A IA achata o organograma? Separando a afirmação das evidências

Por Victor Hoang · Atualizado em 22 de setembro de 2026

Delayering (a redução de camadas hierárquicas) significa remover um nível de gestão entre o topo da empresa e o trabalho da linha de frente. A IA de fato absorve parte do que uma camada fazia, principalmente a transmissão rotineira de informações e a checagem de status, mas não a coordenação, o julgamento e a accountability, que eram o verdadeiro motivo de a maioria das camadas existir. As empresas que cortam uma camada por custo e a rotulam como estratégia de IA costumam descobrir isso da maneira mais difícil.

Essa lacuna é o assunto inteiro deste artigo. Os organogramas vêm ficando mais planos, no papel, desde muito antes de existirem grandes modelos de linguagem. O que mudou em 2025 e 2026 foi o comunicado à imprensa: "eficiência com IA" agora ocupa o topo dos anúncios de demissões onde antes ficava "reestruturação". Parte disso é real. Boa parte é troca de rótulo. A frontier firm e o agent boss trata da versão cultural dessa mudança; este artigo fica na estrutura em si.

Fatos principais

• A média de pessoas que se reportam a um mesmo gestor subiu de 10,9 em 2024 para 12,1 em 2025, quase 50% acima de quando a Gallup começou a acompanhar o indicador, em 2013. A mediana se manteve estável em cinco a seis, o que significa que um número cada vez menor de equipes muito grandes puxa a média para cima. Fonte: Gallup, "Span of Control: What's the Optimal Team Size for Managers?"
• A base de benchmarks da Bain mostra que a empresa média tem 8-9 camadas entre o líder máximo e a linha de frente (7 ou menos nas melhores do mercado), com amplitude de controle média de 6-7 subordinados diretos (10-15 nas melhores do mercado). Os clientes que agiram a partir de uma revisão de amplitudes e camadas melhoraram as amplitudes em 24% e reduziram as camadas em 14%, em média. Fonte: Bain & Company, "Streamlining Spans and Layers"
• A McKinsey estima que dimensionar corretamente amplitudes e camadas costuma liberar 10-15% do custo gerencial, e que a amplitude certa depende do tipo de trabalho: um "coach" que lida com problemas inéditos precisa de uma amplitude muito menor do que um "coordenador" que lida com entregas repetíveis. Fonte: McKinsey, "How to Identify the Right Spans of Control for Your Organization"
• A Amazon cortou cerca de 14.000 cargos corporativos em outubro de 2025, e o CEO Andy Jassy apresentou o objetivo como uma organização com "menos camadas e mais responsabilidade" construída para a era da IA. Fonte: CNBC, "Amazon laying off about 14,000 corporate workers"
• A Uber cortou cerca de 3.300 cargos (10% do quadro) em setembro de 2026, com a meta de reduzir em 20% o número de gestores e eliminar quem estava a mais de sete camadas abaixo do CEO. O motivo declarado pelo CEO Dara Khosrowshahi foi a burocracia acumulada, não a IA. Fonte: TechCrunch, "Uber is laying off 10% of staff, or 3,300 people"
• Ben May, da Oxford Economics, sobre a onda de demissões atribuídas à IA: "Suspeitamos que algumas empresas estejam tentando apresentar as demissões como uma boa notícia em vez de uma má, por exemplo, apontando para a mudança tecnológica em vez da contratação excessiva do passado." Fonte: CBS News, "More companies are pointing to AI as they lay off employees"

Por que as camadas existem

Antes de perguntar se a IA remove uma camada, convém ser preciso sobre para que serve uma camada. A teoria do desenho organizacional respondeu a isso décadas antes de alguém ouvir falar de grandes modelos de linguagem, e a resposta se sustenta: as camadas existem para processar informações, coordenar o trabalho e exercer controle, funções que parecem semelhantes vistas de fora, mas falham de maneiras diferentes quando você as corta.

