A Armadilha da Intensificação
O discurso era simples. A IA trata do trabalho rotineiro. Tu tratas do trabalho criativo. A máquina retira-te as tarefas repetitivas do prato e tu usas o tempo libertado para pensar, para estratégia, para o trabalho que só os humanos conseguem fazer. Toda a gente ganha. Os ganhos de produtividade são reais e o dia de trabalho fica mais leve.
Esse era o discurso. Eis o que aconteceu de facto.
Em Fevereiro de 2026, Aruna Ranganathan e Xingqi Maggie Ye publicaram os resultados de um estudo etnográfico de oito meses na Harvard Business Review. Ye, doutoranda na Haas School of Business da UC Berkeley, tinha-se integrado numa empresa de tecnologia norte-americana com cerca de duzentos funcionários. Observou-os duas vezes por semana, acompanhou os seus canais de comunicação e realizou mais de quarenta entrevistas aprofundadas em engenharia, produto, design, investigação e operações. O estudo cobriu o período de Abril a Dezembro.
A conclusão não foi a que a narrativa da produtividade previa. Os funcionários que usavam ferramentas de IA não trabalharam menos. Trabalharam mais. Trabalharam mais depressa. Assumiram um leque mais alargado de tarefas. Estenderam o trabalho a horas que costumavam estar vazias — pausas de almoço, noites, os dez minutos antes de uma reunião. A ferramenta que devia criar folga consumiu-a.
Ranganathan e Ye identificaram três formas de intensificação. A primeira foi a expansão de âmbito: as pessoas começaram a assumir trabalho que anteriormente pertenceria a outra pessoa ou que nem sequer teria sido tentado. A definição de “o meu trabalho” alargou-se. A segunda foi a dissolução de fronteiras: porque a IA torna fácil iniciar e continuar tarefas, o trabalho infiltrou-se em momentos que costumavam funcionar como pausas. Um prompt durante o almoço. Uma consulta antes de dormir. Os pontos de paragem naturais do dia de trabalho dissolveram-se. A terceira foi o processamento paralelo: os trabalhadores mantinham múltiplos processos em simultâneo, correndo tarefas de IA em segundo plano enquanto participavam em reuniões, reviam código ou redigiam documentos.
Nada disto foi imposto. Ninguém disse a estes funcionários para trabalharem mais. A intensificação foi voluntária — ou pareceu sê-lo. A ferramenta fez com que fazer mais parecesse possível, acessível e gratificante no momento. Então as pessoas fizeram mais. E o fazer mais tornou-se o novo patamar.
O Paradoxo de Jevons do Trabalho
Este padrão tem um nome, embora venha de um século diferente e de um recurso diferente. Em 1865, o economista inglês William Stanley Jevons observou que as melhorias de James Watt ao motor a vapor — que aumentaram dramaticamente a eficiência do uso de carvão — não levaram a uma redução no consumo de carvão. Levaram a um aumento. O motor era mais eficiente por unidade de trabalho, por isso tornou-se económico usá-lo para mais trabalho. O consumo total de carvão subiu, não desceu.
O Paradoxo de Jevons — a constatação de que os ganhos de eficiência no uso de recursos levam a um aumento do consumo total desse recurso — era sobre carvão. Mas o mecanismo é sobre incentivos, e os incentivos não se importam com o recurso a que se ligam.
A IA é o motor de Watt do trabalho cognitivo. Torna cada unidade de trabalho de conhecimento mais eficiente. Um rascunho que demorava duas horas demora quarenta minutos. Uma análise de dados que exigia um especialista pode agora ser aproximada por um generalista com o prompt certo. Um relatório que não teria sido escrito — porque o custo excedia o valor percebido — agora é escrito, porque o custo desceu abaixo do limiar.
A eficiência por tarefa é real. Ranganathan e Ye não a disputam. O paradoxo é que a eficiência por tarefa, agregada numa organização que mede volume de output, produz intensificação, não alívio. A quantidade total de trabalho cognitivo aumenta. O dia de trabalho torna-se mais denso, não mais curto. A passadeira acelera.
