IA na gestão de desempenho: feedback, metas e rascunhos de avaliação

Por Kevin Kim · Atualizado em 11 de outubro de 2026

IA na gestão de desempenho significa usar software, em geral um grande modelo de linguagem, para ajudar com a papelada e os estímulos em torno do desempenho: redigir e refinar metas, coletar e resumir feedback ao longo do ano e preparar primeiros rascunhos de avaliações que o gestor depois edita, assume e entrega. Ela acelera a escrita e a identificação de padrões. Não decide, e não deveria decidir, quem recebe uma nota alta, ganha mais ou é promovido.

Este guia é para líderes de RH, gestores de pessoas e qualquer pessoa a quem peçam para aprovar um recurso de "avaliação assistida por IA". Ele cobre o que a IA faz bem em cada etapa do ciclo, onde ela erra sem alarde e como configurá-la para que os gestores continuem responsáveis por cada julgamento sobre uma pessoa. Ele faz parte da seção IA em RH. Se a sua pergunta é outra, como avaliar pessoas cujo próprio trabalho tem forte apoio de IA, isso é tratado em gestão de desempenho quando a IA faz o trabalho.

Fatos Principais

• Uma meta-análise de intervenções de feedback na Psychological Bulletin reuniu 607 tamanhos de efeito de 23.663 observações. O feedback elevou o desempenho em média (d = 0,41), mas mais de um terço dos efeitos foi negativo (Kluger e DeNisi, 1996, APA). Mais feedback não é automaticamente um feedback melhor.
• A pesquisa sobre definição de metas constata que metas específicas e difíceis levam a um desempenho maior do que pedir às pessoas que "façam o seu melhor", com tamanhos de efeito em meta-análises entre 0,42 e 0,80, e que metas acompanhadas de feedback resumido superam metas isoladas (Locke e Latham, 2002, American Psychologist).
• A Gallup constatou que 61% dos colaboradores que recebem de seu gestor feedback e reconhecimento pelo menos semanalmente estão engajados, contra 38% dos que recebem feedback semanal, mas menos reconhecimento. Apenas 27% dos colaboradores disseram que gostariam de receber feedback do gestor pelo menos semanalmente (Gallup, outubro de 2024).
• Pesquisadores que testaram LLMs em 600 redações de estudantes constataram que trocar pistas de gênero mudava mais o feedback no sentido masculino para feminino do que no inverso, com feedback mais controlador diante de pistas femininas (Du, Borchers e Cukurova, arXiv). Eram dados de educação, não do ambiente de trabalho, mas o mecanismo é o que o RH deve testar.
• O Anexo III do EU AI Act lista como de alto risco os sistemas de IA destinados a tomar decisões sobre promoção ou rescisão, a distribuir tarefas com base em comportamento ou características individuais ou a monitorar e avaliar o desempenho e o comportamento de trabalhadores (Regulamento (UE) 2024/1689, EUR-Lex). A Comissão afirma que as regras de alto risco para áreas como emprego valem a partir de 2 de dezembro de 2027 (European Commission).

O que a IA realmente faz no ciclo de desempenho

Nos termos do ACE Framework, as ferramentas de desempenho ingerem texto (documentos de metas, anotações de check-ins, comentários de pares) e alguns dados estruturados (notas, datas, alvos), analisam e resumem esse material e geram rascunhos. Os padrões são pesquisa generativa (reunir um ano de anotações) e copiloto de workflow (sugerir a próxima coisa que um gestor deve escrever ou fazer). Nada disso exige que um modelo preveja algo sobre uma pessoa, e as implantações mais seguras mantêm assim.

Veja como isso se encaixa no ciclo.

O resumo honesto: a IA é boa nos primeiros 80% da escrita e fraca nos últimos 20%, que carregam o julgamento de fato. Mantenha-a na primeira parte.

