A versão curta
edição de 2026Principais conclusões
Cada takeaway se vincula à sua linha de dados canônica. Figuras relatadas pertencem ao seu produtor citado; resultados modelados são rotulados como cálculos.
- Experimento de escrita: menor tempo de tarefa com assistência de IA: 40% (experimento de 2023; publicado em julho de 2023).MIT / Noy e Zhang
- Experimento de escrita: maior qualidade de saída avaliada: 18% (experimento de 2023; publicado em julho de 2023).MIT / Noy e Zhang
- Experimento de consultoria: aumento nas subtarefas concluídas: 12,2% (Estudo lançado pela primeira vez em 2023; resumo do estudo publicado em abril de 2026).Harvard Business School AI Institute / Dell’Acqua e colegas
- Experimento de consultoria: qualidade aproximadamente maior no exercício de inovação: 32% (Estudo lançado pela primeira vez em 2023; resumo do estudo publicado em abril de 2026).Harvard Business School AI Institute / Dell’Acqua e colegas
- Tarefa de estratégia: respostas corretas sem IA: 84,5% (Estudo lançado pela primeira vez em 2023; resumo do estudo publicado em abril de 2026).Harvard Business School AI Institute / Dell’Acqua e colegas
- Tarefa de estratégia: respostas corretas com acesso ao GPT-4: 70,6% (Estudo lançado pela primeira vez em 2023; resumo do estudo publicado em abril de 2026).Harvard Business School AI Institute / Dell’Acqua e colegas
- Tarefa de estratégia: respostas corretas com GPT-4 e visão geral do prompt: 60% (Estudo lançado pela primeira vez em 2023; resumo do estudo publicado em abril de 2026).Harvard Business School AI Institute / Dell’Acqua e colegas
- Experimento do Copilot: tempo de conclusão reduzido em uma tarefa de codificação: 55,8% (15 de maio a 20 de junho de 2022).Peng, Kalliamvakou, Cihon e Demirer
- Experimento METR do início de 2025: tempo de conclusão mais longo com IA permitida: 19% (fevereiro a junho de 2025).METR
- Participantes do METR: aceleração de IA percebida após o experimento: 20% (fevereiro a junho de 2025).METR
A IA ajuda em tarefas curtas de escrita profissional?
O experimento de escrita encontrou menos tempo gasto e maior qualidade avaliada com assistência. Suas atribuições não exigiram a precisão factual completa ou o contexto organizacional de muitos documentos reais voltados para o cliente.
| Resultado versus controle | Mudança relatada |
|---|---|
| Redução no tempo da tarefa | 40%Experimento randomizado |
| Aumento na qualidade avaliada | 18%Experimento randomizado |
Melhora da pontuação de qualidade e redução de tempo são resultados diferentes e não devem ser somados.
Fonte primária: MIT / Noy e Zhang — 14 de julho de 2023
A IA pode melhorar uma tarefa de consultoria e prejudicar outra?
Sim. O estudo separa tarefas que o modelo poderia lidar de um problema estratégico em que era não confiável. A produtividade no primeiro conjunto não estabelece precisão no segundo.
| Resultado e condição | Porcentagem relatada |
|---|---|
| Mais subtarefas concluídas no exercício de inovação | 12.2%Experimento randomizado |
| Qualidade superior no exercício de inovação, aproximadamente | 32%Experimento randomizado |
| Resposta correta da estratégia: sem IA | 84.5%Experimento randomizado |
| Resposta correta da estratégia: acesso GPT-4 | 70.6%Experimento randomizado |
| Resposta correta da estratégia: GPT-4 mais visão geral do prompt | 60%Experimento randomizado |
A estimativa de qualidade é aproximada. Esta é uma evidência histórica do GPT-4, não um benchmark dos modelos atuais.
Fonte primária: Harvard Business School AI Institute / Dell’Acqua e colegas — 9 de abril de 2026
Por que os estudos de codificação relatam diferentes efeitos de produtividade?
