A curva J é o desenho que a produtividade faz quando uma tecnologia nova exige reorganizar o trabalho: o indicador cai ou fica parado no começo, forma um vale e só depois sobe acima do ponto de partida. A curva J da IA é a mesma ideia aplicada a quem adota IA generativa e agentes em marketing, vendas e atendimento, e o vale da curva J pode ser o momento em que o projeto é cancelado.
Pense num marceneiro que compra uma serra de bancada que corta em metade do tempo. Nas primeiras semanas, entrega menos peças que antes: precisou mover as bancadas, fazer gabaritos e refazer a ordem em que as peças passam pela oficina. A serra era boa. Faltava a oficina em volta dela.
A seguir, a gente separa o que a pesquisa mostra do que é hipótese, em que ordem arrumar a casa, o que combinar com a liderança e quando o vale vira prejuízo.
Por que a curva J da IA importa para o seu time
No segundo mês, o time gasta horas revisando o que a IA produziu, o atendimento recebe de volta conversas que o robô não resolveu e o painel está pior do que no mês zero. Alguém da diretoria pergunta se foi um erro. Sem combinar antes o que esperar, a decisão de cancelar sai no ponto mais baixo da curva J, com o menor aprendizado.
O artigo sobre produtividade com IA trata de outro problema: o time produz mais e o resultado não se mexe. Aqui o foco é a curva J, o vale que vem antes, quando a produção cai porque o time ainda constrói o que fará a ferramenta render. Antes de aprovar o próximo projeto, pergunte: “O que a gente espera ver no segundo mês, e o que faria a gente continuar ou parar?”
O que Brynjolfsson, Rock e Syverson mediram na curva J
Em 1987, na resenha “We’d Better Watch Out”, do New York Times Book Review, o economista Robert Solow notou que dava para ver a era do computador em todo lugar, menos nas estatísticas de produtividade. A frase é citada na introdução do artigo de Brynjolfsson, Rock e Syverson, publicado no American Economic Journal: Macroeconomics em 2021 (versão NBER de 2018).
Os autores argumentam que tecnologias de uso geral, como eletricidade, computador e IA, exigem investimentos complementares: novos processos de negócio, treinamento de pessoas, experiência gerencial, ajuste de software. Esses investimentos são intangíveis e as contas nacionais os captam mal. Por isso a produtividade medida é subestimada no começo, quando tempo e dinheiro vão para ativos que ninguém contabiliza, e superestimada depois, quando eles rendem.
Eles lembram que a eletrificação levou uma geração para reinventar as fábricas. Com dados dos Estados Unidos, a produtividade ajustada por intangíveis de P&D, software e hardware ficou 15,9% acima da oficial no fim de 2017, e o efeito do capital intangível ligado à IA era até ali pequeno, porém crescente.
O artigo é macroeconômico e não acompanha uma empresa nem um projeto de IA generativa. Os 15,9% dizem respeito a P&D, software e hardware, não à IA. Levar a curva J para dentro de um time é uma analogia útil, não a medição de que o seu indicador vai cair.
Da curva J, o que se transfere é a pergunta: se a tecnologia só rende com processo, dados e treinamento novos, o orçamento precisa incluir essas horas, e o indicador do primeiro mês mede o começo da obra. Ao patrocinador, pergunte: “Quais horas de processo, dados e treinamento estão no plano, e quem vai pagá-las enquanto o indicador não melhora?”
Evidência mista na curva J: ganho no primeiro mês e perda numa tarefa específica
Nem todo estudo de campo encontra uma curva J. Na versão publicada de Generative AI at Work, de Brynjolfsson, Li e Raymond (Quarterly Journal of Economics, 2025), os autores analisam 5.172 agentes de suporte de uma empresa de software. O acesso a um assistente de IA generativa aumentou em 15%, em média, as questões resolvidas por hora.
O resultado variou conforme experiência e habilidade: profissionais menos experientes tiveram ganhos maiores, enquanto os mais experientes apresentaram ganhos pequenos de velocidade e pequenas quedas de qualidade. O estudo observou aumento de produtividade já no primeiro mês de uso; isso não demonstra que toda adoção de IA terá a mesma trajetória.
