ENTROPIA × curva j × produtividade × adoção de ia × vantagem competitiva

Seus concorrentes vão desistir da IA. Isso é uma vantagem.

Em janeiro de 2026, o Microsoft AI Economy Institute publicou o levantamento mais robusto que existe sobre adoção global de IA: 16,3% da população mundial usou diretamente uma ferramenta de IA generativa no segundo semestre de 2025. Subiu de 15,1% no primeiro semestre. Progresso real — mas a manchete é outra: 84% do planeta nunca usou diretamente uma ferramenta de IA generativa. Nenhuma vez. Muita gente interage com IA embutida em produtos sem saber — recomendações, filtros, buscas — mas uso consciente e direto? Uma em cada seis pessoas no mundo.

A distribuição é reveladora. Emirados Árabes lideram com 64% da população ativa usando IA. Singapura vem em segundo com 61%. Os Estados Unidos — que desenvolvem os modelos, hospedam os data centers e geram o hype — ficam em 24º lugar, com 28,3%. Liderar em oferta não significa liderar em adoção. No Brasil, 67% das empresas declaram IA como prioridade estratégica segundo a Bain & Company. Mas apenas 25% estão preparadas pra implementar, segundo a Cisco. A intenção é altíssima. A infraestrutura, não.

Em julho de 2025, o MIT NANDA publicou o relatório The GenAI Divide: apesar de US$ 30 a 40 bilhões investidos em IA generativa enterprise, 95% dos pilotos não entregaram impacto mensurável no P&L — em iniciativas autodeclaradas por executivos, com métricas financeiras diretas e horizonte de seis meses como critério. Cinco por cento chegaram a produção com retorno. A 29ª pesquisa global de CEOs da PwC — com ~4.700 executivos — confirmou: apenas um em cada oito relata que a IA entregou tanto redução de custo quanto aumento de receita.

Todo mundo comprou o bilhete. Quase ninguém chegou no destino. A leitura usual é binária: ou a IA não funciona, ou as empresas são incompetentes. Tem uma terceira leitura — e ela muda o jogo pra quem entender primeiro.

A curva que transforma fracasso aparente em vantagem real

Em 2018, os economistas Erik Brynjolfsson (Stanford), Daniel Rock (Wharton) e Chad Syverson (Universidade de Chicago) formalizaram o conceito que explica o paradoxo: a Curva J de Produtividade.

Toda tecnologia de propósito geral — vapor, eletricidade, computador — gera queda de produtividade antes de gerar ganho. Capital e trabalho são desviados pra construir coisas que não aparecem na planilha: novos processos, treinamento, redesenho organizacional, integração de sistemas. Investimento real, mas invisível nas métricas tradicionais. A curva desce. Depois — se a empresa sobrevive ao vale — sobe acima do ponto original.

Em 2025, o MIT Sloan confirmou o padrão em escala inédita. Pesquisando dezenas de milhares de plantas industriais nos EUA via Census Bureau, os pesquisadores encontraram que empresas que adotaram IA tiveram queda média de 1,33 pontos percentuais de produtividade no curto prazo. Quando corrigiram o viés de seleção — empresas que esperam mais retorno adotam antes — o efeito negativo estimado saltou para cerca de 60 pontos percentuais.

Agora o dado que muda a conversa: empresas que adotaram IA antes de 2017 e sobreviveram ao vale mostraram crescimento superior a todas as demais ao longo do tempo. Não marginalmente superior. Significativamente superior. Quem aguentou a descida não só recuperou o investimento — criou distância competitiva. Quem mediu no fundo do vale e desistiu, ficou sem o motor e sem o retorno. E abriu espaço pra quem ficou.

Essa é a mecânica da Curva J como arma competitiva: o vale elimina concorrentes. Quem sobrevive, herda o mercado.

A fábrica que não deitou — e a oportunidade que ninguém vê

Em 1990, o economista Paul David, de Stanford, publicou o estudo que explica por que a eletricidade levou quarenta anos pra entregar produtividade: The Dynamo and the Computer.

