O conselho de Roxane Gay sobre escrita com IA expõe um problema de confiança na gestão

Roxane Gay abordou, em 13 de setembro, um conflito oportuno no ambiente de trabalho: uma gestora acredita que quase todas as palavras escritas por uma funcionária parecem ter sido geradas por inteligência artificial. O conselho de Roxane Gay sobre escrita com IA surge depois que ferramentas generativas tornaram a prosa refinada fácil de produzir e excepcionalmente difícil de atribuir. A gestora ouve uma voz sintética, mas a suspeita, por si só, não estabelece quem escreveu o trabalho.

O dilema, apresentado na coluna Work Friend de Gay em conselhos sobre o ambiente de trabalho, é maior do que uma única relação de subordinação desgastada. Gestores agora encontram frases que parecem competentes, mas genéricas; completas, mas estranhamente desconectadas do trabalho que as sustenta. Essa impressão pode identificar um problema real de qualidade. Ela não consegue identificar sua causa com confiabilidade.

O conflito central, portanto, não é escrita humana versus escrita de máquina. É intuição gerencial versus trabalho verificável. Empregadores ainda precisam de resultados precisos, originais, seguros e úteis. Funcionários ainda precisam de regras claras, avaliação justa e da oportunidade de explicar seu processo antes que uma impressão estilística se transforme em acusação.

A questão do The New York Times sobre escrita com IA é, na verdade, uma questão de evidências

O desconforto de uma gestora pode iniciar uma revisão, mas não pode servir como veredito.

A manchete da coluna de Gay captura uma reação familiar à prosa assistida por IA. Certas expressões agora parecem suspeitas porque chatbots as repetem em e-mails, relatórios, propostas e publicações sociais. Transições fluentes, listas equilibradas, resumos bem organizados e entusiasmo impessoal podem provocar o mesmo pensamento: uma pessoa não escreveu isso.

Essa inferência é menos sólida do que parece. Grandes modelos de linguagem aprenderam com a linguagem humana, portanto sua produção naturalmente se assemelha a padrões que as pessoas já usam. Escritores humanos também absorvem convenções de escolas, empregadores, modelos, guias de estilo e uns dos outros. A semelhança com a prosa de um chatbot não comprova o uso de chatbot.

Uma gestora deve primeiro separar três perguntas que frequentemente são tratadas como uma só. O trabalho é ruim? Ele viola uma regra estabelecida? A funcionária está deturpando como ele foi produzido? Cada pergunta exige evidências e uma resposta diferentes.

Um trabalho ruim pode ser tratado diretamente. Um relatório pode conter alegações sem sustentação, recomendações vagas, linguagem repetitiva, citações inventadas ou um tom inadequado para seu público. Nenhum desses defeitos exige que a gestora prove o uso de IA. Ela pode identificar o defeito, explicar suas consequências e exigir uma revisão.

Uma violação de política exige uma política real. A organização deve definir quais ferramentas são permitidas, que informações podem ser inseridas nelas, quando a divulgação é necessária e quem continua responsável. Uma gestora não pode impor de forma justa uma expectativa particular que os funcionários nunca foram informados de que deveriam seguir.

A deturpação é mais grave, mas também exige evidências mais robustas. Uma funcionária que nega usar uma ferramenta apesar de registros confiáveis ou de uma admissão documentada cria um problema de honestidade. Uma funcionária cujas frases apenas soam automatizadas não forneceu prova comparável.

Essa distinção importa porque a autoria já não é binária. Uma profissional pode pedir a um chatbot um esboço, escrever pessoalmente cada parágrafo e usar um corretor gramatical depois. Outra pode gerar um rascunho completo, verificar suas alegações, substituir a maior parte da linguagem e manter duas frases. Uma terceira pode enviar uma produção intocada sem lê-la.

Chamar as três práticas de “escrita com IA” esconde justamente as diferenças que uma gestora precisa avaliar. As questões relevantes incluem julgamento, divulgação, tratamento de dados, revisão factual e responsabilidade pelo resultado final.

As evidências do processo podem esclarecer essas questões. O histórico de versões pode mostrar como um documento se desenvolveu. Notas de fontes podem estabelecer a origem das alegações. Uma breve conversa pode revelar se a funcionária entende o argumento e consegue defender as recomendações. Trabalhos anteriores podem fornecer uma referência sem fingir que o estilo de uma pessoa nunca muda.

