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 o mesmo experimento que dá a munição traz o número que derruba a conta, e esse número quase nunca viaja junto.

O estudo que dá munição, e o achado que tira

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 resolvendo desafios reais de desenvolvimento de produto. Gente experiente: a tabela de estatísticas do estudo mostra gente com cerca de dez a doze anos de casa em média, e com muita variação — o desvio-padrão passa de oito anos.

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.

Esse é o número que alimenta a conta. Agora o que saiu do mesmo experimento e ficou na sala.

Os pesquisadores isolaram as soluções que ficaram no décimo superior da nota de qualidade. No grupo de controle, gente trabalhando sozinha e sem IA, 5,8% das soluções chegaram lá. As duplas com IA ficaram 9,2 pontos percentuais acima disso, cerca de 2,6 vezes a chance do controle (o paper arredonda para "cerca de três vezes"), e esse é o único dos três efeitos que passa no teste estatístico: a dupla sem IA subiu 3,7 pontos e quem trabalhou sozinho com IA subiu 1,9, e nenhum dos dois se separa do acaso.

E vou até o fim da honestidade, porque é aqui que a conta costuma ser esticada. A comparação que fecha é contra o controle. Entre dupla com IA e dupla sem IA, a diferença dá p = 0,190. O dado não diz que é a IA que leva a dupla ao topo; diz que a dupla com IA supera quem trabalha sozinho e sem IA.

Na média, a IA no indivíduo empata com a dupla. No topo, ela não chega lá sozinha. Quem corta metade do time está comprando a média e vendendo o topo.

O Fabrizio Dell'Acqua, primeiro autor do estudo, resume assim numa entrevista pra HBS Working Knowledge: se você quer que uma pessoa renda como um time, dê IA pra ela; se você quer estar entre os 10% melhores, a receita parece ser time humano completo mais IA.

Quem estava na sala quando o número saiu

Antes de comprar o pacote, o que o próprio estudo declara. Quatro funcionários da P&G assinam como coautores. A empresa fez doações ao HBS AI Institute, o instituto de Harvard que coordenou a pesquisa, entre 2023 e 2025. E o Karim Lakhani, um dos autores, recebeu como consultor da P&G entre 2021 e 2022. Está nos agradecimentos da versão publicada, junto com a frase em que eles afirmam ter mantido independência intelectual completa ao longo do estudo.

A contrapartida também é pública, e vem de dentro: o Ethan Mollick, coautor, escreveu que a P&G não teve controle sobre os resultados nem sobre os dados. É a palavra dos autores, não auditoria independente.

Tem mais uma coisa que a frase "o desenho era sorteado" esconde. O workshop teve 826 participantes e as análises usam 791. Os 35 de fora não foram sorteados: quem chegou atrasado fez a tarefa sozinho e sem IA, e quem tinha senioridade acima da banda 3 fez sozinho e com IA. As análises deixam esse pessoal de fora, e os autores registram que os resultados se mantêm quando ele entra. Está na nota de rodapé 9.

Nada disso joga o resultado fora. O experimento foi pré-registrado e sorteado, mais rigor do que eu vejo na maioria das manchetes sobre IA e produtividade. Os próprios autores listam duas limitações: foi um workshop virtual de um dia, que não captura a coordenação e o retrabalho da rotina de um time de verdade, e as duplas eram sempre de funções diferentes, então grupos com formação parecida ou maiores podem se comportar de outro jeito.

Gerar ficou barato, escolher continua caro

E tem a parte que quase nunca vem junto com o resultado principal. 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 tem a parte que sustenta o resto deste post, então vou com endereço. A versão publicada na Organization Science traz uma seção que o working paper não tinha, a 5.4.1, que abre o processo de inovação em pedaços. Deu pra fazer isso porque a tarefa tinha etapas separadas: cada participante gerava cinco ideias, escolhia uma e desenvolvia só a escolhida. Como o número de ideias era fixo em cinco para todo mundo, os pesquisadores conseguiram separar o efeito da IA na qualidade das ideias do efeito dela na escolha.

O resultado tem duas metades, e só a primeira circula. A IA melhorou a qualidade média das cinco ideias geradas. Na hora de escolher qual das cinco levar adiante, quem estava sem IA acertou um pouco mais: os autores registram que as duplas humanas sem IA mostraram uma pequena vantagem em precisão de seleção, e resumem o papel da IA como amplificadora de qualidade, e não como melhoradora de decisão.

A ressalva é deles e eu faço questão de repetir: a vantagem na seleção é pequena, o ganho na geração compensa com folga — o resultado final continua melhor com IA — e eles próprios registram que quem tinha IA talvez simplesmente não a tenha usado pra escolher. Não é que a máquina escolha mal. É que ninguém mediu ela escolhendo bem.

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.

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. Guarde os dois recortes juntos: os 16% cobrem uma janela que começa antes de 2024, e o pedaço em que a relação com IA aparece limpa é de 2024 pra cá.

E tem uma contestação publicada que eu preciso trazer, porque ela bate no que eu estou defendendo. O Economic Innovation Group, em Looking for the Ladder (Iscenko e Millet, janeiro de 2026), atribui boa parte do movimento ao ciclo de juros e mostra que a queda de vagas nas ocupações mais expostas começou em março e abril de 2022, antes do ChatGPT. O ponto que mais me custa é o segundo: dentro dessas ocupações, o EIG não encontra evidência de que as vagas juniores caíram mais que as sêniores. Jed Kolko, da Brookings, acrescenta que o resultado muda conforme a medida de exposição que se escolhe. Eu não resolvo isso aqui. Se a explicação for juros, a minha leitura perde a melhor evidência que ela tinha, e sobra o que eu vejo na prática.