É um único cliente, em suporte por chat, estudado com dados de uma única empresa, com uma ferramenta que sugere respostas e deixa o agente livre para ignorá-las. Não se transfere automaticamente para criação de conteúdo, vendas consultivas ou agentes autônomos.
No sentido oposto, a METR publicou em 2025 um ensaio randomizado com 16 desenvolvedores experientes de projetos de código aberto grandes, em 246 tarefas de cerca de duas horas, sorteadas para ter ou não IA (sobretudo Cursor Pro com Claude 3.5 e 3.7 Sonnet, de fevereiro a junho de 2025). Eles esperavam ficar 24% mais rápidos. Com IA, levaram 19% mais tempo, e ainda assim estimaram ter ficado 20% mais rápidos (resumo no arXiv).
São 16 pessoas, em repositórios que conhecem há anos. Os autores dizem que o resultado não mostra que a IA deixe de acelerar outros contextos, e não descartam efeito de aprendizado depois de cerca de 50 horas de uso. Mostra que ganho percebido e medido podem divergir, nada além.
Em 2026, a METR publicou uma atualização do estudo com 57 desenvolvedores e mais de 800 tarefas do fim de 2025. Entre os 10 do estudo original, a estimativa foi 18% menos tempo por tarefa (intervalo de confiança de 95%: de 38% menos a 9% mais); entre os novos, 4% menos (de 15% menos a 9% mais). A METR chama isso de “evidência muito fraca” do tamanho do avanço: de 30% a 50% dos desenvolvedores deixaram de enviar tarefas que não queriam fazer sem IA.
| Estudo | Quem e o quê | O que mediu | O que limita a conclusão |
|---|---|---|---|
| Brynjolfsson, Li e Raymond (QJE, 2025) | 5.172 agentes de suporte de uma empresa de software | +15% em média de questões resolvidas por hora; ganhos heterogêneos e aumento já no primeiro mês | Uma empresa, suporte por chat e IA assistiva; não equivale a receita ou automação integral |
| METR (2025) | 16 desenvolvedores experientes, 246 tarefas, código aberto | 19% mais tempo com IA, contra 24% de ganho esperado | Amostra mínima, perfil específico, ferramentas do início de 2025 |
| METR (fev. 2026) | 57 desenvolvedores, mais de 800 tarefas, fim de 2025 | 18% e 4% menos tempo, com intervalos que incluem zero | Seleção: parte das tarefas foi retida; evidência “muito fraca” |
As linhas medem coisas diferentes, com populações sem relação entre si, e não dá para tirar média. O que se pode dizer é modesto: a curva J é plausível em teoria, não apareceu como queda no estudo de suporte e apareceu como perda de velocidade num grupo específico de especialistas. Ao ler relatórios de adoção de IA muito citados, aplique o filtro de método de como avaliar relatórios de martech sem hype.
No marketing, o vale tem ordem: dados, regras e só depois a IA generativa
Nenhum estudo que a gente leu mede a curva J dentro de um time de marketing, vendas ou atendimento; o mais próximo é o de suporte. O que segue é hipótese do Club Martech, a medir na sua operação: a primeira rodada de uma automação com IA costuma ter baixa aderência e qualidade, e o ganho aparece depois de ciclos de criar, testar, observar e ajustar, o raciocínio da experimentação em produto aplicado ao fluxo de trabalho. É assim que a curva J aparece no dia a dia.
O erro comum é começar pelo agente porque a demonstração é boa e descobrir no segundo mês que ele responde com cadastro desatualizado ou não sabe o que fazer quando o dado não existe. A ordem que a gente recomenda: dados e integrações, depois regras, só então IA generativa e agentes. Dados dão ao agente o que ler. Regras, desenhadas por exemplo em BPMN, dizem o que é automático e o que passa por pessoa. A infraestrutura de dados para IA detalha a primeira etapa.
