Os 65% da C.H. Robinson: como avaliar um ganho de produtividade atribuído à IA

Na teleconferência de resultados de 28 de outubro, a C.H. Robinson, uma das maiores intermediárias de frete dos Estados Unidos, apresentou um número que parece resumir a promessa da inteligência artificial nas empresas. Na sua principal divisão, a de transporte rodoviário na América do Norte (NAST), os embarques por pessoa por dia cresceram mais de 15% em um ano e mais de 65% desde o fim de 2022. Na mesma chamada, a empresa disse gastar menos de US$ 2 milhões por ano com tokens de modelos de linguagem.

A companhia credita os resultados ao que chama de Lean AI, a combinação de gestão enxuta com agentes de IA desenvolvidos internamente. É tentador concluir que a IA multiplicou a produtividade da operação. Os dados que a própria empresa publica mostram um ganho real de produtividade, mas não permitem dizer quanto dele vem da IA.

Este texto usa o caso para mostrar, passo a passo, como avaliar uma alegação de produtividade antes de atribuí-la à tecnologia. Ao longo da matéria, separamos dados oficiais (divulgados pela empresa em releases e teleconferências), cálculos da The Prompt (feitos a partir desses dados) e interpretações.

Passo 1: entender o que a métrica mede

"Embarques por pessoa por dia" é uma razão. Há um numerador (embarques), um denominador (pessoas) e uma unidade de tempo (dia). A razão sobe quando os embarques aumentam, quando o número de pessoas diminui, ou quando as duas coisas acontecem ao mesmo tempo.

A C.H. Robinson usa esse indicador desde 2023, mas não publica a fórmula. Não está claro se "pessoa" inclui todo o quadro da divisão ou só funções operacionais, nem como embarques e dias são contados. Na teleconferência, o presidente da NAST, Michael Castagnetto, disse apenas que a métrica é medida em toda a organização da divisão.

Sem a fórmula oficial, é possível fazer uma aproximação com o que a empresa divulga todo trimestre: o quadro médio de funcionários de cada divisão.

Passo 2: olhar o denominador

Dados oficiais. No quarto trimestre de 2022, a NAST tinha em média 7.251 funcionários. No terceiro trimestre de 2026, eram 4.597.

Cálculo da The Prompt. É uma redução de 36,6% no quadro médio da divisão. Se o volume de embarques tivesse ficado exatamente igual, só essa redução faria o indicador subir cerca de 58%, porque 7.251 ÷ 4.597 = 1,577. Para que o aumento chegasse a 65%, o volume de embarques precisaria ter crescido cerca de 4,6% no período, porque 1,65 × 4.597 ÷ 7.251 ≈ 1,046.

Um cuidado na leitura: os efeitos se multiplicam, não se somam. Não é correto dizer que o quadro menor responde por "58 dos 65 pontos" do ganho. A forma precisa é esta: um quadro 36,6% menor, combinado com cerca de 4,6% mais embarques, resulta em um indicador 65% maior. A maior parte da variação acompanha a queda do denominador.

O crescimento de volume implícito na conta é compatível com o que a empresa relata. Segundo o release do terceiro trimestre, o volume da NAST cresceu 3,5% sobre o mesmo período de 2025, enquanto o índice de embarques Cass, referência do setor, caiu 0,3%. Foi o 14º trimestre seguido em que a divisão cresceu acima desse índice.

Limite do cálculo. A aproximação compara o quadro médio de um trimestre de 2022 com o de um trimestre de 2026 e usa toda a divisão como denominador. Se a empresa calcula a métrica de outra forma, o resultado exato muda. A conclusão central, de que o indicador cresce sobretudo porque o quadro encolheu, depende de a métrica oficial usar um denominador parecido.

Nada disso torna o número falso. Movimentar volume parecido ou maior com cerca de um terço a menos de pessoas é, de fato, um ganho de produtividade. A pergunta que importa é o que permitiu essa redução.

Passo 3: reconstruir a linha do tempo

Se a IA tivesse chegado depois da maior parte do ganho, seria um indício de que outras causas pesaram mais. Se tivesse chegado antes e o ganho viesse logo em seguida, seria um indício a favor dela. Neste caso, a cronologia não favorece nenhuma das leituras, porque as mudanças começaram juntas.

