A influência da IA na produtividade: setor financeiro vs. não financeiro

Abstract

A Inteligência Artificial (IA), enquanto tecnologia de propósito geral, reativou o debate sobre o paradoxo da produtividade e a hipótese da Curva em J: os ganhos de eficiência tendem a surgir com desfasamento face ao avanço tecnológico. Esta dissertação analisa esse problema no contexto português, uma economia de rendimento elevado, mas com baixo poder de compra, avaliando a associação entre a exposição potencial à IA (medida pelo DAIOE) e a produtividade das empresas entre 2018 e 2023. O estudo persegue dois objetivos: estimar o efeito médio da exposição tecnológica e testar a heterogeneidade setorial, com foco no setor financeiro. A estratégia empírica assenta num modelo de Diferenças Longas (2018–2023), com exposição medida pelo índice Dynamic AI Occupational Exposure (DAIOE). A análise combina microdados administrativos dos Quadros de Pessoal (QP) e do Sistema de Contas Integradas das Empresas (SCIE), cobrindo mais de 178 mil empresas na especificação completa, o que reforça a representatividade dos resultados para o tecido empresarial nacional. Os resultados mostram que o setor financeiro apresenta exposição à IA substancialmente superior à média da economia. Contudo, não emerge evidência estatisticamente robusta de um prémio médio de produtividade, nem na economia agregada nem no setor financeiro no horizonte analisado. Em contrapartida, surgem indícios de heterogeneidade por dimensão, com efeitos positivos concentrados em empresas de média dimensão. Em linha com a Curva em J, os resultados sugerem que custos iniciais de reorganização, aprendizagem e ajustamento organizacional ainda se sobrepõem aos ganhos de eficiência. Em síntese, a dissertação contribui ao aplicar uma medida dinâmica de exposição à IA ao caso português e indica que a conversão de potencial tecnológico em produtividade depende de investimentos complementares em capital humano, organização e inovação de processos.

Artificial Intelligence (AI), as a general-purpose technology, has reactivated the debate on the productivity paradox and the J-Curve hypothesis: efficiency gains tend to emerge with a lag relative to technological advancement. This dissertation analyzes this issue within the Portuguese context - a high-income economy with low purchasing power - evaluating the effect of AI exposure on firm productivity between 2018 and 2023. The study pursues two primary objectives: to estimate the average effect of technological exposure and to test for sectoral heterogeneity, with a specific focus on the financial sector. The empirical strategy is based on a Long Differences model (2018–2023), with exposure measured by the Dynamic AI Occupational Exposure (DAIOE) index. The analysis combines administrative microdata from Quadros de Pessoal (QP) and the Sistema de Contas Integradas das Empresas (SCIE), covering more than 178,000 firms in the full specification, which reinforces the representativeness of the results for the national business fabric. The results show that the financial sector presents an exposure to AI substantially higher than the economy's average. However, no statistically robust evidence emerges of an average productivity premium, neither for the aggregate economy nor for the financial sector within the analyzed horizon. Conversely, there are signs of heterogeneity by firm size, with positive effects concentrated in medium-sized enterprises. In line with the J-Curve, the results suggest that initial costs of reorganization, learning, and organizational adjustment still outweigh efficiency gains. In summary, this dissertation contributes by applying a dynamic measure of AI exposure to the Portuguese case and indicates that the conversion of technological potential into productivity depends on complementary investments in human capital, organization, and process innovation.