No atendimento, o guia sobre agente de IA no WhatsApp mostra o que preparar antes. Meça a curva J com indicadores que existem desde a semana um: percentual do que a IA produz que sai sem edição, tempo de revisão por peça, volume devolvido ao atendimento humano. Ao fornecedor de agentes, pergunte: “De quais sistemas o agente lê, com qual atraso, e o que ele faz quando o dado não existe?”
Combine o vale da curva J com a liderança antes do primeiro dia
O que mais protege um projeto na curva J é uma conversa anterior a ele. Cinco itens fecham o combinado:
- Métrica de aceite: o número que declara o projeto bem-sucedido, com linha de base medida antes.
- Indicadores do vale: o que vai piorar (horas de revisão, tempo por entrega) e até onde a liderança aceita ver piorar.
- Prazo de observação: quantos ciclos de ajuste vêm antes da primeira decisão, com data marcada.
- Critério de parar: a condição escrita que encerra o projeto, como nenhum indicador acima da linha de base ao fim do prazo.
- Quem decide: uma pessoa com nome.
Sem eles, a curva J vira disputa de opinião: quem apoiou diz que é fase, quem duvidou diz que é fracasso, e ninguém tem um número. Escreva o combinado em uma página e peça a confirmação da liderança por e-mail. Pergunte: “Se no fim do prazo nenhum indicador estiver acima da linha de base, a gente encerra o projeto?”
Defensores, documento aberto e papéis no time
Duas práticas seguram o time no vale da curva J. A primeira é escolher defensores: alguém da liderança que responde pelo projeto quando o indicador piora e alguém no time que usa a ferramenta todo dia e mostra o que funcionou. A segunda é manter um documento aberto em que qualquer pessoa registra feedback (saída errada, caso não coberto, dúvida), revisado em reunião curta e com data fixa. Ele transforma reclamação em fila de ajustes, o combustível do ciclo de criar, testar, observar e ajustar.
O Club Martech propõe quatro papéis, sem validação em estudo: o construtor monta a automação; o mantenedor cuida de dados, integrações e regras; o monitor lê indicadores e saídas e avisa quando algo foge do esperado; o usuário trabalha com a ferramenta e alimenta o documento.
Sobre treinamento, a hipótese é que ensinar o time inteiro rende mais do que concentrar o saber num especialista, porque o usuário percebe o erro primeiro. No estudo de suporte a experiência mudou o efeito, o que pede treinos diferentes. O texto sobre o profissional híbrido trata dessa mudança de papel. Pergunte: “Quem responde por cada um dos quatro papéis, e onde o time registra o feedback hoje?”
Quando a curva J vira desculpa
A curva J não é desculpa para projeto ruim. Nem todo projeto sobe depois da queda: se a tarefa não se repete, o dado não existe ou a revisão custa mais do que a IA economiza, o indicador fica embaixo. A teoria descreve tecnologias de uso geral na economia, e a METR mostra que até medir o efeito pode falhar. Ninguém garante que o seu caso suba depois da curva J.
O custo escondido é concreto: gente boa gasta horas em revisão que poderia usar em trabalho já rentável, e a automação precisa de manutenção quando o dado ou a regra mudam. Por isso o critério de parar vale tanto quanto o de aceite: vale sem prazo e sem número é gasto sem dono. Se na data combinada nenhum indicador passou da linha de base, o resultado honesto é encerrar e registrar o que se aprendeu.
Próximos passos para planejar a curva J da sua adoção de IA
Você pode começar hoje, com uma página e uma reunião curta para planejar a sua curva J:
- Escolha um projeto de IA em andamento ou previsto e escreva a métrica de aceite, com a linha de base medida.
- Liste os indicadores que vão piorar e o limite que a liderança aceita ver (horas de revisão, tempo por entrega, volume devolvido).
- Marque a data da primeira decisão e escreva o critério de parar.
- Nomeie um defensor na liderança e um no time, e crie o documento aberto de feedback com dia fixo de revisão.
- Confira a ordem: os dados e as integrações que a IA vai ler existem e estão atualizados? As regras estão desenhadas?
Leve a página à liderança e pergunte se ela aceita o combinado. Com ele, o primeiro mês da curva J já nasce explicado.
