Trinta por cento do crescimento do PIB americano no segundo trimestre de 2025 veio de quatro categorias de gasto ligadas à inteligência artificial: equipamentos de processamento de informação, software, pesquisa e desenvolvimento e data centers [1]. Somadas, essas categorias responderam por 0,97 ponto percentual do crescimento real do PIB nos três primeiros trimestres de 2025, segundo o Federal Reserve de St. Louis [1]. São números que merecem atenção — e cuidado.
A tese deste artigo é que a IA está entrando na contabilidade nacional principalmente como investimento em infraestrutura, não como produtividade. Confundimos a obra com a tecnologia. Registrar data centers como formação de capital é tecnicamente correto e analiticamente traiçoeiro, porque uma tecnologia de propósito geral vale pelo que reescreve nos processos das empresas, não pelo concreto e pelos chips que consome para existir.
O número que domina as manchetes não é o número que importa
O exercício de decomposição do St. Louis Fed, publicado em janeiro de 2026, virou referência: ao isolar as categorias associadas à IA, os economistas chegaram aos 0,97 ponto percentual de contribuição ao crescimento nos três primeiros trimestres de 2025 [1]. Economistas do Goldman Sachs estimam que o investimento em IA nos EUA chegue a 1,8% do PIB em 2026, subindo para 2,5% em 2027 e 2,8% em 2028 [2]. O ING calcula que o investimento em tecnologia (equipamentos, software e construção de data centers, já descontadas as importações) responde por cerca de um terço do crescimento anual do PIB americano em 2026, e ressalva que essa medida pode superestimar a atividade especificamente ligada à IA [3]. A PwC projeta US$ 31,6 trilhões em investimento global em infraestrutura de IA até 2050 no cenário central, dentro de uma faixa plausível que vai de cerca de US$ 22 trilhões a quase US$ 50 trilhões [4].
Aqui está o problema de leitura. Uma nota técnica do Federal Reserve assinada por Soto, Thieu e Allen, de julho de 2026, se propõe a acompanhar a evolução da "construção" (buildout) da IA generativa e formula a pergunta central: os efeitos econômicos da IA continuam concentrados no crescimento puxado por investimento, ou os efeitos transformadores já começam a aparecer no mercado de trabalho e na produtividade agregada? [5] Investimento, na contabilidade nacional, é demanda: um data center entra no PIB no trimestre em que é erguido, tenha ou não produzido algo útil. O número é real; a inferência que se faz dele é que é frágil.
Mesmo o tamanho do número é contestado. Um estudo do Flossbach von Storch Research Institute calcula que o investimento em IA contribuiu com algo entre 0,45 e 0,94 ponto percentual para o crescimento anual de 2,1% registrado no segundo trimestre de 2026, e mostra que a contribuição cai bastante quando se desconta o conteúdo importado de hardware e software [6]. O UHERO, da Universidade do Havaí, investiga se os EUA estariam em recessão sem a IA e aponta o efeito riqueza da bolsa sobre o consumo como o impulso mais provável: o gasto movido pela valorização de ações ligadas à IA responderia por US$ 255 bilhões a US$ 509 bilhões do aumento de cerca de US$ 1,5 trilhão no consumo real desde o fim de 2022, em estimativa preliminar [7].
Dezoito por cento: a adoção real anda muito atrás do holofote
Enquanto o investimento bate recordes, a penetração da tecnologia nas empresas americanas é modesta. Dados da pesquisa de tendências de negócios do Census Bureau, compilados em nota do Federal Reserve, mostram que cerca de 18% das empresas haviam adotado IA no fim de 2025 [8]. A dispersão entre pesquisas é reveladora: estimativas de nível de firma variam de 5% a 40% de adoção, dependendo de como a pergunta é feita e de como as empresas são ponderadas [9]. Uma pesquisa do Fed de St. Louis com empresas do seu distrito, divulgada em julho de 2026, encontrou a maioria delas relatando uso "experimental ou limitado" da tecnologia [10].
