Pesquisa de IA da monday.com expõe o custo gerencial de uma produção mais rápida

A pesquisa de IA da monday.com conclui que 53% dos líderes seniores têm mais dificuldade para avaliar as contribuições originais dos funcionários após adotar IA. A constatação introduz um problema de gestão no argumento da produtividade: produzir um trabalho finalizado e entender a contribuição de alguém são tarefas diferentes.

Publicada em 21 de outubro, a pesquisa conduzida pela Nielsen ouviu 1.701 diretores e gestores seniores em sete países. Seus resultados sugerem que os empregadores enfrentam um problema de mensuração mais difícil à medida que o trabalho assistido por IA se torna comum. Uma entrega refinada oferece menos evidências sobre o julgamento por trás dela.

Essa tensão coexistе com evidências de que a IA pode melhorar o desempenho em contextos específicos. Uma pesquisa de Erik Brynjolfsson, Danielle Li e Lindsey Raymond identificou ganhos mensuráveis no atendimento ao cliente. A questão para os empregadores é se esses ganhos resistem a toda a jornada, da produção individual ao trabalho revisado e utilizável.

A pesquisa de IA da monday.com pressiona a avaliação

Segundo as conclusões da empresa sobre gestão de IA, 47% dos respondentes dedicam mais tempo a revisar e orientar a produção das equipes. Enquanto isso, 78% alteraram sua abordagem de avaliação de funcionários desde que adotaram IA.

Esses resultados descrevem pressões relacionadas, embora não comprovem que os mesmos respondentes vivenciaram todos os problemas. Tampouco medem quanto tempo adicional os gestores gastam em revisões. A distinção é importante ao transformar dificuldades na avaliação de funcionários em alegações sobre desempenho empresarial.

A mudança imediata é uma ligação mais fraca entre uma entrega finalizada e a contribuição individual que ela aparenta representar.

Antes da assistência por IA, a qualidade da apresentação podia oferecer alguma evidência de capacidade de escrita, preparação ou familiaridade com um assunto. Nunca ofereceu um quadro completo. Colegas, modelos, editores e materiais existentes sempre influenciaram a produção no ambiente de trabalho.

A IA torna essa inferência mais complicada porque pode fornecer grande parte da apresentação visível. Uma explicação clara pode refletir compreensão profunda, edição eficaz ou aceitação de uma resposta gerada. O documento final, por si só, não consegue distinguir essas possibilidades de forma confiável.

Para os gestores, a questão resultante vai além de saber se um funcionário usou IA. Eles precisam entender se o funcionário selecionou evidências adequadas, identificou erros e tomou decisões defensáveis. Essas contribuições podem permanecer invisíveis no texto finalizado.

A pesquisa também complica uma narrativa simples de resistência. Na mesma pesquisa, 94% expressaram entusiasmo em melhorar o trabalho com IA. Entusiasmo e dificuldade coexistem, sugerindo que o problema diz respeito à implementação e à avaliação, e não a uma rejeição direta.

A principal constatação recebeu atenção na cobertura da TechCrunch sobre dificuldades na avaliação de funcionários. O relatório primário oferece uma base mais útil para interpretação: são líderes seniores descrevendo suas experiências.

Isso é uma evidência relevante sobre atritos na gestão. Não é uma comparação controlada entre organizações que usam IA e organizações que a evitam. Tampouco estabelece que os empregadores perderam mais tempo do que os funcionários economizaram.

A pesquisa de IA da monday.com, portanto, identifica um ponto de pressão em vez de encerrar o debate sobre produtividade. Organizações que adotam IA precisam de formas de avaliar contribuições sem presumir que fluência demonstra expertise. Caso contrário, a aparente melhora na produção deixa sem resposta a questão de quem merece crédito.

Isso muda a conversa sobre gestão. A pergunta útil passa a ser se os empregadores conseguem reconhecer um trabalho eficaz assistido por IA enquanto preservam padrões significativos de competência. Isso exige olhar além de quão convincente uma entrega parece ao chegar à caixa de entrada de alguém.

