IA generativa e produtividade: o que 758 consultores da BCG revelam sobre equipes de alta performance

Um consultor da BCG que usa IA generativa dentro da faixa de tarefas em que a ferramenta funciona bem completa 12,2% mais tarefas e entrega o trabalho 25,1% mais rápido que um colega sem IA.

Fora dessa faixa, a mesma ferramenta faz a taxa de acerto cair 19 pontos percentuais. O dado vem de um experimento com 758 consultores da BCG, publicado em março de 2026 na Organization Science por pesquisadores de Harvard, Wharton, MIT e da própria BCG.

A pesquisa batizou esse padrão de fronteira desigual da IA generativa (jagged frontier, no termo original). Tarefas com nível de dificuldade parecido caem em lados opostos da capacidade real do modelo: uma ajuda de forma consistente, a outra prejudica, e a diferença não é visível de fora.



A Fundação Dom Cabral já tratou os fundamentos de como levar a IA da ferramenta à estratégia na gestão empresarial. O experimento da BCG explica por que esse mapeamento tarefa a tarefa é necessário: é a evidência causal mais rigorosa até hoje sobre onde a IA generativa ajuda e onde ela engana equipes inteiras.

Como um experimento com 758 consultores da BCG testou os limites da IA generativa

O estudo recrutou 758 consultores da BCG, cerca de 7% da força de trabalho individual da consultoria, a maioria no início de carreira e com até um ano de empresa. Os pesquisadores dividiram os participantes em dois grupos de tarefa, um para testar o que a IA generativa faz bem e outro para testar o que ela faz mal.

Dentro de cada grupo, sortearam três condições: sem IA, com GPT-4 sem preparo adicional e com GPT-4 mais um treinamento breve sobre como formular comandos.

A tarefa dentro da fronteira: conceber produtos para nichos de mercado

385 consultores receberam uma tarefa de criação: propor pelo menos dez ideias de um novo tênis para um público carente de atenção do mercado, com etapas de criatividade, raciocínio analítico, redação e persuasão somando 18 subtarefas.

Três avaliadores humanos, sem saber quem tinha usado IA, pontuaram cada resposta em escalas de 1 a 10. O GPT-4 também pontuou as respostas de forma independente, como segunda camada de avaliação.

A tarefa fora da fronteira: recomendar qual marca tem potencial de crescimento

Os outros 373 consultores receberam planilhas de desempenho de marca e notas de entrevista com pistas sutis e decisivas escondidas no meio do material. A tarefa era identificar qual marca hipotética tinha potencial real de crescimento e recomendar as próximas ações.

A resposta certa existia e era binária: acertou ou não. Os avaliadores também pontuaram a coerência do raciocínio, mesmo quando a recomendação final estava errada.

Onde a IA generativa realmente aumenta a produtividade

Na tarefa de criação, dentro da fronteira de capacidade do modelo, os consultores que usaram GPT-4 com o treinamento de prompt tiveram qualidade 33,9% maior que o grupo de controle. Quem usou GPT-4 sem preparo adicional teve ganho de 29,9%.

Em produtividade, o grupo com IA completou 12,2% mais subtarefas e terminou o trabalho 25,1% mais rápido.

O ganho não se distribuiu de forma igual entre os consultores. Quem tinha desempenho relativamente mais baixo antes do experimento foi quem mais se beneficiou da IA generativa. A ferramenta funcionou como um piso de qualidade, já que reduziu a distância entre os consultores mais e menos experientes do grupo, não como uma vantagem reservada a quem já dominava a tarefa.

Onde a mesma ferramenta piora o resultado

Na tarefa de recomendação de marca, fora da fronteira de capacidade do GPT-4 no momento do experimento, o grupo com IA teve uma taxa de acerto 19 pontos percentuais menor que o grupo sem IA.

O problema não foi só o modelo errar. Foi os consultores confiarem na resposta errada porque ela vinha bem argumentada, coerente e escrita com a mesma fluência de uma resposta certa.

Esse é o ponto que a pesquisa chama de excesso de confiança automatizado: a IA generativa não hesita quando erra, e quem lê o resultado não tem como diferenciar, pela forma do texto, uma recomendação bem fundamentada de uma recomendação equivocada e bem escrita.

Por que isso importa para quem lidera equipes agora

Levantamento do MIT NANDA com empresas que já pilotaram IA generativa mostra que 95% dos projetos corporativos não chegam a um retorno mensurável. O experimento da BCG ajuda a explicar por que: a maioria das organizações trata a IA generativa como uma ferramenta uniforme, aplicável do mesmo jeito em qualquer fluxo de trabalho, quando o comportamento dela varia tarefa a tarefa dentro da mesma equipe.

Isso desloca o papel de quem lidera. A decisão deixa de ser sobre adotar ou não a tecnologia e passa a ser sobre em quais tarefas confiar a IA sem revisão, em quais manter supervisão humana obrigatória e em quais nem testar, pelo menos por ora.

Esse é o núcleo da liderança orientada por IA: o líder deixa de ser quem opera a ferramenta e passa a ser quem traduz a estratégia de IA em decisões concretas para cada equipe, tarefa por tarefa.

Como mapear a fronteira da IA generativa dentro da sua equipe

Mapear a fronteira não é um exercício teórico. É testar a ferramenta na tarefa real, com um grupo fazendo do jeito de sempre e outro usando IA, comparando taxa de acerto e não apenas velocidade de entrega, e envolvendo quem já domina aquele trabalho manualmente para avaliar as respostas por rubrica, como fizeram os pesquisadores da BCG.

A Fundação Dom Cabral estruturou essa lógica em formato de programa executivo. A Imersão Executiva em IA ensina o próprio framework da fronteira desigual, junto com os modelos de centauro versus cyborg e co-inteligência, e termina com um plano de aplicação levado para dentro da empresa do participante, no formato presencial de dois dias com trilha online antes e depois.

O primeiro teste não precisa ser grande.

Escolha uma única tarefa recorrente da sua equipe, rode um mês com um grupo usando IA generativa e outro sem, e compare taxa de acerto antes de decidir de que lado da fronteira aquela tarefa fica.

Perguntas frequentes