Resposta rápida: Quando parte do trabalho passa por máquina, o volume de entregas perde a capacidade de comparar pessoas, porque dois profissionais com o mesmo número de peças produzidas podem ter contribuições completamente diferentes. O ciclo de avaliação precisa migrar para quatro competências observáveis: qualidade do julgamento sobre o que a máquina produziu, capacidade de definir bem o problema antes de acionar a ferramenta, orquestração de fluxos que combinam pessoas e sistemas, e transferência de conhecimento para o resto do time. O pior indicador possível é a intensidade de uso da ferramenta, porque ela transforma adoção em teatro e premia quem delega sem revisar. As metas do ciclo em curso precisam de recalibração explícita quando a produtividade do processo muda no meio do ano, e o ganho obtido pede uma decisão consciente da liderança entre reduzir carga, ampliar escopo ou aumentar volume, porque a ausência de decisão entrega o ganho inteiro à forma de mais pressão.
A reunião de calibração foi a mais desconfortável que eu acompanhei naquele ano. Dois analistas de uma área de crédito tinham números praticamente idênticos no semestre: mesmo volume de pareceres emitidos, mesma pontualidade, mesma taxa de aprovação. Pelo sistema de avaliação da casa, eram profissionais equivalentes.
Só que a gerente sabia que eles eram profundamente diferentes. O primeiro usava as ferramentas de inteligência artificial para levantar histórico e organizar informação, e depois construía o parecer com o próprio raciocínio, questionando duas ou três premissas em cada caso. O segundo pedia o parecer completo à ferramenta, lia rapidamente e assinava. Os dois entregavam a mesma quantidade. Um estava construindo capacidade, e o outro estava acumulando risco que apareceria numa inadimplência futura.
O sistema de avaliação daquela empresa carecia de qualquer campo capaz de registrar essa diferença. E esse é o problema que chega às áreas de gente neste momento, geralmente sem aviso, no meio de um ciclo que foi desenhado para um mundo em que a produção de uma pessoa refletia o esforço e a competência dela de forma bem mais direta.
O que a inteligência artificial quebra no ciclo de avaliação
Sistemas de avaliação de desempenho se apoiam, em maior ou menor grau, numa premissa que a tecnologia enfraqueceu: a produção observável de um profissional guarda relação estável com a competência dele. Quando a produção passa a depender de uma ferramenta que amplifica de forma desigual, essa relação se afrouxa.
Três efeitos aparecem juntos. O primeiro é a compressão da diferença visível: profissionais de níveis distintos passam a entregar volumes parecidos, o que dificulta a diferenciação por resultado bruto. O segundo é a mudança do gargalo: o trabalho difícil migra da produção para a revisão e para a definição do problema, duas atividades que os formulários atuais raramente contemplam. O terceiro é a assimetria de adoção: parte do time descobre a ferramenta antes, e a diferença de resultado no primeiro ciclo mede acesso e curiosidade em vez de medir capacidade.
Eu tratei da dificuldade correlata de medir ganho no nível do processo em como medir a produtividade da IA. No nível da pessoa, o desafio é mais delicado, porque a avaliação individual afeta salário, carreira e a relação de confiança com a liderança.
Volume de entrega perde peso. Qualidade de julgamento assume o centro.
Por que medir uso de ferramenta é o pior indicador possível
A tentação aparece em toda empresa que investiu em licenças e precisa demonstrar retorno. Alguém propõe incluir na avaliação um item sobre uso de inteligência artificial, às vezes com meta numérica de interações por semana. Eu recomendo recusar essa proposta com firmeza, e existem três razões concretas.
A primeira razão é que a métrica é trivial de fraudar. Quando a intensidade de uso conta para a avaliação, o time gera uso, e a empresa passa a pagar consumo por teatro. A segunda razão é que ela premia o comportamento errado: quem delega a tarefa inteira sem revisar aparece melhor do que quem usa a ferramenta com critério nas etapas em que ela ajuda de fato. A terceira razão é que a métrica destrói confiança, porque ela confirma exatamente o medo da vigilância que o time carrega desde o primeiro anúncio sobre o assunto.
Existe um uso legítimo dos dados de utilização, e ele fica na gestão do programa em vez de ficar na avaliação de pessoas. Saber que uma área tem uso concentrado em três pessoas informa uma decisão de capacitação. Transformar esse dado em nota individual transforma uma ferramenta de trabalho em instrumento de controle. Eu escrevi sobre a raiz desse receio em IA e ansiedade no time.
As quatro competências que passam a valer mais
O ciclo de avaliação precisa de linguagem nova, e eu trabalho com quatro competências que são observáveis, avaliáveis por evidência e resistentes à troca de ferramenta.
