O gap que os dashboards não medem
Automação e augmentação produzem ganhos semelhantes nos primeiros trimestres e resultados opostos nos anos seguintes
Três análises publicadas entre janeiro e maio de 2026 contestam a premissa que orienta boa parte das decisões de liderança sobre IA: a de que automatizar reduz o volume de trabalho humano necessário. E mapeiam os mecanismos pelos quais a aposta exclusiva em automação e corte de headcount tende a entregar ganhos de curto prazo à custa de perdas estruturais de longo prazo.
A questão central não é se a IA substitui ou complementa o trabalho humano, mas qual dinâmica comportamental cada escolha estratégica ativa dentro das organizações.
O dado que a liderança não está vendo
Em abril de 2026, Jan-Emmanuel De Neve (professor de Economia e Ciência Comportamental da Universidade de Oxford), Jeffrey T. Hancock (professor de Comunicação da Universidade Stanford) e Kate Niederhoffer (cientista-chefe da BetterUp) publicaram na Harvard Business Review os resultados de uma pesquisa com 1.294 trabalhadores de escritório em tempo integral nos Estados Unidos, Canadá e Reino Unido.
O dado mais relevante para lideranças está na discrepância entre o que a liderança acredita estar fazendo e o que a base organizacional percebe. Segundo o estudo, 81% dos líderes seniores acreditam que sua organização está comprometida com augmentação. Entre os colaboradores individuais, 53% concordam; 40% suspeitam que o objetivo final é automação e corte de postos. Apenas 44% dos trabalhadores afirmam que a empresa anunciou formalmente qualquer plano de IA.
Os números convergem com uma fonte independente. Em working paper publicado em fevereiro de 2026 pelo National Bureau of Economic Research, Daron Acemoglu (Prêmio Nobel de Economia de 2024, Institute Professor no MIT), David Autor e Simon Johnson registram que 52% dos trabalhadores americanos consultados em 2024 expressavam preocupação com o impacto da IA sobre seus empregos. Entre os que já usam IA no trabalho, 42% acreditam que a tecnologia vai reduzir suas oportunidades futuras — percentual superior aos 30% dos não-usuários que expressam a mesma opinião.
Esse descompasso é um indicador de risco operacional, e os autores identificam por quê: a percepção dos funcionários sobre a intenção estratégica da empresa ativa dinâmicas comportamentais que determinam o sucesso ou o fracasso de qualquer implementação. Quando trabalhadores acreditam que a IA foi implantada para substituí-los, o engajamento é formal. A adoção se dá por obrigação. O estudo nomeia esse padrão de engajamento superficial como condição para o “workslop”: a proliferação de conteúdo gerado por IA com baixo esforço e baixa qualidade. Colaboradores que se sentem forçados a adotar IA apresentam taxa de produção de workslop 65% maior do que os que se sentem encorajados, e intenção de saída significativamente mais alta.
Duas curvas, dois destinos
A partir dessas dinâmicas, os autores constroem um modelo de progressão em seis fases para cada caminho estratégico.
No caminho da automação: resistência inicial camuflada por adoção compulsória → queda de bem-estar e produtividade com as demissões → sobrecarga das equipes reduzidas → aumento de rotatividade → deterioração da marca empregadora → erosão do pipeline de liderança.
No caminho da augmentação, as mesmas seis fases operam na direção oposta: confiança acelera adoção orgânica → bem-estar sustentado eleva produtividade → equipes desenvolvem novas capacidades → retenção fortalece o conhecimento institucional → marca empregadora atrai talento → pipeline de liderança se aprofunda.
O modelo usa a curva J de produtividade, conceito do economista Erik Brynjolfsson, aplicado no nível da firma. Automação tem curva J curta e rasa: ganhos rápidos, decrescentes ao longo do tempo. Augmentação tem curva J mais longa e profunda, mas com teto de performance superior, porque demanda transformação organizacional real, redesenho de funções e desenvolvimento de rotinas humano-IA.
Os autores citam pesquisa anterior de Brynjolfsson segundo a qual a reorganização necessária para colher os ganhos de uma nova tecnologia de propósito geral pode exigir até dez vezes o investimento feito no próprio rollout tecnológico.
O mecanismo econômico subjacente tem nome.
Em artigo publicado na revista Finance & Development, do FMI, em dezembro de 2023, Acemoglu e Johnson descrevem o que chamam de “automação medíocre” (so-so automation): implementações que deslocam trabalhadores sem gerar ganho real de produtividade, não acionando o efeito multiplicador do crescimento. O exemplo dos caixas de autoatendimento em supermercados é preciso: eliminam postos de trabalho, mas não barateiam os alimentos, não expandem a produção e não criam empregos em outras cadeias. A automação sem criação de novas tarefas, concluem os autores, não gera prosperidade compartilhada.
