Liderar gente na era dos agentes: o que a IA acelera e o que ela esconde

Ando escrevendo bastante por aqui sobre IA dentro do processo de design. Hoje quero puxar a parte que nenhum agente assume por você: as pessoas.

Tem uma conta que muita liderança anda fazendo baixinho. Se uma pessoa com IA entrega o que duas entregavam, então metade do time virou custo.

A conta parece esperta, e o pior é que existe pesquisa séria dando munição pra ela. Só que essa mesma pesquisa, lida até o fim, cobra um preço que ninguém colocou na planilha.

Vamos ao estudo, porque ele é bom demais pra ficar de fora. Entre maio e julho de 2024, pesquisadores de Harvard, Wharton, ESSEC e Warwick rodaram um experimento de campo dentro da Procter & Gamble com 791 profissionais, gente com mais de dez anos de casa, resolvendo desafios reais de desenvolvimento de produto.

O desenho era sorteado: metade recebeu IA, metade não; parte trabalhou sozinha, parte em dupla, sempre juntando alguém de P&D com alguém da área comercial. O resultado que rodou o mundo foi esse: quem trabalhou sozinho com IA alcançou a mesma qualidade de solução que as duplas que trabalharam sem IA.

Antes de comprar o pacote inteiro, tem uma coisa que o próprio paper declara: quatro funcionários da P&G assinam o estudo como coautores, e a empresa bancou o instituto de Harvard que coordenou a pesquisa.

Isso não joga o resultado fora. O experimento foi pré-registrado e com sorteio, mais rigor do que eu vejo na maioria das manchetes sobre IA e produtividade. Só acho justo você saber quem estava na sala quando o número saiu.

E tem a parte que quase nunca vem junto com esse resultado. Sem IA, o pessoal de P&D propunha solução técnica e o pessoal do comercial propunha solução comercial, cada um puxando pro próprio silo. Com IA, os dois lados entregaram propostas equilibradas, independente da formação de origem.

As pessoas também relataram mais emoção positiva e menos emoção negativa do que quem trabalhou sem. E, quando os pesquisadores abriram o processo de inovação em pedaços, viram onde exatamente a máquina mexeu: ela melhorou a geração de ideias, empurrando a distribuição de qualidade pra cima, enquanto o julgamento humano seguiu valendo na hora de escolher qual ideia continua viva.

Gerar ficou barato. Escolher continua caro. E escolher é, com todas as letras, o trabalho de quem lidera.

A promessa de "menos gente" tropeça logo na entrada: a IA aliviou a parte que já dava pra distribuir e deixou de pé justamente a parte que se concentra em cima da liderança.

Você tem certeza de que o time acelerou?

Essa é a segunda pergunta da conta, e é bem mais escorregadia do que parece. Em 2025, a METR rodou um experimento controlado com dezesseis desenvolvedores open source experientes, cada um trabalhando nos próprios repositórios. Antes de começar, eles previram que a IA cortaria 24% do tempo das tarefas.

Depois de terminar, continuavam achando que tinham sido 20% mais rápidos. A medição apontou o contrário: as tarefas feitas com IA levaram 19% mais tempo.

Antes que alguém use isso pra decretar que IA atrasa, vale a ressalva que veio da própria METR. Em fevereiro de 2026, eles publicaram que a segunda rodada do estudo não gerou sinal confiável: desenvolvedor demais se recusou a participar de tarefas sem IA, e entre 30% e 50% dos que toparam admitiram deixar algumas tarefas de fora justamente por não querer abrir mão da IA nelas.

A leitura deles hoje é que provavelmente houve ganho de velocidade de lá pra cá, sem dar pra cravar o tamanho: as estimativas da segunda rodada apontaram pra mais rápido, e nenhuma delas foi estatisticamente significativa.

O que sobrevive dos dois estudos tem menos a ver com velocidade e mais com a distância entre o que a pessoa sente que produziu e o que ela produziu. Essa distância aparece nas duas direções, e ela é o instrumento mais furado que uma liderança pode escolher pra tomar decisão de time.

O relatório DORA de 2025, do Google Cloud, ouviu quase cinco mil profissionais de tecnologia: 90% usam IA no trabalho e mais de 80% acreditam que ficaram mais produtivos.

No mesmo relatório, 30% dizem confiar pouco ou nada no código que a IA gera. Sensação de produtividade e confiança no resultado caminhando em direções diferentes, dentro da mesma amostra.

Ué, e aí você dimensiona equipe com base em quê? Em "o time sente que tá voando", não dá.

A IA amplifica o que já existe

A conclusão central do DORA é a frase que eu queria pregar na parede de toda diretoria: a IA age como amplificador. Ela multiplica a força de quem já tinha processo bom e escancara a bagunça de quem não tinha.

Os números do relatório mostram os dois lados ao mesmo tempo: a adoção de IA aparece associada a mais entrega e melhor performance de produto, e também associada a menos estabilidade na entrega. Mais coisa saindo, mais coisa quebrando, quando não existe rede embaixo.

Traduzindo pra gestão de gente: se hoje o seu time não tem clareza de prioridade, com IA ele vai produzir a coisa errada mais rápido e em maior volume. Se hoje a decisão trava em você, com IA ela vai travar em você com uma fila maior atrás.

Ferramenta nova em cima de organização ruim não conserta a organização, ela acelera o defeito. O próprio relatório é direto nisso: o retorno maior não vem da ferramenta, vem de mexer no sistema de trabalho em volta dela.

