Um estudo divulgado nas últimas semanas pelo Reglab, centro de pesquisa em estratégia e regulação, trouxe um número que merece a atenção de empresários, formuladores de política pública e de qualquer um que ainda ache que IA é assunto de nicho: a inteligência artificial pode adicionar até R$ 986,7 bilhões ao PIB brasileiro entre 2027 e 2030.
Em bom português, quase R$ 1 trilhão — o equivalente a 7,6% do PIB estimado para 2026, algo como 0,69 ponto percentual de crescimento adicional por ano em pouco mais de 3 anos.
Este é um dos primeiros exercícios sérios de quantificação do impacto da IA setor a setor no Brasil, e vale entender como os autores chegaram a esse número.
O estudo estende um modelo do economista Daron Acemoglu, publicado em 2025, olhando para dois canais pelos quais a IA afeta a produção: o efeito-trabalhador, quando a IA torna profissionais mais produtivos em tarefas cognitivas, e o efeito-capital, quando ela torna máquinas e equipamentos mais eficientes.
No cenário central, 65% do impacto vem do primeiro canal e 35% do segundo — mas essa proporção varia enormemente entre setores.
Nas indústrias de transformação, maior fonte de impacto absoluto (R$ 264,2 bilhões), o efeito é relativamente equilibrado.
Já na agropecuária, cujo impacto estimado é de R$ 48,2 bilhões, 92% vem do capital — tratores, sensores e maquinário cada vez mais inteligentes, não de trabalhadores rurais usando ChatGPT.
É um trabalho rigoroso, transparente sobre seus próprios limites e generoso em recomendações de pesquisas futuras.
E é exatamente por ser tão bem-feito que ele revela, mesmo sem intenção, algo importante: o número de R$ 1 trilhão é um piso, não um teto.
Os próprios autores admitem isso ao longo do relatório.
Eles calibram a adoção da IA no Brasil como mais lenta do que em economias avançadas, por conta de gargalos de crédito, infraestrutura e qualificação profissional — e dizem explicitamente que "o impacto no PIB poderia ser ainda maior com uma difusão mais rápida".
Também assumem que, de cada 100 tarefas cognitivamente expostas à IA, apenas 23 seriam plenamente automatizáveis na próxima década, e adotam um ganho de produtividade de 27% por tarefa como parâmetro central — baseado em evidências obtidas com modelos de IA mais antigos que, para todos os efeitos, já estão datados frente ao que temos disponível hoje.
A cada trimestre, a capacidade desses sistemas dá um salto; usar qualquer versão atual como referência para os próximos quatro anos é, quase por definição, subestimar o que virá.
Mas o ponto que mais me chama atenção é outro, e é estrutural ao próprio método.
Toda essa modelagem — como a maioria dos estudos econômicos sobre tecnologia — parte da estrutura produtiva de hoje: os setores, ocupações e tarefas que já existem, e o quanto a IA pode automatizá-los ou torná-los mais produtivos.
É uma lógica de otimização: pegar o que já fazemos e fazer melhor, mais rápido, mais barato.
Faz todo sentido metodológico — é o que se pode medir com dados.
Mas é só metade da história.
A outra metade é o que a IA viabiliza e que simplesmente não existia antes.
Pense num pequeno empreendedor brasileiro — um prestador de serviços, uma loja de bairro, um profissional autônomo — que nunca teve uma área de vendas.
Não porque não quisesse, mas porque contratar vendedores, treiná-los e mantê-los ativos 24 horas por dia, prospectando e respondendo clientes, custava muito mais do que o negócio conseguia pagar.
Hoje, uma IA pode fazer esse trabalho por uma fração do custo.
Isso não é automatizar um processo que já existia — é criar, do zero, uma função que esse negócio nunca teve.
Multiplique esse tipo de salto por milhões de pequenos empreendedores, autônomos e informais brasileiros, que respondem por uma fatia enorme do nosso PIB e do nosso emprego, e o efeito agregado pode superar, e muito, os ganhos de produtividade das grandes indústrias que já tinham departamento de vendas, marketing e atendimento estruturados.
Isso não é uma exceção brasileira.
É como toda tecnologia de uso geral se comportou na história.
Quando a eletricidade chegou às fábricas, os primeiros estudos mediram o quanto ela tornava mais eficiente o que já se produzia — e subestimaram sistematicamente seu impacto real, porque a eletricidade não serviu só para acelerar linhas de produção existentes: ela viabilizou a geladeira, o elevador, o rádio, indústrias inteiras que não existiam antes dela.
Com a internet, aconteceu de novo: os primeiros modelos econômicos calcularam quanto tempo ela pouparia em tarefas administrativas, e ficaram muito distantes do que ela de fato gerou — comércio eletrônico, aplicativos de transporte, streaming, a economia de plataformas como um todo.
Nenhuma dessas atividades existia antes; nenhuma delas aparece num modelo que só olha para o que já estava na economia.
Há ainda um segundo ponto que o estudo, com honestidade, deixa em aberto: a base de dados usada para medir exposição das ocupações à IA (a PNADc) capta bem o mercado formal, mas capta mal a informalidade — que no Brasil ainda responde por perto de 40% da força de trabalho.
Ferramentas de IA hoje acessíveis e baratas têm um potencial desproporcional justamente entre quem nunca teve acesso a consultoria, softwares de gestão ou uma equipe de suporte.
É um efeito difícil de quantificar com os dados disponíveis, mas isso não o torna menos real — só mais difícil de aparecer numa planilha.
Nada disso diminui o valor do trabalho do Reglab.
Pelo contrário: é justamente por ele ser transparente sobre premissas e generoso ao convidar novas pesquisas que conseguimos ver com clareza onde está o limite do que foi medido — e onde começa o que ainda não sabemos medir.
Os próprios autores recomendam, nas conclusões, recalibrar a curva de adoção brasileira com dados observados e investigar setores de baixa produtividade com mais profundidade.
É o caminho certo.
Mas para quem pensa em política pública, estratégia empresarial ou o futuro do trabalho no Brasil, o recado prático é este: não dimensionemos nossa ambição pelos R$ 1 trilhão de ganho de eficiência sobre a economia que “já temos” medido.
Esse número é real, é importante, e já seria transformador.
Mas a história das tecnologias de uso geral nos ensina, de forma consistente, que o maior impacto não vem de fazer melhor o que já fazíamos — vem do que passamos a poder fazer e que, até ontem, era impensável.
Essa parte da conta o Brasil ainda vai escrever.
A pergunta é se vamos escrevê-la nós, ou se vamos apenas ler, mais tarde, o estudo de outro país que a escreveu primeiro.
*Felipe Matos é CEO da aceleradora de IA para negócios 10K Digital e presidente da associação de advocacy Dínamo
Mais Lidas