Sentido, identidade e ofício na era da IA: o que acontece quando a IA assume a parte de que você mais gostava

Por Victor Hoang · Atualizado em 22 de setembro de 2026

Sentido no trabalho é a percepção de que o seu esforço importa, de que você fez a coisa em vez de apenas aprová-la e de que a sua habilidade é visivelmente sua. A IA embaralha essa percepção sempre que assume a parte exigente e absorvente de um cargo (a redação, o diagnóstico, o design) e deixa a pessoa supervisionando o resultado. A perda não é sentimental. Ela aparece nos índices de engajamento, em quem permanece na empresa e em quanto esforço espontâneo as pessoas dedicam a um trabalho que já não sentem como seu.

A maioria das conversas sobre IA e empregos se concentra em número de vagas e de tarefas. Poucas perguntam o que acontece com quem mantém o emprego, mas perde a parte que o tornava bom no que faz e que o fazia se reconhecer no trabalho. Essa pergunta tem décadas de pesquisa sobre motivação por trás, não porque os pesquisadores tenham antecipado a IA generativa, mas porque os mecanismos de maestria, propriedade e identidade já estavam bem mapeados antes de a IA chegar para testá-los em escala.

Fatos principais

• Apenas 18% dos funcionários dos EUA dizem que o emprego atual tem um propósito em que acreditam pessoalmente, e 45% dizem que trabalham principalmente para receber o salário. A pesquisa da Gallup de agosto de 2025, com 4.475 adultos em atividade, também mostrou que a lacuna aparece no outro sentido: 30% dizem que o emprego ideal teria propósito pessoal, bem acima dos 18% que sentem isso hoje. Gallup, "Purposeful Work Boosts Engagement, but Few Experience It"
• A Teoria da Autodeterminação sustenta que autonomia, competência e pertencimento são necessidades, não preferências, e que frustrar qualquer uma delas gera custos mensuráveis para a motivação e o bem-estar. Quatro décadas de pesquisa de Deci e Ryan indicam que o tipo de motivação (autônoma versus controlada) prevê desempenho e persistência melhor do que a quantidade dela. Self-Determination Theory, official theory page
• As pessoas pagam 63% a mais por um móvel que elas mesmas montaram do que por uma peça idêntica já pronta, mas só se terminaram a montagem. Os estudos de Norton, Mochon e Ariely sobre o "efeito IKEA" mostraram que o ganho de valor vindo do esforço desaparece assim que a tarefa é abandonada ou destruída antes de ser concluída. Norton, Mochon & Ariely, Journal of Consumer Psychology (2012)
• Entre todos os eventos de um dia de trabalho, o pequeno progresso visível em algo significativo é o que mais influencia o humor, a motivação e a visão que a pessoa tem dos colegas. A pesquisa de Teresa Amabile e Steven Kramer, baseada em diários, deu origem ao que eles chamaram de princípio do progresso. Amabile & Kramer, "The Power of Small Wins," Harvard Business Review (2011)
• 86% dos usuários de IA já tratam o resultado da IA como ponto de partida, não como resposta final, e 58% dizem estar produzindo trabalhos que não conseguiriam produzir um ano atrás. A Microsoft interpreta isso como o julgamento humano ganhando centralidade, não perdendo, à medida que a IA absorve a camada de execução. Microsoft 2026 Work Trend Index Annual Report
• Em um estudo com 206 estudantes de medicina e médicos, ameaças às capacidades profissionais (autonomia e papel de prestador de cuidados) previram diretamente a resistência à IA, enquanto ameaças ao reconhecimento profissional atuaram de maneira indireta, por meio de uma sensação de ameaça pessoal. Médicos experientes mostraram resistência e autoameaça sensivelmente menores do que os estudantes, no início da carreira. Jussupow, Spohrer & Heinzl, JMIR Formative Research (2022)

Por que o sentido no trabalho não é um tema secundário

É tentador arquivar a pergunta "meu trabalho parece significativo?" entre os extras de satisfação do funcionário, abaixo de produtividade e custo por entrega. Os números da Gallup acima contrariam esse arquivamento. Apenas 18% dos funcionários descrevem hoje o trabalho como portador de um propósito em que acreditam, mas 30% dizem que é exatamente isso que o emprego ideal ofereceria. Essa diferença de 12 pontos não é uma lacuna de preferência; é uma lacuna de retenção e de esforço à vista de todos, e ela já existia anos antes da onda atual de IA. A IA não cria o problema do sentido. Ela muda quais cargos ficam de cada lado dessa lacuna e pode ampliá-la rapidamente se a reformulação for conduzida com descuido.