Isto não é uma falha da tecnologia. A tecnologia fez exactamente aquilo para que foi desenhada. Isto é uma falha de desenho de incentivos. Os sistemas organizacionais que envolvem a tecnologia recompensam o volume de output. Quando uma ferramenta torna possível produzir mais output, o sistema absorve o aumento. O tempo libertado não é devolvido ao trabalhador. É reinvestido em mais trabalho — automática, estruturalmente, sem que ninguém tome a decisão consciente de intensificar.
A Métrica Recompensa a Intensificação
Charles Goodhart, um economista britânico, articulou um princípio em 1975 que se tornou uma das observações mais citadas no desenho organizacional: “Quando uma medida se torna um objectivo, deixa de ser uma boa medida.” Goodhart escrevia sobre política monetária, mas o princípio aplica-se onde quer que métricas determinem comportamento.
A maioria das organizações mede a produtividade como output por unidade de tempo. Tarefas concluídas. Tickets resolvidos. Documentos produzidos. Linhas de código escritas. Emails enviados. A métrica é volume.
Quando a IA entra neste sistema, o volume aumenta. A métrica melhora. Os dashboards ficam verdes. Os relatórios trimestrais celebram os ganhos de produtividade. E ninguém pergunta se as pessoas que produzem o output estão a trabalhar mais, a pensar mais ou a descansar menos — porque a métrica não acompanha a carga cognitiva. Acompanha volume. E o volume subiu.
O Upwork Research Institute, em parceria com a Workplace Intelligence, inquiriu 2.500 trabalhadores globalmente em 2024 — incluindo 1.250 executivos de C-suite. A conclusão principal: 77 por cento dos funcionários que usam IA disseram que as ferramentas tinham aumentado a sua carga de trabalho. Não reduzido. Aumentado. As fontes da carga adicional foram específicas: 39 por cento reportaram gastar mais tempo a rever ou moderar conteúdo gerado por IA. 23 por cento reportaram investir mais tempo a aprender a usar as ferramentas. 21 por cento reportaram que lhes foi pedido que fizessem mais trabalho como resultado directo da IA.
Os executivos, entretanto, estavam entusiasmados. Noventa e seis por cento expressaram grandes expectativas de que a IA melhoraria a produtividade. O fosso entre a expectativa executiva e a experiência dos funcionários não é um problema de comunicação. É um problema de medição. Os executivos olham para a métrica de volume. A métrica subiu. Os funcionários vivem dentro da métrica de volume. O volume subiu porque estão a fazer mais trabalho.
A lei de Goodhart prevê isto com precisão. A organização fez do volume de output um objectivo. A métrica melhorou. E a métrica deixou de ser uma boa medida daquilo que supostamente representava — que não era volume, mas valor por unidade de esforço humano.
O Que a IA Deixa Para Trás
Há uma dimensão mais subtil da intensificação que as métricas de volume não captam de todo.
Quando a IA trata das tarefas rotineiras — o primeiro rascunho, a extracção de dados, o modelo, o resumo — o que resta para o humano não é rotina. É a parte difícil. As decisões de julgamento. A ambiguidade. As decisões que exigem contexto, nuance e conhecimento de domínio que o modelo não tem.
Este é o resíduo cognitivo do trabalho aumentado por IA. As tarefas fáceis são automatizadas. As tarefas difíceis permanecem. E as tarefas difíceis são mais difíceis agora — não porque mudaram, mas porque as tarefas fáceis proporcionavam descanso cognitivo. O trabalho rotineiro era uma pausa. Não uma pausa excitante, não uma pausa repousante no sentido consciente, mas um período de menor exigência cognitiva que permitia ao cérebro recuperar entre episódios de pensamento exigente.