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.

Você tem certeza de que o time acelerou?

Falta a terceira pergunta da conta, e é a mais escorregadia das três. 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. E essa distância aparece nas duas direções. No experimento da P&G ela apareceu invertida: quem usou IA foi 9,2 pontos percentuais menos propenso a esperar que a própria solução ficasse entre as 10% melhores, enquanto a nota objetiva subia. Trabalharam melhor e se acharam piores.

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 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 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. São correlações em pesquisa autorrelatada, e a parte da entrega trocou de sinal em um ano: na edição de 2024 a adoção aparecia associada a menos entrega. A associação com instabilidade se repetiu nas duas. 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.

Então o que sobra pra liderança

Sobra o que sempre foi difícil, só que agora sem a desculpa da fila de execução.

Sobra proteger o topo, e não só a média. O achado das soluções do décimo superior é o argumento mais direto contra dissolver time em pessoas sozinhas com IA: se o que você precisa é resultado excepcional, o que o estudo mediu como receita foi time humano completo mais IA. Time inteiro trocado por indivíduos com agente compra a média e perde exatamente a faixa que justifica a existência da sua área.

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. E a sensação erra nos dois sentidos: os desenvolvedores da METR se acharam 20% mais rápidos trabalhando mais devagar, e o pessoal da P&G se achou pior entregando melhor.

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. O próprio DORA é direto nisso: o retorno maior não vem da ferramenta, vem de mexer no sistema de trabalho em volta dela.

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 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. Se escolher é a parte cara, contexto é o insumo de quem escolhe. Contexto virou infraestrutura de time.

A objeção que eu não sei resolver

Se você é diretor e leu até aqui, tem uma pergunta pronta pra me fazer, e ela é boa.

Na cirurgia, a residência existe pra produzir cirurgião. É regulada, é o caminho exigido pra se registrar como especialista, e alguém paga por ela de propósito. Em design não tem nada disso. Nenhuma empresa é obrigada a formar júnior, o benefício de formar aparece daqui a cinco anos e provavelmente em outra empresa, porque a pessoa vai embora antes. Eu estou pedindo que a sua liderança absorva um custo cujo retorno o mercado captura.

Isso tem nome: é um problema de ação coletiva. Todo mundo ganha se todo mundo formar, cada um ganha mais se só os outros formarem, e o resultado é que ninguém forma. "Desenhe o degrau de propósito" não resolve problema de ação coletiva, e eu não vou fingir que resolve.

O que eu tenho é menor que a pergunta, e prefiro entregar assim.

O retorno não é todo daqui a cinco anos. Um júnior formado dentro de casa produz coisa aproveitável muito antes de virar sênior, e nesse meio tempo ele é a fonte mais barata de critério que a sua operação vai ter. O retorno integral vaza; o retorno parcial fica.

Quem formou a pessoa também é quem tem a melhor informação sobre ela e a primeira chance de segurá-la. É um argumento fraco, e continua sendo um argumento.

E o honesto: o que resolve de fato é estrutura coletiva, do tipo que a medicina tem e o design não tem. Programa de formação bancado por quem captura o benefício, e não boa vontade de um diretor por vez. Enquanto isso não existir, formar júnior é uma aposta feita com retorno parcial, e eu entendo quem não faz.

Só que a decisão contrária também tem preço, e ele chega depois. Se empresa suficiente decidir que formar não é problema dela, daqui a cinco anos todo mundo vai estar disputando o mesmo estoque encolhido de gente com critério, e a conta reaparece na linha de salário. Para o design isso é expectativa minha, não medição. Só que não é especulação solta: o resumo do artigo do Beane lista, entre os resultados do que aconteceu na cirurgia robótica, hiperespecialização e uma oferta de especialistas em queda em relação à demanda. O mecanismo já foi documentado uma vez, no único campo onde alguém foi olhar.

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., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S. & Lakhani, K. (2026). The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science, publicado online em 12 de junho de 2026 (ler na INFORMS). É a versão que traz a seção 5.4.1, com a decomposição do processo de inovação e a medida de precisão de seleção (Figura 8), e os agradecimentos com as declarações de financiamento e de consultoria. Open access.
• A versão gratuita é o working paper do NBER, de abril de 2025, que circula com outro título — The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise — e com uma contagem diferente de participantes: 811 no workshop e 776 nas análises, contra 826 e 791 da versão publicada (NBER w33641). Os números que este post usa — os anos de casa, as soluções do décimo superior, a expectativa invertida — são idênticos nas duas versões; a decomposição entre gerar e escolher só existe na publicada.
• Nover, S. (2025). When AI Joins the Team, Better Ideas Surface, HBS Working Knowledge, 17 de outubro de 2025 (ler). A entrevista com Fabrizio Dell'Acqua, primeiro autor do estudo, e a receita do top 10%.
• Mollick, E. (2025). The Cybernetic Teammate, One Useful Thing (ler). Onde um dos coautores registra que a P&G não teve controle sobre os resultados nem sobre os dados.
• 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: More on the Recent Drivers of Employment Changes for Young Workers. Stanford Digital Economy Lab, 9 de fevereiro de 2026. A nota dos próprios autores em que a relação passa a ser significativa a partir de 2024 (Stanford Digital Economy Lab).
• Iscenko & Millet (2026). Looking for the Ladder. Economic Innovation Group, janeiro de 2026 (agglomerations.eig.org). A contestação que atribui boa parte do movimento ao ciclo de juros. Ver também Kolko, J. (2026). Research on AI and the labor market is still in the first inning, Brookings, 10 de março de 2026 (brookings.edu).