A Ascensão da Economia de IA do Não Pergunte, Não Conte

O Google News trouxe à tona um argumento contundente da Bloomberg: trabalhadores estão adotando IA apesar de regras não resolvidas, medição insuficiente e pressão crescente para entregar mais com menos recursos.

A expressão “economia de IA do não pergunte, não conte” descreve um acordo incômodo. Empregadores querem resultados mais rápidos, mas frequentemente evitam examinar como esses resultados foram produzidos. Trabalhadores usam contas pessoais de IA, copiam materiais para ferramentas públicas e ficam em silêncio porque as alternativas aprovadas podem ser mais lentas ou indisponíveis.

Esta não é apenas mais uma história sobre a adoção de chatbots. Trata-se de um conflito entre produtividade visível e risco invisível no processo. Microsoft, Anthropic e pesquisadores do ambiente de trabalho documentaram partes dessa divisão, embora nenhum conjunto de dados isolado capte toda a sua dimensão.

A tensão central é simples. As empresas querem a eficiência gerada por IA, mas muitas não têm as políticas, os sistemas e os incentivos necessários para tornar seu uso observável. Essa lacuna cria uma economia paralela dentro do trabalho cotidiano de escritório.

O Que o Google News Colocou em Foco

A mudança importante não é que os funcionários descobriram a IA. É que o uso informal de IA se tornou parte da produção rotineira.

A IA generativa entrou em muitos locais de trabalho por meio de comportamentos individuais, e não de implantações planejadas de software. Funcionários abriram contas pessoais, testaram prompts e identificaram tarefas em que um modelo economizava tempo. Equipes de compras, segurança e jurídico muitas vezes entraram no processo mais tarde.

Esse padrão de adoção difere de uma implementação tradicional de software corporativo. Normalmente, uma empresa escolhe um fornecedor, configura acessos, treina usuários e monitora a atividade. A shadow AI inverte essa sequência, pois os funcionários começam a usar um serviço antes de a organização avaliá-lo.

A pesquisa da Microsoft e do LinkedIn sobre IA no ambiente de trabalho identificou uma ampla adoção liderada por funcionários em 2024. Entre os trabalhadores do conhecimento pesquisados que usavam IA, 78 por cento levavam suas próprias ferramentas para o trabalho.

Esse número não comprovou que toda ferramenta pessoal gerou um incidente de segurança. Mostrou que os registros formais de compras não conseguiam descrever o nível real de adoção no ambiente de trabalho. O inventário de software e a realidade operacional haviam se separado.

Esse comportamento também atravessa os níveis organizacionais. Colaboradores individuais usam IA para resumir documentos, redigir mensagens, escrever código, analisar feedback e preparar apresentações. Gestores usam ferramentas semelhantes para revisar planos, organizar reuniões e transformar anotações incompletas em documentos bem-acabados.

Essas atividades costumam parecer inofensivas porque cada prompt é pequeno. O efeito cumulativo é diferente. Uma sequência de prompts pode revelar nomes de clientes, planos de produtos, código-fonte, premissas financeiras, estratégias jurídicas ou divergências internas.

O enquadramento da Bloomberg importa porque dá nome ao acordo social em torno dessa atividade. Trabalhadores talvez não revelem voluntariamente quanto usam IA. Gestores podem não investigar se a produtividade melhora e nenhum problema evidente surge.

Assim, o Google News destacou mais do que uma tendência tecnológica. Trouxe à tona um problema trabalhista e de governança construído sobre ambiguidade estratégica. Todos podem se beneficiar da ferramenta enquanto a responsabilidade permanece indefinida.

Essa ambiguidade parece eficiente durante as operações normais. Torna-se frágil quando um cliente questiona uma resposta, dados confidenciais aparecem fora de sistemas aprovados ou uma decisão automatizada prejudica alguém. A organização precisa então reconstruir um processo que nunca escolheu observar.

Chamar isso de economia oculta não significa que toda tarefa assistida por IA seja proibida. Significa que a IA contribui com valor econômico sem aparecer de forma consistente em fluxos de trabalho oficiais, orçamentos, métricas de desempenho ou registros de risco.

O resultado é visível. O método, não.

Por Que Empregadores e Trabalhadores Aceitam o Silêncio

O acordo informal sobrevive porque ambos os lados recebem um benefício imediato ao deixar o uso de IA parcialmente implícito.

Os empregadores enfrentam forte pressão para aumentar a produtividade. Eles investiram em modelos, assistentes, infraestrutura e experimentos, mas muitos ainda têm dificuldade para conectar esses investimentos a resultados de negócio mensuráveis. A adoção discreta pelos funcionários oferece ganhos sem exigir um programa completo de transformação.