A distinção de Daniel Kahneman entre Sistema 1 (rápido, automático, pouco esforço) e Sistema 2 (lento, deliberado, muito esforço) é útil aqui. As tarefas rotineiras vivem no Sistema 1. As tarefas de julgamento vivem no Sistema 2. O Sistema 2 é metabolicamente caro — consome glicose, produz fadiga, tem um orçamento diário limitado. Um dia de trabalho que mistura tarefas de Sistema 1 e Sistema 2 é sustentável. Um dia de trabalho predominantemente de Sistema 2 — porque as tarefas de Sistema 1 foram automatizadas — não é sustentável com a mesma duração.
A investigação da Workday, conduzida com a Hanover Research e publicada em Janeiro de 2026, concluiu que 37 por cento do tempo que os funcionários pouparam com IA foi perdido em retrabalho — corrigir erros, verificar outputs, reescrever conteúdo que não cumpria requisitos de qualidade ou contexto. Setenta e sete por cento dos funcionários reviam o trabalho gerado por IA tão cuidadosamente, ou mais cuidadosamente, do que trabalho feito por humanos. Apenas 14 por cento reportaram consistentemente resultados líquidos positivos do uso de IA.
O retrabalho é trabalho de Sistema 2. Avaliar output de IA requer julgamento, comparação, verificação — tudo exigente, tudo metabolicamente caro, tudo a retirar do mesmo orçamento cognitivo limitado que o tempo “libertado” supostamente reporia. O funcionário poupou quarenta minutos no rascunho e gastou vinte e cinco minutos a verificar o output. A poupança líquida são quinze minutos. Mas o perfil cognitivo desses vinte e cinco minutos é mais exigente do que os quarenta minutos que substituíram, porque rever o trabalho de outra entidade à procura de erros que não se conseguem prever requer mais atenção sustentada do que produzir trabalho segundo um padrão que já se conhece.
A métrica de volume vê quinze minutos poupados. O córtex pré-frontal do funcionário vê vinte e cinco minutos de verificação de alta exigência adicionados a um dia que já estava saturado.
A Colisão Exigência-Controlo
O modelo de exigência-controlo de Robert Karasek, desenvolvido em 1979 e refinado ao longo de quatro décadas de investigação em saúde ocupacional, descreve o strain no trabalho como a interacção entre duas variáveis: as exigências colocadas ao trabalhador e o controlo que o trabalhador tem sobre a forma de satisfazer essas exigências.
Exigências elevadas combinadas com controlo elevado produzem trabalho activo — desafiante, sustentável e associado a aprendizagem e desenvolvimento profissional. Exigências elevadas combinadas com controlo baixo produzem trabalho de alto strain — a configuração mais fortemente associada a burnout, doença cardiovascular e stress crónico.
O trabalho aumentado por IA, como Ranganathan e Ye o documentaram, é crescentemente exigente. O âmbito é mais largo. O ritmo é mais rápido. As fronteiras dissolveram-se. A carga cognitiva por hora é mais elevada porque as tarefas rotineiras desapareceram e as tarefas de julgamento permanecem.
A dimensão do controlo é onde a armadilha se fecha. Na maioria das organizações, o trabalhador individual não controla os objectivos de volume. Não define as expectativas de output. Não decide como as poupanças de tempo da IA são alocadas. As poupanças de tempo são automaticamente absorvidas pelo sistema — pelo próximo ticket na fila, pelo próximo projecto que se torna viável, pelo próximo relatório que alguém pede porque “a IA consegue fazer isso depressa.”
Exigências elevadas. Controlo baixo. O modelo de Karasek prevê strain. A previsão não é teórica. O 29.o Global CEO Survey da PwC, publicado em Janeiro de 2026 e cobrindo 4.454 CEOs em 95 países, concluiu que 56 por cento não reportaram benefício financeiro significativo dos seus investimentos em IA. Apenas 12 por cento reportaram melhorias tanto nos custos como nas receitas. O investimento está a produzir intensificação ao nível do trabalhador sem produzir retornos ao nível organizacional. A passadeira está mais rápida mas o edifício não se moveu.