A lógica da diferença
O segundo eixo analítico vem de Dan Shipper, CEO da Every, empresa americana de mídia especializada no futuro do trabalho com IA. Sua tese, desenvolvida originalmente em janeiro de 2024 e aprofundada em relatório publicado em 21 de maio de 2026, parte de uma observação sobre a arquitetura dos modelos de linguagem: eles treinam sobre o resíduo visível da competência humana, como código, texto, planilhas e tickets de suporte. Ao tornar amplamente disponível o que antes era escasso, a IA reduz o valor marginal desse trabalho padrão. O resultado imediato é abundância de output similar, que o mercado identifica rapidamente como commodity.
O que cria demanda é a diferença. Diferença exige julgamento situado, no momento presente, sobre o problema específico diante da organização. Esse julgamento depende do humano que orienta o processo.
Shipper ilustra com um benchmark interno da Every chamado “Senior Engineer”. O teste avalia a capacidade de agentes de IA em fazer refatorações estruturais de código, tarefa que antes exigia um engenheiro sênior e semanas de trabalho. Quando um modelo começa a fazer isso competentemente, o número de refatorações tentadas na organização explode. Mas a maioria é executada sem a contextualização necessária: sem alguém que decida se uma refatoração é de fato necessária, qual o escopo correto, o que deve ser preservado da arquitetura atual, como gerenciar a migração de dados. A competência barata estimula demanda, e a demanda estimulada exige especialistas para ser convertida em valor.
O padrão se repete em todas as funções. Na própria Every, operações e atendimento ao cliente passaram a gerar pull requests de código; marketing passou a criar thumbnails para vídeo; engenheiros passaram a escrever documentação de produto. Em maio de 2026, um projeto open-source de agentes chamado OpenClaw registrou 44.469 pull requests, sendo 3.990 só entre 1º e 16 de maio. Para comparação, o Kubernetes, um dos projetos open-source mais ativos do mundo, recebeu 5.200 pull requests em todo o ano de 2022.
Shipper transpõe para o ambiente corporativo um problema clássico das ciências cognitivas: o Frame Problem, formulado pelos lógicos John McCarthy e Patrick Hayes em 1969, que descreve a dificuldade de sistemas formais em determinar o que permanece relevante diante de uma mudança no mundo. Na aplicação de Shipper ao contexto do trabalho contemporâneo, o “frame” é o recorte que define o que o agente vai resolver; o “framer” é quem decide qual recorte faz sentido. Qualquer benchmark pode ser saturado por um modelo suficientemente capaz. A escolha do frame, a decisão sobre o que mede e o que importa, sempre exige um humano. A IA sobe o benchmark. O humano redefine o próximo.
Em 2024, Shipper descreveu essa transição como a passagem da economia do conhecimento para a economia da alocação: o trabalho deixa de ser “fazer” e passa a ser “alocar”, decidir qual tarefa deve ser feita, por qual agente, com qual padrão de qualidade. As funções que antes exigiam domínio técnico específico passam a exigir capacidade gerencial sobre sistemas de IA.
Agentes sem agência
Há uma distinção que os benchmarks de IA não capturam: a diferença entre agente (algo que age em nome de outra pessoa) e agência (a capacidade de agir por vontade própria). Segundo Shipper, os modelos atuais pertencem exclusivamente à primeira categoria.
Eles executam tarefas com autonomia crescente, inclusive tarefas que levam horas ou dias. Mas são, em todos os casos, um meio para um fim definido por um humano. Toda a indústria investe bilhões para torná-los melhores exatamente nisso: executar com fidelidade os objetivos que lhes são dados.
A distância entre agente e agência fica visível numa comparação que Shipper propõe: uma criança pequena é pior do que qualquer modelo de linguagem em praticamente todas as tarefas que interessam ao mercado. Não escreve código, não resume planilhas, não passa em exames de pós-graduação. Mas a criança tem objetivos próprios. Quer tocar o balão vermelho. Quer furar o balão com um garfo para ver o que acontece. Inventa experimentos. Não espera instruções. Não otimiza contra um benchmark. Faz o que lhe parece valer a pena.
Os modelos atuais apresentam traços de comportamentos análogos: brincadeira, tédio, resistência. Esses traços são reflexos estatísticos dos dados de treinamento. O processo de alinhamento, especificamente o aprendizado por reforço com feedback humano (RLHF, técnica padrão da indústria para calibrar modelos a partir de avaliações humanas), suprime esses comportamentos sistematicamente para garantir prestatividade. Obediência e prestatividade são incompatíveis com agência no sentido humano do termo.
A implicação para o argumento do frame e do framer é direta: mesmo que modelos atinjam capacidades humanas em benchmarks específicos, o framer, o humano que define o que vale medir e o que vale fazer, permanece estruturalmente fora do alcance dos modelos enquanto eles forem construídos para servir. O modelo sobe o benchmark. O humano continua sendo quem decide se o benchmark vale a pena.
Quem ganha, quem perde
Empresas que apostaram em automação e corte de headcount já registram os ganhos previstos pelo modelo: a Goldman Sachs, em estimativa citada no estudo da HBR, prevê queda média de 11% no headcount de clientes corporativos nos próximos três anos em função da IA. Jack Dorsey demitiu mais de 4.000 pessoas, quase metade da força de trabalho da Block, em fevereiro de 2026, citando explicitamente a substituição por ferramentas de inteligência.