Nenhum desses sinais é perfeito. Juntos, porém, produzem uma avaliação mais defensável do que a reação de uma gestora à prosa. Essa é a primeira lição por trás do conselho de Roxane Gay sobre escrita com IA: trate o resultado como trabalho a ser examinado, não como um teste de personalidade disfarçado de análise forense.

A detecção de IA não pode sustentar o peso de uma acusação no trabalho

A detecção automatizada transforma um julgamento estilístico incerto em uma pontuação aparentemente precisa sem eliminar a incerteza.

Gestores em busca de confirmação encontrarão rapidamente produtos que afirmam distinguir escrita humana de texto gerado. Esses sistemas geralmente analisam características estatísticas, em vez de revelar um registro oculto de autoria. Eles estimam se uma passagem se assemelha a padrões associados à produção de modelos.

Essa distinção é crucial. Um detector de IA não equivale a um banco de dados de plágio que compara frases copiadas com uma fonte conhecida. Ele faz uma classificação probabilística. Edição, tradução, passagens curtas, linguagem técnica e mudanças no comportamento dos modelos podem afetar o resultado.

Pesquisas também documentaram um sério problema de equidade. Um estudo liderado por Stanford constatou que detectores frequentemente classificavam incorretamente textos de pessoas que não eram falantes nativas de inglês. No teste dos pesquisadores, os sistemas classificaram 61,22% das redações TOEFL examinadas como geradas por IA.

Pelo menos um detector sinalizou 89 das 91 redações. Os sete detectores concordaram em 18 delas. A discussão de Stanford sobre o viés dos detectores alertou que essas ferramentas eram pouco confiáveis, fáceis de contornar e especialmente arriscadas em contextos de avaliação.

Essa constatação deveria mudar a forma como empregadores lidam com a escrita de funcionários usando IA. Um documento refinado, mas linguisticamente convencional, pode despertar suspeita devido ao estilo de inglês aprendido pelo autor. Um relatório técnico conciso pode receber uma pontuação diferente de um memorando narrativo. Nenhum dos resultados estabelece má conduta.

O problema se torna mais grave quando um detector influencia avaliações de desempenho, promoções, medidas disciplinares ou demissões. Nesse ponto, uma classificação frágil deixa de ser uma ferramenta de edição. Ela se torna evidência trabalhista com consequências para a renda e a reputação de alguém.

As proteções federais de emprego continuam se aplicando quando organizações usam inteligência artificial em decisões no ambiente de trabalho. A orientação para trabalhadores da Equal Employment Opportunity Commission afirma que as leis antidiscriminação abrangem sistemas de IA utilizados em áreas que incluem contratação, promoção e decisões salariais. Um empregador não pode terceirizar sua responsabilidade para um software.

Mesmo um detector com melhor desempenho médio não responderia a todas as perguntas relevantes. Ele não poderia dizer a uma gestora se uma funcionária usou uma ferramenta aprovada. Não poderia determinar se informações confidenciais foram expostas. Não poderia estabelecer se a funcionária verificou os fatos ou contribuiu com a análise subjacente.

Uma pontuação também não consegue medir se o trabalho resultante é útil. Uma pessoa pode escrever um memorando impreciso sem assistência. Um profissional pode usar IA para reorganizar um rascunho cuidadosamente pesquisado, preservando plena autoria intelectual. O método de produção afeta o risco, mas não substitui a avaliação do resultado.

Portanto, gestores devem tratar o resultado de detectores, caso os utilizem, como um sinal fraco que exige confirmação adicional. Ele nunca deve ser a única base para uma acusação. Funcionários devem saber quando essas ferramentas estão sendo usadas, o que elas medem e como contestar um resultado incorreto.

É aqui que a disputa se transforma em uma questão de governança. Organizações precisam de padrões documentados para coletar evidências, revisar conclusões contestadas e preservar a privacidade dos funcionários. No momento em que um detector se torna parte da gestão de pessoas, suas limitações devem constar na política, não nas letras miúdas.