Uma tarefa de codificação autônoma e a manutenção dentro de um repositório maduro são tarefas diferentes. Os estudos também usaram diferentes gerações de modelos e métodos de recrutamento. Seus resultados devem permanecer separados em vez de serem calculados a média.
| Estudo e resultado | Mudança relatada |
|---|---|
| Atribuição do Copilot: redução no tempo de conclusão | 55.8%Experimento randomizado |
| METR: aumento no tempo real de conclusão | 19%Experimento randomizado |
| METR: aceleração antecipada antes do trabalho | 24%Percepção do participante |
| METR: aceleração percebida após o trabalho | 20%Percepção do participante |
O acompanhamento posterior do METR relatou sérios problemas de seleção e medição de tempo. Seus autores não tratam o acompanhamento como uma estimativa confiável do efeito atual; a desaceleração histórica não é uma afirmação sobre todos os desenvolvedores em 2026.
Fontes primárias: Peng, Kalliamvakou, Cihon e Demirer — 13 de fevereiro de 2023 · METR — 10 de julho de 2025 · METR — 24 de fevereiro de 2026
O que cada mudança de tempo medida significa na mesma linha de base?
Um índice base facilita a leitura da aritmética sem agrupar os estudos. Cada condição de controle recebe o mesmo índice inicial; o índice assistido resultante ainda se refere apenas ao seu próprio experimento.
| Experimento | Índice de tempo assistido; controle = 100 |
|---|---|
| Experimento de escrita | 60Cálculo normalizado |
| Atribuição do Copilot | 44.2Cálculo normalizado |
| Tarefas de repositório METR | 119Cálculo normalizado |
Normalização do Workspace369, não um novo resultado observado. Menor significa menos tempo. Uma redução no tempo não é o mesmo aumento percentual na produção, e nenhuma estimativa de produção é reivindicada.
Fontes primárias: MIT / Noy e Zhang — 14 de julho de 2023 · Peng, Kalliamvakou, Cihon e Demirer — 13 de fevereiro de 2023 · METR — 10 de julho de 2025
Como uma empresa deve testar a economia de tempo com IA?
Defina uma tarefa repetível e um padrão de aceitação antes de comparar o trabalho assistido e não assistido. Inclua preparação de prompt, verificação de fatos, revisão e retrabalho. Mantenha os requisitos de acesso a dados do cliente e aprovação humana inalterados em toda a comparação.
Acompanhe o tempo e a qualidade. Não aplique uma porcentagem de tarefa de escrita a uma folha de pagamento inteira ou assuma o mesmo resultado para um agente autônomo.
Como este relatório foi construído
Metodologia e limitações
- Esta é uma comparação de evidências selecionadas, não uma revisão sistemática ou meta-análise. Os estudos foram incluídos para tarefas identificáveis, evidências do produtor original e definições de resultados claramente declaradas.
- Os números de escrita e consultoria usam resumos públicos de estudos publicados de suas instituições de pesquisa. O artigo de codificação e o relatório METR fornecem detalhes experimentais originais. Versões de trabalho e publicadas não são misturadas.
- Resultados medidos e acelerações percebidas carregam rótulos de evidência separados. O cálculo do índice de tempo usa apenas as mudanças no tempo de conclusão medido; as crenças da pesquisa são excluídas dele.
- As versões do modelo e as datas do estudo permanecem anexadas às descobertas. Verificamos o acompanhamento do METR e mantivemos seu aviso sobre a confiabilidade das estimativas mais recentes.
O que esses números não podem lhe dizer
- Experimentos selecionados não podem estabelecer um retorno universal sobre o investimento em IA. Tarefas diferentes, condições de controle, participantes e testes de qualidade impedem uma porcentagem agrupada defensável.
- Os tamanhos das amostras descrevem o escopo do estudo, não replicação independente. O envolvimento do fornecedor no estudo Copilot é relevante para a interpretação.