Os trabalhadores enfrentam uma pressão diferente. Precisam lidar com volumes crescentes de mensagens, documentos, reuniões, pesquisas e trabalho administrativo. A IA pode reduzir o tempo gasto na conversão de informações de um formato para outro.

Um trabalhador que transforma anotações de reunião em uma atualização de projeto tem pouco incentivo para revelar cada prompt. A divulgação pode gerar revisão adicional, questionamentos sobre a qualidade do trabalho ou exigências de uma produtividade ainda maior. O silêncio preserva o tempo economizado.

Gestores também podem se beneficiar por não perguntar. Se uma equipe entrega mais cedo, o gestor recebe o resultado sem enfrentar questões difíceis sobre tratamento de dados, atribuição ou avaliação. A recompensa imediata é concreta, enquanto o risco parece distante.

Esse arranjo pode distorcer as expectativas de desempenho. Um funcionário pode usar IA para concluir uma tarefa em duas horas, em vez de quatro. Quando a gestão passa a tratar o ritmo mais rápido como normal, o tempo economizado deixa de pertencer ao funcionário.

O ganho de produtividade se transforma em um padrão mais elevado. Os funcionários então precisam de acesso contínuo à ferramenta apenas para cumprir expectativas criadas pelo uso anterior de IA. Um atalho voluntário torna-se gradualmente uma exigência informal do trabalho.

Há também um problema de divulgação. Alguns trabalhadores temem que admitir uso extensivo de IA faça seu cargo parecer substituível. Outros temem que ocultá-lo pareça desonesto mais tarde.

Os gestores enfrentam a mesma contradição por outro ângulo. Podem incentivar a experimentação enquanto alertam os funcionários para não expor informações sensíveis. Sem ferramentas aprovadas e exemplos claros, essas mensagens oferecem ambição sem um modelo operacional utilizável.

Pesquisas sustentam a afirmação de que a IA pode melhorar o desempenho em contextos definidos. Um estudo de campo do NBER analisou um assistente de IA generativa usado por agentes de suporte ao cliente e relatou um aumento médio de produtividade de 14 por cento.

Os ganhos não foram distribuídos de maneira uniforme. Trabalhadores menos experientes e com menor qualificação se beneficiaram mais, o que sugere que o sistema ajudou a transferir padrões associados a profissionais com melhor desempenho. Essa constatação complica narrativas simples de substituição.

Um ambiente controlado de suporte não é o mesmo que uma economia inteira. Os pesquisadores puderam observar a ferramenta, o fluxo de trabalho, o resultado e a métrica de desempenho. Muitas implementações em escritório não têm essa visibilidade.

Quando trabalhadores usam serviços não aprovados, a organização não consegue distinguir de forma confiável uma assistência útil de conteúdo fabricado, linguagem copiada, viés oculto ou dados tratados de maneira inadequada. Ela vê apenas o documento ou a decisão final.

É por isso que o “não pergunte, não conte” continua tentador. Medir é caro. O silêncio permite que ambos os lados reivindiquem o benefício antes de determinar quem assume o risco.

A Disputa Real É Produtividade Versus Responsabilização

O conflito principal não é entre trabalhadores e empregadores. É entre resultados mensuráveis e produção responsabilizável.

As organizações já avaliam o trabalho concluído. Elas analisam resultados de vendas, chamados resolvidos, funcionalidades lançadas, análises concluídas e documentos publicados. A IA generativa altera a sequência oculta que produz esses resultados.

Uma resposta bem-redigida pode conter uma afirmação fabricada. Um código funcional pode incluir uma dependência insegura. Um resumo conciso para clientes pode omitir uma objeção crítica. Uma avaliação de contratação persuasiva pode reproduzir vieses de decisões anteriores.

Essas falhas nem sempre são visíveis no resultado. A responsabilização, portanto, depende de informações sobre fontes, etapas de revisão, comportamento do modelo e julgamento humano. A shadow AI elimina grande parte desse contexto.

O primeiro Economic Index da Anthropic analisou padrões em conversas com Claude, em vez de depender apenas de respostas de pesquisas. Suas conclusões iniciais descreveram mais ampliação do trabalho do que automação completa, embora a fronteira dependesse de como as tarefas eram classificadas.

Ampliação significa que uma pessoa e um modelo concluem o trabalho em conjunto. Automação significa que o modelo executa uma tarefa com envolvimento humano limitado. Ambas podem melhorar o resultado, mas exigem controles diferentes.