Gestores herdam trabalhos que as métricas de produção não captam

As pessoas sob pressão imediata são os gestores responsáveis tanto pela entrega quanto pelo desenvolvimento dos funcionários. Eles precisam aceitar assistência útil enquanto decidem se suas equipes conseguem explicar e defender o trabalho resultante. Essas responsabilidades se sobrepõem, mas não são intercambiáveis.

Um gestor pode aprovar um documento correto sem aprender muito sobre a capacidade subjacente de seu autor. Isso pode ser suficiente para uma comunicação rotineira. Torna-se menos suficiente quando o mesmo documento informa uma promoção, a alocação de pessoal ou a preparação para uma atribuição mais exigente.

Uma produção mais rápida cria valor empresarial apenas quando o trabalho resultante continua econômico de revisar e confiável de usar.

Considere uma nota ilustrativa de planejamento de produto. Um funcionário usa IA para organizar observações de clientes em uma recomendação sobre qual recurso merece atenção. A nota é clara e apresenta um argumento bem estruturado.

O gestor ainda precisa estabelecer se as observações sustentam a recomendação. Solicitações conflitantes de clientes foram preservadas? O funcionário distinguiu evidência direta de interpretação? O rascunho transformou silenciosamente uma suposição em um fato aparente?

Estas são questões hipotéticas, não resultados documentados da pesquisa. Elas mostram por que a qualidade da apresentação não pode carregar todo o peso da avaliação. Uma nota legível pode reduzir o esforço de comunicação enquanto deixa a decisão subjacente igualmente difícil.

O funcionário pode ter concluído a tarefa mais rapidamente e demonstrado excelente julgamento em todo o processo. Como alternativa, o gestor pode precisar reconstruir a análise porque faltam as evidências de apoio. A mesma superfície refinada pode ocultar processos de trabalho muito diferentes.

Isso torna métricas de produção estritamente definidas menos informativas. Contar documentos concluídos recompensa a produção sem estabelecer se os colegas podem agir com base neles. Medir o tempo de redação exclui tudo o que acontece durante esclarecimentos, correções, aprovação e implementação.

A unidade econômica relevante é o fluxo de trabalho concluído. Um rascunho contribui para esse fluxo, mas também contribuem as pessoas que o validam e resolvem suas consequências. Transferir esforço entre esses participantes não elimina automaticamente o esforço.

O desenvolvimento dos funcionários acrescenta outra complicação. Os gestores precisam saber se alguém consegue reconhecer quando uma resposta é fraca, incompleta ou inadequada. Uma entrega bem-sucedida oferece evidências limitadas se o funcionário não consegue explicar as escolhas que a moldaram.

Isso não significa que os funcionários devam executar todas as tarefas sem assistência. O trabalho já depende de ferramentas e colaboração. O problema de avaliação é identificar quais formas de julgamento continuam essenciais quando a assistência assume mais da execução visível.

Para um gestor de engenharia, isso pode envolver entender por que uma mudança proposta se encaixa em um sistema existente. Para um gestor de vendas, pode envolver verificar se uma recomendação reflete as restrições reais do cliente. As evidências relevantes variam conforme a função.

A pressão também alcança funcionários cuja contribuição mais forte consiste em rejeitar sugestões ruins. Seu trabalho pode desaparecer de vista quando uma avaliação enfatiza apenas o artefato final. Evitar um erro frequentemente deixa menos evidências visíveis do que gerar outra página.

Essas são implicações analíticas das conclusões, e não resultados adicionais da pesquisa. Elas explicam por que as organizações não podem resolver dificuldades na avaliação de funcionários simplesmente exigindo mais uso de IA. Adoção e competência respondem a perguntas diferentes.

Consequentemente, os gestores enfrentam uma difícil decisão de alocação. Eles precisam de visibilidade suficiente para avaliar o julgamento sem transformar cada tarefa em uma auditoria detalhada. Se a avaliação se tornar excessivamente onerosa, o processo consome a eficiência que a assistência deveria criar.

