Estudo do McKinsey Global Institute projeta que, até 2030, a inteligência artificial generativa pode injetar US$ 4,4 trilhões anuais na economia mundial. Esse montante equivale a cerca de 4,4% do PIB global atual e representa uma das maiores oportunidades de ganho de produtividade já identificadas em tecnologia.
Dados do McKinsey Global Institute: até 2030, a IA generativa pode injetar US$ 4,4 trilhões anuais na economia mundial
O impacto não se restringe a um único setor. A pesquisa aponta que 75% do valor gerado pela IA generativa virá de quatro áreas principais: operações de atendimento ao cliente, marketing e vendas, engenharia de software e P&D. Nesses segmentos, a capacidade de criar conteúdo, resumir informações e sugerir soluções em segundos reduz custos e acelera a tomada de decisão.
O levantamento também destaca que o valor potencial não depende apenas da adoção da tecnologia, mas da forma como as empresas redesenham seus processos. Organizações que integrarem a IA generativa a fluxos de trabalho completos — e não apenas a tarefas isoladas — poderão capturar ganhos de produtividade entre 15% e 40% em funções específicas, dependendo do grau de automação possível.
É importante notar que essa projeção considera apenas o impacto produtivo direto, sem contar efeitos indiretos, como a criação de novos mercados ou o aumento do consumo. Também exclui riscos regulatórios, custos de implementação e desafios de requalificação da força de trabalho.
Em síntese, os dados do McKinsey Global Institute reforçam a tese de que a IA generativa deixou de ser uma promessa distante para se tornar uma força mensurável de transformação econômica. O valor de US$ 4,4 trilhões anuais evidencia o tamanho do desafio e da oportunidade para governos e empresas que buscam liderar a próxima década de crescimento.
Estudo do MIT aponta que a adoção de IA em empresas dos EUA ainda é lenta, com apenas 5% usando a tecnologia em larga escala
Um estudo conduzido pelo MIT, em parceria com o MIT-IBM Watson AI Lab, trouxe um contraponto relevante ao discurso predominante de que a inteligência artificial já estaria revolucionando rapidamente o chão de fábrica e os escritórios corporativos dos Estados Unidos. A pesquisa, que analisou dados de mais de 4 mil empresas norte-americanas entre 2017 e 2022, identificou que, apesar do entusiasmo generalizado, a adoção da tecnologia em larga escala é surpreendentemente modesta: apenas cerca de 5% das companhias utilizam IA de forma abrangente em suas operações. O dado ganha ainda mais relevância por vir de um dos centros de pesquisa mais respeitados do mundo, justamente em um momento em que o mercado financeiro e formuladores de políticas econômicas tentam dimensionar o impacto real da automação sobre a produtividade e o emprego.
A pesquisa distingue dois fenômenos que costumam ser tratrados como equivalentes no debate público: a simples experimentação ou uso pontual de ferramentas de IA e a adoção sistêmica, que envolve a integração da tecnologia em múltiplos processos produtivos. Enquanto a primeira parcela é bem mais ampla, a segunda — a que efetivamente teria potencial de alterar indicadores macroeconômicos — permanece restrita a um pequeno grupo de empresas. Esse hiato entre curiosidade corporativa e incorporação efetiva da tecnologia ajuda a explicar por que os ganhos de produtividade agregados ainda não aparecem de forma consistente nas estatísticas oficiais do Departamento de Comércio e do Federal Reserve, apesar dos investimentos bilionários em inovação.
Um dos fatores apontados pelo estudo para essa lentidão é a complexidade de adaptar a IA generativa e outros modelos avançados às necessidades específicas de cada setor. Diferentemente de softwares tradicionais, que seguem lógicas padronizadas, a implementação de IA exige reestruturação de fluxos de trabalho, curadoria de dados proprietários e, principalmente, mudanças na organização do trabalho — um processo que encontra resistência tanto de gestores quanto de trabalhadores. A pesquisa mostra que setores como manufatura e varejo, que empregam grande contingente de trabalhadores em tarefas manuais e repetitivas, apresentam taxas de adoção ainda menores que a média nacional, enquanto áreas como serviços financeiros e tecnologia da informação lideram o pelotão, embora também fiquem aquém do potencial projetado.
Essa realidade gera implicações diretas para os bancos centrais e para os formuladores de política econômica. Se a difusão da IA ocorre de forma mais lenta do que o previsto, os efeitos sobre o mercado de trabalho — tanto na destruição quanto na criação de postos — tendem a se distribuir ao longo de um horizonte temporal mais extenso. Economistas do Federal Reserve têm monitorado atentamente indicadores de produtividade e salários em busca de sinais de que a automação de tarefas cognitivas esteja finalmente se materializando em números. Até aqui, os dados sugerem que o chamado "paradoxo da produtividade" persiste: o avanço tecnológico convive com um crescimento discreto da produção por hora trabalhada na economia americana [2]. A análise do MIT reforça essa percepção ao demonstrar que a transformação digital ainda é superficial na maioria das empresas, concentrando-se em tarefas isoladas — como atendimento ao cliente ou geração de relatórios — em vez de remodelar cadeias produtivas inteiras [3].