Um funcionário que pede a um modelo sugestões de títulos alternativos ainda é responsável pela seleção. Um sistema que gera e publica títulos sem revisão transfere mais responsabilidade para o responsável pelo desenho do fluxo de trabalho e para o operador do modelo.

A diferença importa durante uma investigação. Uma empresa precisa saber se um funcionário recebeu assistência, delegou uma decisão ou aceitou um resultado sem verificá-lo. Um arquivo final raramente responde a essas perguntas.

Sistemas formais de IA podem preservar logs, limitar a retenção de dados, aplicar controles de identidade e restringir o acesso aos modelos. Também podem conectar resultados a fontes de conhecimento aprovadas. Contas pessoais podem não seguir a mesma configuração.

A aprovação, por si só, não resolve o problema. Funcionários podem receber um chatbot corporativo e ainda usar outro modelo porque ele responde melhor, aceita um tipo de arquivo necessário ou parece mais fácil de usar. A governança precisa competir com a conveniência.

Isso cria pressão para líderes de tecnologia. Eles não podem simplesmente bloquear todos os serviços públicos e declarar sucesso. Políticas excessivamente restritivas empurram mais atividades para fora dos sistemas visíveis.

Também não podem declarar aceitável todo experimento. Contratos com clientes, obrigações de privacidade, deveres profissionais, preocupações com direitos autorais e exigências de segurança continuam valendo quando um modelo torna o trabalho mais rápido.

Na prática, a disputa ocorre entre dois modelos operacionais.

Um modelo mede apenas o resultado. Ele trata a assistência de IA como uma técnica pessoal invisível até que algo falhe. Essa abordagem minimiza atritos, mas preserva poucas evidências.

O segundo modelo trata o uso de IA como parte do sistema de produção. Ele identifica tarefas aprovadas, registra interações importantes, testa resultados e atribui responsabilidade pela revisão. Essa abordagem exige investimento e pode desacelerar a experimentação.

Nenhum dos modelos elimina o julgamento humano. A diferença está em saber se esse julgamento se torna um controle intencional ou uma rede de segurança presumida.

A matéria do Google News aponta para uma questão econômica mais ampla. Se a produtividade da IA permanecer oculta, as empresas não conseguirão dividir com precisão seu valor entre funcionários, empregadores e provedores de tecnologia. Também não conseguirão precificar o risco associado.

Um trabalhador pode contribuir com conhecimento de domínio, contexto confidencial, elaboração de prompts, verificação e responsabilização final. O modelo contribui com linguagem ou análise gerada. A organização contribui com dados, sistemas, reputação e exposição jurídica.

Chamar o resultado final de “gerado por IA” apaga essas contribuições. Chamá-lo de inteiramente produzido por humanos apaga o mecanismo. Uma medição melhor deve preservar ambos.

O Que os Números de Produtividade Não Podem Comprovar

Evidências de que a IA acelera tarefas selecionadas não comprovam que ela melhora uma organização inteira.

Muitos estudos sobre IA testam atividades delimitadas com resultados claros. Participantes resumem textos, redigem documentos empresariais, escrevem código ou respondem a questões de suporte. Pesquisadores podem comparar o tempo de conclusão e avaliar a qualidade segundo um padrão definido.

O trabalho real envolve mais dependências. Um primeiro rascunho mais rápido pode tornar a revisão mais lenta. Mais código gerado pode aumentar as exigências de testes. Um resumo conciso pode ocultar uma incerteza que mais tarde leva a uma decisão ruim.

A produtividade individual e a produtividade organizacional não são idênticas. Um profissional pode economizar uma hora ao transferir o trabalho de verificação para um colega. Um departamento pode produzir mais material enquanto cria custos maiores de revisão em outro ponto da organização.

A medição de qualidade também muda conforme a complexidade da tarefa. É mais fácil testar a correção de uma resposta estruturada de suporte do que de uma recomendação estratégica. A segunda tarefa depende de premissas, contexto e eventos futuros.

O Stanford AI Index reúne pesquisas que mostram melhorias rápidas nas capacidades e na adoção de IA. Também documenta desafios persistentes de avaliação e desempenho desigual entre diferentes tarefas.

Os benchmarks podem mostrar que um modelo responde a um conjunto definido de perguntas. Eles não podem comprovar que os funcionários sabem identificar quando o modelo está errado. Essa calibração humana é uma capacidade distinta.

A IA paralela torna essa calibração mais difícil de inspecionar. A organização pode não saber qual modelo produziu uma resposta, quais informações entraram no prompt ou se o profissional verificou as fontes citadas.