A visão do processamento de informações

O teórico organizacional Jay Galbraith argumentou que a estrutura é, fundamentalmente, uma resposta à incerteza: quanto menos os requisitos de uma tarefa podem ser especificados com antecedência, mais informação precisa fluir para cima, para os lados e para baixo na organização para que o trabalho seja feito corretamente. Uma camada de gestão, nessa visão, é uma central telefônica. Ela filtra o ruído que sobe (para que o CEO não leia todas as reclamações de clientes) e traduz a estratégia que desce (para que uma equipe da linha de frente saiba o que uma meta trimestral significa para a terça-feira dela). Corte a central sem substituir a função, e a informação se acumula ou chega em formato errado para quem a recebe.

Coordenação e controle (a linha intermediária)

A divisão de uma organização em cinco partes feita por Henry Mintzberg, o ápice estratégico, a linha intermediária, o núcleo operacional, a tecnoestrutura e a equipe de apoio, coloca os gestores intermediários, estruturalmente, entre quem define a direção e quem faz o trabalho. O papel deles ali é de coordenação (garantir que equipes puxando em direções ligeiramente diferentes ainda entreguem uma coisa coerente) e de controle (pegar os problemas antes que se tornem a emergência de outra pessoa). O argumento dele, ainda correto, é que, quando uma organização ultrapassa a coordenação informal em que todo mundo simplesmente conversa, alguma coisa precisa assumir essa tarefa, e uma camada de gestão costuma ser a opção mais barata para isso.

Duas outras coisas que as camadas fazem, menos citadas, mas igualmente reais: elas encurtam os ciclos de decisão ao dar a alguém autoridade para decidir sem escalar tudo, e constroem uma escada de carreira que mostra às pessoas como a expertise se transforma em escopo. Nenhuma dessas funções, filtragem de informações, coordenação, controle e escada de carreira, é um problema novo introduzido pela IA generativa. São a razão de a hierarquia gerencial existir, em fábricas e hospitais, muito antes do software. Team Topologies para equipes de humanos e agentes desce um nível abaixo da camada em si, para ver como o formato de uma equipe muda quando parte de sua capacidade é um agente em vez de uma pessoa.

O que a IA realmente absorve e o que não absorve

É aqui que a afirmação sobre achatamento precisa ficar específica em vez de retórica. Quais empregos a IA transforma em vez de substituir defende isso no nível da tarefa: a IA remodela partes de um cargo, não o cargo inteiro. A mesma lógica vale um nível acima, para as funções dentro de uma camada, e não para a camada como unidade única. A IA é boa em algumas dessas funções e ruim em outras.

Lendo as linhas em conjunto, surge um padrão: a IA é mais forte onde a função da camada estava mais perto da transmissão de mensagens e mais fraca onde estava mais perto do julgamento, a mesma divisão que aumento versus automação traça no nível da tarefa individual. As empresas que achatam cortando primeiro o trabalho de transmissão de mensagens, ao mesmo tempo em que admitem que o trabalho de julgamento ainda precisa de um lar, acabam com uma estrutura que se sustenta. As empresas que cortam pessoas primeiro e presumem que o trabalho de julgamento será absorvido por quem sobrar redescobrem a função perdida mais tarde, como um problema de qualidade ou como um sobrevivente em burnout tomando decisões de julgamento de duas pessoas pelo salário de uma. Manter o julgamento humano afiado trata dessa erosão no nível individual; ela acontece também na estrutura, quando uma camada criada para o julgamento é tratada como se só fizesse reporte.

Remover uma camada não é o mesmo que remover um gestor

Essa distinção é constantemente apagada na cobertura de reestruturações motivadas por IA, e os dois movimentos carregam riscos quase opostos.

Remover uma camada significa eliminar um degrau da hierarquia: as pessoas que faziam aquele trabalho são realocadas, promovidas, movidas para funções de contribuidor individual ou desligadas, e a estrutura de reporte de fato fica mais curta. A iniciativa da Amazon, nas palavras do próprio Jassy, era explicitamente essa: aumentar a proporção entre funcionários e gestores, exigir mais subordinados diretos por gestor e reduzir o número de degraus pelos quais uma decisão precisa passar. Isso é uma mudança estrutural no formato da organização.