- Resultados anteriores não estabelecem as capacidades dos modelos disponíveis hoje. A normalização não inclui custos de implementação nem demonstra economias anuais sustentadas.
Atualidade e correções
Mantido pela equipe editorial do Workspace369. Revisar trimestralmente e quando um produtor citado lançar um estudo substituto. Próxima revisão editorial: dezembro de 2026. Reter versões de modelos históricos e datas de observação. A data da edição muda apenas quando a evidência ou o conteúdo é revisado substancialmente; não altera o período de observação subjacente.
Primeira edição: . Extração de dados, atribuição de origem e aritmética verificadas para esta edição. Nenhuma revisão por pares independente é reivindicada.
Encontrou um erro ou uma versão primária mais recente? Envie uma correção com a fonte e a estatística afetada. As correções confirmadas devem ser registradas no histórico de revisões antes de republicar.
Fontes primárias e proveniência
Cada célula numérica relatada se vincula diretamente ao seu produtor. Os downloads incluem localizadores exatos de tabelas ou planilhas, períodos de observação, datas de acesso, fórmulas e referências de entrada.
- MIT / Noy e ZhangAnúncio de pesquisa do MIT para o experimento de escrita publicado na Science ↗Publicado em 14 de julho de 2023. Acessado em 12 de setembro de 2026.Observações factuais selecionadas parafraseadas com atribuição. Nenhum relatório fonte, gráfico, dados de participante ou banco de dados proprietário é redistribuído; os direitos da fonte permanecem com seu produtor.
- Harvard Business School AI Institute / Dell’Acqua e colegasDe volta ao início da IA no Trabalho: revisão institucional do experimento de consultoria publicado ↗Publicado em 9 de abril de 2026. Acessado em 12 de setembro de 2026.Observações factuais selecionadas parafraseadas com atribuição. Nenhum relatório fonte, gráfico, dados de participante ou banco de dados proprietário é redistribuído; os direitos da fonte permanecem com seu produtor.
- Peng, Kalliamvakou, Cihon e DemirerO Impacto da IA na Produtividade do Desenvolvedor: Evidências do GitHub Copilot, arXiv v1 ↗Publicado em 13 de fevereiro de 2023. Acessado em 12 de setembro de 2026.Observações factuais selecionadas parafraseadas com atribuição. Nenhum relatório fonte, gráfico, dados de participante ou banco de dados proprietário é redistribuído; os direitos da fonte permanecem com seu produtor.
- METRMedindo o Impacto da IA do Início de 2025 na Produtividade de Desenvolvedores Experientes de Código Aberto ↗Publicado em 10 de julho de 2025. Acessado em 12 de setembro de 2026.Observações factuais selecionadas parafraseadas com atribuição. Nenhum relatório fonte, gráfico, dados de participante ou banco de dados proprietário é redistribuído; os direitos da fonte permanecem com seu produtor.
- METREstamos Mudando o Design do Nosso Experimento de Produtividade do Desenvolvedor ↗Publicado em 24 de fevereiro de 2026. Acessado em 12 de setembro de 2026.Observações factuais selecionadas parafraseadas com atribuição. Nenhum relatório fonte, gráfico, dados de participante ou banco de dados proprietário é redistribuído; os direitos da fonte permanecem com seu produtor.
Feito para ser verificado, depois citado
Como citar este relatório
Para uma estatística relatada pela fonte, credite a editora original e vincule à linha exata aqui ao usar nossa compilação. Para um resultado modelado, cite Workspace369 e inclua as suposições. O link para esta página não nos torna o produtor original de dados de terceiros.
Workspace369. (2026-09-12). Benchmarks de Produtividade e Economia de Tempo com IA. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Fontes primárias e períodos de observação conforme listado no relatório.
Os downloads são conjuntos de dados de referência em inglês, inclusive em páginas traduzidas. Os direitos de origem permanecem com seus produtores. Atribua a compilação e os cálculos do Workspace369; consulte os termos de reutilização de cada fonte.