Os ganhos de produtividade dependem de onde o trabalho recai

Há evidências confiáveis de que a assistência por IA pode melhorar o desempenho no trabalho. A versão mais forte do argumento da produtividade não depende de cada funcionário se tornar mais rápido. Ela depende de melhorias mensuráveis em tarefas específicas, sob condições específicas.

O estudo sobre atendimento ao cliente de Brynjolfsson, Li e Raymond examinou 5.172 agentes e constatou um aumento médio de 15% nos problemas resolvidos por hora. Os benefícios variaram entre os trabalhadores, com ganhos maiores para funcionários menos experientes.

Os pesquisadores também relataram diferenças em qualidade e aprendizado. Essas conclusões importam porque vão além de saber se os participantes gostaram de usar uma ferramenta. Elas examinam um resultado operacional com uma ligação reconhecível com o trabalho.

A assistência por IA e o atrito gerencial podem coexistir porque descrevem partes diferentes do processo de produção.

Um assistente de suporte que ajuda um funcionário a resolver o problema de um cliente opera dentro de um fluxo de trabalho relativamente específico. Um assistente geral de redação usado para preparar um documento interno de estratégia enfrenta expectativas diferentes. As evidências necessárias para avaliar o sucesso também diferem.

A comparação não implica que o trabalho de suporte seja simples. Ela mostra por que uma alegação de produtividade precisa de uma tarefa e de um resultado definidos. “Mais resoluções úteis por hora” transmite informações que “mais conteúdo assistido por IA” não transmite.

Um resultado contrastante veio da METR, organização de avaliação de IA. Seu experimento de produtividade de desenvolvedores envolveu 16 desenvolvedores experientes que concluíram 246 tarefas em projetos open source conhecidos. O acesso a ferramentas de IA do início de 2025 aumentou o tempo de conclusão em 19%.

Ainda assim, os participantes acreditavam que a IA os havia tornado mais rápidos. Essa diferença ilustra um problema de mensuração: um fluxo de trabalho pode parecer mais fácil ou mais produtivo sem gerar a economia de tempo esperada. Assistência percebida e aceleração medida exigem evidências separadas.

O resultado tem limites claros. Ele dizia respeito a desenvolvedores, repositórios, tarefas e ferramentas específicos durante um período determinado. Não estabelece que os atuais assistentes de programação atrasam todos os desenvolvedores, nem que os ganhos relatados em outros lugares sejam imaginários.

A própria METR posteriormente enfatizou essas limitações. Em sua atualização sobre medição de produtividade de fevereiro de 2026, a organização afirmou que efeitos de seleção tornavam suas estimativas mais recentes pouco confiáveis. Alguns desenvolvedores não queriam participar em condições que exigiam trabalhar sem IA.

A atualização também descreveu dificuldades para medir o tempo quando os desenvolvedores usavam vários agentes simultaneamente. A METR considerou que ferramentas mais recentes provavelmente são mais úteis do que suas estimativas anteriores sugeriam. Ela advertiu que os dados disponíveis forneciam evidências fracas sobre a dimensão dessa melhora.

Em conjunto, esses estudos sustentam uma conclusão moderada. Os efeitos da IA dependem do contexto, da experiência do trabalhador, da seleção de tarefas e da definição de sucesso. Nem o entusiasmo nem um resultado negativo isolado resolvem a questão mais ampla.

A comparação de produtos segue a mesma lógica. ChatGPT e Claude podem ajudar a criar texto, enquanto assistentes de programação operam dentro de fluxos de trabalho de desenvolvimento de software. Uma plataforma de gestão do trabalho como monday.com aborda a coordenação em torno de tarefas e equipes.

Essas categorias se sobrepõem, mas não respondem a perguntas idênticas. Um assistente pode melhorar um rascunho sem estabelecer quem verificou suas afirmações. Um sistema de coordenação pode registrar atividades sem determinar se elas resultaram em uma decisão acertada.

