Avaliação de desempenho quando metade do trabalho é IA

Quando metade do trabalho de alguém é feito por IA, medir volume bruto (quantas propostas, quantos emails, quantas peças) não diz mais nada sobre desempenho. O critério certo passa a ser resultado da função, domínio da ferramenta e o que a pessoa fez com o tempo que a automação liberou.

Por que medir volume não funciona mais quando tem IA no meio?

Volume deixou de ser proxy confiável de esforço ou competência no momento em que parte da produção sai de um modelo de IA, não da pessoa. Duas pessoas entregam o mesmo número usando níveis completamente diferentes de julgamento próprio.

Antes de IA, contar produção fazia sentido:

• Antes: vendedor que mandava mais propostas geralmente trabalhava mais horas ou era mais organizado, então volume era um proxy razoável de esforço.
• Hoje: uma ferramenta de geração de propostas pode multiplicar aquele número sem multiplicar em nada o julgamento de quem apertou o botão.

Isso vira armadilha rápido. Se a avaliação continua olhando só pra número, o time inteiro aprende a otimizar pra empilhar quantidade, não pra entregar valor melhor pro cliente. Você acaba pagando bônus pra quem sabe apertar “gerar” mais vezes, não pra quem resolve o problema.

Imagine (hipotético) um time de atendimento em que um analista fecha 40 tickets por dia copiando resposta de um agente sem revisar, e outro fecha 18 tickets por dia mas resolve o problema na primeira resposta em 9 de cada 10 casos. Se o painel de gestão só mostra volume, o segundo analista parece pior. Ele não é.

O que avaliar no lugar do volume bruto?

O que substitui volume são três eixos: qualidade do julgamento aplicado no trabalho, uso inteligente da ferramenta (nem uso zero, nem uso cego) e o que a pessoa fez com o tempo que a automação devolveu pra ela.

• Qualidade do julgamento. Avalie as decisões que a pessoa tomou quando o caminho não era óbvio: quando ela editou o output da IA, quando decidiu não usar a sugestão, quando percebeu um erro que o modelo não pegou. Isso é o núcleo do trabalho humano que sobra depois que a IA assume a parte mecânica.
• Uso inteligente da ferramenta. Não é sobre usar ou não usar IA. É sobre usar bem: saber validar o output antes de mandar pra frente, saber quando confiar e quando não confiar, saber ajustar a instrução pra chegar num resultado melhor, saber reconhecer qual tarefa não deveria ir pra IA de jeito nenhum.
• O que fez com o tempo liberado. Se a IA cortou 40% do tempo que a pessoa gastava escrevendo proposta (estimativa comum em times que automatizam essa etapa), a pergunta central é: o que ela fez com aquelas horas? Se a resposta é “nada, só entregou menos horas visíveis de trabalho”, é sinal de alerta. Se a resposta é “usou pra ligar pra mais clientes, revisar proposta antiga, estudar objeção que perdeu negócio”, é exatamente o resultado que a empresa comprou quando decidiu investir em IA.

Como avaliar domínio da ferramenta de IA como competência?

Domínio de ferramenta de IA deveria entrar na avaliação de desempenho do mesmo jeito que domínio de Excel ou de CRM sempre entrou: como competência técnica mensurável, com critérios específicos, não como um extra opcional.

Na prática, quatro critérios funcionam bem pra medir isso:

• Sabe qual tarefa delegar pra IA e qual manter com julgamento próprio (calibração de risco).
• Revisa o output antes de entregar, não copia e cola cru pro cliente ou pro time.
• Sabe formular instrução clara pra ferramenta, o equivalente a “sabe montar fórmula de planilha” há 10 anos.
• Melhora o próprio uso com o tempo: itera, testa formato novo, não estagna no nível básico do primeiro mês.

Num time de 10 pessoas, é razoável esperar que, depois de 90 dias de acesso e treinamento formal na ferramenta, pelo menos 8 estejam usando ela de forma consistente na rotina (estimativa conservadora pra times com onboarding estruturado). Se esse número fica muito abaixo, o problema pode não ser da equipe: pode ser do treinamento que a liderança ofereceu.

Como conduzir a conversa com quem se recusa a usar a ferramenta?

Depois de treinamento formal e um prazo razoável (60 a 90 dias), recusa em usar a ferramenta deixa de ser questão de preferência pessoal e vira conversa de desempenho, igual seria com qualquer outra competência da função que a pessoa se recusasse a desenvolver.

Não acho que forçar todo mundo a adotar IA no mesmo ritmo seja o caminho certo. Porque velocidade de adoção varia, e empurrar demais cria ressentimento que sabota a adoção real. Mas existe diferença entre curva de aprendizado e recusa por princípio.