Essa é a tensão metodológica que deveria estar no centro do debate. O AI Index 2026, de Stanford, reporta adoção organizacional de 88% [11], número que parece contradizer os 18% do Census. Não há contradição factual: há definições diferentes colidindo. "Usar IA" em levantamentos amplos pode significar que algum funcionário usou uma ferramenta de IA em alguma tarefa; "ter adotado IA" na pesquisa do Census se refere ao uso da tecnologia na produção de bens e serviços da empresa. A distância entre 18% e 88% não mede a economia, mede a imprecisão do instrumento. E políticas públicas desenhadas sobre o número maior erram o alvo por um fator de quase cinco.
Há um achado que complica a narrativa de substituição. Nas pesquisas de dezembro de 2025 do Richmond Fed com empresas da sua região, as firmas disseram não pensar na IA primordialmente como forma de reduzir a necessidade de trabalhadores; eficiência e produtividade aparecem com muito mais frequência como motivação [12]. Quem adota está tentando fazer mais com o mesmo time. A IA pode estar mudando a composição do emprego em alguns nichos, mas a evidência ainda não sustenta a tese de destruição de emprego agregado.
O paradoxo da agregação: ganho na tarefa, quase nada na estatística
Onde a IA funciona, ela funciona de forma mensurável. Estudos com grupo de controle em centrais de atendimento mostram aumento de 14% nos chamados resolvidos por hora, chegando a 34% entre os atendentes novatos e menos qualificados: quem tem menos experiência ganha mais, porque a ferramenta comprime a curva de aprendizado [13]. Entre desenvolvedores de software, experimentos em três empresas registraram cerca de 26% mais tarefas concluídas [13].
O problema é o salto do micro para o macro. Um research brief da Organização Internacional do Trabalho dá nome ao fenômeno, "paradoxo da agregação", e examina por que ganhos fortes no nível da tarefa e do trabalhador ainda não se traduziram em crescimento mensurável da produtividade das empresas, dos setores ou da economia [14]. Há explicações plausíveis para essa diluição: a IA acelera só uma parte do fluxo de trabalho, e o gargalo vizinho (revisão, aprovação, integração com sistemas antigos) precisa absorver o excedente; parte dos ganhos vira qualidade ou folga, não produto medido; e parte do tempo economizado é gasta verificando o que o modelo produziu. Na prática, uma empresa pode ficar muito melhor numa tarefa e quase nada melhor na produtividade total — ou até pior.
Pior não é figura de linguagem. Pesquisa divulgada pelo MIT Sloan sobre a adoção de IA industrial em fábricas americanas encontrou perdas de produtividade no curto prazo antes de ganhos no longo prazo [15]: o custo de reorganizar processos, treinar pessoas e integrar sistemas vem antes do benefício. É o padrão da chamada curva J da produtividade, típico de tecnologias de propósito geral [15]. A diferença é que, desta vez, o investimento é muito maior e o relógio corre num ambiente de juros elevados.
O Federal Reserve de São Francisco, em carta econômica de fevereiro de 2026, reconhece que a adoção ainda está evoluindo, que a tecnologia muda rapidamente e que o que se sabe sobre seu impacto na produtividade continua incerto [16]. Admitir isso não é fraqueza analítica; é a posição defensável.
O canário é o jovem de 22 anos
Se há um lugar onde o efeito já aparece, é a porta de entrada do mercado de trabalho. Brynjolfsson, Chandar e Chen documentaram, com dados de folha de pagamento da ADP, que o emprego de jovens de 22 a 25 anos em ocupações mais expostas à IA descolou do de seus pares em ocupações menos expostas. A versão original do estudo, de agosto de 2025, falava em queda relativa de 13%; a revisão de agosto de 2026, com dados até junho de 2026, mostra uma distância de 19%, enquanto os trabalhadores experientes não apresentam diferença comparável [17]. Os autores ressaltam que não encontram sinal de deslocamento generalizado de empregos na economia e que o ajuste ocorre sobretudo pela redução de contratações de jovens [17].
