Imagine uma cozinha de restaurante que troca o forno antigo por um que assa na metade do tempo. Na primeira semana, sai o dobro de pratos. O salão continua com as mesmas mesas vazias, porque ninguém queria pedir o que estava no cardápio.
O paradoxo da produtividade com IA é essa cozinha. Os times passaram a produzir mais rápido e em maior volume, mas a maioria das empresas ainda não consegue apontar o resultado de negócio que veio disso. No marketing, o sintoma tem uma forma conhecida: o time dobra o número de peças no trimestre e o painel de oportunidades fica igual.
A seguir, você vê de onde vem esse descompasso, a causa que costuma ficar escondida atrás dele e como usar a IA primeiro para descobrir o que funciona e só depois para produzir em escala.
Por que o Paradoxo da Produtividade com IA chegou ao Marketing
O nome não é novo. Nos anos 1980, o economista Robert Solow notou que dava para ver a era do computador em todo lugar, menos nas estatísticas de produtividade. Em 2026, a McKinsey retomou a comparação: a adoção de IA generativa e de agentes cresce, o investimento acelera, e o impacto sustentado no desempenho continua difícil de encontrar (McKinsey Quarterly, abril de 2026).
A pesquisa State of Teams 2026, da Atlassian, deu números ao problema: 89% dos executivos dizem que a IA aumentou a velocidade do trabalho, mas só 6% têm certeza de que conseguem apontar exemplos claros de retorno da IA na organização inteira (Atlassian, abril de 2026).
Os dois números saíram de 173 executivos de empresas da lista Fortune 1000, em pesquisa de percepção feita em janeiro e fevereiro de 2026. É o que eles dizem sentir, não um retorno medido. A pesquisa não separa o marketing das outras áreas, e a Atlassian vende software de colaboração; a conclusão do relatório, de que o gargalo está na coordenação entre times, combina com o que ela vende.
Nenhuma dessas pesquisas mede o marketing em separado. Mas o marketing é o lugar onde o paradoxo fica mais fácil de visualizar, porque quase tudo o que ele produz é texto, imagem e vídeo, o tipo de trabalho que a IA generativa acelera com mais facilidade. Imagine um time que levava uma semana para montar dez variações de anúncio e agora monta muito mais numa tarde. Medida em peças, a produtividade com IA no marketing é real, e é justamente aí que muita gente para de medir.
No mesmo artigo, a McKinsey lembra que ganho de produtividade que todo mundo alcança vira ponto de partida. Se todos os seus concorrentes também produzem mais conteúdo, o volume deixa de diferenciar alguém. Na próxima revisão de plano, vale perguntar: “Se o concorrente também usa IA para produzir mais, o que no nosso trabalho continua sendo difícil de copiar?”
Entrega e Resultado: o vocabulário que separa as duas coisas
No mundo de produto, a distinção tem nome em inglês: output e outcome. Entrega é o que o time coloca no ar. Resultado é a mudança no comportamento do cliente que move o negócio. No marketing, a tradução fica assim:
- Entrega: campanhas publicadas, posts por semana, e-mails disparados, landing pages criadas, artigos no blog.
- Resultado: lead que vira oportunidade, cliente que ativa, assinante que renova, receita que não existiria sem aquela ação.
Marty Cagan, fundador do Silicon Valley Product Group, escreve sobre essa diferença há mais de uma década. Em julho de 2026, ele argumentou que o paradoxo da produtividade com IA nem chega a ser um paradoxo: a maioria das empresas usa a IA para acelerar o jeito antigo de trabalhar, desenhado para produzir entregas, e não resultados (SVPG, 2026). Ele cita a líder de produto Hilary Gridley, para quem nunca foi tão fácil correr dez vezes mais rápido na direção errada.
A confusão entre as duas coisas aparece na escolha dos KPIs. Um painel que mostra quantas peças o time publicou mede a cozinha. Um painel que mostra quantas oportunidades vieram de cada mensagem mede o salão. Os dois têm lugar, mas só o segundo responde se o trabalho valeu a pena. Na próxima reunião de resultados, pergunte: “Desses números, quais mostram o que o cliente fez, e quais só mostram o que a gente fez?”