O degrau que está sumindo

Agora o preço que não entra na planilha, e é o motivo pelo qual eu escrevi esse post. Quem me fez enxergar isso direito foi o Matt Beane, pesquisador da UC Santa Barbara, que passou mais de dois anos dentro de centro cirúrgico observando cirurgia robótica. A comparação que ele faz é dolorida.

Na cirurgia aberta, o residente ia pra mesa porque o procedimento precisava dele: eram quatro mãos e duas pessoas, o tempo quase todo. Com o robô, o cirurgião experiente resolve sozinho no console. O residente virou opcional, e opcional na prática quer dizer ausente.

Beane conta que eles ficaram com dez a vinte vezes menos prática, e que muita gente terminou a residência licenciada pra operar com robô sem ter treinado o suficiente. Os que aprenderam de verdade aprenderam torcendo as regras: simulador, vídeo, treino escondido, longe do olhar do orientador. Ele chamou isso de shadow learning, aprendizado na sombra.

Repare que não tem vilão nessa história. O robô é melhor que o método antigo. O cirurgião não fez nada de errado. E mesmo assim uma leva inteira de residentes ficou sem aprender.

Troque o robô por um agente e o cirurgião por um designer sênior, e a cena é a mesma. Aquela tarefa chata que o júnior pegava, a varredura de concorrentes, a primeira leva de wireframes, a organização do arquivo, a transcrição da pesquisa, era exatamente o lugar onde ele aprendia a enxergar padrão.

Hoje esse mesmo trabalho volta pronto do agente, e volta melhor do que voltaria de um júnior de seis meses de casa. O que sumiu junto com a tarefa foi o lugar onde esse júnior aprendia a ficar bom.

E isso já aparece no mercado de trabalho. Um estudo do Stanford Digital Economy Lab, assinado por Erik Brynjolfsson, Bharat Chandar e Ruyu Chen, encontrou queda relativa de 16% no emprego de pessoas de 22 a 25 anos nas ocupações mais expostas à IA, como desenvolvimento de software e atendimento ao cliente, enquanto o emprego dos profissionais mais experientes nas mesmas ocupações seguiu estável.

A queda se concentra onde a IA automatiza a tarefa e praticamente some onde ela só apoia. Os próprios autores puxam o freio na leitura: com o conjunto mais amplo de controles, a relação entre exposição à IA e queda de emprego só fica significativa a partir de 2024, então parte do movimento anterior tem outras causas.

Cortar júnior é a economia mais cara que existe, porque quem some da conta hoje é o sênior que você não vai ter daqui a cinco anos. E ninguém vira sênior assistindo agente trabalhar.

Então o que sobra pra liderança

Sobra o que sempre foi difícil, só que agora sem a desculpa da fila de execução. Sobra medir resultado em vez de sensação: a pergunta de uma 1:1 hoje não é quanto você produziu, e sim o que ficou de pé, o que você decidiu descartar e por quê. Volume de entrega virou a métrica mais fácil de inflar e a mais fácil de enganar quem olha.

Sobra arrumar a casa antes de comprar ferramenta. Prioridade clara, critério escrito, alguém dono da decisão. Quem pula essa parte e vai direto pra licença de IA compra amplificação de um problema que já tinha.

Sobra desenhar o degrau de propósito, porque ele não vai reaparecer sozinho. Isso significa reservar de caso pensado trabalho que a IA faria mais rápido pra quem ainda está aprendendo, colocar pessoa revisando pessoa, e proteger tempo de pareamento mesmo quando a planilha diz que é ineficiente.

É ineficiente. É também o único jeito conhecido de fabricar critério, e critério é o insumo que a sua operação vai consumir inteiro nos próximos anos.

E sobra distribuir contexto. Aquele conhecimento que ficava na cabeça de três pessoas e circulava por osmose no corredor agora precisa estar escrito, porque é ele que a pessoa vai usar pra julgar o que o agente devolveu. Contexto virou infraestrutura de time.

Uma ressalva pra ninguém sair daqui distorcido: nada disso é argumento pra frear a adoção. Os ganhos são reais e estão medidos, inclusive o ganho emocional, que eu achei o achado mais bonito do estudo da P&G.

O que eu tô dizendo é que a IA mexeu na parte do trabalho que dava pra dividir, e não na parte que exige alguém decidindo, formando gente e assumindo a conta. Essa parte continua sendo feita por pessoas, e ela ficou maior.

Um beijo e até a próxima!

---

Pra quem quiser ir na fonte:

• Dell'Acqua, F. et al. (2026). The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science. O experimento com 791 profissionais da Procter & Gamble (ler na INFORMS, versão working paper gratuita no NBER). A amostra aparece como 776 no working paper e 791 na versão final revisada.
• METR (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. O estudo do 19% mais lento e da percepção invertida (metr.org).
• METR (2026). We are Changing our Developer Productivity Experiment Design. A própria METR explicando por que a segunda rodada não deu sinal confiável (metr.org).
• DORA / Google Cloud (2025). State of AI-assisted Software Development. Quase cinco mil profissionais, a tese da IA como amplificador (dora.dev).
• Beane, M. (2019). Shadow Learning: Building Robotic Surgical Skill When Approved Means Fail. Administrative Science Quarterly (resumo da pesquisa pela UC Santa Barbara).
• Brynjolfsson, E., Chandar, B. & Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab (página do estudo, PDF de nov/2025).
• Brynjolfsson, E., Chandar, B. & Chen, R. (2026). Canaries, Interest Rates, and Timing. A nota dos próprios autores em que a relação passa a ser significativa a partir de 2024 (Stanford Digital Economy Lab).