O conflito principal é entre intuição gerencial e trabalho verificável

A resposta mais forte ao uso suspeito de IA é uma revisão focada do trabalho, não um confronto sobre se a prosa “cheira” a máquina.

Uma gestora pode começar identificando o problema observável. “Esta seção apresenta três recomendações sem evidências de apoio” é um feedback útil. “Isto parece ChatGPT” é uma alegação que oferece à funcionária pouca orientação sobre o que precisa melhorar.

Um feedback específico muda a conversa. Ele pede que a funcionária explique fontes, premissas, decisões e concessões. Essas perguntas testam o domínio do trabalho sem obrigar qualquer lado a discutir o estilo de cada frase.

Considere uma proposta para cliente que contém alegações amplas, mas poucos detalhes. A gestora pode perguntar por que uma opção foi escolhida, qual requisito do cliente moldou a recomendação e quais evidências sustentam o resultado projetado. Uma funcionária que realizou a análise deve conseguir responder, independentemente de quais ferramentas de escrita ajudaram na redação final.

A mesma abordagem funciona para relatórios internos. Uma gestora pode solicitar links de fontes, notas de cálculo, registros de entrevistas ou uma breve explicação verbal. Esses materiais revelam trabalho superficial de forma mais confiável do que expressões favoritas. Eles também ajudam a identificar lacunas de treinamento que não têm relação com IA.

O histórico de versões é útil quando a autoria realmente importa. Uma sequência de notas, esboços, rascunhos e revisões oferece evidências do processo. Uma única colagem extensa não prova assistência proibida, mas pode justificar uma pergunta neutra. Funcionários às vezes redigem em outro aplicativo, trabalham offline ou colam material fornecido por um colega.

A conversa deve permanecer proporcional. Uma gestora pode dizer que o documento difere de envios anteriores e perguntar como ele foi preparado. A funcionária pode então descrever o fluxo de trabalho, incluindo quaisquer ferramentas aprovadas. Isso cria espaço para correção sem presumir desonestidade desde o início.

Regras claras de divulgação tornam essa troca mais fácil. Uma organização pode permitir brainstorming e edição, exigindo divulgação para trechos gerados. Pode proibir a inserção de dados de clientes em modelos públicos. Pode exigir verificação humana para alegações jurídicas, financeiras, médicas ou voltadas ao público.

Esses controles devem seguir o risco, e não o gosto pessoal. Um anúncio interno rotineiro não apresenta os mesmos riscos que um documento regulatório. Um esboço de marketing não traz as mesmas preocupações de confidencialidade que um documento contendo informações médicas de funcionários.

A estrutura de risco de IA do NIST oferece uma estrutura útil para esse raciocínio. Suas funções centrais são governar, mapear, medir e gerenciar. Aplicado à escrita no trabalho, isso significa definir responsabilidades, mapear casos de uso, avaliar riscos reais e responder com controles apropriados.

A estrutura não reduz a governança a uma proibição. Ela pede que as organizações conectem o uso técnico ao contexto, ao impacto e à responsabilização. Uma empresa pode permitir ferramentas generativas enquanto ainda exige divulgação, verificação de fontes, tratamento seguro de dados e revisão humana significativa.

Os gestores também precisam examinar sua própria contribuição. Se todas as tarefas forem vagas, apressadas e repetitivas, os funcionários naturalmente buscarão atalhos. Se a liderança celebra a produtividade da IA, mas pune qualquer sinal visível de seu uso, os trabalhadores recebem instruções incompatíveis.

O dilema do The New York Times sobre escrita com IA evidencia essa contradição. Muitas organizações incentivam a experimentação sem definir qual assistência é aceitável. Os gestores então improvisam padrões depois que um documento os deixa desconfortáveis. Os funcionários aprendem que o uso de ferramentas é incentivado em teoria, mas perigoso de reconhecer na prática.

Um sistema justo resolve a contradição antes que a disciplina se torne necessária. A organização define as ferramentas aprovadas e os dados restritos. Define quando a divulgação é necessária. Esclarece que o funcionário continua responsável pela precisão, originalidade, discernimento e conformidade.

Essa estrutura também protege os gestores. Eles deixam de precisar agir como detetives linguísticos amadores. Podem avaliar o trabalho com base em requisitos acordados e escalar o caso apenas quando as evidências sustentarem uma preocupação de política.