A primeira é a definição do problema. Antes de acionar qualquer recurso, o profissional precisa saber qual pergunta ele está respondendo, qual informação importa e qual seria uma resposta boa. Essa competência aparece na qualidade do que a pessoa pede e na velocidade com que ela reconhece um pedido malformulado.
A segunda é o julgamento sobre o resultado. Aqui vive a diferença entre os dois analistas da minha história inicial. A pessoa avalia o material recebido, identifica o que está frágil, sabe o que verificar e assume a responsabilidade pela versão final. Essa é a competência mais valiosa do momento e a menos presente nos formulários atuais.
A terceira é a orquestração. Profissionais mais maduros passam a desenhar fluxos completos, decidindo o que a máquina faz, o que a pessoa faz, onde entra a conferência e como o trabalho circula. Essa competência aparece primeiro em quem tem visão de processo e vira requisito de senioridade nos próximos ciclos.
A quarta é a transferência. Quem descobre um jeito melhor de trabalhar e ensina o time multiplica o valor de forma que o resultado individual jamais captura. Eu prefiro medir essa competência por evidência concreta, do tipo material produzido, sessão conduzida e pessoas que passaram a usar aquele método. Eu detalhei o desenho do aprendizado coletivo em trilha de letramento em IA por nível.
Como avaliar qualidade de julgamento sem virar subjetividade pura
A objeção legítima a essa lista é a dificuldade de medir julgamento. Ela tem solução prática, e a solução vem do próprio trabalho.
Eu uso três fontes de evidência. A primeira é a amostragem de trabalho: o gestor escolhe, a cada trimestre, três entregas da pessoa e revisa o processo em vez de revisar apenas o produto, olhando o que a pessoa questionou, ajustou e descartou. A segunda é a taxa de correção posterior: quantas entregas daquele profissional exigiram retificação depois de aprovadas, indicador que expõe revisão superficial com clareza brutal. A terceira é a discussão de caso difícil: uma conversa de trinta minutos por ciclo sobre um caso que exigiu decisão, em que o gestor pergunta o que a pessoa considerou e por que escolheu aquele caminho.
Essas três fontes cabem na rotina de um gestor com equipe de até quinze pessoas, e elas produzem material bem mais rico para a conversa de desempenho do que qualquer painel de volume.
O que fazer com as metas do ciclo em curso
Esse é o problema urgente das empresas neste ano, e ele tem uma solução honesta. Quando a produtividade de um processo muda de forma relevante no meio do ciclo, as metas definidas em janeiro deixam de fazer sentido, e existem apenas dois caminhos: recalibrar de forma explícita ou conviver com um sistema que perdeu credibilidade.
A recalibração precisa acontecer com o time na sala e com regra clara. Eu recomendo três decisões nesse momento. Primeira: informar que a meta muda por causa da mudança de processo, com o número novo e o raciocínio aberto. Segunda: garantir que a mudança preserve a possibilidade de superação, porque meta recalibrada para o limite do esforço elimina o incentivo de melhorar. Terceira: manter a promessa sobre remuneração daquele ciclo, honrando o que foi combinado quando o combinado era outro.
A terceira decisão é a que compra credibilidade para os ciclos seguintes. Empresa que aumenta meta no meio do ano e reduz bônus na mesma canetada ensina ao time que melhorar processo custa dinheiro pessoal, e essa lição destrói a colaboração que o programa inteiro depende.
Framework de avaliação de desempenho na era da IA: O que a inteligência artificial quebra no ciclo de.
O erro de dividir o time entre quem usa e quem resiste
Aparece em muitas casas uma narrativa binária: existem os profissionais modernos que abraçaram a tecnologia e os resistentes que ficaram para trás. Essa leitura simplifica demais e produz injustiças específicas.
Parte da resistência tem origem legítima. Profissional que trabalha com material sensível e carece de orientação clara sobre o que pode ser enviado a uma ferramenta externa está protegendo a empresa. Profissional que já viu resultado errado passar por revisão superficial de um colega está protegendo o próprio nome. Profissional experiente que desconfia de mudança tem histórico de sistemas que prometeram e atrapalharam. Tratar essas três posturas como atraso cultural desperdiça informação valiosa e cria adversários desnecessários.
A avaliação justa separa duas coisas diferentes: recusa em melhorar o próprio trabalho, que merece conversa de desempenho, e cautela fundamentada, que merece resposta da liderança na forma de regra clara e suporte. Eu discuti essa distinção com mais espaço em a verdade sobre IA e empregos.
