Gestão de desempenho quando a IA faz o trabalho: o que avaliar no lugar da produção

Por Victor Hoang · Atualizado em 22 de setembro de 2026

Gestão de desempenho quando a IA faz o trabalho significa mudar o que é avaliado: de quanto uma pessoa produziu para o julgamento por trás do que ela produziu, ou seja, o problema que escolheu resolver, o que verificou antes de entregar, o que deixou de fora de propósito e se tornou melhores as pessoas ao redor. O volume de produção deixa de ser um sinal confiável quando um agente consegue gerar a maior parte dele em segundos, e um processo de avaliação ainda ancorado no volume acaba premiando quem faz o prompt mais barulhento, não quem pensa com mais clareza.

Fatos principais

• Apenas 13% dos usuários frequentes de IA dizem que a organização premia a reinvenção do trabalho com IA mesmo quando o resultado fica aquém, e esse número mais ou menos dobra entre os "Frontier Professionals" (26% contra 11%). Fonte: Microsoft, 2026 Work Trend Index, "Agents, Human Agency, and the Opportunity for Every Organization"
• Os próprios dados de 2026 da Microsoft dividem os usuários de IA em um mapa desigual de capacidade: 16% são "Frontier Professionals", com habilidade e apoio organizacional, 10% estão em "agência bloqueada" (qualificados, sem apoio), 16% estão "estagnados" (pouca habilidade, pouco apoio) e 50% estão numa "zona emergente" pouco desenvolvida. Fonte: Microsoft, 2026 Work Trend Index
• Os funcionários cujos gestores apoiam ativamente a adoção de IA relatam 48% de engajamento, contra 30% dos que não têm esse apoio, e as maiores avaliações de produtividade triplicam quando há apoio do gestor (33% contra 9%). Fonte: Gallup, "Employee Engagement Remains Flat as AI Adoption Accelerates," julho de 2026
• A análise de 623 milhões de alterações de código entre 2023 e 2026 constatou que a duplicação de código subiu 81% e a refatoração de código legado caiu 74% desde que os commits assistidos por IA se tornaram comuns, evidência de que o aumento do volume de produção pode mascarar uma queda de qualidade em vez de provar aumento de habilidade. Fonte: pesquisa da GitClear/GitKraken, noticiada pela LeadDev, julho de 2026

Por que o volume de produção deixou de funcionar como sinal

Durante a maior parte da história do trabalho do conhecimento, quanto uma pessoa produzia era um substituto viável para o quanto ela era boa. Mais chamados encerrados, mais linhas entregues, mais apresentações finalizadas: tudo isso se correlacionava vagamente com habilidade e esforço, então os gestores se apoiavam nesses números porque contar é fácil e julgar é difícil.

A IA rompe essa correlação, não por piorar as pessoas, mas por tornar o indicador sem sentido. Quando um analista júnior e um analista sênior conseguem, na mesma tarde e com a mesma ferramenta, gerar uma análise de mercado de 12 páginas, a contagem de páginas deixa de diferenciá-los. É a mesma erosão que O degrau quebrado da carreira mapeia na etapa de contratação, só que aqui ela aparece no meio da carreira, na avaliação: a diferença de habilidade entre os dois analistas não se fechou, apenas foi para um lugar que a contagem de palavras não enxerga, se a análise fez a pergunta certa e se alguém apostaria uma decisão nela.

É a Lei de Goodhart aparecendo dentro dos sistemas de desempenho: quando uma medida vira meta, deixa de ser uma boa medida. As métricas de produção eram indicadores toleráveis de habilidade porque eram difíceis de inflar sem também fazer um trabalho melhor. A IA as torna trivialmente infláveis, sem ganho correspondente de julgamento, e essa é exatamente a condição em que uma métrica passa, em silêncio, de útil a enganosa. Uma equipe que continua avaliando as pessoas pelo volume depois dessa mudança está medindo quem tem a assinatura de IA mais generosa e a menor hesitação em entregar resultados sem revisão, o que se relaciona com o que Workslop: como o trabalho de fachada gerado por IA corrói esforço e propriedade documenta do lado de quem recebe: um trabalho que parece pronto e não está.