O Incentivo que Ninguém Redesenhou
Eis a frase que quero reter: o problema não é a IA. O problema é a estrutura de incentivos que envolve a IA.
Quando uma organização implementa uma ferramenta de IA e mede o seu impacto através do volume de output, a organização construiu uma máquina de intensificação. Não intencionalmente. Não maliciosamente. Estruturalmente. A ferramenta aumenta a eficiência por tarefa. A métrica recompensa volume. O volume aumenta. Os funcionários absorvem o aumento. O ciclo continua.
A saída da armadilha não é remover a ferramenta. A ferramenta funciona. A eficiência por tarefa é genuína. A saída é redesenhar o incentivo.
Isto requer medir algo diferente. Não volume de output. Valor do output por unidade de esforço cognitivo. Isto é mais difícil de medir do que volume — o que é precisamente a razão pela qual as organizações recorrem ao volume. O volume é fácil de contar. O esforço cognitivo não é. Mas a lei de Goodhart é clara: a métrica fácil, uma vez transformada em objectivo, deixa de medir o que importa.
Como seria medir de forma diferente?
Significaria acompanhar não quantos relatórios a equipa produziu, mas quais relatórios levaram a decisões. Não quantos tickets foram resolvidos, mas quais resoluções se mantiveram — quais não voltaram como issues reabertos dentro de trinta dias. Não quantos documentos foram redigidos, mas quais documentos foram lidos, citados e usados. A métrica desloca-se da produção para o impacto.
Significaria também acompanhar a carga cognitiva directamente. Não como uma iniciativa de bem-estar — como uma variável operacional. A investigação da Workday concluiu que quase nove em cada dez empresas tinham actualizado menos de metade das suas funções para reflectir as capacidades de IA. Apenas 37 por cento dos utilizadores intensivos de IA receberam formação adicional. As organizações estão a implementar ferramentas sem redesenhar os trabalhos que essas ferramentas alteram. O perfil de exigência da função mudou — mais julgamento, menos rotina — mas a descrição da função, as métricas de desempenho e o volume de output esperado não mudaram.
A função é nova. O incentivo é antigo. O fosso entre eles é a armadilha da intensificação.
A Metáfora da Passadeira
Volto sempre à imagem de uma passadeira — não porque seja inteligente, mas porque é precisa.
Uma passadeira aumenta a tua velocidade sem mudar a tua localização. Corres mais depressa. O teu ritmo cardíaco sobe. Os teus músculos trabalham mais. Transpiras. E no fim, estás exactamente no mesmo sítio onde começaste.
O trabalho aumentado por IA, sob a estrutura de incentivos actual, é uma passadeira. A velocidade por tarefa aumenta. O volume aumenta. O esforço cognitivo aumenta. E os resultados — medidos ao nível organizacional — não melhoram proporcionalmente. Os dados da PwC são inequívocos: 56 por cento dos CEOs não reportam benefício financeiro. A passadeira está a funcionar. O edifício não se está a mover.
A passadeira não está avariada. Está a funcionar exactamente como foi desenhada. O problema é que ninguém perguntou se uma passadeira era a máquina certa para o objectivo. Se o objectivo é avançar — criar mais valor, não mais volume — é preciso uma máquina diferente. Uma máquina que recompense impacto, não throughput. Uma máquina que meça a qualidade das decisões, não a quantidade de outputs.
A passadeira mede passos. O destino requer direcção.
O Que as Organizações Podem Fazer
Sou cautelosa com listas prescritivas. Reduzem problemas complexos a itens de acção, e itens de acção sem contexto são a lei de Goodhart à espera de acontecer — a lista torna-se o objectivo, o objectivo deixa de ser útil. Mas há intervenções estruturais que alteram a paisagem de incentivos em vez de apenas acrescentar tarefas.