Os dados de pesquisas apresentam outra limitação. Funcionários podem subnotificar comportamentos proibidos, superestimar a produtividade ou interpretar “usar IA” de maneiras diferentes. Uma pessoa conta edições ocasionais, enquanto outra delega rascunhos inteiros.

Os registros de uso têm seus próprios pontos cegos. Eles mostram interações dentro de um serviço, mas não se os resultados foram úteis. Também podem deixar de registrar atividades em dispositivos pessoais, contas externas ou recursos de IA integrados.

Essa incerteza não elimina o argumento em favor da produtividade. Ela muda o que os líderes podem afirmar de forma responsável. Uma empresa pode dizer que os funcionários estão adotando IA ou que uma implantação definida melhorou um fluxo de trabalho mensurado.

Ela não deveria inferir ganhos em toda a empresa apenas a partir da quantidade de assinaturas. Tampouco deveria alegar transformação porque os funcionários geraram mais texto, código ou apresentações.

A pergunta cética diz respeito ao valor líquido. A IA reduziu o custo total de produzir um resultado confiável após revisão, correção, coordenação e trabalho de segurança?

Essa pergunta deve ser respondida fluxo de trabalho por fluxo de trabalho. Uma porcentagem universal de produtividade esconderia diferenças significativas entre atendimento ao cliente, desenvolvimento de software, revisão jurídica, pesquisa, vendas e gestão.

A mesma disciplina se aplica às alegações de perda de empregos. Automatizar parte de uma tarefa não elimina automaticamente a função ao redor dela. Isso pode alterar a combinação de habilidades, reduzir o trabalho de nível inicial, aumentar as expectativas de produção ou transferir responsabilidades para outro lugar.

No entanto, a incerteza não deve se tornar uma desculpa para a passividade. As organizações já dependem de usos invisíveis de IA. Recusar-se a medi-los não preserva nem a segurança nem a estabilidade do emprego.

A resposta adequada é uma visibilidade cautelosa. As empresas precisam de informações suficientes para compreender riscos materiais sem transformar cada prompt menor em um evento de conformidade.

A IA Paralela Exige um Modelo de Governança Diferente

Uma política viável precisa tornar a divulgação segura mais fácil do que a ocultação.

Muitos programas de governança começam com uma lista de atividades proibidas. As restrições são importantes, especialmente para dados confidenciais, decisões reguladas e ações automatizadas de alto impacto. Ainda assim, uma proibição não pode substituir uma ferramenta acessível e um processo compreensível.

Os funcionários precisam de categorias claras. Algumas tarefas podem permitir ampla experimentação. Outras exigem contas aprovadas, tratamento protegido de dados, revisão humana ou exclusão completa de sistemas de IA generativa.

Uma política útil descreve exemplos, em vez de apenas princípios abstratos. Ela deve explicar se os funcionários podem resumir relatórios públicos, editar documentos internos, analisar registros de clientes, redigir linguagem jurídica ou revisar código-fonte.

A organização também deve separar a assistência de baixo risco das decisões consequentes. A correção gramatical não tem o mesmo peso que decidir quem recebe crédito, emprego, seguro, assistência médica ou acesso a um serviço.

Usos de alto impacto exigem revisão e documentação mais robustas. A pessoa que aprova um resultado deve compreender a base da decisão. Um chatbot não pode se tornar uma explicação conveniente para um resultado que ninguém consegue defender.

Os limites de dados devem ser igualmente concretos. Os profissionais devem saber quais classificações de informação podem entrar em cada sistema aprovado. Eles também precisam de uma alternativa segura quando a ferramenta pública oferece um recurso que o produto corporativo não possui.

Controles técnicos podem apoiar essas regras. Gestão de identidade, configurações de retenção, restrições de acesso, registros de auditoria e prevenção de perda de dados podem reduzir a exposição. Nenhum deles pode determinar se uma resposta é adequada ao seu contexto de negócios.

A revisão humana continua necessária, mas “humano no circuito” não é um controle completo. Um funcionário cansado pode aprovar um resultado sem uma inspeção significativa. A revisão precisa de critérios definidos, tempo suficiente e autoridade para rejeitar trabalho automatizado.

As organizações devem medir correções tanto quanto velocidade. Elas podem acompanhar o tempo necessário para verificar alegações, reparar erros, resolver problemas de clientes ou reescrever material gerado. Esses custos determinam a produtividade líquida.

Elas também devem examinar como a IA muda o trabalho de profissionais juniores. As tarefas de nível inicial frequentemente oferecem a prática que desenvolve expertise. Remover toda atribuição básica pode enfraquecer a futura oferta de revisores capazes de detectar erros sofisticados.