Separe os dois casos:

• Pessoa que não usa por medo ou resistência legítima (medo de errar, de expor limitação, de ser substituída): caso de desenvolvimento, precisa de mais treinamento, exemplo prático e tempo.
• Pessoa que se recusa por princípio mesmo depois de treinamento, prazo e exemplo: caso de desempenho, a função pede aquela competência e ela optou por não ter.

Sendo bem sincero, boa parte da resistência que aparece em empresa não é tecnofobia. É desconfiança de que o ganho de produtividade vai virar corte de vaga, não crescimento. Se essa desconfiança é real no seu time, o problema não é do colaborador que hesita: é da comunicação que a liderança não fez sobre pra onde o ganho de tempo vai.

Qual é o erro mais comum na avaliação de desempenho com IA?

O erro mais comum é punir quem automatizou bem o próprio trabalho: a pessoa reduz o tempo de uma tarefa em 40% usando IA (número ilustrativo), e a resposta da liderança é “ótimo, agora faz o dobro” sem ajustar reconhecimento, remuneração ou expectativa de qualidade.

Isso mata o incentivo de automatizar. Se todo o ganho de eficiência é capturado só em forma de mais volume exigido pelo mesmo salário, colaborador inteligente aprende rápido a esconder que automatizou, ou a desacelerar a própria adoção pra se proteger. O time inteiro passa a tratar IA como ameaça, não como ferramenta.

A correção é simples de descrever e difícil de sustentar: devolver parte do ganho pra pessoa. Pode ser:

• tempo pra desenvolvimento
• redistribuição de carga mais justa
• reconhecimento explícito
• ajuste de remuneração

E comunicar isso antes de implementar a ferramenta, não depois que alguém já sentiu que foi punido por ser eficiente.

Avaliação de desempenho na era da IA não fica mais fácil, fica mais honesta. Ela para de premiar quem produz mais número e passa a premiar quem produz mais resultado com julgamento melhor. Isso exige da liderança um trabalho que dá mais trabalho: observar como a pessoa usa a ferramenta, não só quanto ela produz.

FAQ

Como definir metas de desempenho pra um time que usa IA no dia a dia? Defina metas em cima do resultado final da função, não da atividade intermediária. Em vez de “enviar 30 propostas por semana”, meça taxa de conversão das propostas enviadas, tempo de resposta ao cliente e qualidade percebida (via feedback direto ou NPS interno). A meta de atividade só faz sentido pra tarefa que ainda não tem IA envolvida. Onde a IA já participa, a atividade infla artificialmente e para de medir esforço real.

Devo incluir “uso de IA” como item formal na avaliação de desempenho? Sim, do mesmo jeito que domínio de CRM ou de planilha já é item formal em muita avaliação. Trate como competência técnica: critérios de calibração (sabe o que delegar), revisão de output e evolução do uso ao longo do tempo. Não avalie só “usa ou não usa”, porque isso incentiva uso raso só pra marcar a caixinha. Avalie a qualidade do uso.

Como saber se um colaborador está usando IA de forma inteligente ou só copiando output sem revisar? Observe erros que passam sem ser pegos: informação desatualizada, tom fora do padrão da empresa, dado errado no meio de um texto. Erro recorrente que um humano atento pegaria é sinal de uso cego. Peça também pra pessoa explicar uma decisão que ela tomou editando ou descartando uma sugestão da IA: quem usa bem sempre tem um exemplo recente na ponta da língua.

É justo cobrar mais produtividade de quem passou a usar IA? É justo cobrar resultado melhor, não simplesmente mais volume pelo mesmo esforço reconhecido. Se a IA cortou, por exemplo, 40% do tempo de uma tarefa, parte desse ganho pode virar mais entregas, mas parte também deveria virar tempo pra qualidade, desenvolvimento ou atendimento mais cuidadoso. Cobrar 100% do ganho em forma de volume extra, sem ajustar reconhecimento, é a receita pra time esconder produtividade real.

O que fazer com quem se recusa a usar a ferramenta mesmo depois do treinamento? Depois de um treinamento formal e um prazo razoável (60 a 90 dias), trate como qualquer outra lacuna de competência da função: conversa direta, plano de desenvolvimento com prazo definido e consequência clara se não houver progresso. Antes desse prazo, é desenvolvimento. Depois, é desempenho. Misturar as duas fases é o erro mais comum: líder trata recusa legítima como capricho, ou trata capricho antigo como se ainda fosse curva de aprendizado.

Como comunicar essa mudança de critério sem gerar medo de demissão no time? Explique o motivo da mudança antes de aplicar: volume parou de medir esforço porque parte da produção agora vem de ferramenta, não de horas trabalhadas. Mostre que o novo critério (julgamento, uso da ferramenta, resultado) é mais justo com quem trabalha bem, não uma armadilha pra cortar gente. E honre isso na prática: se o primeiro uso do critério novo for demissão em massa, a desconfiança do time vai estar certa.