Redefinir para que servem as poupanças de tempo da IA. Se a IA poupa a uma equipa oito horas por semana, essas oito horas têm de ser explicitamente alocadas — e a alocação não pode ser por defeito “mais do mesmo trabalho.” As opções incluem: tempo de pensamento profundo (blocos não agendados e não monitorizados para resolução de problemas complexos), desenvolvimento de competências (aprendizagem que não é directamente produtiva mas constrói capacidade futura), recuperação (descanso cognitivo que reduz a carga cumulativa e previne o burnout que o modelo de Karasek prevê). A alocação é uma decisão de design. Se a organização não a tomar, o sistema tomará por ela — e o sistema recai por defeito em mais volume.
Separar a métrica de volume da métrica de desempenho. O volume é uma medida de actividade. Diz o que aconteceu. Não diz quanto valeu. As métricas de desempenho devem acompanhar resultados: decisões tomadas, problemas resolvidos, qualidade mantida, erros evitados. Estes são mais difíceis de contar. Essa dificuldade é o objectivo. Métricas fáceis produzem a lei de Goodhart. Métricas difíceis produzem informação.
Redesenhar funções para reflectir o trabalho aumentado por IA. Se a IA trata da rotina, a função é agora uma função de julgamento. Funções de julgamento requerem competências diferentes, formação diferente, perfis cognitivos diferentes e padrões de descanso diferentes. Uma função que era 60 por cento rotina e 40 por cento julgamento é agora 20 por cento rotina e 80 por cento julgamento. As expectativas de desempenho, a formação e os objectivos de carga de trabalho devem reflectir essa mudança. Quase nunca reflectem.
Tornar a carga cognitiva visível. Não como uma iniciativa de bem-estar no portal de RH. Como um dashboard operacional ao lado das métricas de volume. Quando os líderes conseguem ver que o volume subiu e a carga cognitiva subiu, a conversa muda. A intensificação torna-se visível. E problemas visíveis são mais fáceis de abordar do que invisíveis.
A Integração
Eis a tensão que quero manter sem colapsar.
As ferramentas de IA são genuinamente eficientes. Reduzem o tempo e o esforço necessários para tarefas específicas. A melhoria por tarefa é mensurável e real. Ranganathan e Ye não descobriram que a IA falha na sua função pretendida. Descobriram que tem sucesso — e o sucesso, no contexto de incentivos baseados em volume, produz um paradoxo que é prejudicial para as pessoas que fazem o trabalho.
A ferramenta não é a armadilha. O incentivo é a armadilha. A ferramenta é uma passadeira. Se te faz avançar ou te mantém a correr no mesmo sítio depende inteiramente do sistema onde está inserida.
As organizações que implementam IA sem redesenhar as suas estruturas de incentivos terão intensificação. Não porque a IA tenha falhas, mas porque o design organizacional está optimizado para uma métrica que a IA torna fácil de inflacionar. A métrica sobe. Os humanos dentro da métrica ficam mais cansados. Os resultados, ao nível que importa — retorno financeiro, desempenho sustentável, bem-estar dos funcionários — não melhoram.
As organizações que redesenham o incentivo — que medem impacto em vez de volume, que alocam o tempo poupado deliberadamente, que reconhecem a mudança cognitiva de trabalho rotineiro para trabalho de julgamento — terão algo diferente. Não necessariamente mais output. Possivelmente menos output, em volume. Mas melhores decisões. Menos erros. Ritmo sustentável. E ferramentas que as pessoas usam porque as ferramentas tornam o seu trabalho melhor, não porque as ferramentas tornam o seu trabalho mais.
A armadilha da intensificação não é um problema de tecnologia. É um problema de desenho de incentivos vestido com um fato de tecnologia. A tecnologia fez o que lhe pediram. A questão é o que a organização lhe pediu — e se alguém se lembrou de perguntar às pessoas que fazem o trabalho se “mais, mais depressa” era a resposta certa.
A passadeira está a funcionar. A questão não é se devemos sair dela. É se devemos mudar o destino.