Meta de uso de IA compra aparência, não aprendizado

Numa pesquisa da Visier com 1.000 funcionários em tempo integral nos Estados Unidos, divulgada em setembro de 2026, 48% afirmaram ter exagerado, ao menos às vezes, quanto usam IA ou quanto dominam a ferramenta, diante de colegas ou da liderança. A explicação corrente é que as pessoas estão pressionadas e inseguras. A pergunta que costuma faltar é de quem pediu o número: se metade pode exagerar sem custo, o que uma meta de uso de IA consegue enxergar, e quanto a sua empresa paga por isso? ^{[1] afirmação da fonte original}

A Visier chama o fenômeno de “IA performática” (performative AI): superestimar o uso para corresponder ao que o empregador espera. ^{[1] afirmação da fonte original} Andrea Derler, autora do relatório, descreve essas pessoas como participantes que cumprem o gesto, sem incorporar a ferramenta ao trabalho de forma significativa, ou sem saber como. ^{[1] afirmação da fonte original} Ela faz questão de dizer que não culpa o funcionário, e o ponto deste texto é o mesmo: o comportamento é previsível. O que interessa é o que ele faz com a informação que chega à diretoria.

Exageraram uso ou domínio

48%

Parcela dos 1.000 respondentes que diz ter exagerado o uso de IA ou a própria expertise, ao menos às vezes, para colegas ou liderança. É declaração própria, em pesquisa nos Estados Unidos. Não quer dizer que 48% dos funcionários não usam IA.

Sentem pressão sem saber usar

45%

Parcela que sente pressão para usar IA mesmo sem confiança de saber usá-la bem. Mede sensação declarada, não o efeito no trabalho.

Dizem que a liderança entende

28%

Parcela que afirma que os líderes “entendem plenamente” como os funcionários usam a tecnologia. Os outros 72% dizem algo menos do que isso, e a reportagem não detalha o quê.

Há um quarto dado, da Business Insider: 59% dos funcionários não sabem se o empregador tem um plano para o efeito da tecnologia na empresa, ou acham que não tem. ^{[2] afirmação da fonte original} O relatório conecta os dois lados, a falta de confiança no plano e a falta de confiança em que a liderança entende, ao comportamento performático. A parte prática da resposta da Visier é conhecida: treinamento (32% pediram), transparência dos líderes (31%) e espaço para falar de erros. ^{[1] afirmação da fonte original}

Comece pelo que a diretoria quer saber. Ao pedir um número de adoção de IA, a pergunta de fundo é: onde ela gera valor, e onde vale pôr mais dinheiro? Esse é o mundo que se quer distinguir. Um mundo em que a ferramenta ajuda de verdade em poucas tarefas, outro em que ajuda em quase todas.

Um número só serve a essa pergunta se for diferente nos dois mundos. Uma conta ilustrativa, nossa, sem relação com dado de empresa real: uma empresa tem 10 equipes, e a meta é que todas usem IA toda semana.

1. 1

   Mundo A: a IA ajuda em 3 das 10 equipes

   As 3 usam porque rende. As outras 7 foram cobradas, e algumas usam para marcar presença. Taxa de uso reportada: 10 de 10.

2. 2

   Mundo B: a IA ajuda em 10 das 10 equipes

   Todas usam porque rende. Taxa de uso reportada: 10 de 10.

3. 3

   O que a diretoria vê

   O mesmo painel, nos dois mundos. O número que custou tempo para coletar não distingue a situação em que o investimento deve triplicar da situação em que deve ser revisto.

É uma simplificação, claro: na vida real nem todo mundo exagera (a pesquisa fala em 48%, e “ao menos às vezes”). Mas a lógica não depende de todos mentirem. Basta que reportar uso seja barato e que não usar tenha custo, para que o número perca a capacidade de separar os dois mundos na proporção em que isso acontece. Em primeiros princípios, a meta não corrompeu uma boa medida. Ela criou uma medida que nunca separou o que importa.