O volume também deixa de ser comparável entre as pessoas, mesmo de boa-fé. Dois funcionários com o mesmo acesso à IA podem produzir volumes muito diferentes, dependendo de quanta verificação cada um faz antes de entregar. Quem confere o trabalho de um agente com o dobro de cuidado vai, corretamente, produzir menos volume bruto do que quem entrega o primeiro rascunho. Um sistema que ainda premia o volume está penalizando em silêncio o trabalhador mais cuidadoso, quase o oposto do que a gestão de desempenho deveria fazer. Esse tempo extra de conferência também não é de graça. É a mesma carga que ritmo e burnout na era da IA descreve como o imposto da verificação, horas que um processo de avaliação supõe que a IA liberou, mas que ela apenas deslocou.

O que avaliar no lugar

Se o volume está fora, a avaliação precisa se voltar para o que é mais difícil de fingir e de inflar com um prompt melhor. Quatro critérios se sustentam razoavelmente bem.

Julgamento e enquadramento do problema

Antes de alguém gerar qualquer coisa, alguém decidiu que problema valia a pena resolver e como enquadrá-lo. Essa decisão é invisível no resultado final e inteiramente humana. Pergunte no que a pessoa escolheu trabalhar e que enquadramento alternativo ela rejeitou, e por quê. Uma boa resposta aqui vale mais do que uma entrega polida, porque uma entrega polida que responde à pergunta errada é pior do que inútil: é cara e convincente.

Qualidade da verificação

A distância entre "a IA produziu isto" e "isto está correto" é onde acontece a maior parte do trabalho real hoje, e é exatamente a distância que Manter o julgamento humano afiado: o paradoxo da perda de habilidades com a IA no trabalho trata pelo lado das habilidades. Avalie como alguém verificou uma afirmação, um número ou uma recomendação antes de ela sair, não se usou IA para redigi-la. Conferiu a fonte de uma estatística citada? Refez as contas de outra maneira? Testou a recomendação contra um contra-argumento óbvio? Quem pega o erro do próprio agente antes de o cliente ver está fazendo o trabalho. Quem repassa o erro não está, por mais rápido que qualquer um dos dois tenha sido.

O que a pessoa escolheu não entregar

Um sinal subestimado: a contenção. A IA torna barato gerar cinco versões de qualquer coisa, então entregar o quarto rascunho medíocre em vez de fazer mais uma revisão passou a ser uma escolha, não uma restrição de tempo. Pergunte o que a pessoa cortou, simplificou ou deixou de enviar por ainda não estar bom o bastante. É um indicador viável de padrão de exigência num mundo em que "o tempo acabou" é uma desculpa muito mais fraca do que era.

Como a pessoa elevou a capacidade da equipe

Parte do trabalho de maior alavancagem numa equipe saturada de IA é invisível na produção de qualquer indivíduo: o modelo de prompt que alguém construiu e compartilhou, o checklist de verificação que escreveu depois de pegar um resultado ruim de um agente, o colega júnior a quem explicou por que uma recomendação estava errada. Métricas de cultura que importam (e as de vaidade que você deve abandonar) defende de maneira mais ampla acompanhar comportamentos como esses em vez de contagens de vaidade; as avaliações de desempenho devem fazer o mesmo no nível individual. Um integrante cuja produção pessoal parece mediana, mas que tornou três colegas mensuravelmente melhores, costuma ser a pessoa que você menos quer perder.

Sinal antigo versus sinal novo

Os sinais antigos contam velocidade, volume e acabamento. Os sinais novos examinam enquadramento, verificação, defensabilidade e se o resultado se sustenta.

O problema da equidade: acesso à IA e habilidade não são distribuídos de maneira uniforme

Um sistema de desempenho que supõe em silêncio que todos têm a mesma capacidade de IA compara pessoas em um campo desnivelado e chama isso de justo. O Work Trend Index 2026 da própria Microsoft divide os usuários de IA pesquisados em um mapa aproximado de quatro grupos: 16% são "Frontier Professionals", com habilidade e respaldo organizacional para usar agentes em trabalho complexo; 10% estão em "agência bloqueada", qualificados, mas sem licença ou apoio para usar a IA; 16% estão "estagnados", sem nenhum dos dois; e cerca de metade está em uma zona intermediária pouco desenvolvida. Dois funcionários com talento idêntico podem cair em grupos muito diferentes, dependendo da equipe em que estão ou das ferramentas que o gestor aprovou.