Novembro de 2022 e maio de 2023: a empresa corta 650 e depois 300 vagas, segundo a imprensa especializada, para reduzir custos.
2023: sob o novo CEO, Dave Bozeman, a empresa adota um modelo de gestão enxuta. Na teleconferência de 1º de novembro de 2023, ele informa alta de 18% em embarques por pessoa por dia no ano, contra meta de 15%, e atribui o resultado ao esforço para enxugar processos e remover etapas manuais.
Setembro de 2023: a IA generativa já opera na cotação. Na mesma teleconferência, o então diretor de operações, Arun Rajan, disse que a empresa usava IA generativa para preencher lacunas em pedidos incompletos e desestruturados, reduzindo o tempo de uma cotação de cerca de cinco minutos para menos de um, e que mais de 10 mil cotações haviam sido geradas por um agente de IA na última semana do trimestre.
Maio de 2024: a empresa diz receber cerca de 11 mil e-mails de pedido de preço por dia e responder cerca de 2 mil com IA, segundo a imprensa especializada.
Junho a outubro de 2024: o agente que transforma pedidos recebidos por e-mail em ordens de transporte passa a processar milhares de pedidos por dia. Em outubro, a empresa diz automatizar mais de 10 mil transações por dia.
Janeiro de 2025: o release anual informa produtividade composta de "30% ou mais" em 2023 e 2024, na NAST e no agenciamento internacional.
Julho e outubro de 2026: a empresa fala em "mais de 60%" e depois em "mais de 65%" desde o fim de 2022.

Cálculo da The Prompt. O quadro médio da NAST caiu em todos os períodos: 15,8% entre o quarto trimestre de 2022 e o de 2023; 12,4% entre o quarto trimestre de 2023 e o de 2024; e 14,0% entre o quarto trimestre de 2024 e o terceiro de 2026.

Interpretação. Cortes de pessoal, gestão enxuta e IA avançaram juntos desde 2023. Mesmo uma sequência mais limpa não provaria causalidade; aqui, nem a sequência ajuda a separar as causas.

A própria empresa não faz essa separação. O release de janeiro de 2025 atribui os "30% ou mais" de 2023 e 2024 ao modelo operacional. Um texto institucional publicado no site da empresa em junho de 2025 credita aos agentes de IA um "aumento de 30% de produtividade desde 2023". Desde então, a marca Lean AI abrange tudo. Como estratégia, faz sentido, porque processo e tecnologia se reforçam. Como evidência, impede saber quanto cada parte contribuiu.

Passo 4: procurar métricas próprias da IA

O que a IA faz na operação está mais bem documentado do que o efeito dela no indicador geral. Os comunicados da empresa descrevem a cotação antes e depois.

Antes, segundo comunicado de outubro de 2024, clientes conectados por sistema já recebiam respostas automáticas, mas pedidos enviados por e-mail esperavam na fila de um funcionário. Um pedido de transporte por e-mail podia levar até quatro horas para ser atendido, e a digitação dos dados de cada carga levava em média sete minutos.

Depois, segundo a empresa, a IA identifica que o e-mail é um pedido de cotação e um agente devolve um preço específico para aquele cliente em cerca de 32 segundos. Em outubro de 2024, eram 2.600 cotações por dia; em abril de 2025, a empresa dizia ter passado de 1 milhão de cotações feitas por IA. No frete marítimo e aéreo, a empresa descreveu em outubro de 2026 vários agentes trabalhando em conjunto: um interpreta o pedido (por exemplo, a qual de dois portos de Xangai o cliente se refere), outros consultam tarifas de terminais e leem avisos de taxas. Segundo a companhia, a cotação marítima caiu de dois a três dias para dois a três minutos.

O exemplo mais detalhado é o das coletas perdidas no transporte fracionado. Segundo a empresa, equipes passavam mais da metade do dia ligando para transportadoras e consultando sites. Hoje, um agente faz as ligações e outro decide o próximo passo. A companhia diz que 95% dessas verificações foram automatizadas, com mais de 350 horas de trabalho manual economizadas por dia.

Sobre o papel das pessoas, a empresa diz que os agentes operam com "responsabilidades específicas, limites definidos e supervisão humana", e que os ganhos de produtividade vieram de funções operacionais, com o quadro voltado ao cliente mantido ou ampliado em algumas áreas. A empresa não divulga a precisão das cotações automáticas, a parcela revisada por pessoas nem a comparação de margem com cotações feitas por funcionários.

Interpretação. Esses números mostram onde a IA assumiu trabalho que antes era manual. Eles não dizem quanto desse trabalho se converteu em redução de quadro, nem quanto pesa nos 65%.

Passo 5: abrir a conta dos custos

Dado oficial. Na teleconferência, Arun Rajan, hoje diretor de estratégia e inovação, disse que o uso de tokens cresceu mais de 40 vezes em dois anos e que o custo anualizado de tokens ainda é inferior a US$ 2 milhões. A empresa escolhe o modelo de linguagem conforme a tarefa e o custo.

O valor se refere ao consumo dos modelos. Outros custos da transformação aparecem nos documentos da empresa. Eles têm naturezas diferentes e não devem ser somados:

Equipe de desenvolvimento: a empresa diz ter mais de 450 engenheiros e cientistas de dados próprios. O custo dessa equipe não é divulgado.
Investimentos: a previsão para 2026 é de US$ 65 milhões a US$ 75 milhões. O release não informa quanto disso se refere à IA.
Software próprio: a amortização de software desenvolvido internamente fica fora do "lucro bruto ajustado", a base que a empresa usa para calcular suas margens ajustadas.
Reestruturação: de janeiro a setembro de 2026, a empresa registrou US$ 43,8 milhões em custos de reestruturação, dos quais US$ 30,4 milhões em indenizações e outras despesas ligadas à redução de quadro. É um custo de transição, não recorrente.

