho mensal. Se a ferramenta reduziu o tempo de geração de uma hora para dez minutos por peça, a economia bruta seria de 3 horas e 20 minutos no mês. As 3,2 horas de retrabalho consomem quase toda essa economia, antes mesmo de contar a revisão normal que qualquer peça sempre exigiu.

Insight 3: trocar de ferramenta cobra um pedágio que não aparece na tela

Um terceiro custo, mais antigo na literatura, também come o tempo prometido. Sophie Leroy descreveu em 2009 o resíduo de atenção, a fração da atenção que continua presa numa tarefa interrompida mesmo depois de a pessoa já estar na próxima. Rubinstein, Meyer e Evans já tinham medido em laboratório, em 2001, que trocar de tarefa custa tempo mensurável antes de a pessoa render no ritmo normal da tarefa nova, e esse custo não desaparece com a prática.
Abrir uma quinta ferramenta no meio de uma tarefa em andamento não é neutro só porque a ferramenta responde rápido. A resposta rápida da ferramenta não elimina o tempo que a cabeça de quem usa leva para reconfigurar qual conjunto de regras está ativo. Some a isso a fadiga de decisão descrita por Kathleen Vohs em 2008, decidir qual ferramenta usar, o que pedir e se o resultado está bom o suficiente consome o mesmo recurso mental que depois falta para decisões que também exigem controle.

Um exemplo real

Um lote de material de apoio, usado para gerar peça de anúncio de um catálogo inteiro, existia, estava preenchido e parecia competente, até ser auditado contra um padrão escrito. Resultado, em 475 itens: 17,3% atendendo ao critério mais básico. A causa raiz não foi a ferramenta, foi o pedido feito a ela. Nomear o que se queria, sem descrever critério, formato e exemplo do que bom significava, produziu resultado genérico. O tempo economizado ao escrever o pedido em uma linha voltou, com juros, na hora de descobrir que a maior parte do lote não servia.

Como medir se a IA está de fato devolvendo tempo

A sensação de estar produzindo mais não é critério. O que funciona é contar o tempo de revisão, não só o de geração, confirmar que o número de ferramentas abertas ao mesmo tempo caiu de verdade e não só foi reorganizado, e checar se a tarefa que a IA deveria liberar tempo para fazer está de fato sendo feita, em vez de substituída por mais produção de conteúdo. Se a resposta for não na maioria desses pontos, a IA não devolveu tempo, aumentou volume dentro do mesmo tempo, o que de longe parece produtividade e de perto não é.

Este artigo é uma versão condensada de uma análise mais aprofundada, com os cinco estudos citados, o glossário completo e a conta de retrabalho com premissa declarada, que publiquei em https://chipak.com.br/artigos/ia-aumentou-producao-nao-devolveu-tempo