O conflito central, portanto, continua sendo entre as promessas de produtividade e o trabalho necessário para concretizá-las. Marcas concorrentes oferecem contexto, mas trocar de assistente não resolve automaticamente padrões de avaliação ambíguos. O empregador ainda precisa definir o que conta como trabalho bem feito.

Essa é a interpretação útil da pesquisa de IA da monday.com. Ela direciona a atenção para as condições organizacionais em torno da assistência. Os próximos ganhos de produtividade dependem, em parte, de essas condições tornarem resultados úteis mais fáceis de reconhecer e aprovar.

Um documento bem elaborado pode ocultar julgamento em qualquer direção

A preocupação mais evidente é que o refinamento gerado por IA faça um trabalho fraco parecer melhor. Uma possibilidade igualmente importante ocorre na direção oposta. Um funcionário pode exercer excelente julgamento e, ainda assim, receber menos crédito porque o texto visível parece ter sido assistido por máquina.

Isso cria um problema de equidade antes mesmo que qualquer avaliação automatizada de desempenho entre em cena. Se os gestores tratam uma linguagem refinada como suspeita, funcionários competentes podem perder reconhecimento. Se a tratam como prova de competência, um raciocínio fraco pode receber aprovação indevida.

Uma avaliação justa precisa de evidências de responsabilidade e julgamento, sem obrigar os funcionários a provar que trabalharam sem assistência.

Um resumo de pesquisa ilustrativo mostra o dilema. Um funcionário reúne material original, identifica conclusões conflitantes, rejeita alegações sem respaldo e usa IA para melhorar a organização. O texto final revela pouco sobre as decisões difíceis que tornaram o resumo confiável.

Outro funcionário pode enviar um texto igualmente fluente após verificar pouco das evidências que o sustentam. Os documentos podem parecer comparáveis em uma revisão rápida. Sua confiabilidade, e a competência demonstrada pelos funcionários, difeririam substancialmente.

A resposta não pode se basear inteiramente na detecção de linguagem gerada. Mesmo uma identificação correta estabeleceria a assistência, e não a qualidade das decisões do funcionário. Saber que a IA participou de um documento não explica se o autor a usou de forma responsável.

Tampouco um registro de prompts resolve automaticamente o problema. Ele pode mostrar o que alguém pediu a um sistema para fazer. Não pode, por si só, estabelecer se a pessoa reconheceu uma resposta falha ou selecionou evidências apropriadas.

É aqui que a distinção entre atribuição e responsabilização se torna útil. A atribuição diz respeito a qual pessoa ou sistema forneceu uma contribuição específica. A responsabilização diz respeito a quem assume o resultado e deve explicar as decisões por trás dele.

Os empregadores precisam dos dois conceitos, mas o nível de detalhamento deve corresponder à tarefa. Um anúncio interno rotineiro não exige o mesmo escrutínio que uma recomendação que afeta a composição da equipe. Tratar todo documento como igualmente consequente cria trabalho de revisão desnecessário.

Os padrões de desempenho também precisam de consistência. Um funcionário não deve ser elogiado por usar IA em uma tarefa e penalizado por assistência equivalente em outra, sem explicação. Expectativas inconsistentes dificultam a avaliação mesmo quando o trabalho subjacente é bom.

A gestão do conhecimento se torna relevante porque as evidências muitas vezes existem fora da entrega final. Decisões, materiais-fonte e discussões anteriores podem ajudar a explicar por que uma recomendação assumiu determinada forma. Seu valor vem de tornar o raciocínio recuperável.

Uma base de conhecimento pesquisável oferece um contexto útil sobre a organização desse material de apoio. Ela não substitui a avaliação gerencial. O acesso aos registros ajuda apenas quando os revisores entendem quais evidências importam.

O desafio organizacional é manter esse contexto sem criar um processo indiscriminado de vigilância. Registrar cada interação gera mais material para revisar. Um registro mais restrito de fontes, decisões e aprovações relevantes pode ser mais pertinente à questão da avaliação.