O mecanismo passa pelo esforço espontâneo, a parcela da capacidade que a pessoa escolhe dedicar e que nenhum gestor consegue impor. Quem faz um trabalho significativo se voluntaria para o problema difícil, percebe o erro que ninguém lhe pediu para procurar e fica dez minutos a mais para acertar algo. Quem faz um trabalho esvaziado de sentido cumpre o mínimo da descrição do cargo e procura outra coisa assim que surge uma proposta melhor. Quase metade dos funcionários da amostra da Gallup, 45%, já descreve a relação com o trabalho como transacional: aparecer para receber o salário. Essa é a população mais exposta quando a IA retira o último pedaço do cargo que parecia ser dela.

A perda específica: quando a IA fica com os 20% interessantes e deixa a supervisão

Quando a IA remove a sobrecarga rotineira, o sentido pode aumentar

A versão mais clara desse problema é estrutural, não emocional. A maioria dos cargos mistura tarefas: algumas realmente exigentes e absorventes, outras rotineiras, outras puro trabalho acessório. Quando a IA é implantada bem, ela elimina a sobrecarga rotineira e deixa para a pessoa mais do trabalho exigente e envolvente. Agentes de suporte que recebem rascunhos de IA para os chamados rotineiros e ficam com as escalações complexas costumam relatar maior satisfação, porque a IA assumiu a parte que eles não queriam.

O problema da tarefa residual

O modo de falha segue na direção oposta. Quando a IA assume redação, diagnóstico ou design, atividades que exigiam julgamento e geravam um resultado visível e atribuível, ela pode deixar o humano com a parte que ninguém queria desde o início: revisar, validar e corrigir linha por linha o resultado do modelo. Compare isso com o modelo de características do cargo de Hackman e Oldham, de 1976, que ainda se sustenta bem diante das novas formas de trabalho. O modelo identifica cinco dimensões do cargo, variedade de habilidades, identidade da tarefa, significância da tarefa, autonomia e feedback, que levam ao que eles chamaram de significância percebida do trabalho: a sensação de que o cargo é significativo e de que o esforço nele é valorizado. Monitorar a saída de uma IA em busca de erros pontua mal em quase todas essas cinco dimensões. Há pouca variedade de habilidades em conferir o mesmo resultado repetidas vezes. A identidade da tarefa, a sensação de ter feito algo inteiro do começo ao fim, desaparece; a IA fez, o humano apenas inspecionou. E a contribuição se torna invisível: ninguém reconhece a verificação cuidadosa como reconhece um rascunho finalizado ou um caso encerrado do zero.

É também por isso que manter o julgamento humano afiado é um problema mais difícil do que parece. O trabalho de verificação não é apenas menos satisfatório do que o trabalho generativo que ele substitui; ele corrói justamente o julgamento de que o revisor precisa para pegar um erro sutil da IA, já que esse julgamento se constrói fazendo o trabalho manualmente, não inspecionando a tentativa de outra pessoa. Uma equipe que entrega à IA os 20% interessantes de um cargo e chama o restante de "controle de qualidade" não simplificou o cargo. Trocou uma tarefa exigente e motivadora por outra exigente e desmotivadora, e pediu à mesma pessoa que seja igualmente boa nas duas.

O efeito IKEA: por que esforço e propriedade são a mesma coisa

A pesquisa de Norton, Mochon e Ariely sobre o efeito IKEA oferece a explicação mais clara de por que essa troca custa mais do que aparenta. Os estudos mostraram que pessoas que montaram os próprios móveis, dobraram os próprios origamis ou construíram os próprios conjuntos de Lego valorizaram o objeto pronto muito mais do que um objeto idêntico feito por outra pessoa, em até 63% em um dos estudos. As criações imperfeitas dos próprios participantes foram avaliadas, pelo critério deles, quase no mesmo nível das feitas por especialistas, uma inflação que os pesquisadores atribuem ao esforço em si, não ao resultado.