Há um segundo achado dentro da conta. Se o uso é obrigatório, o silêncio sobre o que não funcionou passa a ter valor. Quem diz “tentei e não serviu” fica exposto a ser lido como quem não se esforçou. O dado de que a empresa mais precisa, o mapa do que a IA não faz bem no seu trabalho específico, é justamente o que a meta torna caro de entregar. A pesquisadora diz algo parecido em outras palavras: a meta de uso faz perder aprendizado sobre onde a tecnologia ajuda e onde não, e ela reconhece que essa não é uma mensagem conveniente (tradução nossa). ^{[1] afirmação da fonte original}

Em “On the Folly of Rewarding A, While Hoping for B” (Sobre a insensatez de recompensar A esperando B), Steven Kerr abre com uma constatação: a maioria dos organismos busca informação sobre o que é recompensado e passa a fazer aquilo, ou, nas palavras dele, “ao menos finge fazer”, quase excluindo o que não é recompensado. ^{[3] afirmação da fonte original} Seus exemplos vão da política à medicina. Um deles, de uma empresa que queria desempenho e premiava assiduidade, termina com a frase: a empresa esperava desempenho, recompensava assiduidade e “o que obteve, claro, foi assiduidade”. ^{[3] afirmação da fonte original}

Kerr também lista por que isso é tão comum, e dois dos motivos descrevem a meta de uso de IA quase sem adaptação. O primeiro é a fascinação por um critério “objetivo”: gestores gostam de padrões simples e quantificáveis, que funcionam onde a tarefa é previsível e causam deslocamento de objetivo no resto. O segundo é o excesso de peso em comportamentos muito visíveis: partes da tarefa são fáceis de observar e outras não. ^{[3] afirmação da fonte original} Usar a ferramenta aparece num painel. Saber quando não usar, e por quê, não.

Aplicado aqui, a meta de uso recompensa A (usar), e a empresa espera B (saber onde a IA gera resultado). O que a meta compra, de forma confiável, é A. A pesquisa da Visier mostra o quanto isso já aconteceu: quase metade admite ter feito o gesto sem o conteúdo.

Aqui está o que fica invisível. Cada equipe que experimenta IA gera dois tipos de informação: o que funcionou e o que foi tentado e abandonado. O primeiro costuma ser contado, e muitas vezes comemorado. O segundo é o que decide onde investir, e quase nunca vai a lugar nenhum.

1. 1

   Cobra-se o uso

   A liderança, sem ver como as pessoas usam (só 28% dizem que ela entende plenamente), pede o que consegue ver: contagem de uso.

2. 2

   Reportar abandono vira risco

   Dizer que tentou e não adiantou se parece, no painel, com não ter tentado. O uso é reportado de qualquer jeito.

3. 3

   A empresa aprende só pela metade

   Ela fica com os casos de sucesso, sem o limite deles. Tende a esticar o que funcionou em um lugar para onde não funciona, e a pagar por isso duas vezes: pela licença e pelas horas gastas em fazer parecer.

Os dois últimos itens da cadeia são hipóteses nossas. Não há, na pesquisa, medição do custo do exagero. O que existe é a conclusão da autora de que a prática é cara quando se trata de um aprendizado que a empresa precisa fazer, e rápido. ^{[1] afirmação da fonte original}

O mesmo desenho explica por que o remédio mais citado (treinar e ser mais transparente) é necessário e insuficiente. Treinamento reduz a insegurança de quem quer usar bem. Mas se a pergunta continuar sendo “quanto você usa?”, a pessoa treinada vai usar, e o painel continuará sem separar os dois mundos. Quem muda o que mede muda o que recebe.

O primeiro efeito da meta é visível e inofensivo: o painel fica verde. O que importa é o que acontece depois, quando a diretoria decide em cima dele. Tudo o que segue é leitura da Invisible Work, sem medição na pesquisa, e por isso vem como cadeia de hipóteses.

1. 1

   Primeira ordem: o painel mostra adesão total

   A taxa de uso sobe e fica estável. Ninguém na diretoria tem motivo para desconfiar de um número que só melhora.