A avaliação do gerente muda antes das outras
Se a empresa mexer em apenas um nível do sistema de avaliação neste ano, eu recomendo mexer no do gerente. Ele é quem redesenha o processo, sustenta o time durante a mudança e decide o que fazer com o tempo que aparece.
Três itens entram na avaliação dessa camada. O primeiro é o redesenho concreto: quais processos da área mudaram, com indicador antes e depois. O segundo é o desenvolvimento do time: quantas pessoas ganharam competência nova, com evidência. O terceiro é a saúde da equipe durante a transição, medida por indicadores que a empresa já coleta, incluindo afastamento, rotatividade e o resultado da pesquisa de clima daquela área.
O terceiro item merece peso real, porque ele é o freio contra o gerente que entrega número às custas da intensificação do trabalho. A norma regulamentadora que trata de gestão de riscos ocupacionais passou a exigir atenção formal a riscos psicossociais, e isso significa que sobrecarga produzida por corrida de produtividade deixou de ser assunto apenas de clima para virar assunto de conformidade. Eu tratei desse passivo em NR-1 e IA: o passivo trabalhista que o board ignora.
Calibração entre áreas com velocidades diferentes
A reunião de calibração fica mais difícil quando uma área teve acesso a ferramentas boas e outra ainda espera integração. Comparar profissionais nessas duas situações pelo resultado bruto premia a sorte de estar no lugar certo.
A saída prática consiste em avaliar a evolução relativa ao ponto de partida da área, com o resultado absoluto entrando como contexto em vez de entrar como nota. Eu peço aos gestores que respondam duas perguntas por pessoa: o que ela fez com os recursos que tinha disponíveis, e como ela contribuiu para que a área avançasse. Essas duas perguntas comparam contribuição em vez de comparar circunstância.
O que a empresa faz com o ganho define a próxima safra de avaliações
Uma pesquisa da McKinsey aponta ganhos de produtividade entre quinze e quarenta por cento em processos redesenhados com inteligência artificial, e esse ganho vai para algum lugar. A liderança tem três destinos possíveis, e a escolha entre eles molda o comportamento do time no ciclo seguinte.
O primeiro destino é ampliar volume com o mesmo quadro, o que aumenta receita e mantém a carga individual estável se o crescimento de demanda acompanhar. O segundo é ampliar escopo, com as pessoas assumindo trabalho de valor mais alto que estava sendo adiado por falta de tempo. O terceiro é reduzir a carga, devolvendo horas para qualidade, formação e a redução do trabalho fora do horário.
A ausência de escolha explícita produz um quarto destino, que é o pior de todos: a expectativa sobe sozinha, cada pessoa passa a ser cobrada pelo próprio recorde, e o ganho se converte em pressão contínua. Eu descrevi esse mecanismo em o efeito rebote da IA, e ele aparece na avaliação seguinte na forma de metas impossíveis herdadas de um pico que aconteceu uma vez.
Matriz de decisão de avaliação de desempenho na era da IA: Como avaliar qualidade de julgamento sem virar.
O profissional júnior e o degrau que a máquina removeu
Existe um efeito colateral desse cenário que merece decisão consciente da liderança, porque ele afeta a formação da próxima geração de profissionais da casa.
Grande parte do aprendizado de início de carreira acontecia justamente nas tarefas que a tecnologia absorve com facilidade: montar a primeira versão de um relatório, organizar dados, redigir a minuta que o sênior vai corrigir, refazer o cálculo três vezes até acertar. Esse trabalho parecia pouco nobre e cumpria uma função invisível, que era construir intuição pelo repetição. Quando a máquina assume esse degrau, o júnior chega mais rápido ao trabalho de revisão sem ter percorrido o caminho que ensinava a revisar.
Eu vejo duas respostas ruins e uma boa. A primeira resposta ruim consiste em manter o júnior fazendo manualmente aquilo que a ferramenta faria, sob o argumento de que ele precisa aprender. Isso preserva o aprendizado e desperdiça produtividade, além de constranger quem percebe que o próprio trabalho já poderia ser diferente. A segunda resposta ruim entrega a ferramenta e cobra desempenho de sênior, o que produz insegurança e erro silencioso.
A resposta que funciona reorganiza a formação em torno da revisão orientada. O júnior recebe a ferramenta e recebe, junto, a obrigação de justificar por escrito o que ele aceitou e o que ele mudou em cada entrega, com um sênior conferindo essas justificativas duas vezes por semana. Ele aprende examinando material pronto em vez de aprender produzindo do zero, o que é um caminho diferente e igualmente válido, desde que a empresa reserve o tempo do sênior para essa conferência.