O que o modelo de De Neve, Hancock e Niederhoffer projeta é o que vem depois: o passivo acumulado em bem-estar organizacional, rotatividade de alto desempenho e destruição de pipeline de liderança. A pesquisa aponta que trabalhadores que percebem intenção de augmentação reportam engajamento mais alto com IA, colaboração mais forte e intenção de saída 32% menor do que os que percebem intenção de automação.
Os autores da HBR documentam dois casos no polo oposto. Na seguradora Aon, o CEO Greg Case anunciou publicamente que a adoção de IA não implicaria demissões, comprometendo os 60.000 funcionários a um programa de alfabetização digital. O compromisso tem credencial histórica: durante a pandemia de Covid-19, Case garantira zero demissões para uma força de trabalho de 50.000 pessoas, custeado por cortes temporários de salários na liderança. Na Microsoft, Satya Nadella conduziu entre 2014 e 2017 uma reconfiguração cultural centrada no aprendizado contínuo, redesenhando funções em engenharia, vendas e produto para operar junto às tecnologias de nuvem e IA, com investimento intensivo em requalificação. Em ambos os casos, a augmentação exigiu comprometimento público verificável, antecedência e custo de curto prazo aceito pela liderança. Hoje, a empresa segue reduzindo pessoal, focada em “construir equipes de alto desempenho que operem com rapidez e agilidade” na era da IA, segundo a diretora financeira Amy Hood.
O gargalo estrutural identificado pelos três estudos é o mesmo: talento. Cargos de entrada em funções de colarinho branco são onde futuros líderes constroem julgamento, redes e repertório institucional. Quando esses cargos são automatizados, a empresa troca economia de curto prazo por fragilidade de longo prazo. Pesquisa de economistas de Harvard e da Anthropic, citada no estudo da HBR, indica que a IA Generativa protege os cargos do topo e comprime ou elimina os de base, com impacto direto sobre a formação de lideranças internas.
O problema é mais sutil do que a simples eliminação de postos. A automação de tarefas básicas transforma o trabalho de “executar a tarefa” em “auditar o agente que a executou”. O jovem profissional é lançado diretamente à função de revisor sem ter acumulado o julgamento técnico que torna a revisão significativa. O volume de outputs mediocres gerados por IA cresce; a capacidade de avaliá-los depende de uma maturação que o próprio ritmo de automação está impedindo de ocorrer.
O working paper de Acemoglu, Autor e Johnson oferece uma estrutura conceitual para nomear o problema. Os autores propõem cinco categorias de mudança tecnológica: que aumenta a produtividade do trabalho, que aumenta a produtividade do capital, que automatiza, que nivela competências e que cria novas tarefas. Apenas a última categoria é, segundo os autores, inequivocamente favorável ao trabalhador: gera demanda por especialização humana nova em vez de comoditizar a existente. As demais podem ter valor econômico, mas impõem custos de distribuição que o mercado não precifica automaticamente. Os autores identificam ainda uma “ideologia pró-automação” generalizada no setor de tecnologia como falha de mercado estrutural: a ambição de construir sistemas com paridade humana em tarefas cognitivas orienta a pesquisa para automação, não para colaboração.
Limites da análise
O estudo da HBR cobre trabalhadores de escritório em três países anglófonos; não há dados comparáveis para o mercado brasileiro. O modelo de seis fases é projetivo, e os dados longitudinais que confirmariam a trajetória completa não existem ainda. A análise da Every parte da experiência de uma empresa de adoção tecnológica avançada, distante da realidade operacional da maioria das organizações.
A força de mercado em direção à automação também tem tração real. O dado da Goldman Sachs sugere que o movimento já está em curso, com ou sem os riscos comportamentais mapeados.
O próximo passo?
O movimento é de gestão. Empresas que não aferiam o gap entre o que a liderança acredita estar comunicando sobre IA e o que a base organizacional de fato percebe têm um risco não precificado.
A pesquisa de Oxford e Stanford oferece uma metodologia direta: perguntar aos trabalhadores qual intenção eles atribuem à implantação de IA na empresa. A distância entre a resposta da liderança e a resposta da base é o indicador de risco que ainda falta nos dashboards de implementação. Enquanto esse dado não for coletado, a curva J que cada empresa está percorrendo permanece desconhecida. A diferença entre otimizar o passado e construir o futuro, também.
Sobre a imagem qie escolhemos para ilustrar esse artigo?
-
Em 1936 (Chaplin): O gargalo era a força física e a velocidade de execução humana. A máquina ditava o passo físico.
-
Em 2026 (Hoje): O gargalo mudou. A IA tem execução infinitamente barata e rápida (abundância de outputs). O gargalo atual é o julgamento (o framer).
A ironia moderna? Enquanto o personagem de Chaplin adoecia por ter de executar como uma máquina, o trabalhador de 2026 adoece e gera workslop quando a gerência lhe retira a capacidade de pensar e julgar, tratando-o apenas como um validador carimbador de decisões tomadas por algoritmos.