Remover gestores sem remover uma camada é um corte de pessoal vestido de linguagem de desenho organizacional. O degrau continua existindo no papel, ainda com pessoas cujo trabalho é coordenar e supervisionar, só que menos delas, cada uma com uma amplitude maior. Os dados da Gallup sobre a amplitude média subindo para 12,1 subordinados diretos, com uma mediana que mal se mexeu, combinam com esse padrão: menos pessoas absorvendo o mesmo trabalho de coordenação e julgamento, e não um redesenho genuíno. O papel do gestor intermediário não desaparece aqui. Ele fica mais pesado, em silêncio, para quem sobrar com ele.

O teste é simples: os direitos de decisão e as decisões de julgamento realmente foram para outro lugar, uma equipe par, um workflow de agentes, um novo processo explícito, ou simplesmente se acumularam em menos pessoas com o mesmo cargo? O primeiro caso é delayering. O segundo é subdimensionar uma camada que continua existindo, e isso aparece como burnout muito antes de aparecer como linha de orçamento.

Quando o delayering por custo ganha um novo nome: "estratégia de IA"

Duas reestruturações de 2025-2026 formam um par útil porque a imprensa as cobriu de maneira quase idêntica, e elas não foram a mesma coisa.

O corte de cerca de 14.000 cargos da Amazon em outubro de 2025 veio com um enquadramento explícito de IA: a liderança descreveu uma empresa que precisava ser "organizada de maneira mais enxuta, com menos camadas e mais responsabilidade", e a eficiência impulsionada por IA foi citada como parte da justificativa. Se a IA realmente causou essa redução, ou se serviu de moldura conveniente para uma decisão com outros motivos, é uma pergunta legítima. Mas a afirmação estrutural, menos camadas, amplitudes maiores, é pelo menos uma mudança real, com uma meta verificável.

O corte de cerca de 3.300 cargos da Uber em setembro de 2026 mirou um resultado quase idêntico, uma redução de 20% no número de gestores e a eliminação de quem estava a mais de sete camadas abaixo do CEO, mas o motivo declarado por Khosrowshahi foi a burocracia acumulada, não a IA. Nenhum enquadramento de IA apareceu na justificativa pública da empresa. Esse contraste é instrutivo: dois movimentos estruturais parecidos, um embalado em linguagem de IA e outro não, porque um CEO optou por não fazer uma afirmação de que a reestruturação não precisava.

Essa diferença já é um padrão documentado, não um palpite. A análise da Oxford Economics sobre a onda de demissões de 2025-2026 concluiu que a maioria dos empregadores "não parece estar substituindo um número significativo de trabalhadores por IA", e seu principal pesquisador, Ben May, descreveu o incentivo com clareza: atribuir os cortes à IA "transmite uma mensagem mais positiva aos investidores" do que admitir que o motivo real foi a contratação excessiva do passado ou uma demanda mais fraca. O paradoxo da produtividade da IA trata da versão vizinha desse problema, alta adoção declarada com pouco retorno financeiro medido, e a mesma cautela vale aqui: uma empresa que anuncia "delayering movido por IA" lhe contou a história que prefere, não necessariamente a verdadeira.

Nada disso significa que toda reestruturação enquadrada como IA seja falsa. Significa que o rótulo agora faz trabalho de marketing tanto quanto descritivo, e um líder que decide se vai cortar uma camada deve perguntar que função a IA está absorvendo, em vez de aceitar "eficiência com IA" como autoexplicativo. Se você não consegue dizer qual função da camada de fato passou para um sistema, você não encontrou um argumento de IA para o delayering. Encontrou uma meta orçamentária vestindo uma fantasia.

Um teste prático: esta camada ainda se justifica?

Antes de cortar uma camada, ou de decidir que uma amplitude maior é segura, responda a quatro perguntas específicas sobre o trabalho que essa camada realmente faz, não sobre o organograma em abstrato.

1. Que parcela do tempo desta camada vai para consolidação de status e que parcela para julgamento? Se um gestor passa a maior parte da semana compilando atualizações, cobrando status e reformatando informações para alguém acima, essa é a função que a IA absorve sem dificuldade. Se a maior parte da semana é gasta decidindo problemas ambíguos, essa função não desaparece só porque a parte de reporte desapareceu. Essa também é a pergunta que decide se um human in the loop genuíno ainda precisa estar nesse nível, ou se o ciclo já desceu para quem faz o trabalho diretamente.