Definição de metas: onde a IA mais ajuda

A pesquisa sobre definição de metas é uma das constatações mais sólidas da psicologia aplicada. Metas específicas e difíceis superam o "faça o seu melhor", e a combinação de uma meta com feedback regular sobre o progresso supera a meta isolada. O problema na maioria das empresas não é a teoria, e sim que as metas são escritas uma vez por ano, às pressas, em linguagem vaga.

É aí que um assistente se paga. Dê a ele um objetivo aproximado e ele pode propor uma versão com uma medida, um prazo e um primeiro marco. Um gerente de customer success que escreve "melhorar a retenção" pode receber de volta "reduzir o churn no segmento mid-market da taxa atual para um alvo até o fim do T3, com revisão mensal das contas em risco". Um líder de equipe de software pode transformar "melhorar a qualidade do código" em uma meta sobre o tempo de resposta das revisões e os defeitos que escapam.

Três regras fazem isso funcionar.

1. O colaborador propõe, a ferramenta refina. Se a IA escreve a meta do zero, a pessoa não se comprometeu com ela, e o compromisso é o que faz as metas funcionarem.
2. Verifique você mesmo a dificuldade. Um modelo não sabe o que é um desafio para esta pessoa neste território. Os gestores devem ajustar o alvo depois de conversar a respeito.
3. Vincule as metas ao trabalho, não à atividade. Peça ao assistente que sinalize metas que medem esforço (ligações feitas, tickets fechados) quando o objetivo é um resultado. Isso importa ainda mais quando a IA infla a produção, o que é um problema à parte do tratado neste guia.

Feedback contínuo: útil, mas fácil de errar

A análise da Gallup de outubro de 2024 associa feedback frequente combinado com reconhecimento a um engajamento maior, e também mostra uma lacuna: apenas 27% dos colaboradores querem feedback semanal do gestor, e apenas um em cada quatro concorda totalmente que recebe feedback valioso das pessoas com quem trabalha. Isso deveria deixar qualquer um cauteloso com uma ferramenta cujo argumento de venda é "mais feedback, com mais frequência".

A meta-análise de Kluger e DeNisi é o contrapeso sóbrio. O feedback ajudou em média, mas mais de um terço dos efeitos foi negativo. Aplicando isso ao feedback assistido por IA, o conselho prático é claro.

• Use a IA para tornar o feedback específico e focado na tarefa. "A sequência de e-mails de onboarding que você lançou reduziu o time-to-first-use, e o segundo e-mail é o que precisa ser reescrito" vale mais do que "ótimo trabalho, continue assim" ou "você precisa ser mais estratégico".
• Use-a para resumir, não para pontuar. Reunir cinco comentários de pares em três temas recorrentes é um bom trabalho para um modelo. Produzir um número para a "colaboração" de alguém não é.
• Use lembretes, não volume. Um lembrete para um gestor que não faz uma conversa individual (one-to-one) há três semanas agrega valor. Um fluxo de elogios gerados automaticamente não.
• Mantenha o reconhecimento humano. Os dados da Gallup apontam para a combinação de feedback e reconhecimento vindos do gestor. Um agradecimento redigido por máquina que parece escrito por uma raramente conta. Combine isso com os sinais abordados em IA para o engajamento dos colaboradores.

Redação de avaliações: papelada mais rápida, riscos reais

A temporada de avaliações é quando os gestores gastam mais horas, e por isso é onde a IA parece mais tentadora. Um gestor cola suas anotações e metas, e o modelo devolve um texto estruturado em segundos. IA generativa para equipes de RH cobre as técnicas de redação; aqui está o que é específico das avaliações.

O que ela faz bem. Organiza anotações dispersas por meta, corrige a gramática, encurta parágrafos prolixos e oferece alternativas a expressões carregadas. Para um gestor que escreve doze avaliações por ano e não gosta de escrever, remove uma barreira real.

O que ela faz mal.