Quando a eletricidade chegou às fábricas no final do século XIX, os donos fizeram a coisa óbvia: substituíram a caldeira a vapor por um motor elétrico. As fábricas da era do vapor eram verticais — vários andares, máquinas pesadas perto da fonte de energia, correias e eixos transmitindo força mecânica andar por andar. O motor elétrico entrou no lugar da caldeira. O layout ficou igual. Funcionou. Marginalmente melhor.

A revolução veio quando alguém percebeu que eletricidade permitia algo que vapor não permitia: um motor por máquina. O conceito chamava unit drive. Com unit drive, a fábrica podia ser térrea, horizontal, organizada por fluxo de produção em vez de proximidade da fonte de energia. A produtividade explodiu. Não por causa do motor — o motor já estava lá há três décadas. Por causa do layout.

Isso é exatamente onde estamos com IA. O motor está instalado: Copilot no email, chatbot no atendimento, automação de relatório. A estrutura de decisão, a hierarquia, os processos — tudo continua igual. O layout é da era pré-IA. E aqui está a oportunidade: o equivalente ao unit drive ainda não foi inventado. Pode ser a eliminação de camadas inteiras de gestão intermediária. Pode ser supply chain redesenhada como sistema adaptativo em tempo real. Pode ser algo que a gente nem tem vocabulário pra descrever — assim como um operário de 1895 não teria vocabulário pra descrever uma linha de montagem horizontal.

O unit drive da IA não é o modelo. É a reorganização da autoridade em torno do modelo — mudar quem decide, quando decide, e com base em que informação. Na maioria das empresas, IA é tratada como ferramenta de execução: faz o mesmo mais rápido. A empresa que tratar como ferramenta de redesenho vai ser a que deita a fábrica primeiro.

E quem deita a fábrica primeiro, define o padrão do setor.

O que os 5% já entenderam

O relatório do MIT NANDA mostra que os 5% que deram certo não têm tecnologia melhor. Têm três padrões replicáveis.

Primeiro, o dinheiro vai pro lugar certo. A maioria dos orçamentos de IA vai pra sales e marketing, mas o maior retorno está em automação de back-office — cortar contratos de BPO, reduzir custo de agências externas, simplificar compliance. Os 5% põem o dinheiro onde o layout é mais simples de mudar — e onde o retorno é mais rápido de medir.

Segundo, compram em vez de construir. Projetos com vendors especializados têm taxa de sucesso de 67%. Builds internos, 33%. A tentação de "fazer em casa" — especialmente em empresas com times de tecnologia robustos — é uma armadilha documentada. Os 5% compram o motor e concentram energia no layout.

Terceiro, vão fundo em pouco. Pesquisa da BCG mostra que líderes em IA investem 4% da receita (vs 2,7% dos que ficam atrás), mas focam em 3,5 casos de uso, contra 6,1 dos que performam pior. Profundidade bate amplitude. Quem redesenha uma linha de produção por vez constrói o unit drive aos poucos. Quem tenta mudar tudo de uma vez não muda nada.

Os três padrões têm algo em comum: são sobre o layout, não sobre o motor. É isso que os separa dos 95%.

Por que a maioria vai errar — e como lucrar com isso

Se a Curva J é previsível — e é, com décadas de evidência acadêmica — por que a maioria vai desistir no vale?

Porque o ecossistema de incentivos funciona contra. Vendors vendem o motor. Consultorias instalam o motor. Nenhum deles é pago pelo layout novo funcionar três anos depois. O executivo, sim. E esse executivo precisa mostrar ROI em seis meses pra justificar a decisão no próximo ciclo de orçamento. O sistema inteiro empurra pra medir resultado no fundo do vale — exatamente onde o resultado é negativo por design.

O paradoxo de Solow — "dá pra ver computadores em todo lugar, menos nas estatísticas de produtividade" — tem 38 anos. Robert Solow disse isso em 1987, quando computadores já tinham 25 anos de adoção corporativa e a produtividade americana tinha caído. Levou mais uma década até a internet reorganizar os processos em torno da tecnologia. Até o layout mudar. As empresas que sobreviveram aquele vale — Amazon, Dell, Walmart — definiram as próximas duas décadas dos seus setores.