A Escrita com IA no Trabalho Muda Voz, Responsabilidade e Confiança

O verdadeiro custo do uso indiscriminado de IA não é uma frase estranha; é a separação gradual entre uma linguagem polida e um pensamento responsável.

A escrita exerce mais do que uma função de apresentação dentro de uma organização. Um resumo de projeto registra decisões. Um e-mail para um cliente compromete a empresa com uma posição. Um memorando estratégico revela o que seu autor percebeu, ignorou e priorizou.

Quando um funcionário delega uma parte excessiva desse trabalho, o texto pode se tornar mais fluente enquanto demonstra menos compreensão. O gestor pode reconhecer essa lacuna sem saber como nomeá-la. A prosa parece genérica porque não incorpora as restrições, a história, as divergências ou as escolhas ainda não resolvidas da organização.

Isso não torna um estilo genérico uma prova de automação. Mas explica por que os gestores reagem com força a ele. Muitas vezes, estão detectando uma perda de contexto, e não uma ferramenta específica.

A solução é exigir entregas que carreguem seu raciocínio. Uma recomendação deve declarar as evidências que a sustentam. Um resumo deve distinguir fatos de fonte de interpretação. Um plano deve identificar dependências, responsáveis e questões em aberto.

Os funcionários precisam ter acesso ao conhecimento necessário para fazer isso. Um ambiente de trabalho fragmentado obriga as pessoas a reconstruir o contexto a partir de conversas de chat, reuniões, documentos e memória. Ferramentas generativas podem então produzir rascunhos fluentes com base em informações incompletas, ocultando as lacunas em vez de corrigi-las.

Uma base de conhecimento pessoal bem mantida pode ajudar um profissional a preservar materiais de origem e recuperar o raciocínio por trás de decisões anteriores. O valor vem da rastreabilidade, não da prosa automática. Um documento confiável deve levar de volta a registros que um revisor possa examinar.

É também por isso que importa a capacidade de um funcionário de discutir o trabalho. Um redator não precisa recitar cada frase. A pessoa deve entender por que o documento adota determinada posição, de onde vieram as informações e quais incertezas permanecem.

A responsabilidade não pode ficar com a ferramenta, porque a ferramenta não ocupa o cargo. Ela não tem obrigações com o cliente, não observa políticas internas nem enfrenta consequências por um fato inventado. O funcionário e o gestor revisor continuam responsáveis.

Pesquisas recentes sobre o ambiente de trabalho sugerem que enquadrar um sistema de IA como um “funcionário” pode complicar essa responsabilidade. A Boston University resumiu uma pesquisa que constatou que gestores deixavam passar mais erros quando o trabalho era atribuído a um funcionário de IA, em vez de a uma pessoa ou a uma ferramenta. Os pesquisadores associaram esse enquadramento a percepções mais fracas de responsabilidade gerencial.

Esse resultado não determina como todas as equipes se comportarão. Mas destaca um atalho linguístico perigoso. Chamar um software de colega pode fazer sua produção parecer responsabilidade de outra pessoa, embora não haja nenhum profissional independente respondendo por ela.

A mesma lacuna de responsabilidade pode surgir quando gestores exigem o uso de IA. Se a liderança demanda produção mais rápida, os funcionários podem supor que a liderança aceitou os riscos resultantes. Os gestores podem presumir que os trabalhadores detectarão todos os erros. Ambos os lados acabam acreditando que o outro é responsável pela verificação.

Uma política útil de escrita com IA deve atribuir cada controle a uma pessoa. O funcionário verifica fatos e citações. O gestor revisa conclusões de alto impacto. As equipes de segurança definem o tratamento de dados permitido. As equipes jurídicas ou de conformidade revisam alegações reguladas.

A política também deve proteger a voz sem romantizar a ineficiência. Os funcionários não deveriam precisar manter frases desajeitadas apenas para provar que são humanos. Devem poder usar ferramentas de ortografia, gramática, transcrição, recuperação de informações e elaboração de rascunhos dentro de limites claros.

O que importa é se o trabalho ainda reflete julgamento humano. O documento final deve incorporar o conhecimento do autor sobre o público, as restrições operacionais e as consequências. Não deve apenas soar bem escrito.