A Causa escondida: a vontade de Previsibilidade
Se todo mundo concorda que resultado importa mais do que entrega, por que os times continuam medindo entrega? Em outubro de 2026, Cagan revisou a própria explicação. Para ele, o foco em entrega é o sintoma, e a causa é o desejo de previsibilidade (SVPG, 2026). Como não existe resultado sem entrega, a escolha que a empresa faz de verdade fica entre previsibilidade e resultado.
No marketing, a previsibilidade tem cara conhecida. É o calendário editorial fechado para o trimestre inteiro, a promessa de três posts por semana, o plano de campanhas aprovado em janeiro com datas até dezembro. É também o modelo em que o marketing existe para atender pedidos das outras áreas: alguém pede a peça, o time entrega no prazo, a tarefa fecha. Nesse modelo, sucesso é cumprir o combinado, e ninguém confere se o comportamento de alguém mudou.
A IA reforça esse modelo, porque torna o calendário mais fácil de cumprir. O time passa a entregar tudo o que prometeu, com folga, e ninguém pergunta se aquilo deveria ter sido prometido. O artigo sobre marketing contínuo mostra o mesmo problema na gestão por surtos de campanha. Para testar onde a sua empresa está, olhe o último plano aprovado e conte quantos itens têm data e quantos têm um resultado esperado escrito ao lado.
O Imposto da Coordenação: quando a revisão vira o gargalo
Quando a produtividade com IA cresce só no nível individual, o trabalho que depende de várias pessoas sente o peso. A Atlassian chamou isso de imposto da fragmentação: 87% dos trabalhadores do conhecimento ouvidos disseram que, com todo mundo em modo de execução, falta tempo ou capacidade para coordenar, e 85% usam IA no trabalho, mas só 29% a incorporaram ao fluxo de trabalho.
Esses números vêm da parte da mesma pesquisa feita com 12.035 trabalhadores do conhecimento de vários países. Também são percepção autodeclarada, e também não há recorte de marketing.
No marketing, o imposto tende a aparecer na fila de aprovação. A redatora gera vinte versões de e-mail, o designer gera quarenta artes, e quem revisa marca, jurídico e orçamento continua com o mesmo número de horas no dia. O risco é a revisão virar o gargalo e o time compensar aprovando no automático. Não adianta acelerar a produção se o processo de revisão foi desenhado para um décimo do volume.
Antes de ligar mais uma automação, desenhe o fluxo inteiro, do pedido à publicação, e marque onde o trabalho espera. O artigo sobre BPMN para marketing operations mostra como fazer esse desenho.
Construir para Aprender e construir para Faturar
A saída que Cagan propõe separa dois usos da IA, com uma expressão que ele credita ao coach de produto Jeff Patton (SVPG, 2026). Construir para aprender é usar a IA para descobrir rápido, e barato, qual solução resolve o problema do cliente e também funciona para o negócio. Construir para faturar vem depois que existe evidência de que a solução vale a pena: aí a IA ajuda a produzi-la com qualidade e em escala. Segundo ele, os times fortes aceleram os dois, nessa ordem, e por isso estão abrindo distância do resto do mercado.
A ideia de que os times fortes estão abrindo distância é uma observação de Cagan a partir das empresas que ele acompanha como consultor, não uma medição com amostra. A SVPG vende workshops sobre o modelo de produto que ele defende. A ideia serve como hipótese, e não como prova.