A descoberta mais importante para o desenho do trabalho na era da IA é a condição de contorno: o prêmio de propriedade só aparece quando a pessoa realmente termina a tarefa. Interrompa o esforço, ou entregue a última etapa a outra pessoa, e o efeito desaparece junto. Revisar o rascunho já pronto de uma IA equivale, na prática, à condição interrompida. O humano contribuiu com esforço, mas não com o esforço que gera propriedade, porque a IA terminou a coisa. Isso não é um argumento contra usar IA para produzir rascunhos. É um argumento de que um cargo redesenhado em torno de trabalho somente de revisão não deve se surpreender quando a propriedade e o orgulho que antes vinham com ele desaparecerem em silêncio, mesmo que a entrega medida pareça igual ou melhor em um dashboard.

Ameaça à identidade: quando a expertise era quem você era

Para um grupo menor, mas relevante, a perda vai além da satisfação com a tarefa e atinge a identidade. Pessoas que passaram uma década construindo expertise profunda em uma área, radiologia, direito tributário, arquitetura de sistemas, redação publicitária sênior, muitas vezes vivem essa expertise como parte de quem são, e não apenas do que fazem. Quando a IA faz o reconhecimento de padrões diagnósticos, a primeira análise jurídica ou o rascunho inicial que antes exigiam essa expertise, a ameaça não é "será que vou continuar empregado". Está mais para "se a máquina faz aquilo pelo que sou conhecido, o que me diferencia".

A pesquisa sobre ameaça à identidade provocada pela IA dá a isso uma estrutura útil. Um estudo com 206 estudantes de medicina e médicos em atividade encontrou duas dimensões distintas de ameaça: ameaças ao reconhecimento profissional (status e expertise sendo reconhecidos) e ameaças às capacidades profissionais (autonomia e o trabalho concreto de prestar cuidados). As ameaças à capacidade previram diretamente a resistência à IA; as ameaças ao reconhecimento atuaram de maneira indireta, mediadas pelo quanto a pessoa se sentia pessoalmente ameaçada. Os dois grupos também diferiram pelo estágio de carreira: os estudantes de medicina, que tinham investido muito em uma identidade que ainda não haviam exercido plenamente, mostraram mais resistência e mais autoameaça do que os médicos experientes, que já tinham acumulado uma carreira inteira de provas de que sua capacidade era real. A ameaça à identidade causada pela IA não se distribui de maneira uniforme pela força de trabalho; ela se concentra em quem tem um senso de valor profissional mais recente ou mais atrelado à habilidade exata que a IA agora executa.

Isso é diferente de um simples problema de gestão da mudança, e tratá-lo como tal (um deck de treinamento, um e-mail de lançamento, uma reunião geral) ignora o que de fato está acontecendo. Uma pessoa cuja expertise sofre ameaça de identidade não está confusa sobre como a nova ferramenta funciona. Ela está recalculando quem é no trabalho, e esse recálculo leva mais tempo do que um ciclo de treinamento.

O que realmente preserva o sentido

A pesquisa aponta uma lista curta e consistente, e nenhum item trata de desacelerar a adoção da IA.

Maestria

A necessidade de competência da Teoria da Autodeterminação é satisfeita pelo crescimento visível de habilidades, não por evitar desafios. O trabalho redesenhado ainda deve conter um caminho para melhorar de maneira mensurável em algo que a pessoa possa apontar, seja nas decisões de julgamento que a IA não consegue tomar, nas partes do ofício que continuam manuais ou em uma nova habilidade que a mudança com IA abriu espaço para desenvolver.

Autonomia

A necessidade de autonomia de Deci e Ryan trata de sentir-se origem das próprias ações, não de ter zero supervisão. Um trabalho que mantém discricionariedade real, decidir como abordar um problema, quando contrariar a IA, como sequenciar as tarefas, protege essa necessidade mesmo quando a IA cuida de mais da execução.

