Em março de 2026, pesquisadores da Universidade do Texas em Austin, em parceria com a KPMG, publicaram na Harvard Business Review o retrato mais detalhado já feito sobre como as pessoas realmente pedem ajuda à IA no trabalho. Eles acompanharam 2.597 funcionários de uma grande empresa por oito meses e analisaram 1,4 milhão de pedidos feitos a assistentes de IA.
O resultado incomodou quem esperava que a ferramenta nivelasse a equipe sozinha. Apenas cerca de 5% dos funcionários pediam ajuda à IA de um jeito que os pesquisadores chamaram de sofisticado: davam instruções específicas, pediam que a IA explicasse o raciocínio antes de aceitar a resposta, refinavam o pedido várias vezes até ele servir de verdade. O restante pedia uma vez, aceitava a primeira resposta e seguia em frente.
O dado mais contraintuitivo do estudo é este: a diferença não estava em quem usava mais a IA. Alguns dos usuários mais frequentes estavam, ao mesmo tempo, entre os menos sofisticados. O que separava o grupo de cima do resto não era dedicação. Era método — e método dá para ensinar, copiar e publicar.
Uma minoria carrega a média
Os pesquisadores identificaram quatro sinais que distinguem o uso sofisticado: a pessoa volta à IA com frequência para refinar o que já pediu, é ambiciosa no primeiro pedido em vez de pedir algo pequeno demais, exige que a IA explique o raciocínio antes de aceitar a resposta, e escolhe a ferramenta certa para cada tarefa em vez de usar sempre a mesma por hábito. Nenhum desses sinais depende de conhecimento técnico — são hábitos de trabalho, não conhecimento de programação.
O mesmo padrão aparece, com números ainda mais claros, num estudo publicado na Quarterly Journal of Economics por pesquisadores do MIT e de Stanford. Eles acompanharam 5.179 atendentes de suporte ao cliente antes e depois da chegada de um assistente de IA integrado ao sistema de atendimento. Em média, a produtividade subiu 14%. Mas a média escondia dois grupos muito diferentes: atendentes iniciantes ganharam até 34% de produtividade, enquanto os mais experientes quase não mudaram de patamar — em alguns casos, a satisfação do cliente com eles até caiu.
O motivo por trás desse resultado é o que interessa aqui. O assistente de IA não ensinava nada novo aos atendentes experientes: ele já refletia o que eles faziam. Para os iniciantes, porém, o sistema replicava as respostas e as abordagens dos melhores atendentes da equipe — na prática, transformava o conhecimento de quem já sabia fazer bem em algo que qualquer pessoa recém-chegada podia usar no primeiro dia. Um atendente com dois meses de casa, usando a ferramenta, produzia tanto quanto um veterano de seis meses sem ela.
Por que o treinamento genérico não resolve
A tentação comum é resolver essa diferença com um curso de "como usar IA no trabalho" para todo mundo. Um experimento controlado publicado pelo National Bureau of Economic Research em 2026, com 1.174 participantes entre 25 e 45 anos, ajuda a entender por que essa saída não basta sozinha.
No experimento, cada participante resolvia um problema de negócios, com ou sem acesso a um assistente de IA. Sem IA, quem tinha mais escolaridade tirava notas 0,548 desvio-padrão acima de quem tinha menos escolaridade — uma diferença grande. Com acesso à IA, essa diferença caiu para 0,139 desvio-padrão: uma redução de cerca de 75%. A ferramenta, sozinha, já funcionava como um nivelador parcial.
Mas o próprio estudo mostrou o limite disso. Ao analisar o histórico de conversas, os pesquisadores viram que os participantes com mais escolaridade continuavam extraindo mais valor da mesma ferramenta — davam instruções mais precisas, exploravam mais possibilidades, refinavam mais. A IA reduz parte da distância sozinha, mas não fecha a distância inteira. O que fecha o resto é alguém pegar o jeito de pedir que já funciona — descoberto por quem tem mais prática — e publicá-lo para quem ainda não chegou lá.