Trata-se de um julgamento analítico, e não de uma intervenção testada pela pesquisa da Nielsen. A pesquisa não estabelece qual abordagem de documentação funciona melhor. Os empregadores precisariam de suas próprias evidências antes de afirmar que uma política específica reduziu os custos de revisão.

A mesma cautela se aplica à avaliação assistida por IA. Um sistema pode organizar feedback em linguagem clara enquanto a avaliação subjacente permanece incompleta. Uma redação melhor não fornece observações ausentes nem resolve relatos conflitantes sobre o desempenho de um funcionário.

Em última análise, um documento bem elaborado pode ocultar tanto dependência quanto expertise. A tarefa da gestão é distinguir essas possibilidades por meio de evidências ligadas ao trabalho. Caso contrário, o processo de avaliação corre o risco de recompensar aparências enquanto ignora as decisões que tornam a assistência útil.

A pesquisa identifica atrito, não um veredito sobre produtividade

A pesquisa de IA da monday.com merece atenção porque identifica um problema organizacional específico. Suas conclusões não justificam declarar que a IA fracassou no trabalho. Tampouco estabelecem que toda dificuldade relatada seja um ajuste temporário.

A pesquisa foi encomendada por uma empresa que vende software de gestão do trabalho. Esse contexto comercial deve permanecer visível ao interpretar as soluções propostas pela empresa. Uma constatação sobre problemas de coordenação não valida de forma independente uma plataforma concebida para resolvê-los.

As evidências justificam preocupação com os encargos de avaliação e revisão, mas deixam sem resposta seu efeito econômico líquido.

A dificuldade relatada pelos próprios participantes é relevante porque as experiências dos gestores podem influenciar a adoção e as relações com os funcionários. No entanto, ela difere do uso de tempo observado ou do desempenho avaliado de forma independente. As métricas respondem a perguntas relacionadas sem se tornarem intercambiáveis.

A população pesquisada também importa. Diretores e gestores seniores não substituem diretamente todos os supervisores de linha de frente ou colaboradores individuais. Sua perspectiva esclarece a experiência da liderança sem descrever plenamente como os funcionários vivenciam os mesmos arranjos.

Uma amostra entre vários países amplia o alcance da pesquisa, mas não garante condições idênticas entre locais de trabalho. Funções, práticas de gestão e estágios de adoção diferem. Resultados agregados podem ocultar variações que importam para um empregador ao decidir como responder.

A causalidade continua sendo outra limitação. Um participante pode associar maior dificuldade de avaliação à adoção de IA sem isolar a IA de outras mudanças. Cargas de trabalho em expansão, metas alteradas ou equipes reorganizadas também podem afetar a experiência.

Essas limitações não eliminam o problema relatado. Elas definem o que evidências mais robustas precisariam estabelecer. A próxima etapa da pesquisa deve conectar o atrito relatado ao trabalho observado, em vez de pressupor que a conexão já foi medida.

Uma interpretação é que os empregadores estão pagando um custo de ajuste enquanto redesenham seus processos. Outra é que a geração barata cria uma demanda duradoura por julgamento caro. As conclusões atuais não podem determinar qual explicação predomina.

A primeira interpretação ganharia apoio se os encargos de revisão diminuíssem à medida que as equipes se tornassem mais experientes. A segunda ganharia apoio se o aumento da geração continuasse a sobrecarregar a capacidade de aprovação, apesar de treinamento e expectativas mais claras. Ambas exigem observação ao longo do tempo.

Também há uma possível interpretação positiva da revisão adicional. Os gestores podem dedicar mais tempo à verificação porque os funcionários agora assumem tarefas mais valiosas. Nesse caso, maior esforço de revisão poderia acompanhar um aumento útil de ambição.

Como alternativa, a revisão extra pode consistir principalmente em corrigir erros evitáveis ou recuperar contexto ausente. Isso indicaria esforço deslocado, e não um ganho direto de produtividade. Uma medida de tempo, por si só, ainda precisaria vir acompanhada de uma medida de qualidade.

A conclusão defensável é mais restrita do que a ampla promessa da manchete. A IA altera as informações que os gestores podem inferir de um artefato finalizado. Os empregadores precisam de melhores evidências sobre as consequências antes de tratar o aumento da produção como prova de melhor desempenho.

