O problema não é a IA. É nossa definição de eficiência.

Tenho refletido bastante sobre uma palavra que aparece em praticamente toda conversa sobre inteligência artificial: eficiência.

Quanto mais penso no assunto, mais me parece que, em muitos debates, eficiência acabou se tornando sinônimo de velocidade, redução de custos e automação. Esses aspectos são importantes, mas representam apenas uma parcela do problema. Quando reduzimos eficiência apenas àquilo que pode ser medido no próximo trimestre, corremos o risco de ignorar custos, riscos e externalidades que só se tornam visíveis anos depois. Essa visão estreita pode levar empresas a otimizar indicadores locais enquanto deterioram a eficiência do sistema como um todo.

A meu ver, essa discussão precisa ser analisada em dois níveis. No nível organizacional, importa saber se a IA torna empresas mais produtivas e sustentáveis ao longo do tempo. No nível sistêmico, importa entender como esses ganhos afetam a economia, a sociedade e a infraestrutura que sustenta essa tecnologia.

Vejo pelo menos quatro dimensões que raramente recebem a mesma atenção nos debates, posts e apresentações corporativas.

A primeira é a econômica. Se uma parcela crescente dos ganhos de produtividade vier da substituição de trabalho humano por sistemas automatizados, surge uma questão inevitável: como esse ganho será distribuído pela economia?

No curto prazo, a lógica é clara. Empresas reduzem custos, aumentam margens e tornam seus processos mais eficientes. O problema aparece quando esse movimento ocorre em larga escala. Em praticamente todas as economias modernas, o consumo das famílias representa a maior parcela do PIB. Se parte relevante da renda do trabalho for reduzida antes que novas ocupações e novas fontes de renda sejam criadas, a própria demanda que sustenta o crescimento econômico pode ser pressionada.

É verdade que praticamente todas as grandes revoluções tecnológicas criaram novas profissões, novos mercados e atividades antes inimagináveis. A mecanização da agricultura deslocou trabalhadores para a indústria. A informática criou toda uma economia digital. Não há razão para supor que a inteligência artificial será necessariamente diferente.

A diferença talvez esteja menos no resultado final e mais na velocidade da transição. Software baseado em IA pode difundir-se globalmente em poucos meses, enquanto mercados de trabalho, sistemas educacionais e políticas públicas normalmente se adaptam em anos ou décadas. Existe uma diferença importante entre o equilíbrio de longo prazo e os custos sociais da transição.

Há ainda outro aspecto pouco discutido: a concentração dos ganhos. O desenvolvimento dos modelos mais avançados exige investimentos bilionários em infraestrutura computacional, dados e energia, favorecendo empresas capazes de operar em escala global. Assim, parte relevante dos ganhos de produtividade pode acabar concentrada em poucos agentes econômicos, ampliando assimetrias competitivas e dependências tecnológicas.

Produtividade, portanto, não existe no vazio. Ela depende de uma economia capaz de transformar ganhos tecnológicos em prosperidade distribuída, e não apenas em redução de custos.

A segunda dimensão é operacional. Nunca foi tão fácil produzir código, documentação, aplicações e fluxos de trabalho. Modelos de IA reduziram drasticamente a barreira de entrada para o desenvolvimento de software. Isso representa um avanço inegável. Mas produzir software nunca foi a parte mais difícil da engenharia.

Sistemas corporativos precisam evoluir continuamente, integrar-se a dezenas ou centenas de aplicações, suportar auditorias, permanecer seguros, atender requisitos regulatórios e continuar operando durante muitos anos. Grande parte do custo de um software não está em escrevê-lo pela primeira vez, mas em mantê-lo funcionando durante todo seu ciclo de vida.

Sem arquitetura consistente, testes automatizados, observabilidade, governança, documentação, revisão técnica e disciplina de engenharia, a IA não elimina esse problema. Ela apenas acelera sua chegada.

Além da dívida técnica, cresce também uma dívida de segurança. Agentes autônomos, integrações com múltiplos sistemas, acesso a dados sensíveis e novas superfícies de ataque tornam a gestão de identidades, permissões e riscos significativamente mais complexa do que nos sistemas tradicionais.

Em outras palavras, podemos estar produzindo dívida técnica e dívida operacional em uma velocidade nunca antes vista. O problema não é a IA escrever código. O problema é acreditar que escrever código seja equivalente a construir software sustentável.