No Brasil, a oportunidade é proporcionalmente maior porque o risco de desistência é maior. Confiança altíssima em IA — segundo a KPMG, o Brasil tem um dos maiores índices de confiança em IA do mundo. Preparação baixa — segundo o Cisco AI Readiness Index, 80% das empresas reportam inconsistências ou deficiências na preparação de dados para projetos de IA. Dados fragmentados em silos departamentais, cultura de piloto eterno que nunca escala, aversão a CAPEX longo num ambiente de juros altos, e pressão de caixa que encurta o horizonte de avaliação.

Isso significa que a maioria das empresas brasileiras vai comprar o motor, medir em seis meses, não ver resultado, e concluir que "IA não funciona pra nós." Em mercados onde todo mundo desiste na mesma hora, quem fica cria vantagem desproporcional. A Curva J brasileira tende a ser mais funda — mas o prêmio de sobrevivência tende a ser maior, porque menos concorrentes vão chegar do outro lado.

Se sua organização já rodou um piloto de IA que "não entregou resultado", considere o cenário alternativo: você não testemunhou um fracasso. Você testemunhou o fundo da Curva J. O custo já foi pago — integração parcial, aprendizado organizacional, ajuste de expectativa, fricção cultural. Esse custo é irrecuperável. A única pergunta que importa agora é se você vai transformar esse custo em fundação ou em desperdício.

Como acertar a curva

A Curva J não é argumento contra investir em IA. É o argumento mais forte a favor — desde que você saiba onde está na curva e quanto tempo precisa pra chegar do outro lado.

O executivo que entende a curva faz três coisas. Primeiro, define critérios de inflexão antes de investir — quais métricas vão indicar que a curva começou a subir, e em que prazo. Segundo, protege o orçamento do vale. O board vai querer cortar exatamente quando a curva está no ponto mais baixo — e cortar no vale é a decisão mais cara que existe, porque paga o custo da descida sem colher o retorno da subida. Terceiro, concentra esforço no layout, não no motor. Os 5% não têm tecnologia melhor. Têm mais disposição de redesenhar processo.

Na prática, quatro perguntas separam quem navega a Curva J de quem morre no vale. Quanto do orçamento está em capital intangível — treinamento, redesenho de processo, gestão de mudança — versus licença de software? Se mais de 70% vai pra licença, o layout não vai mudar. Qual é o tempo mínimo protegido antes de cobrar ROI financeiro? Se é menos de 12 meses, a régua está no ponto errado. Quais métricas leading indicam inflexão antes do P&L — redução de ciclo, queda de erro, diminuição de retrabalho? Se não existem, ninguém vai saber quando a curva virou. E qual é o critério explícito pra diferenciar vale da Curva J de buraco sem fundo? Se não está escrito, a decisão vai ser política, não técnica.

Quem tiver as quatro respostas antes de investir vai navegar o vale. Quem não tiver, vai engrossar os 95% — e abrir espaço pra quem ficou.

Os concorrentes que desistirem no vale não vão desaparecer porque a IA não funciona. Vão desaparecer porque não aguentaram o período em que parecia que não funcionava. Esse é o período em que você constrói a vantagem.

Fontes: Microsoft AI Economy Institute — Global AI Adoption in 2025 (Jan 2026)  ·  MIT NANDA — The GenAI Divide: State of AI in Business 2025 (Jul 2025)  ·  Brynjolfsson, Rock & Syverson — The Productivity J-Curve (NBER, 2018)  ·  MIT Sloan — Productivity Paradox of AI Adoption in Manufacturing (2025)  ·  Fortune — CEOs Admit AI Had No Impact on Productivity (Fev 2026)  ·  U.S. Census Bureau — Microfoundations of the Productivity J-Curve(s) (2025)  ·  Bain & Company / SAP — Brazil AI Adoption (2025)  ·  PwC — 29th Annual Global CEO Survey (Jan 2026)  ·  Cisco — AI Readiness Index 2024 (Nov 2024)