Isso tem consequências diretas para as avaliações. Se o gestor de uma pessoa liberou uma licença de IA de ponta e orienta ativamente o uso, e o de outra não, comparar a produção das duas lado a lado mede as decisões de provisionamento do gestor, não a pessoa. Os dados da Gallup de julho de 2026 reforçam isso por outro ângulo: os funcionários cujos gestores apoiam ativamente o uso de IA relatam 48% de engajamento contra 30% dos que não têm esse apoio, e os maiores ganhos de produtividade autodeclarados quase quadruplicam com o respaldo do gestor (33% contra 9%). O gestor, e não apenas o funcionário, é um insumo importante para o quanto de produção assistida por IA alguém consegue gerar de maneira plausível.

Existe também uma versão do mesmo problema ligada à habilidade, separada do acesso. Algumas pessoas aprenderam a escrever um prompt específico e verificável e a conferir o resultado; outras aceitam o que vier primeiro. Nenhuma das duas aparece como diferença de esforço. Aparece como diferença de julgamento, o que convenientemente contorna o problema do acesso: avalie o raciocínio, não o volume entregue, e o acesso desigual pesa muito menos. A mesma conta de equidade vale direto para a remuneração: veja remuneração e equidade na era da IA para saber o que se quebra quando a produção de uma pessoa com IA parece, no papel, a de cinco.

Definição de metas que sobrevive ao volume inflado pela IA

A maioria dos frameworks de metas foi criada supondo um teto aproximado para a rapidez com que uma pessoa conseguia produzir. A IA remove esse teto em algumas tarefas e o deixa intacto em outras, então uma meta escrita antes dessa mudança muitas vezes fica trivialmente fácil ou acidentalmente sem sentido em um trimestre. O paradoxo da produtividade da IA é a versão em nível organizacional desse problema: a adoção é alta e o impacto de negócio medido não a acompanha no mesmo ritmo, o que é um motivo para desconfiar de qualquer meta que trate "usou mais IA" como equivalente a "entregou mais valor".

Alguns ajustes se sustentam:

• Vincule as metas a resultados que o negócio consegue verificar, não a atividades que o funcionário consegue inflar. "Publicar 20 artigos" hoje é uma meta ruim, porque pode ser cumprida com resultados sem revisão. "Melhorar a taxa de leads qualificados vindos de conteúdo orgânico em X%" se sustenta, porque a IA não consegue fingir uma conversão.
• Defina, de maneira explícita, um padrão de verificação ao lado da meta de volume. Se a meta envolve produção assistida por IA, diga o que significa "revisado" para aquele tipo específico de trabalho, não como aspiração vaga, mas como um checklist ao qual alguém possa ser cobrado.
• Revise as metas com mais frequência do que o antigo ciclo anual ou semestral. Uma meta definida com base na capacidade da ferramenta no trimestre anterior pode estar defasada em poucos meses, dada a velocidade com que a capacidade dos agentes evolui; uma meta que fazia sentido em janeiro pode ser pouco exigente em junho por motivos que nada têm a ver com o crescimento da pessoa.
• Separe "mais coisas foram entregues" de "a pessoa melhorou". Um gestor pode acompanhar as duas coisas, mas elas medem coisas diferentes, e só a segunda pertence a uma conversa de competências ou de promoção.
• Escreva metas que uma pessoa não consiga cumprir apenas fazendo prompts mais intensos. Se uma meta puder ser satisfeita inteiramente gerando mais resultados de IA, sem nenhum julgamento adicional, ela não mede aquilo que a gestão de desempenho existe para medir.

Conduzindo a conversa de avaliação nesse mundo

A mecânica da conversa muda menos do que a substância, mas alguns hábitos importam mais agora do que cinco anos atrás.

Peça "mostre-me", não "conte-me"

Em vez de pedir que alguém resuma o que realizou, peça que percorra um trabalho do início ao fim: o que pediu à IA, o que voltou, o que mudou e por quê. Isso revela o julgamento de um modo que um resumo de resultados não consegue, e é um bom momento para perguntar também como a IA mudou a abordagem do próprio trabalho, não apenas o resultado.