Esse achado importa mais do que seu tamanho sugere. Uma queda concentrada numa coorte não move a taxa de desemprego agregada de forma visível e, por isso, pode ser ignorada por anos até virar problema estrutural. As tarefas que a IA assume primeiro tendem a ser justamente as que formavam os iniciantes: redigir o rascunho, montar a planilha, revisar o contrato padrão. Eram o aprendizado. Uma empresa que deixa de contratar o júnior porque o modelo faz o rascunho não está só economizando salário; está interrompendo a formação da próxima geração de profissionais experientes. O custo disso aparece com defasagem, quando faltar quem saiba revisar o que o modelo escreveu. O número que vai importar daqui a alguns anos não é quanto se gastou em data centers, e sim quantas empresas reescreveram de fato um processo e quantos jovens conseguiram entrar no mercado.
O que um banco central pode — e não pode — ler nesses números
A tentação é imediata: se a IA é um choque positivo de oferta no futuro, o banco central poderia tolerar crescimento mais forte hoje sem apertar os juros. O Fed de Dallas registra a faixa de estimativas de economistas do Goldman Sachs para o ganho de produtividade: entre 0,3 e 3,0 pontos percentuais ao ano na próxima década [18]. Uma amplitude de dez vezes entre o piso e o teto não é um parâmetro operacional; é uma confissão de incerteza.
Duas confusões são especialmente perigosas. A primeira é tratar investimento como capacidade: um data center só eleva a oferta quando produz serviços efetivamente usados, e essa defasagem está no centro do paradoxo da agregação [14]. A segunda é ignorar a desigualdade da difusão: com a maioria das empresas ainda em uso experimental ou limitado [10], o choque de produtividade chegará de forma desigual entre setores, complicando a leitura da inflação.
Duas economias, um só PIB
O que os dados permitem concluir é que existem duas economias de IA rodando em paralelo e sendo somadas no mesmo agregado. Uma é visível, rápida e mensurável: a da construção, com 0,97 ponto percentual em três trimestres [1], 1,8% do PIB projetado para 2026 [2] e US$ 31,6 trilhões em infraestrutura até 2050 [4]. A outra é difusa, lenta e mal medida: 18% de adoção [8], maioria em uso experimental [10], ganhos expressivos na tarefa que não aparecem no agregado [13][14] e perdas de curto prazo antes dos ganhos [15].
A tensão real não é entre otimistas e pessimistas, mas entre relógios. O investimento é medido por trimestre; a reorganização de processos leva anos; a formação de um profissional experiente leva uma década. Falta, entre as fontes consultadas, uma medida periódica e consistente de reorganização de processos — a variável que liga a ferramenta ao resultado.
Conclusão
A IA é real, e o dinheiro que corre para ela também. Mas o que a contabilidade nacional registra hoje com precisão é a construção da infraestrutura, não a transformação da produção. Confundir as duas coisas produz a leitura de uma economia forte que pode ser apenas uma economia ocupada. Três frentes merecem atenção: a metodológica, com indicadores capazes de separar uso superficial de adoção real; a distributiva, com acompanhamento específico dos jovens em início de carreira, onde a distância de 19% [17] já antecipa custos de longo prazo; e a institucional, com bancos centrais tratando a incerteza sobre a produtividade da IA — de 0,3 a 3,0 pontos ao ano [18] — como parâmetro de risco, e não como licença para tolerar desvios da meta.
O canteiro de obras vai terminar. Quando terminar, o PIB perderá o impulso que hoje o sustenta, e ficará apenas o que tiver sido efetivamente reescrito dentro das empresas. É nesse momento que saberemos se construímos uma tecnologia de propósito geral ou apenas um conjunto muito caro de galpões refrigerados.
