Funcionários que dependem intensamente da IA podem parecer altamente produtivos, enquanto aqueles que desaceleram para verificar premissas, questionar resultados ou corrigir erros podem parecer menos eficientes
Embora a inteligência artificial tenha aumentado a velocidade e a qualidade em muitos fluxos de trabalho, a maioria das organizações ainda não redesenhou a forma como avalia o desempenho humano para refletir essa mudança.
Atualmente, elas avaliam o desempenho dos funcionários que utilizam IA com métricas tradicionais: produtividade, cumprimento de metas e eficiência. Agora, porém, chega-se a um paradoxo: funcionários que dependem intensamente da IA podem parecer altamente produtivos, enquanto aqueles que desaceleram para verificar premissas, questionar resultados ou corrigir erros podem parecer menos eficientes justamente quando estão agregando mais valor.
Nesse contexto, os líderes correm o risco de recompensar o excesso de dependência da IA e penalizar o julgamento humano que evita erros custosos, privilegiando o volume de entregas em vez dos resultados efetivos e perdendo de vista o que realmente impulsiona um bom desempenho humano.
Esse é o alerta, em artigo publicado no Harvard Business Review, de Randy Bean, membro de conselhos de administração, palestrante, autor e ex-fundador e CEO, de Erik Strauss, professor na ESCP Business School, em Berlim, e co-CEO da consultoria StraussMindTech, e de Randeep Singh, doutorando na ESCP Business School.
Questões que o “bom desempenho” na era da IA levantam
As métricas tradicionais de desempenho foram criadas para avaliar trabalhos, muitas vezes repetitivos, e de responsabilidade individual, e a inteligência artificial é capaz de automatizar muitas dessas tarefas. Os autores citam como exemplo um experimento de campo com mais de 750 trabalhadores. O acesso ao GPT-4, da OpenAI, aumentou a velocidade de execução de tarefas em mais de 25% e elevou a taxa de conclusão em 12,2%, além de produzir soluções de qualidade significativamente superior nas atividades que estavam dentro das capacidades do modelo.
Mas essa mesma pesquisa apontou o motivo pelo qual medir desempenho apenas com base na produção pode ser perigoso. Quando os participantes receberam uma tarefa que estava ligeiramente além das capacidades da IA, aqueles que tinham acesso à ferramenta tiveram 19% menos chance de chegar à solução correta do que aqueles que não a utilizaram.
Segundo os autores, se o sistema de avaliação recompensa apenas a rapidez na entrega, sem verificar a precisão dos resultados, ele incentiva as pessoas a produzir pela velocidade ou pelo volume de entregas, arriscando o negócio.
Além disso, eles apontam que métricas tradicionais interpretam de forma equivocada onde o valor realmente é gerado. Um outro estudo apontou que o uso da IA aumentou a produtividade em cerca de 14%, em média, mas esses ganhos ficaram concentrados entre os profissionais menos experientes. Já os trabalhadores mais experientes obtiveram apenas pequenos ganhos de velocidade e apresentaram uma leve queda na qualidade das entregas. Mas esses são os profissionais que agregam valor ao diagnosticar problemas, identificar casos excepcionais, validar premissas e orientar outras pessoas sobre quando não confiar na ferramenta.
Outra preocupação é a proliferação do chamado “workslop“, como é chamado o trabalho produzido rapidamente, mas com baixa qualidade, gerado por IA ou com seu auxílio, e caracterizado por redundâncias, erros e baixo valor informacional.
Além disso, a ascensão da IA agêntica tornou o desafio de medir desempenho ainda mais complexo. Até agora, a maioria das organizações tratava a IA como uma ferramenta utilizada individualmente pelos funcionários. Quando os resultados passam a ser produzidos por sistemas híbridos formados por pessoas e IA, os modelos de avaliação precisam mudar também.
Fora isso, as métricas desalinhadas representam apenas metade do problema. A outra questão é que a própria gestão de desempenho já estava falhando antes da chegada da IA generativa. A combinação de métricas inadequadas com sistemas de gestão de desempenho já deficientes está criando um déficit de confiança.
Um novo modelo para medir desempenho
Com base nas pesquisas mais recentes e em experiência apoiando empresas na implementação de IA, os autores propõem um modelo de avaliação. Ele é estruturado em três camadas, que separam o desempenho das pessoas, dos sistemas e agentes de IA e do trabalho produzido em conjunto por humanos e inteligência artificial.
Cada camada deve conter um conjunto reduzido de métricas, revisadas com frequência (mensal ou trimestralmente) e vinculadas a decisões concretas, como desenvolvimento profissional, dimensionamento de equipes, promoções e governança das ferramentas. Confira:
1) Métricas de contribuição humana
Para entender como as pessoas realmente estão desempenhando seu trabalho, é preciso deixar de focar em resultados que a IA pode inflar e passar a avaliar capacidades que ela não consegue substituir. Três delas tendem a ser essenciais em diferentes funções, segundo os autores.
- Capacidade de julgamento dos limites da IA – Até que ponto uma pessoa consegue identificar, de forma consistente, quando a IA está atuando além de suas capacidades? E o que ela faz em seguida?
- Orquestração – A pessoa consegue utilizar ferramentas de IA para aumentar a produtividade da equipe como um todo, e não apenas a sua própria? Em outras palavras, ela consegue potencializar o trabalho dos colegas?
- Velocidade de aprendizagem – Organizações que investem de forma estruturada no desenvolvimento de competências em IA enviam uma mensagem importante: dominar essas ferramentas é um caminho para o crescimento profissional, e não uma ameaça ao emprego. A pessoa consegue se adaptar à medida que ferramentas, processos e políticas evoluem?
2) Métricas para sistemas e agentes de IA
Avaliar apenas a precisão do modelo ou sua disponibilidade não é suficiente, especialmente no caso de agentes de IA. Três dimensões fornecem uma visão muito mais completa.
- Cumprimento dos objetivos – O agente de IA realmente realizou aquilo para o qual foi projetado, respeitando os limites definidos?
- Explicabilidade e rastreabilidade – É possível entender por que a IA tomou determinada decisão? E comprovar esse processo?
- Qualidade do escalonamento – Quando o agente encontra uma situação que ultrapassa aquilo que deveria resolver sozinho, ele age de maneira adequada? Os autores argumentam que esta talvez seja a dimensão mais importante para agentes de IA, pois é justamente ela que garante, na prática, a supervisão humana.
3) Métricas do sistema humano-IA
Por fim, é necessário avaliar se a combinação entre pessoas e inteligência artificial produz resultados melhores do que qualquer uma das partes conseguiria sozinha.
Embora essa seja uma distinção extremamente importante, ela também é difícil de medir, pois exige grande volume de dados. Para organizações que disponham dessa capacidade analítica, os autores sugerem analisar, por exemplo, a proporção do trabalho em que os seres humanos praticamente deixaram de participar do processo e a proporção de casos em que a participação humana fez diferença de forma comprovada, seja identificando um erro, reformulando um problema ou acrescentando julgamento contextual.
O sucesso da IA depende do valor humano
As empresas que sairão na frente serão aquelas capazes de redesenhar seus sistemas de gestão de desempenho para tornar visível aquilo que hoje permanece invisível: a capacidade de julgamento sobre os limites da IA, a qualidade da colaboração entre pessoas e inteligência artificial e a responsabilização pelos resultados alcançados.
Para os autores, o momento de agir é agora, com redesenho do fluxo de trabalho, implementação de um modelo de avaliação baseado em três camadas e que responda a questões sobre responsabilização antes do primeiro incidente.
Por: Thâmara Kaoru