Separe a avaliação do trabalho da avaliação da pessoa

Uma entrega pode ser excelente porque a ferramenta é excelente. Pergunte diretamente: que parte disto teria sido diferente se uma pessoa menos qualificada tivesse usado a mesma ferramenta? Se a resposta honesta for "pouca coisa", essa entrega é uma evidência fraca para a avaliação, por melhor que pareça no papel. É também aqui que a accountability se decide na prática: Como construir uma cultura de accountability defende que a responsabilidade precisa se vincular a uma pessoa, não a uma ferramenta, e a avaliação é onde esse princípio se sustenta ou escorrega em silêncio.

Nomeie a expectativa de fluência em IA em vez de deixá-la implícita

Os dados de 2026 da Microsoft constataram que apenas 13% dos usuários de IA se sentem recompensados por reinventar o workflow com IA, mesmo quando os resultados ficam aquém, uma lacuna que ela chama de "Paradoxo da Transformação": as pessoas estão prontas para mudar a forma de trabalhar, mas os incentivos não acompanharam. Fechar essa lacuna começa por dizer com clareza, na avaliação, como é um bom uso de IA naquele cargo, em vez de supor que todos já saibam.

Abra espaço para "escolhi não usar aqui"

Às vezes a decisão certa é não usar IA: um rascunho sensível para um cliente, uma negociação que depende de julgamento, um texto que exige uma voz específica. Uma avaliação que premia implicitamente o uso de IA em tudo treina as pessoas a recorrer a ela mesmo quando é a ferramenta errada.

O risco honesto: as empresas simplesmente aumentam a cota

Nada disso funciona se a liderança responde à produção inflada pela IA simplesmente elevando a barra e chamando a nova linha de base de "desempenho". Isso não exige reflexão alguma: se uma equipe entregava 20 relatórios por mês e a IA torna 35 alcançáveis, fixe a nova meta em 35 e declare que o trabalho não mudou. Isso não é a gestão de desempenho se adaptando à IA. É extrair mais produção com o mesmo número de pessoas enquanto se redefine em silêncio, para cima, o que é "atende às expectativas", sem perguntar se os 15 relatórios adicionais são bons ou se alguém teve tempo de verificá-los.

É aqui que o problema da equidade e o problema da medição se encontram. Uma cota elevada para acompanhar o volume assistido por IA pressupõe acesso e habilidade iguais em toda a equipe, o que este artigo já mostrou que não se sustenta na prática. Ela também pressupõe que a produção adicional vale o mesmo que a original, o que a pesquisa da GitClear sugere não ser seguro: ali, os commits assistidos por IA subiram junto com um salto de 81% no código duplicado e uma queda de 74% na refatoração de código antigo, mais produção e pior qualidade ao mesmo tempo. Uma equipe de vendas, suporte ou conteúdo deveria fazer a mesma pergunta sobre os próprios números antes de tratá-los como um novo piso.

A versão honesta dessa transição é mais lenta e menos lisonjeira para o slide da liderança: parte do tempo que a IA devolve deve ir para a verificação, parte para elevar a capacidade coletiva da equipe e só parte para volume bruto adicional. Uma empresa que toma tudo como volume e chama o resultado de "desempenho" está exigindo mais das pessoas e terceirizando a contabilidade para um chatbot. As organizações que acertarem serão aquelas cujos líderes conseguem dizer, de maneira específica, o que estão pedindo que os funcionários façam de diferente agora que uma máquina produz um primeiro rascunho, incluindo que parte da resposta é "produzir menos volume bruto, mas respaldar plenamente mais do que se entrega". Ser explícito sobre esse trade-off, em voz alta, é exatamente o que o contrato social da IA no trabalho defende que os empregadores agora devem aos funcionários, em vez de redefinir em silêncio o "atende às expectativas" para cima e torcer para que ninguém pergunte por quê.

Para o lado do desenho organizacional dessa mudança, incluindo como a amplitude de controle muda quando um gestor supervisiona menos pessoas fazendo mais trabalho intensivo em verificação, veja De executor a orquestrador: como a IA está reescrevendo o trabalho do contribuidor individual e Habilidades complementares à IA: o que contratar e desenvolver agora.