O que está por trás da queda de produtividade no trabalho

A produtividade do trabalho está mesmo caindo no Brasil?

A produtividade do trabalho no Brasil parou de crescer e caiu onde está a maior parte dos empregos. Segundo o Observatório da Produtividade Regis Bonelli, do FGV IBRE, o resultado por hora trabalhada avançou 0,4% em 2025, igual a 2024 e bem abaixo dos 2,3% de 2023.

A média esconde a divisão por setor. A agropecuária cresceu 13,2%, a indústria recuou 0,3% e os serviços, 0,6%. Indústria e serviços somam mais de 90% das horas trabalhadas no país (Poder360, 20/04/2026).

"A agropecuária ajuda a camuflar", disse o pesquisador Fernando de Holanda Barbosa Filho. Para a coordenadora do estudo, Silvia Matos, a produtividade melhorou no mundo todo depois da covid-19, "mas o que vemos depois no Brasil é um crescimento muito baixo". A série completa está no Blog do IBRE.

O problema não é só brasileiro. Nos países da OCDE, o PIB por hora trabalhada subiu 0,6% em 2023 e cerca de 0,4% em 2024, pela estimativa preliminar. Na zona do euro, caiu 0,9% em 2023, a maior queda desde 2009. Os Estados Unidos foram a exceção, com alta de 1,6%.

Onde o tempo de trabalho está sendo perdido?

O tempo de trabalho se perde principalmente na busca por informação e nas interrupções que essa busca gera. A tese ganhou espaço numa reportagem da Forbes Brasil de 6 de outubro de 2026, assinada por Benjamin Laker, que se apoia num dado de 2023. Os números mais recentes vão na mesma direção.

Segundo o relatório State of Teams 2025 da Atlassian, feito com 12 mil trabalhadores e 200 executivos, cerca de um quarto do tempo vai em procurar respostas. Numa semana de 40 horas, é um dia inteiro.

A Microsoft mediu as interrupções. No relatório Breaking down the infinite workday, de junho de 2025, o profissional recebe em média 117 e-mails e 153 mensagens de chat por dia. Entre os 20% mais demandados, a interrupção chega a uma a cada dois minutos, 275 por dia.

Uma coisa alimenta a outra. Se a informação não está num lugar confiável, a pessoa pergunta a quem sabe, e quem sabe passa o dia interrompido. Na pesquisa anual da Microsoft de 2025, com 31 mil pessoas em 31 países, 80% disseram não ter tempo nem energia suficientes para o trabalho.

Por que os gestores entraram nessa conta?

Os gestores entraram na conta porque a queda de engajamento deles é o que mais puxa para baixo o engajamento das equipes, segundo o Gallup. No relatório divulgado em 8 de abril de 2026, o engajamento global caiu para 20% em 2025, ante 23% em 2022.

O engajamento dos gestores caiu de 27% para 22% só em 2025. Hoje eles não estão mais engajados que as equipes que lideram. O Gallup estima que o baixo engajamento custou US$ 10 trilhões em produtividade em 2024, cerca de 9% do PIB mundial.

"As empresas estão investindo pesado em IA, mas os resultados não aparecem no lucro", disse o presidente do Gallup, Jon Clifton. "Os dados apontam uma resposta que o mundo corporativo ignorou: o gestor."

A inteligência artificial não deveria resolver isso?

A inteligência artificial ajuda quem usa, mas o ganho depende de como a empresa se organiza. No Work Trend Index de 2026 da Microsoft, com 20 mil entrevistados em dez países, incluindo o Brasil, 66% dos usuários de IA dizem dedicar mais tempo a trabalho de maior valor.

O mesmo estudo atribui 67% do impacto da IA a fatores da organização, como cultura, apoio do gestor e avaliação de desempenho. Os fatores individuais respondem por 32%. Só 26% dos usuários veem a liderança alinhada sobre o uso de IA.

Nas estatísticas oficiais, o ganho ainda não apareceu. A OCDE atribui isso ao que a IA exige para render: gente capacitada, aplicação adequada e investimento complementar.

Na prática, uma ferramenta nova sobre informação espalhada acelera a confusão. As próximas seções entram na parte prática e técnica, para quem vai implementar a mudança.

Como reduzir o tempo gasto procurando informação na empresa?

Para reduzir o tempo gasto procurando informação, a empresa precisa medir onde ele se perde, definir uma fonte oficial para cada assunto e só então automatizar o acesso. Pular a medição é o erro mais comum: a solução escolhida acaba atacando o problema errado.