Os gestores podem reforçar esse padrão por meio das tarefas. Peça um memorando curto de decisão com fontes e alternativas descartadas. Solicite as premissas por trás de uma previsão. Inclua uma seção para incertezas ou informações ausentes.

Esses formatos tornam o raciocínio visível. Também reduzem o valor da geração sem revisão, porque uma resposta genérica não consegue cumprir a tarefa. Os funcionários continuam livres para usar assistência permitida, mas precisam fornecer o contexto e o julgamento que tornam o resultado útil.

A confiança cresce quando essa expectativa é aplicada de forma consistente. Ela desmorona quando um gestor suspeita de um funcionário, mas ignora trabalhos igualmente fracos de colegas favorecidos. Também desmorona quando os trabalhadores ocultam assistência rotineira porque a divulgação parece profissionalmente fatal.

O conselho de Roxane Gay sobre escrita com IA aponta para uma posição intermediária difícil. Os gestores não devem ignorar mudanças óbvias de qualidade nem transformar desconforto em certeza. Eles precisam de um processo capaz de examinar tanto o trabalho quanto sua produção, sem tratar cada frase incomum como evidência de engano.

O Que a Suspeita Ainda Não Prova

Uma mudança no estilo de escrita pode justificar uma pergunta, mas várias explicações plausíveis permanecem até que o funcionário a responda.

O funcionário pode estar usando IA generativa extensivamente. Essa possibilidade não deve ser minimizada. Se a pessoa envia resultados não verificados, oculta um uso proibido ou insere informações confidenciais em um serviço não aprovado, o empregador tem preocupações legítimas.

O funcionário também pode estar usando uma ferramenta de edição aprovada. Muitos aplicativos agora oferecem recursos de reescrita, ajuste de tom, resumo e conclusão de texto sem se apresentarem como chatbots independentes. Os trabalhadores podem não saber quais funções seu empregador considera IA generativa.

Uma terceira possibilidade é a adaptação deliberada. Os funcionários frequentemente mudam sua escrita após críticas, treinamento, promoção ou exposição ao formato preferido de um gestor. A prosa resultante pode se tornar mais formal e menos distinta.

Uma quarta explicação envolve contexto linguístico ou acessibilidade. Um profissional que escreve em outro idioma pode recorrer a assistência de tradução ou gramática. Um funcionário com deficiência pode usar ferramentas como adaptação. Tratar um tom padronizado como má conduta pode gerar preocupações tanto de justiça quanto legais.

Portanto, o gestor precisa perguntar o que mudou. Houve um novo modelo de tarefa, curso de escrita, recurso de software ou ciclo de feedback? A organização incentivou recentemente os funcionários a usar IA? O trabalhador estava tentando corrigir reclamações anteriores sobre gramática ou tom?

A resposta do funcionário deve então ser avaliada em relação às evidências. Se houve uso de ferramentas, as perguntas seguintes dizem respeito ao escopo e à política. Quais informações entraram no sistema? Quais partes foram geradas? Como as alegações foram verificadas? O trabalhador compreendeu o documento final?

O gestor deve evitar exigir uma confissão para uma infração não definida. Uma conversa produtiva distingue curiosidade de acusação. Também dá ao funcionário a oportunidade de fornecer registros, explicar o fluxo de trabalho ou identificar uma política pouco clara.

Essa contenção não exige passividade gerencial. Se um documento contém citações fabricadas, o gestor pode exigir correção imediatamente. Se informações protegidas foram inseridas em um serviço não autorizado, os procedimentos de segurança devem começar. Se o funcionário não consegue explicar recomendações críticas, o trabalho pode precisar ser redistribuído ou receber uma revisão mais rigorosa.

A resposta deve corresponder ao problema demonstrado. Um erro factual exige controle de qualidade. O compartilhamento não autorizado de dados exige uma resposta de segurança. A desonestidade exige um processo trabalhista. Prosa genérica exige feedback editorial.

Confundir essas categorias produz decisões ruins. Também ensina os funcionários a ocultar seus métodos, em vez de discuti-los. A empresa então perde visibilidade sobre como a IA está realmente sendo usada.