O que precisa existir na prática
Padronizar o pedido que funciona não é escrever um manual e torcer para que alguém leia. Cinco mecanismos verificáveis fazem a diferença.
Pedidos publicados por rotina, não por pessoa. Cobrança de inadimplência, ata de reunião, triagem de chamado, resposta a uma reclamação recorrente: cada rotina que se repete toda semana vira um pedido testado, publicado uma vez — não uma invenção nova a cada pessoa, a cada vez.
Alcance definido por quem publica. Quem cria o pedido escolhe quem enxerga: a equipe inteira, um departamento, ou só quem tem determinado papel. Isso evita dois erros opostos — travar tudo atrás de permissão excessiva, ou espalhar um pedido sensível para quem não deveria vê-lo.
Agentes que executam a rotina em etapas, não só respondem uma pergunta. O passo seguinte de um pedido reutilizável é um agente que já sabe conduzir a rotina inteira — buscar a informação, aplicar o formato certo, deixar pronto para revisão — sem que a pessoa precise reconstruir o raciocínio toda vez.
Conhecimento aprovado por trás do pedido. O modelo aponta para a versão vigente do processo ou da política da empresa, então o resultado não depende de quem fez o pedido ter copiado a versão certa do documento certo.
Dono e versão vigente. Quando o processo muda, o pedido publicado muda junto — automaticamente, não por boa vontade de quem lembrar de atualizar o texto espalhado por e-mails e blocos de notas pessoais.
É assim que a Skyller foi desenhada: modelos de processo prontos e agentes reutilizáveis, com alcance definido por pessoa, grupo e papel, para que o jeito de pedir que uma pessoa descobriu sozinha vire padrão disponível para o resto da equipe.
Do talento isolado ao ganho coletivo
O efeito mais caro do improviso individual não aparece na planilha de custos — aparece na rotatividade. Quando a pessoa que descobriu o jeito certo de pedir uma proposta comercial bem estruturada sai da empresa, o conhecimento sai junto com ela. Ninguém documentou o pedido, só o resultado que ele produzia enquanto ela estava lá.
Publicar o pedido inverte essa lógica. O estudo do atendimento ao cliente mostrou o tamanho do efeito quando isso acontece de forma automática, pela própria ferramenta: um atendente novo alcançando o nível de um veterano em dois meses. Uma empresa que identifica deliberadamente quem já pede bem — e publica esse pedido para o grupo certo — não precisa esperar que a IA descubra isso sozinha, nem depender de sorte na hora de contratar. E não precisa começar do zero: a Skyller, por exemplo, já vem com mais de 170 modelos de processos e políticas prontos para adaptar à rotina de cada área.
O ganho de produtividade, nesse desenho, deixa de ser sobre "quem é bom com IA" — um talento distribuído de forma desigual e difícil de prever na contratação — e passa a ser sobre um processo repetível: descobrir, publicar, dar alcance, manter atualizado.
Um roteiro para começar
Antes de comprar mais licenças ou agendar mais um treinamento genérico, cinco passos ajudam a transformar talento individual em capacidade de equipe.
- Liste as cinco rotinas mais repetidas do time. Pergunte a cada pessoa qual pedido de IA ela faz toda semana, quase sem variar. Cobrança, resumo de reunião, triagem de chamado: o que se repete é candidato a virar modelo.
- Encontre quem já pede bem, mesmo sem saber que pede bem. Segundo o estudo da KPMG, essa pessoa não é necessariamente a mais técnica nem a que mais usa a ferramenta — é quem refina o pedido até ele funcionar de verdade. Ela provavelmente já está no time.
- Transforme o pedido dela em modelo publicado, com o processo ou a política certa embutidos — não um texto solto que cada um copia, cola e adapta errado.
- Defina o alcance antes de publicar. Time inteiro, departamento, ou só quem tem aquele papel: o alcance certo evita tanto a bagunça de permissão quanto o gargalo de aprovação desnecessária.
- Revise o modelo quando o processo mudar, e não apenas quando alguém reclamar que a resposta saiu errada.