2. Onde fica o conhecimento tácito se este cargo for extinto? Toda camada acumula um contexto que ninguém escreve: por que uma decisão passada foi tomada, qual stakeholder realmente tem poder de veto, como é o "bom" para esta equipe. Se ninguém mapeou para onde esse conhecimento vai quando o cargo é cortado, ele não se realoca. Ele se perde e reaparece como um erro repetido em outro lugar.

3. Remover esta camada amplia uma amplitude além do que o trabalho restante suporta? A diferença nos benchmarks da Bain, cerca de 6-7 subordinados diretos numa empresa média contra 10-15 numa das melhores do mercado, não é um número universal; depende de o trabalho ser padronizado (amplitudes maiores são mais seguras) ou intensivo em julgamento e inédito (amplitudes menores se sustentam melhor). Cortar uma camada sem verificar que tipo de trabalho os remanescentes realmente fazem transforma uma mudança defensável em um vácuo de accountability. Amplitude de controle quando agentes fazem o trabalho mostra como definir esse número por tipo de equipe, em vez de uma proporção única para a empresa toda.

4. Você consegue dizer o que, especificamente, substitui a coordenação que esta camada fazia? Workflows agênticos e ferramentas de orquestração de IA podem de fato assumir passagens de bastão rotineiras e bem definidas entre equipes. Se a resposta honesta for "alguém vai dar um jeito", isso não é um redesenho. É uma lacuna com data de descoberta adiada.

Uma camada que pontua majoritariamente em julgamento, conhecimento não mapeado e ausência de substituto claro se justifica, não importa o que o roadmap de qualquer fornecedor de IA prometa para o próximo trimestre. Uma que pontua majoritariamente em consolidação de status, conhecimento documentado e substituição clara por um sistema é uma candidata legítima ao delayering, e cortá-la é uma melhoria estrutural, não uma história.

O que os líderes devem fazer com isso

Aplique o teste das quatro perguntas à camada real antes de definir uma meta de pessoal, não depois. Uma meta fixada primeiro ("cortar o custo gerencial em 15%") e racionalizada depois com um framework de desenho organizacional quase sempre termina cortando pessoas, porque a meta veio das finanças, não das funções que uma camada exerce. Estratégia de força de trabalho com IA para executivos defende o mesmo ponto pelo lado do planejamento: parta do que as tarefas realmente exigem, não de um número de pessoal que as finanças escolheram primeiro.

Separe internamente o anúncio do mecanismo, mesmo que o comunicado à imprensa os misture. Se uma reestruturação de fato elimina trabalho de consolidação de status por meio de melhores ferramentas, diga isso a quem fica. Se é uma redução de custos usando linguagem de IA porque o mercado recompensa esse enquadramento neste momento, as pessoas que continuam fazendo o trabalho de coordenação e julgamento merecem saber que seus cargos ficaram mais pesados, não automatizados. Construir uma cultura preparada para a IA depende de essa honestidade se manter sob pressão, não apenas quando as notícias são boas.

E acompanhe a métrica que de fato revela que tipo de mudança aconteceu: a amplitude média ao lado da amplitude mediana, como a Gallup faz, em vez de uma única média que um punhado de equipes grandes demais pode distorcer. Se a sua amplitude média dispara, mas a mediana mal se mexe, você não achatou a organização. Você concentrou mais coordenação e julgamento em menos pessoas e chamou o resultado de redesenho.

O organograma não é o que fica mais plano ou não. As funções dentro de cada caixa, filtrar informações, coordenar o trabalho, exercer julgamento, desenvolver pessoas, são o que de fato se move quando uma camada muda, e cada uma se move em velocidade diferente. Uma empresa que consegue apontar especificamente que função um sistema de IA assumiu tem uma história real de delayering. Uma que só consegue apontar para um número de pessoal menor e um comunicado mencionando IA tem uma decisão orçamentária com uma marca melhor, e o trabalho de coordenação que aquela camada fazia não foi a lugar nenhum. Apenas foi parar na mesa de alguém que ainda não tem um cargo para isso.