Há também uma leitura setorial importante. Empresas que já adotam IA em larga escala são tipicamente grandes corporações com departamentos de P&D robustos e acesso a capital abundante para investir em infraestrutura computacional. Pequenas e médias empresas, que representam a esmagadora maioria dos empregadores nos EUA, enfrentam barreiras significativas: custo de implementação, escassez de profissionais qualificados e incerteza regulatória. Essa assimetria sugere que os ganhos de produtividade associados à IA podem, num primeiro momento, aumentar a concentração de mercado e ampliar o já elevado diferencial de produtividade entre empresas líderes e retardatárias — um fenômeno que o economista do MIT e Prêmio Nobel Daron Acemoglu vem alertando em seus estudos sobre inovação e desigualdade.
Os dados do estudo também trazem uma perspectiva útil para a discussão sobre regulação. Diferentemente do que ocorre na União Europeia, onde o AI Act impõe obrigações rigorosas de transparência e responsabilidade, os EUA adotam uma abordagem fragmentada, com iniciativas setoriais e acordos voluntários, como aquele firmado pela Casa Branca com empresas de tecnologia em 2023. A lentidão da adoção observada pelo MIT não parece decorrer, portanto, de excesso de regras, mas sim de limitações organizacionais e econômicas. Isso não significa que a regulação seja desnecessária — pelo contrário, a ausência de padrões claros pode estar gerando um efeito inibidor, na medida em que empresas hesitam em automatizar processos críticos sem conhecer as futuras responsabilidades legais em caso de falhas algorítmicas [1].
O quadro geral é de uma revolução tecnológica real, mas cuja difusão completa ainda levará anos — ou mesmo décadas — para se concretizar. Para economistas e investidores, a lição é clara: projetar impactos lineares e imediatos da IA sobre o PIB, o emprego e a inflação pode levar a erros de avaliação. A transição para uma economia intensiva em inteligência artificial provavelmente será mais gradual e desigual do que sugerem os relatórios mais otimistas do Goldman Sachs e do McKinsey Global Institute, que projetam trilhões de dólares em valor gerado até o final da década. A pesquisa do MIT serve como um lembrete empírico de que a tecnologia, por mais avançada que seja, precisa cruzar o "vale da morte" entre demonstração de valor e implementação rotineira — um desafio que permanece amplamente em aberto na economia norte-americana e, por extensão, nas cadeias globais de valor conectadas a ela.
Próximos passos: como a regulamentação europeia e o acordo da Casa Branca podem moldar a chegada da IA aos mercados emergentes
Enquanto a União Europeia avança com a Lei de IA — o primeiro marco regulatório abrangente do mundo, baseado em risco — e os Estados Unidos consolidam um acordo bilateral para governança de modelos avançados, os mercados emergentes observam um cenário ambíguo. De um lado, a rigidez europeia tende a elevar o custo de conformidade para desenvolvedores globais. Isso pode desacelerar a exportação de soluções de IA para países em desenvolvimento, que frequentemente dependem de infraestrutura e APIs estrangeiras. Na prática, regras estritas de transparência e supervisão humana podem se tornar barreiras indiretas de entrada, reduzindo a oferta de ferramentas acessíveis a governos e pequenas empresas locais.
Por outro lado, o acordo firmado na Casa Branca — menos prescritivo e mais focado em segurança voluntária e parcerias estratégicas — sinaliza um caminho de integração mais ágil. Para nações como Brasil, Índia, México e Quênia, isso representa uma oportunidade de adotar padrões comuns sem comprometer a capacidade de inovação local. Em vez de simplesmente importar legislação, esses países podem usar os dois polos regulatórios como referência para criar regimes próprios: inspiração europeia para proteção de direitos fundamentais e a flexibilidade estadunidense para fomentar experimentação comercial.
O ponto decisivo, porém, será o investimento em capacidade técnica doméstica. Regulamentações externas não resolvem a assimetria de dados, a falta de talento especializado nem a infraestrutura computacional limitada. Sem uma estratégia coordenada que una regras claras, financiamento público-privado e iniciativas educacionais, a IA chegará aos mercados emergentes de forma reativa e desigual. Acordos internacionais, portanto, são apenas o primeiro parágrafo de um capítulo que exigirá protagonismo local para traduzir princípios globais em benefícios econômicos reais.
Referências
[1] https://repositorio.ufu.br/handle/123456789/38432
[2] https://www.amazon.com.br/Economia-Intelig%C3%AAncia-Artificial-transformando-progresso/dp/8550814865
[3] https://blog.sofisadireto.com.br/como-a-inteligencia-artificial-pode-afetar-a-economia