A terceira dimensão é organizacional. Grande parte dos projetos de IA concentra-se em acelerar tarefas individuais. Um colaborador responde e-mails mais rapidamente. Outro gera documentos em minutos. Um terceiro escreve código com auxílio de um copiloto. Tudo isso pode representar ganhos reais.

Mas empresas não competem por tarefas isoladas. Elas competem por processos. Se o processo continua mal desenhado, cheio de aprovações desnecessárias, retrabalho, baixa qualidade de dados e integrações precárias, a IA apenas automatiza desperdícios existentes.

Além disso, a IA não apenas automatiza tarefas. Cada vez mais ela participa de decisões. Quando recomendações incorretas, vieses ou alucinações passam a influenciar processos críticos, erros também podem ser escalados. Automatizar decisões ruins costuma ser muito mais caro do que automatizar tarefas repetitivas.

A verdadeira transformação de produtividade exige redesenho organizacional, revisão de processos, mudança de papéis, definição clara de responsabilidades e novas formas de governança. Automatizar processos ruins normalmente apenas permite produzir erros com maior velocidade.

Existe ainda uma dimensão estratégica frequentemente negligenciada. A busca por ganhos imediatos pode aumentar a dependência de poucos fornecedores de modelos, infraestrutura e plataformas. O resultado pode ser uma redução de custos hoje acompanhada por maior risco de lock-in, menor flexibilidade tecnológica e perda de capacidade de negociação no futuro.

A quarta dimensão é ambiental. Existe uma tendência de imaginar que a IA vive “na nuvem”, quase como se fosse um recurso imaterial. Na prática, ela depende de uma infraestrutura física gigantesca.

Treinamento e inferência exigem data centers de alta capacidade, enormes quantidades de energia elétrica, sistemas de refrigeração que frequentemente consomem grandes volumes de água e uma cadeia global de fabricação de semicondutores extremamente intensiva em capital, minerais críticos e logística internacional. O próprio ciclo acelerado de renovação de GPUs e outros aceleradores computacionais amplia a demanda por recursos naturais e processos industriais altamente especializados.

É verdade que GPUs, chips especializados e data centers tornam-se continuamente mais eficientes. Entretanto, eficiência relativa não implica necessariamente redução do consumo absoluto. Quando uma tecnologia fica mais eficiente e, simultaneamente, sua utilização cresce em ritmo ainda maior, o consumo total de recursos pode continuar aumentando. Esse comportamento, conhecido na economia como Paradoxo de Jevons, já foi observado diversas vezes ao longo da história e ajuda a explicar por que avanços tecnológicos nem sempre reduzem o consumo agregado de energia.

Grande parte desses custos permanece invisível para quem utiliza um chatbot durante alguns minutos por dia, mas eles existem e fazem parte da conta.

Tudo isso me leva à impressão de que estamos utilizando a palavra “eficiência” de maneira excessivamente estreita. Eficiência não deveria significar apenas fazer mais rápido ou gastar menos hoje.

Uma definição mais completa deveria incluir pelo menos quatro critérios: sustentabilidade econômica, sustentabilidade operacional, sustentabilidade organizacional e sustentabilidade ambiental. Também deveria considerar os custos de oportunidade. Os recursos investidos em iniciativas de IA deixam de ser aplicados em outras formas de inovação, capacitação ou transformação organizacional. Uma inovação só pode ser considerada verdadeiramente eficiente quando seus benefícios permanecem superiores aos seus custos ao longo do tempo e quando esses custos não são simplesmente transferidos para outras partes do sistema.

Não há dúvida de que a inteligência artificial continuará transformando empresas e mercados. Porém, a questão mais importante não é se ela aumenta a eficiência. Em muitos casos, ela claramente aumenta. A questão é outra: eficiente para quem, durante quanto tempo e à custa de quais recursos?

Enquanto não respondermos essas três perguntas, corremos o risco de confundir ganhos locais de produtividade com eficiência sistêmica.

Os custos podem aparecer na forma de menor capacidade de consumo, maior concentração econômica, dependência tecnológica, sistemas cada vez mais caros de manter, organizações que automatizaram processos ineficientes sem redesenhá-los ou de uma infraestrutura física cuja expansão exigirá volumes crescentes de energia, água e capital.

A verdadeira eficiência não é apenas aquela que melhora os indicadores do próximo trimestre. É aquela que continua fazendo sentido daqui a dez anos.