Contribuição visível

As dimensões de identidade da tarefa e de feedback de Hackman e Oldham apontam para o mesmo lado: as pessoas precisam ver o todo que produziram e ouvir como ele foi recebido. Redesenhos que fragmentam o trabalho em etapas invisíveis de conferência eliminam isso; redesenhos que dão às pessoas a propriedade de um resultado completo, ainda que menor, o preservam.

Progresso em algo que importa

O princípio do progresso de Amabile e Kramer é, possivelmente, o mais aplicável dos quatro. A pesquisa deles com diários mostrou que o maior fator isolado de um bom dia de trabalho era o avanço visível em algo significativo, e que os reveses tinham um efeito ainda maior no sentido contrário. Os líderes podem construir isso de propósito: marcos claros, ciclos rápidos de feedback e um reconhecimento que cite a contribuição específica em vez de atribuir o mérito à ferramenta.

A tabela abaixo relaciona cada fonte de sentido ao modo como a IA pode ameaçá-la e ao que de fato a sustenta.

O que os líderes podem fazer de fato

Comece auditando quais tarefas a IA removeu e quais permaneceram, usando a lente das características do cargo em vez da lente de número de vagas. Se a IA assumiu os 80% rotineiros e deixou os 20% exigentes e dependentes de julgamento, o redesenho provavelmente está bom e pode até aumentar o sentido. Se ela levou a parte exigente e satisfatória e deixou a supervisão, o cargo precisa de redesenho ativo, e não de uma ferramenta nova acoplada à estrutura antiga.

Dê às pessoas algo para terminar. O efeito IKEA é uma restrição de design, não uma metáfora: estruture o trabalho assistido por IA de modo que um humano conclua uma peça inteira e atribuível, em vez de inspecionar perpetuamente o produto finalizado por outro. Mesmo um escopo menor, de propriedade plena, vale mais do que um escopo maior de propriedade parcial.

Proteja a autonomia real, não a aparência dela. Deixar alguém escolher a fonte enquanto se retira do cargo toda decisão de julgamento relevante não satisfaz ninguém, e a Teoria da Autodeterminação é específica: autonomia significa sentir-se origem da decisão, não ser consultado sobre uma decisão já tomada.

Construa o progresso visível de propósito. A descoberta de Amabile e Kramer foi que o progresso em algo significativo gera bons dias mais do que qualquer outro evento isolado, o que significa que ele é gerenciável: defina marcos dentro dos workflows assistidos por IA, feche rápido o ciclo de feedback e diga o que uma pessoa específica de fato contribuiu, em vez de deixar um resultado produzido rapidamente com IA se diluir na produtividade difusa da equipe.

Trate a ameaça à identidade como uma conversa mais longa do que um comunicado de lançamento, especialmente com quem está no início da carreira e tem mais identidade em jogo numa habilidade que a IA agora toca. A pesquisa com médicos e estudantes sugere que esse grupo precisa de mais do que a garantia de que o emprego está seguro; precisa de uma explicação crível do que a sua expertise se tornará e de tempo suficiente para ganhar confiança nessa explicação antes de ser convidado a confiar nela.

Nada disso exige desacelerar a IA. Exige tratar o redesenho do cargo com a mesma seriedade que a implantação da ferramenta, porque a ferramenta muda o que as pessoas fazem em uma tarde e o redesenho decide se elas ainda se reconhecerão no trabalho daqui a um ano. Para uma visão mais ampla de como os cargos mudam quando a IA assume a execução, veja de executor a orquestrador e quais empregos a IA transforma em vez de substituir. O padrão por estágio de carreira na pesquisa sobre ameaça à identidade também se conecta diretamente a trajetórias de carreira na era da IA e ao primeiro degrau quebrado da carreira, já que quem tem menos identidade comprovada para recorrer está, em proporção maior, no início da carreira. E, como a erosão do sentido se acumula em risco de retenção, o tema fica próximo de cultura e retenção de funcionários, cultura de burnout, workslop e a relação entre esforço e propriedade e como construir uma cultura de accountability, todos dignos de leitura em conjunto com este. O quadro geral está em o que é o futuro do trabalho.