• Texto insosso e intercambiável. Os modelos produzem elogios plausíveis e críticas plausíveis. Dois colaboradores com anos muito diferentes podem acabar com parágrafos quase idênticos.
• Detalhes inventados. Um modelo a quem se pede para "desenvolver" uma anotação curta pode acrescentar conquistas ou incidentes que nunca aconteceram. É o problema da alucinação (alucinação da IA), e numa avaliação ele vira uma afirmação falsa no dossiê de alguém.
• Linguagem enviesada. A saída de um LLM reflete padrões dos seus dados de treinamento. No estudo de educação citado acima, trocas contrafactuais de gênero deslocaram o feedback, com mais linguagem de apoio à autonomia diante de pistas masculinas e mais linguagem controladora diante de pistas femininas. Outro artigo sobre cartas de recomendação escritas por LLMs encontrou viés de gênero significativo no estilo da linguagem e na escolha das palavras (Wan et al., arXiv). As avaliações de desempenho são o mesmo gênero de texto.
• Ancoragem. Um rascunho polido é difícil de contestar. Os gestores tendem a aceitá-lo e fazer ajustes, então o enquadramento do modelo se torna silenciosamente o veredito.

Uma disciplina simples ajuda: o gestor escreve primeiro o julgamento (a justificativa da nota, em poucas frases simples), e a IA ajuda com a estrutura e a redação ao redor, e não o contrário.

Exemplos reais por função

Vendas. Um gerente de vendas mantém anotações semanais em tópicos sobre cada vendedor. No meio do ano, o assistente agrupa as anotações por meta (cobertura de pipeline, win rate, precisão da previsão) e redige um resumo. O gerente remove duas afirmações que as anotações não sustentam, acrescenta contexto sobre uma mudança de território e escreve ele mesmo a justificativa da nota.

Engenharia. Um líder de equipe pede ao assistente que reescreva metas vagas como "cuidar da confiabilidade" em metas mensuráveis e depois as revisa com cada engenheiro. Os engenheiros questionam um dos alvos, e o número final é deles.

Suporte ao cliente. Um gerente de suporte usa a IA para resumir os temas dos comentários de garantia de qualidade e do feedback de clientes sobre cada atendente. O resumo vira o ponto de partida de uma conversa de coaching, não uma nota automática.

HR business partner. Antes da calibração, o parceiro faz uma verificação nos rascunhos de avaliação em busca de linguagem que difere por grupo: elogios vagos para algumas pessoas e elogios específicos para outras, comentários sobre personalidade no lugar de comportamento. Isso revela padrões para os gestores corrigirem. Não altera nenhuma nota por conta própria.

Equidade e responsabilidade do gestor

Duas perguntas decidem se isso dará certo: é justo, e quem responde quando não é?

Equidade. Trate qualquer processo de avaliação assistido por IA como algo a testar, não em que confiar. Compare a extensão, a especificidade e o tom dos rascunhos por gênero, idade, localidade e tempo de casa. Veja quem recebe "precisa ser mais assertivo" e quem recebe "ótimo jogador de equipe". Onde a lei permitir analisar características protegidas, confira as notas e os resultados de promoção por grupo antes e depois de introduzir a ferramenta.

Responsabilidade. O gestor assina a avaliação. Isso deve continuar valendo na política e na prática. Registre por escrito:

• A IA pode redigir e resumir, e o gestor é responsável por cada afirmação.
• O colaborador deve saber que a IA ajudou a preparar o documento e quais dados foram usados.
• Notas, remuneração e promoção são decididas por pessoas, com alguém capaz de explicar os motivos em linguagem simples. É o princípio human-in-the-loop (pessoa no circuito).
• Um colaborador pode pedir uma correção, e quem cuida dela é uma pessoa, não uma ferramenta.