Acompanhe custos de revisão, regras de avaliação e resultados do fluxo de trabalho

Nos próximos meses, os sinais mais úteis envolverão esforço de revisão, práticas de avaliação e trabalho concluído. Eles são mais informativos do que outra contagem de funcionários experimentando IA. Eles conectam a adoção à pressão gerencial identificada na pesquisa.

O próximo teste é saber se os empregadores conseguem transformar resultados assistidos em trabalho aceito, mantendo a contribuição visível.

Primeiro, observe se empresas e pesquisadores medem o trabalho após o rascunho. Divulgações úteis incluiriam esforço de correção, atrasos de aprovação e a atenção exigida dos revisores. Essas medidas ajudariam a distinguir esforço economizado de esforço transferido para outra pessoa.

A redução dos encargos de revisão juntamente com qualidade estável enfraqueceria a preocupação de que a IA apenas desloca o trabalho para etapas anteriores. Custos persistentes de correção a fortaleceriam. A comparação importante acompanharia tarefas semelhantes até a conclusão, em vez de parar quando a geração termina.

Segundo, observe como os empregadores alteram os critérios de desempenho. Uma atualização significativa explicaria como eles avaliam a verificação, o julgamento e a responsabilidade pelos resultados assistidos por IA. Uma exigência de usar mais ferramentas ofereceria menos evidências de que as dificuldades de avaliação estão sendo resolvidas.

Padrões mais claros reforçariam a tese de que as organizações estão se adaptando com sucesso. A dependência contínua do volume de documentos ou da qualidade de apresentação deixaria intacto o problema de atribuição. Os funcionários precisam entender o que gera reconhecimento antes que os gestores possam avaliá-los de forma consistente.

Terceiro, observe resultados no nível do fluxo de trabalho com comparações confiáveis. Evidências mais fortes conectariam a assistência a resultados utilizáveis, ao mesmo tempo que considerariam qualidade e revisão. Elas também reconheceriam diferenças entre funções, em vez de apresentar uma única alegação de produtividade para todos os trabalhadores.

Um estudo de caso de fornecedor pode contribuir com detalhes úteis, mas seu desenho importa. Os leitores devem procurar tarefas definidas, condições comparáveis e uma explicação do que a medição exclui. Uma narrativa persuasiva sem esses elementos não pode resolver a troca envolvida.

Esses sinais não dependem de um lançamento programado de produto específico. Eles são testes para a próxima rodada de alegações de empregadores, pesquisadores e empresas de software. Cada um ajudaria a estabelecer se a dor de cabeça da gestão está diminuindo ou se tornando estrutural.

Para trabalhadores do conhecimento, a implicação imediata diz respeito a como sua contribuição se torna visível. Produzir um documento claro continua sendo útil, mas explicar suas evidências e decisões pode importar tanto quanto. O trabalho mais forte torna o resultado confiável sem obrigar colegas a reconstruí-lo.

Para compradores empresariais, a implicação diz respeito ao que se espera que uma compra melhore. Assistência à redação, coordenação e avaliação de funcionários envolvem requisitos diferentes. Uma implantação bem-sucedida precisa de evidências ligadas ao problema que pretende resolver.

Leia a pesquisa de IA da monday.com como um convite para examinar toda essa cadeia. Vá além de avaliar se uma ferramenta produz um primeiro rascunho impressionante. Pergunte se o destinatário consegue verificá-lo, utilizá-lo e entender quem exerceu julgamento. Compare essas respostas com o esforço exigido antes de a assistência entrar no fluxo de trabalho. Quando surgir a próxima alegação de produtividade, examine seu ponto de parada: geração, aprovação ou um resultado concluído. Essa fronteira frequentemente determina se a alegação descreve conveniência individual ou valor organizacional. Na próxima tarefa da sua equipe com assistência de IA, o revisor consegue reconhecer a contribuição do funcionário sem repetir o trabalho subjacente?