Levado para o marketing, o contraste fica assim:
| Dimensão | IA para acelerar a entrega | IA para acelerar o aprendizado |
|---|---|---|
| O que a IA produz | Mais peças a partir do mesmo briefing | Variações que testam hipóteses diferentes sobre o cliente |
| O que o time mede | Peças publicadas, horas economizadas | Hipóteses confirmadas ou descartadas por semana |
| Pergunta de sucesso | A gente entregou o que estava no calendário? | O que a gente sabe hoje que não sabia na segunda-feira? |
| Onde a IA entra | Na produção final | Na pesquisa, no protótipo de mensagem e na análise do teste |
| Risco principal | Volume alto sem efeito no negócio | Conclusão apressada a partir de amostra pequena |
Na prática, construir para aprender no marketing é usar a IA para escrever três ângulos de oferta realmente diferentes e colocá-los num teste A/B com tráfego suficiente, em vez de pedir vinte versões do mesmo ângulo. Também é usar a IA para organizar as transcrições de entrevistas com clientes reais. O artigo sobre pesquisa sintética explica por que persona simulada não ocupa esse lugar.
Quando uma mensagem provou que move o cliente, faz sentido usar a IA para adaptá-la a cada canal, segmento e formato. Escalar antes disso só espalha mais rápido a mensagem que não funciona. Antes de pedir a próxima leva de peças, pergunte ao time: “Qual hipótese sobre o cliente esta leva testa?”
O Erro comum: medir a Produtividade com IA pelo que ela produz
Um erro comum é avaliar a ferramenta pela métrica que ela mais facilmente melhora: horas economizadas, peças por pessoa, tempo entre briefing e publicação. Todas sobem quase automaticamente, e nenhuma diz se o negócio vendeu mais. Medir a produtividade com IA só pela produção é avaliar o forno novo pelo número de pratos que saíram da cozinha.
O mesmo vale para a conversa com fornecedores. Economia de tempo é o ganho mais fácil de demonstrar, então espere que ele apareça primeiro na apresentação. Antes de assinar, pergunte: “Além do tempo economizado, que resultado de negócio os seus clientes conseguiram medir, e comparado com qual grupo que não usou a ferramenta?” Um depoimento sem grupo de comparação não responde a essa pergunta. O artigo sobre incrementalidade explica por que essa comparação é a evidência que importa na hora de decidir orçamento.
O que a busca por Resultado custa
Trocar entrega por resultado tem preço. Priorizar resultado significa aceitar que boa parte das ideias do plano não vai funcionar. Cagan é explícito nesse ponto: muitas, talvez a maioria, das ideias de um roadmap não dão certo, e quem prioriza resultado precisa admitir o que não sabe.
O primeiro custo é político: um trimestre com menos peças e mais testes descartados parece, de fora, um trimestre fraco. Depois vem o método: aprender exige teste bem desenhado, com tráfego e prazo suficientes, e muito time não tem volume para testar tudo. E algumas datas não se negociam. Black Friday, lançamento com data marcada e período eleitoral pedem previsibilidade real, e o próprio Cagan reconhece que há situações em que ela é indispensável.
Dá para manter o calendário e continuar usando a IA. O trabalho é separar, item por item, o que é compromisso de data e o que é aposta a validar. O artigo sobre metas de receita mostra como essa conversa aparece quando a meta chega de cima sem considerar a capacidade real do time.
Próximos passos para sair do Paradoxo da Produtividade com IA
Você não precisa reorganizar o marketing para começar. Três movimentos cabem na próxima semana:
- Separe o painel em dois. Pegue o relatório que o time apresenta hoje e marque cada número: ele mede o que a gente fez ou o que o cliente fez? Se a maioria for do primeiro tipo, você já sabe por onde começar.
- Transforme uma campanha do calendário em hipótese. Escreva em uma frase o que precisa ser verdade sobre o cliente para ela funcionar, e use a IA para criar duas ou três abordagens realmente diferentes que testem essa frase. Combine antes qual resultado decide o vencedor.
- Leve uma pergunta para a liderança. “Se a gente entregar metade das peças planejadas e descobrir qual mensagem converte, isso conta como um trimestre bom?” A resposta mostra se a empresa prioriza previsibilidade ou resultado, e dá ao time um critério para decidir onde a produtividade com IA entra primeiro.
Comece pelo painel: em uma hora você descobre quanto do relatório mede o que o cliente fez.