Há ainda um dado que contraria a intuição. No terceiro trimestre de 2026, a despesa com pessoal foi de US$ 360,3 milhões, 3,1% acima do mesmo período de 2025, embora o quadro médio da empresa tenha caído 10,4%. Na teleconferência, a empresa atribuiu o aumento sobretudo à remuneração variável mais alta.

Interpretação. O dado de US$ 2 milhões é útil, porque mostra que, nesta escala, o custo de uso dos modelos é pequeno. Mas ele não é o custo da IA. Com o que é público, não é possível calcular o retorno do investimento.

O método: sete perguntas para avaliar uma alegação de produtividade com IA

O roteiro abaixo é da The Prompt, não da C.H. Robinson. Serve para anúncios de fornecedores, de concorrentes ou para a avaliação de um projeto interno.

Qual é a fórmula? Identifique numerador, denominador e período. Se a definição não for pública, trate o número como indicativo.
Qual é a base de comparação? Verifique o ponto de partida. Um começo em momento ruim faz qualquer ganho parecer maior.
O que aconteceu com o denominador? Procure o quadro de pessoal no mesmo período. Se ele caiu muito, refaça a conta com volume constante e veja quanto da variação sobra para outras explicações.
O que mais mudou ao mesmo tempo? Liste cortes, programas de eficiência, troca de gestão, automação anterior, aquisições e o ciclo do mercado. Se tudo começou junto, atribuir o ganho à IA é uma hipótese, não um resultado.
A IA tem métricas próprias? Procure números por tarefa, como tempo, volume e erro, e veja se eles se conectam ao indicador geral. Volume de tarefas automatizadas não é o mesmo que ganho de produtividade.
Qual é o custo total? Separe o custo de uso dos modelos, o custo de construir e manter (pessoas, software, infraestrutura) e o custo de transição (reestruturação). Avalie cada um sem somar coisas de natureza diferente.
Quem verificou? Distinga documentos oficiais, falas de executivos e análises independentes.

Para quem vai medir o próprio projeto, a lógica se inverte. Registre o indicador antes de começar, escreva a fórmula, acompanhe as outras mudanças em curso e anote erros e revisões humanas desde o primeiro dia. Sem isso, nenhum ganho poderá ser atribuído depois.

O que os dados permitem concluir

Com as evidências públicas, é possível afirmar que:

a NAST movimenta volume parecido ou maior com cerca de um terço a menos de funcionários do que no fim de 2022 (dados oficiais e cálculo da The Prompt);
a empresa usa IA generativa em tarefas de alto volume desde 2023, com tempos de resposta muito menores, segundo ela própria;
o custo de tokens divulgado é baixo diante da escala da operação.

Não é possível afirmar, com dados públicos:

quanto dos 65% se deve à IA;
qual seria a produtividade apenas com gestão enxuta e cortes, sem os agentes;
se a qualidade do serviço mudou;
qual é o custo total da IA e o retorno do investimento.

Isso não significa que a IA não tenha gerado ganhos. Significa que a parcela atribuível a ela não está demonstrada nos dados divulgados.

O que uma empresa brasileira pode aproveitar

A The Prompt não encontrou um caso brasileiro comparável com documentação pública. Os pontos abaixo são interpretações, não comparações.

Comece pelo processo. A C.H. Robinson diz ter mapeado o ciclo da cotação ao pagamento antes de decidir onde usar IA. Os ganhos mais visíveis vieram de tarefas em que o trabalho esperava numa fila de e-mails.
Priorize tarefas de alto volume com entradas desorganizadas. Cotações, pedidos e agendamentos que chegam por e-mail ou telefone foram os primeiros alvos. Em cada operação brasileira, vale mapear por quais canais esses pedidos de fato chegam antes de escolher onde automatizar.
Meça antes de começar. Sem linha de base e fórmula definida, não há como atribuir o resultado depois.
Não presuma resultados equivalentes. A empresa tem centenas de engenheiros próprios e anos de dados de preço. Uma operação menor pode ganhar em tarefas específicas sem ver o mesmo efeito na produtividade total.
Acompanhe o efeito sobre as pessoas. Em janeiro de 2026, o CEO disse que a empresa não repõe algumas vagas de entrada, segundo a FreightWaves. É nesse ponto que a produtividade de uma empresa encontra o mercado de trabalho.

Esta matéria foi produzida pela Redação The Prompt com auxílio de inteligência artificial na pesquisa e na redação.

Fontes