Os líderes devem ser igualmente cautelosos ao exagerar os benefícios da escrita com IA. Rascunhos iniciais mais rápidos não garantem trabalho concluído mais rápido. O tempo economizado durante a geração pode retornar na forma de verificação de fontes, reescrita, correção e revisão gerencial.

A alegação oposta também merece ceticismo. A assistência de IA não elimina automaticamente especialização ou originalidade. Um especialista no assunto pode usar um modelo para reorganizar materiais, mantendo o controle sobre todas as decisões substantivas.

A variável não resolvida é o fluxo de trabalho. Quem forneceu o conhecimento, quem avaliou o resultado e quem assumiu a responsabilidade? Essas perguntas revelam mais do que suposições estilísticas sobre o envolvimento de uma máquina.

Três Sinais Mostrarão se as Regras de IA no Trabalho Estão Amadurecendo

A próxima etapa da escrita com IA no trabalho será medida por fluxos de trabalho divulgados, qualidade de revisão e procedimentos justos de contestação.

O primeiro sinal é se os empregadores substituem proibições amplas por regras específicas para cada tarefa. Uma política madura distinguirá brainstorming, edição, tradução, resumo, geração e ação autônoma. Também identificará informações restritas e serviços aprovados.

Se essa mudança ocorrer, o argumento central aqui se fortalecerá. Funcionários e gestores terão uma base compartilhada para discutir conduta. Se os empregadores continuarem emitindo instruções vagas para “usar IA com responsabilidade”, as disputas continuarão a depender de interpretação pessoal.

O segundo sinal é se as empresas medem o trabalho de correção posterior. Os líderes frequentemente acompanham a rapidez com que um rascunho aparece, mas não quanto tempo as pessoas gastam verificando fontes, ajustando o tom ou corrigindo erros apresentados com confiança. Isso cria uma narrativa incompleta de produtividade.

As equipes devem comparar o trabalho concluído e aceito, em vez da velocidade bruta de geração. Podem examinar ciclos de revisão, taxas de erro factual, tempo dos revisores, reclamações de clientes e retrabalho. Essas medidas revelam se a assistência de IA reduz o esforço total ou apenas o transfere para outra pessoa.

Evidências de menor tempo total de revisão sem queda de qualidade reforçariam o argumento em favor de uma escrita com IA gerenciada. Custos crescentes de correção enfraqueceriam as alegações de que a adoção ampla melhora automaticamente a produtividade.

O terceiro sinal é se os funcionários recebem uma forma justa de contestar acusações relacionadas à IA. Esse processo deve revelar as evidências, permitir uma resposta e evitar tratar pontuações de detectores como conclusivas. Decisões de alto impacto devem envolver revisão humana qualificada.

Um processo confiável também examinará se uma regra estava clara quando o trabalho foi produzido. A aplicação retroativa prejudica a confiança e incentiva o silêncio. Os funcionários devem saber quais registros são mantidos e se os dados de uso de IA afetam a avaliação de desempenho.

Esses sinais importam para além de uma única coluna de conselhos. A escrita com IA deixou de ser uma escolha individual de produtividade e passou a integrar a relação entre trabalhadores e gestores. Agora, ela afeta autoria, privacidade, avaliação, segurança e identidade profissional.

As organizações devem fazer uma pergunta prática antes que chegue o próximo memorando suspeito: um gestor conseguiria explicar o padrão da empresa sem recorrer à forma como a prosa parece? Se a resposta for não, a política não está pronta.

O conselho de Roxane Gay sobre escrita com IA identifica, em última instância, um problema de gestão que o software não consegue resolver. Um gestor precisa avaliar o trabalho, expor a preocupação, ouvir o funcionário e relacionar qualquer resposta às evidências. Nenhum detector consegue assumir essa responsabilidade em nome do gestor.

Comece pelas fragilidades concretas do documento. Peça ao funcionário que explique o processo. Verifique fontes, rascunhos e a política pertinente. Em seguida, decida se a questão é qualidade, segurança, divulgação ou honestidade.

Essa sequência abre espaço tanto para responsabilização quanto para justiça. Também oferece às organizações algo mais valioso do que uma suposição sobre autoria: uma forma repetível de decidir se um trabalho assistido por IA merece confiança.