Referências
[1] Rubinton, Hannah; Patro, Bontu Ankit (2026). Tracking AI's Contribution to GDP G
rowth. Federal Reserve Bank of St. Louis, On the Economy. https://www.stlouisfed.org/on-the-economy/2026/jan/tracking-ai-contribution-gdp-growth
[2] The Wealth Advisor (2026). Goldman Says The AI Spending Shock Isn't Ending Until 2028. https://www.thewealthadvisor.com/article/goldman-says-ai-spending-shock-isnt-ending-until-2028
[3] Knightley, James (2026). How much is AI contributing to US economic growth? ING Think. https://think.ing.com/opinions/how-much-is-ai-contributing-to-us-economic-growth/
[4] Revell, Eric (2026). AI infrastructure investment projected to top $31T by 2050. Fox Business. https://foxbusiness.com/economy/ai-infrastructure-investment-projected-top-31t-2050
[5] Soto, Paul E.; Thieu, Mason; Allen, Jeffrey S. (2026). The AI Buildout and the Economy: Publicly Available Data to Assess AI's Impact. FEDS Notes, Board of Governors of the Federal Reserve System. https://www.federalreserve.gov/econres/notes/feds-notes/the-ai-buildout-and-the-economy-publicly-available-data-to-assess-ais-impact-20260717.html
[6] Duarte, Pablo (2026). How Much Does US Growth Depend on AI Investment? Flossbach von Storch Research Institute. https://www.flossbachvonstorch-researchinstitute.com/en/research/scientific-publications/detail/how-much-does-us-growth-depend-on-ai-investment
[7] Gangnes, Byron (2026). Would we be in a recession without AI? University of Hawaii Economic Research Organization (UHERO). https://uhero.hawaii.edu/would-we-be-in-a-recession-without-ai/
[8] Allen, Jeffrey S. (2026). Monitoring AI Adoption in the U.S. Economy. FEDS Notes, Board of Governors of the Federal Reserve System. https://www.federalreserve.gov/econres/notes/feds-notes/monitoring-ai-adoption-in-the-u-s-economy-20260403.html
[9] Liu, Jessica; Webber, Douglas (2026). AI Adoption and Firms' Job-Posting Behavior. FEDS Notes, Board of Governors of the Federal Reserve System. https://www.federalreserve.gov/econres/notes/feds-notes/ai-adoption-and-firms-job-posting-behavior-20260327.html
[10] Gutkowski, Violeta; Gascon, Charles S.; Silvanus, Rehann (2026). New Survey Findings on AI Adoption and Its Effects on Employment and Productivity. Federal Reserve Bank of St. Louis, On the Economy. https://www.stlouisfed.org/on-the-economy/2026/jul/new-survey-findings-ai-adoption-eighth-district
[11] Stanford Institute for Human-Centered AI (2026). The 2026 AI Index Report. https://hai.stanford.edu/ai-index/2026-ai-index-report
[12] Kosakow, Jason; Waddell, Sonya Ravindranath (2026). Firms and Artificial Intelligence: A Regional Update. Federal Reserve Bank of Richmond, Regional Matters. https://www.richmondfed.org/region_communities/regional_data_analysis/regional_matters/2026/firms_and_ai_regional_update
[13] Ingemarsson, Linus (2026). Global AI Productivity Impact Report 2026: Evidence, Sectors & Macro. Alice Labs. https://alicelabs.ai/reports/global-ai-productivity-impact-report-2026
[14] Organização Internacional do Trabalho (2026). The aggregation paradox of AI: why do micro-economic productivity gains from AI disappear at scale. ILO Research Brief. https://researchrepository.ilo.org/esploro/outputs/encyclopediaEntry/The-aggregation-paradox-of-AI-why/995700572102676
[15] Burnham, Kristin (2025). The 'productivity paradox' of AI adoption in manufacturing firms. MIT Sloan School of Management, Ideas Made to Matter. https://mitsloan.mit.edu/ideas-made-to-matter/productivity-paradox-ai-adoption-manufacturing-firms
[16] Daly, Mary C. (2026). The AI Moment? Possibilities, Productivity, and Policy. FRBSF Economic Letter 2026-06, Federal Reserve Bank of San Francisco. https://www.frbsf.org/research-and-insights/publications/economic-letter/2026/02/ai-moment-possibilities-productivity-policy/
[17] Brynjolfsson, Erik; Chandar, Bharat; Chen, Ruyu (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence (versão revisada de agosto de 2026). Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/app/uploads/2026/08/Canaries_August2026.pdf
[18] Wynne, Mark A.; Derr, Lillian (2025). Advances in AI will boost productivity, living standards over time. Federal Reserve Bank of Dallas. https://www.dallasfed.org/research/economics/2025/0624