O polimento da IA apagou a régua que a gestão usava para avaliar gente
Um estudo da Anthrome Insight e Axialent mostra que a IA não piora o trabalho ruim: apaga o sinal que a gestão usa para diferenciar quem é bom de quem não é.
A MIT Sloan Management Review publicou, em 14 de setembro, uma análise assinada por Melissa Swift, CEO da consultoria Anthrome Insight, com Teryluz Andreu e Dolores Hernandez, da Axialent. O texto se apoia num estudo conjunto das duas empresas sobre o efeito da IA no comportamento e na cultura das organizações. A tese central: a IA produz uma miragem de capacidade. O trabalho sai mais polido: o texto, a planilha, a proposta. Isso não quer dizer que quem produziu ficou mais competente.
A leitura óbvia é a de sempre: falta treinamento. Quem usa IA bem produz mais e melhor; quem usa mal, atrapalha times e prazos. A solução seria treinar todo mundo para usar a ferramenta em qualquer tarefa, medir adoção, cobrar frequência de uso. Trabalho que sai redondo é sinal de que a ferramenta está sendo bem aproveitada, e a conversa para por aí.
| A leitura óbvia | O que o estudo aponta |
|---|---|
| Trabalho mais polido = pessoa mais competente | Trabalho mais polido pode só significar que a IA fez a parte visível |
| A solução é treinar mais gente a usar IA | O treino não resolve sozinho: a régua de avaliação também mudou |
| Confiança se recupera com mais uso | Confiança quebra de uma vez quando a diferença aparece |
Quando o produto final para de discriminar
O estudo aponta para outro lugar. Gábor Szórád, CEO da consultoria AI Business Impact, resume o problema num raciocínio simples: “If you’re a fantastic software engineer or a great manager, AI allows you to do more with the same energy. If you’re a bad one, you’re just going to create more crappy instructions.” Traduzindo: a IA amplia a distância entre quem já era bom e quem não era. Só que o produto final, visto de fora, ficou parecido.
Aí mora o descompasso.
O obstáculo que as empresas declaram é técnico: saber usar a ferramenta. O obstáculo real é de gestão: a perda da capacidade de calibrar quem, dentro da equipe, domina de fato o trabalho e quem domina apenas o prompt.
“The impact on trust is 0 to 100.”
A frase é de Elisa Farri, VP da Capgemini Invent, e descreve o que acontece quando essa diferença vem à tona: não existe erosão gradual, existe colapso. Andrea Jones-Rooy, cientista de dados da NYU, compara aplicar IA em qualquer tarefa ao gesto de pegar a furadeira mais potente da casa para mexer o café. Funciona, mas ninguém precisava daquela potência ali. Stephanie Antonian, CEO da consultoria Aestora, vai direto ao ponto: “When you go AI-first, you have already told your organization it’s not human-first.” Quando o sucesso passa a ser medido pela velocidade da entrega assistida, a organização para de medir a competência de quem entregou.
A régua que a gestão perdeu
A implicação mais imediata cai sobre quem avalia gente. Se o resultado de um júnior e o de um sênior chegam igualmente polidos, a régua que o gestor usava (a proposta está boa, o código compila, o texto convence) deixou de discriminar. Um executivo sênior de IA de uma empresa da lista Fortune 500, citado no estudo sem nome, ilustra o problema pensando na primeira experiência de trabalho de um jovem de 20 anos: se a primeira tarefa dele já sai com ajuda de IA, ninguém sabe ainda quanto daquilo é competência própria, nem mesmo ele. A avaliação de desempenho, feita do jeito de sempre, passa a medir o modelo por trás, não a pessoa.
Szórád sugere uma forma de perceber isso: observar se a distância de qualidade entre o melhor e o pior profissional da equipe encolheu nos entregáveis finais, sem que tenha havido mudança real de nível entre eles. Quando encolhe, é o instrumento de medição que mudou, não o time.
Quem assina o que a IA ajudou a fazer
Depois vem a questão de quem responde pelo erro. Farri descreve o colapso de confiança que acontece quando um trabalho apresentado como produção própria se revela, na prática, saída de IA sem revisão real. O problema não é a IA ter sido usada, e sim a distância entre o que foi dito sobre o trabalho e o que de fato foi feito. Recuperar esse tipo de confiança depois que ela quebra é raro; a resposta que o estudo sugere é definir, antes do fato, quem assina o quê, e o que “assinar” passa a significar quando parte do trabalho não veio de uma pessoa.
Fica também para quem lidera. Se a liderança usa IA para acelerar decisão e entrega só o resultado polido, sem mostrar o raciocínio por trás, ensina a organização inteira a fazer o mesmo. A alternativa levantada pelo estudo é modelar o uso mostrando o julgamento, não só a resposta. A diferença aparece numa segunda-feira comum, na reunião em que alguém explica por que descartou três caminhos antes de chegar ao que está na mesa.
Fica a pergunta para quem dirige: se pedisse a alguém do time para refazer, sem IA, a última entrega que aprovou, você saberia dizer com quem contaria — e com quem não contaria?
Perguntas frequentes
Isso vale só para trabalho de programação e consultoria, ou para qualquer função que usa IA?
O estudo citado (Anthrome Insight e Axialent) trata de comportamento e cultura organizacional de forma ampla, sem restringir a um setor. O mecanismo descrito depende de uma condição: a saída visível do trabalho, como texto, planilha, apresentação ou código, ser o que a gestão usa para avaliar competência. Isso cobre qualquer função em que o resultado passa por essa aparência de acabamento.
Como saber se isso já está acontecendo na minha empresa, sem esperar um caso de confiança quebrada aparecer?
Um sinal citado por Gábor Szórád, da AI Business Impact, é observar se a distância de qualidade entre o melhor e o pior profissional da equipe encolheu nos entregáveis finais, sem mudança real de nível entre eles. Se encolheu, a régua de avaliação provavelmente está medindo o uso da ferramenta, não a competência de quem a usa.
O problema se resolve treinando mais as pessoas a usar IA?
Não segundo o estudo. Szórád e Stephanie Antonian, da Aestora, apontam que o treino em ferramenta amplia a distância entre quem já era bom e quem não era, mas não devolve à gestão a capacidade de enxergar essa distância no resultado final. Isso pede mudança de processo: quem revisa o quê, e quem assina antes da entrega sair.
Fonte analisada: How AI Creates a Capability Mirage — MIT Sloan Management Review
Análise produzida com assistência de inteligência artificial, sob critérios editoriais definidos pelo publisher. Ver política editorial.