2. 2

   Segunda ordem: o dinheiro vai para o lugar errado

   Sem o mapa do que não funcionou, o orçamento se espalha por todas as equipes que “usam”, inclusive onde a IA não rende. O que quem experimenta de verdade aprende vai para conversas informais, longe do registro. E quem diz “não serviu” passa a ser lido como resistente, enquanto quem sabe parecer engajado ganha reputação de líder em IA.

3. 3

   Terceira ordem: a empresa tira a conclusão errada

   Quando o retorno não aparece, a conclusão disponível é “a IA não funciona”, porque a empresa não sabe separar onde funcionou de onde nunca foi testada. Ela pode cortar o investimento nas equipes em que rendia e manter nas que só marcavam presença. É o erro que a medida produziu, atribuído à ferramenta.

4. 4

   Terceira ordem, de pessoas: a liderança enxerga ainda menos

   Quem sobe na carreira é quem melhor parece usar IA. Em alguns anos, as pessoas que decidem sobre IA são as que menos viram a ferramenta falhar. Fecha-se o ciclo da pesquisa: só 28% dizem que a liderança entende como se usa, e esse número tende a piorar quando a seleção favorece a aparência.

5. 5

   E o concorrente do outro lado

   Uma empresa que guarda o mapa do abandono sabe em quais 3 das 10 equipes a IA rende e põe o dinheiro ali. Ela não precisa de mais gente usando IA que a sua. Precisa de menos desperdício. A vantagem aparece em custo, não em adoção.

O método abaixo aplica o raciocínio de Kerr a cada número de IA que a empresa cobra. Não propõe abandonar metas, e sim trocar o que elas medem.

1. 01

   Liste os números de IA que chegam à diretoria.

   Licenças ativas, equipes que usam, consumo, horas “economizadas” declaradas. Escreva quem produz cada um e se há alguém que checa.

2. 02

   Para cada um, pergunte se ele muda quando a IA não ajuda.

   Se o número seria o mesmo com a ferramenta rendendo muito ou pouco, ele informa sobre adesão, não sobre resultado. Decida se adesão é mesmo o que você quer saber.

3. 03

   Veja o que acontece com quem diz “tentei e não serviu”.

   Na prática: esse relato é bem-vindo, ignorado ou punido? Quem o fez foi tratado como alguém que aprendeu ou como alguém resistente?

4. 04

   Passe a pedir o abandono explicado, ligado a uma decisão.

   Por exemplo, em cada processo em que a IA foi testada: o que foi tentado, o que não serviu, em que condição serviria, e que decisão de investimento depende disso. É hipótese nossa a testar em duas ou três equipes antes de estender.

O aviso vem da própria lógica: a medida nova também pode ser jogada. Se a empresa premiar quem reporta fracasso, vai receber fracassos inventados, pelo mesmo mecanismo. Uma saída, também hipótese nossa, é não premiar nenhum dos dois lados e ligar o relato a algo que muda de verdade: a decisão de investir, parar ou redirecionar, e uma checagem por amostragem do trabalho em si, em vez do painel. O ponto é que o dado volte a custar para quem o falsifica.

O relatório da Visier não pôde ser aberto por este texto, e os números vêm de duas reportagens que o citam. A Visier vende software de dados de pessoas, o que não invalida a pesquisa, mas é um interesse a considerar. É uma pesquisa de 1.000 respondentes dos Estados Unidos, com respostas declaradas (quanto exagera, quanto sente pressão), e não há dado brasileiro. A reportagem afirma que o relatório atribui o exagero à falta de confiança nos líderes, e este texto não testou essa relação de causa. “Ao menos às vezes” é bem menos do que “sempre”. As contas de 10 equipes são ilustrações nossas. A relação com Kerr é de mecanismo: ele não tratava de IA, e não mediu metas de uso. Toda a leitura sobre a perda do mapa do que não funcionou, os efeitos de custo e o teste em quatro perguntas são da Invisible Work, e não resultados da pesquisa.

Seis perguntas para quem define metas, orçamento ou prioridades de IA numa empresa.