Na avaliação, isso significa que o profissional em início de carreira responde por qualidade de crítica em vez de responder por volume, e o gestor dele responde por ter criado o espaço dessa formação. Casas que dispensam esse cuidado vão descobrir em três anos que carecem de gente preparada para as posições intermediárias.
Medir uso de ferramenta produz teatro de adoção e nenhuma informação útil.
Como documentar contribuição individual num trabalho compartilhado com máquina
Existe uma preocupação prática que os profissionais levantam com frequência: se a máquina faz parte, como eu demonstro o que fiz? A resposta cabe num hábito simples, e ele beneficia a pessoa antes de beneficiar a empresa.
Eu recomendo que cada profissional mantenha um registro leve das próprias contribuições de julgamento, com três ou quatro linhas por entrega relevante: qual decisão ele tomou, o que ele questionou no material recebido, qual alternativa ele descartou e qual foi o resultado. Cinco minutos por entrega importante, guardados num documento pessoal.
Esse registro serve à conversa de desempenho, à discussão de promoção e à defesa do próprio trabalho quando alguém questiona a origem de uma peça. Ele também melhora o trabalho por si mesmo, porque escrever a própria decisão obriga a examinar o raciocínio.
A conversa de desempenho quando o resultado veio da máquina
Gestores me perguntam como conduzir o feedback quando o resultado excelente parece ter vindo da ferramenta. Eu inverto a pergunta: qual foi a decisão humana que produziu aquele resultado?
Toda entrega boa num fluxo com inteligência artificial contém decisões humanas identificáveis: a escolha do que fazer, a formulação do pedido, a rejeição de versões insuficientes, a verificação do que importava, a integração ao contexto do cliente. Quando o gestor consegue nomear essas decisões, o elogio fica preciso e o profissional aprende o que repetir. Quando o gestor procura por elas e encontra poucas, existe uma conversa necessária sobre profundidade, e ela precisa acontecer com curiosidade em vez de acusação.
Vale reconhecer que essa conversa exige do gestor uma familiaridade com a ferramenta que muitos ainda carecem de ter. Avaliar julgamento sobre um recurso que o próprio avaliador domina pouco produz feedback frágil, e essa é uma das razões pelas quais a formação da camada gerencial precisa acontecer antes da revisão do sistema de avaliação.
O ciclo que vale desenhar para o próximo ano
Eu recomendo três movimentos concretos para quem responde por gente nesta virada. Primeiro, revisar o formulário de avaliação para incluir as quatro competências, com descrição de comportamento observável em cada nível de senioridade, o que costuma exigir um trabalho de seis a oito semanas com as lideranças. Segundo, mudar a régua de senioridade da área técnica e operacional, porque o perfil valorizado se deslocou e a estrutura de cargos precisa acompanhar, assunto que eu tratei em contratar na era da IA. Terceiro, estabelecer a regra de recalibração de metas com antecedência, definindo agora como a empresa vai proceder quando um processo mudar de patamar no meio do ciclo.
O terceiro movimento é o mais barato e o mais esquecido. Ele custa uma página de política e evita a discussão emocional que acontece sempre que a mudança pega o ciclo no meio.
Eu encerro essas conversas com uma observação que costuma tranquilizar as áreas de gente. A avaliação de desempenho continua medindo a mesma coisa que sempre mediu, que é a contribuição de uma pessoa para o resultado da empresa. O que mudou foi o lugar onde essa contribuição acontece: ela migrou do volume de produção para a qualidade das decisões, e decisão é justamente o território em que gente boa se diferencia com mais clareza. Empresas que fizerem essa migração com honestidade vão descobrir que ficou mais fácil reconhecer talento, em vez de mais difícil. Sobre o horizonte dessa mudança de papéis, eu escrevi em o futuro do trabalho com agentes de IA.
Leia também
O contexto brasileiro: LGPD, ANPD e o PL 2338
No Brasil, qualquer decisão sobre uso de IA na operação passa pela LGPD (Lei 13.709/2018). A ANPD pode aplicar sanção de até 2% do faturamento da empresa no Brasil, limitada a R$ 50 milhões por infração, e o PL 2338/2023 avança para criar o marco legal da IA, com obrigações de transparência, avaliação de risco e supervisão humana em sistemas de alto impacto.
Na prática, isso significa três coisas para a liderança: registrar quais ferramentas e agentes de IA tratam dados pessoais, definir quem responde por cada decisão automatizada e manter trilha de auditoria do que foi gerado por máquina.
A Groovia acompanha essa jornada com um time de 6 humanos e 78 agentes próprios, e já conduziu 100 sócios pela Curva de Maturidade em IA, das 5 etapas que levam uma empresa de AI First a AI Native.