Exposição jurídica. Na UE, o Article 22 do GDPR dá às pessoas o direito de não serem submetidas a uma decisão baseada exclusivamente em tratamento automatizado, incluindo a definição de perfis, que as afete de forma significativa, e suas salvaguardas incluem o direito à intervenção humana e de contestar a decisão (GDPR, EUR-Lex). O Anexo III do AI Act aponta na mesma direção para sistemas que avaliam trabalhadores. As regras em outros lugares diferem e continuam mudando, então envolva o jurídico em cada jurisdição. O teste prático: se a ferramenta influencia uma decisão sobre a remuneração, a promoção ou o emprego de alguém, trate-a como de alto risco e mantenha uma pessoa no comando.

Pontuações preditivas. Resista a usar dados de avaliação para prever quem vai sair ou quem tem "potencial" sem salvaguardas fortes. E conecte quaisquer decisões de remuneração vinculadas a notas à orientação de IA no planejamento de remuneração.

Como implementar IA na gestão de desempenho, passo a passo

1. Escolha uma etapa. Comece pela redação de metas ou pelo resumo de anotações. Têm menos riscos do que a nota ou a calibração.
2. Defina as linhas vermelhas. A IA não produz notas, rankings, recomendações de promoção nem justificativas de desligamento. Registre isso por escrito antes de qualquer piloto.
3. Corrija as entradas. Um modelo que resume anotações escassas ou unilaterais produz resumos escassos ou unilaterais. Combine quais evidências os gestores devem registrar ao longo do ano. Fundamentos de dados de RH para IA cobre a base necessária.
4. Escolha uma ferramenta com os controles certos. Procure uma configuração corporativa em que os dados dos colaboradores não sejam usados para treinar modelos públicos, o acesso seja limitado por perfil e cada rascunho mostre em que se baseou.
5. Treine os gestores. Cubra como escrever bons prompts, como identificar detalhes inventados e como reescrever o julgamento com as próprias palavras. Uma hora nisso vale mais do que uma apresentação das funcionalidades.
6. Faça um piloto com ciclo de feedback. Rode uma área por um ciclo. Pergunte aos gestores quanto tempo ele economizou e aos colaboradores se as avaliações pareceram mais ou menos precisas e pessoais.
7. Teste o viés. Compare rascunhos e resultados finais entre grupos. Corrija prompts e modelos quando encontrar diferenças.
8. Avise os colaboradores. Explique para que a IA é usada, para que não é e como levantar uma preocupação.
9. Meça o que importa. Acompanhe o tempo gasto por avaliação, as notas de qualidade dadas pelos colaboradores, as mudanças na distribuição das notas e o número de correções. O tempo economizado, sozinho, é a medida de sucesso errada.
10. Revise todo ano. Os modelos, as regulamentações e a sua própria força de trabalho mudam. Reconfirme as linhas vermelhas e os testes a cada ciclo.

Erros comuns

• Deixar o rascunho virar o veredito. Faça os gestores escreverem a justificativa da nota antes de verem qualquer texto da IA.
• Medir o volume de feedback. Frequência sem valor não ajuda. Apenas um em cada quatro colaboradores concorda totalmente que o feedback que recebe é valioso.
• Elogios gerados automaticamente. Os colaboradores percebem, e isso desvaloriza o reconhecimento de verdade.
• Detalhes sem revisão. Exija que os gestores confiram cada conquista ou incidente de um rascunho com suas anotações.
• Usar a ferramenta para classificar. Passar de resumir para pontuar transforma um auxílio de escrita em um sistema de alto risco.
• Pular o teste de viés. Se você não compara as saídas entre grupos, não vai saber.
• Nenhuma divulgação. O uso oculto da IA corrói a confiança no instante em que alguém descobre.

Próximos passos

• Para o quadro mais amplo de IA em RH, comece por IA em RH.
• Para ver como o trabalho assistido por IA muda o que você deve avaliar, leia gestão de desempenho quando a IA faz o trabalho.
• Para ferramentas no estilo de agente que montam o material de avaliação automaticamente, veja o agente de IA para avaliação de desempenho.
• Para ver como metas e feedback podem alimentar um inventário de habilidades, leia inferência de habilidades com IA.