Os gestores também precisam de treinamento. Se um líder recompensa volume sem discutir métodos, os funcionários otimizarão para resultados visíveis. Um sistema responsável alinha metas de desempenho à verificação e à divulgação.

O melhor mecanismo de reporte não se parecerá com um formulário de confissão. Ele deve registrar usos significativos de IA por meio do desenho normal do fluxo de trabalho. Assistentes aprovados podem preservar registros relevantes sem exigir que os profissionais documentem cada frase.

A proveniência do conhecimento também importa. As equipes devem distinguir material da web pública, conteúdo licenciado, registros internos e expertise humana. Um sistema pessoal de conhecimento pode ajudar indivíduos a preservar suas fontes e seu raciocínio antes que a IA os comprima em uma resposta.

Esse rastro de fontes sustenta mais do que a conformidade. Ele permite que os profissionais retornem às evidências originais quando o resumo de um modelo elimina nuances. Também protege um contexto humano valioso que, de outro modo, desapareceria dentro de um chat transitório.

A governança funciona quando os funcionários conseguem concluir trabalhos legítimos sem evasão. Se um sistema aprovado é inacessível, lento ou pouco adequado à tarefa, as violações de política se tornam previsíveis.

O objetivo não é uma observação perfeita. É uma responsabilização proporcional em torno de dados valiosos e resultados consequentes.

Três Sinais Colocarão à Prova a Economia de IA do “Não Pergunte, Não Conte”

A próxima fase dependerá de as empresas medirem resultados, redesenharem o trabalho e darem aos funcionários motivos críveis para divulgar o uso de IA.

O primeiro sinal é uma mudança na divulgação de resultados. As empresas frequentemente anunciam acesso à IA, licenças, assistentes ou programas de treinamento. As evidências mais fortes conectarão esses insumos a fluxos de trabalho concluídos, taxas de erro, tempo de revisão, resultados para clientes ou custos operacionais.

Se os empregadores divulgarem métricas críveis de produtividade líquida, a economia oculta se tornará mais fácil de avaliar. Se continuarem enfatizando a disponibilidade de ferramentas, permanecerá aberta a lacuna entre o gasto com IA e o valor demonstrado.

O segundo sinal é o redesenho de fluxos de trabalho. Adicionar um chatbot a um processo inalterado raramente resolve quem revisa o resultado, assume os erros ou registra as fontes. Uma adoção duradoura exige mudanças em funções, pontos de controle e expectativas de desempenho.

Um processo redesenhado torna visível a contribuição do modelo. Ele define quando os funcionários podem confiar na IA, quando devem verificá-la e quando o julgamento humano não pode ser delegado.

O terceiro sinal é o comportamento dos funcionários depois que as ferramentas aprovadas melhorarem. Se os profissionais migrarem de contas pessoais para sistemas gerenciados, a conveniência era uma causa importante da IA paralela. Se o uso oculto persistir, os profissionais podem desconfiar do monitoramento ou preferir recursos que seu empregador não oferece.

Essa distinção importa. Um problema técnico exige produtos e acesso melhores. Um problema de confiança requer incentivos mais claros, limites à vigilância e uma discussão honesta sobre como os ganhos de produtividade afetam cargas de trabalho e empregos.

O Google News chamou atenção para uma expressão que se encaixa no momento atual. A economia já está recebendo trabalho moldado por IA, mas as organizações frequentemente não conseguem descrever com precisão onde, como ou sob qual autoridade isso ocorre.

A resposta não é fingir que toda tarefa assistida por IA é perigosa. Também não é tratar uma produção mais rápida como prova de que o processo é sólido.

Os empregadores precisam perguntar onde a IA altera trabalhos consequentes. Os profissionais precisam de formas seguras de responder sem transformar uma experimentação útil em autoincriminação. Ambos os lados precisam de evidências que meçam a qualidade após o primeiro rascunho.

Os leitores devem observar as métricas que as empresas escolhem. A contagem de licenças recompensa narrativas de adoção. Produtividade líquida, custos de correção, taxas de incidentes e a migração dos funcionários para sistemas aprovados revelam se o modelo operacional realmente funciona.

O arranjo de “não pergunte, não conte” pode persistir enquanto os benefícios forem imediatos e as falhas permanecerem dispersas. Ele enfraquece quando clientes, reguladores, auditores ou funcionários exigem uma explicação clara de como trabalhos importantes foram produzidos.

A questão decisiva já não é se as pessoas usam IA no trabalho. É se as instituições conseguem reconhecer esse uso, atribuir responsabilidades e preservar o conhecimento humano necessário para questionar a máquina.