1. Registre as perguntas repetidas. Por duas semanas, anote o que chega por WhatsApp, chat e corredor para as mesmas pessoas. A lista mostra qual informação falta.
2. Siga um processo do começo ao fim. Pegue um caso concreto, como a segunda via de um boleto. Anote cada sistema, planilha e pessoa acionada até a resposta sair.
3. Dê dono a cada informação. Tabela de preço, política de troca, prazo de entrega: cada uma com um responsável e um lugar só. Informação em dois lugares sempre diverge.
4. Automatize o caminho. Muita pergunta some quando o sistema avisa sozinho, como o status do pedido enviado ao cliente sem ninguém consultar o ERP.
5. Meça de novo. Repita o passo 1 depois de um mês. Se as mesmas perguntas continuam chegando, a mudança não pegou.

O que os números ainda não permitem afirmar?

Os números ainda não permitem afirmar que a estagnação da produtividade brasileira é causada pelo tempo perdido nos escritórios. O dado do FGV IBRE mede a economia inteira. As pesquisas da Microsoft, da Atlassian e do Gallup medem percepção e comportamento. Nenhum estudo citado aqui liga uma coisa à outra.

Há conflito de interesse: Microsoft e Atlassian vendem ferramentas para o problema que medem. As 275 interrupções valem para o grupo mais demandado, não para o trabalhador médio. Os US$ 10 trilhões do Gallup são estimativa de modelo.

O diagnóstico é consistente entre fontes diferentes e serve para orientar onde olhar. Não serve para prometer ganho com número fechado. Numa empresa de cinco pessoas, em que todos sabem onde está tudo, o gargalo raramente é a busca, e sim o processo manual que se repete todo dia.

Como funciona um sistema interno de conhecimento com chat de IA?

Um sistema interno de conhecimento com chat de IA é um servidor que reúne os documentos da empresa em bibliotecas organizadas por área e responde às perguntas dos funcionários em linguagem comum, citando o documento de onde tirou a resposta. Ele substitui o colega que virou o "Google" da empresa.

A peça central são as bibliotecas de conhecimento: uma para o comercial, outra para o financeiro, outra para o RH, outra para o suporte. Cada biblioteca tem um dono, que é quem responde pelo conteúdo. É o passo 3 da lista anterior transformado em sistema.

A técnica por trás é o RAG, sigla em inglês para geração aumentada por recuperação: antes de responder, o sistema busca os trechos certos nas bibliotecas e entrega ao modelo de linguagem (o LLM, motor de texto por trás de ferramentas como o ChatGPT) só aquele material. O modelo responde a partir dos documentos da empresa, não de memória, e mostra a fonte.

A atualização constante é o que separa um sistema útil de um arquivo morto. Ela tem quatro partes:

• Ingestão automática. O servidor acompanha as pastas de origem, como SharePoint, Google Drive, a wiki interna ou relatórios do ERP. Quando o dono altera um documento, o sistema reprocessa só aquele arquivo e tira a versão antiga do índice de busca. Rotinas de integração, como as montadas no n8n, cuidam desse ciclo.
• Data em cada resposta. O chat informa de qual documento e de qual versão veio a resposta. Quem lê sabe se está diante da política de março ou da de outubro.
• Divulgação das mudanças. O mesmo servidor publica um resumo no canal da equipe quando algo importante muda: nova tabela de preço, novo prazo, nova regra de reembolso. A informação chega antes da pergunta.
• Registro das perguntas sem resposta. Toda pergunta que o sistema não consegue responder vai para uma lista do dono da biblioteca. É o passo 1 da lista anterior funcionando sozinho, e mostra o que precisa ser documentado.

O acesso precisa respeitar permissões. Quem é do comercial não deve conseguir perguntar sobre salários, e a LGPD (Lei nº 13.709/2018) exige controle sobre dado pessoal. Por isso o sistema herda as permissões das pastas de origem, em vez de abrir tudo para todos.

Há duas formas de rodar o modelo. Pela nuvem, como no Microsoft Azure, a qualidade é alta e o custo acompanha o uso. Com um modelo aberto num servidor próprio, os dados não saem da empresa, mas a máquina e a manutenção ficam por conta dela. O artigo sobre modelos de IA abertos detalha essa escolha, e o de dados prontos para IA mostra como preparar os documentos.

A VT Sávio monta esse tipo de estrutura começando pelas perguntas repetidas, não pela ferramenta. Na experiência de quem implanta, a parte subestimada é a rotina de atualização: o servidor e o chat ficam prontos em semanas, mas combinar quem atualiza cada biblioteca, e cobrar que isso aconteça, depende de decisão da direção. Sem esse acordo, o chat responde com segurança a partir de documento velho. Quando o acordo ainda não existe, vale começar por uma única biblioteca, a da área com mais perguntas repetidas, e usar o resultado dela para convencer o resto da empresa.

---

Fontes: reportagem da Forbes Brasil de 06/10/2026; Observatório da Produtividade do FGV IBRE; OCDE, Compendium of Productivity Indicators 2025; Gallup State of the Global Workplace; Microsoft Work Trend Index 2026; Atlassian State of Teams 2025.