A promessa de que a inteligência artificial libertaria os trabalhadores de tarefas repetitivas enfrenta um obstáculo crescente nas rotinas corporativas. Segundo o relatório Work AI Index, conduzido pelo instituto Glean com pesquisadores de Stanford, Berkeley e Notre Dame, os colaboradores dedicam uma média de 6,4 horas semanais apenas para garantir que as ferramentas de IA funcionem corretamente. Esse tempo, que deveria representar um ganho de produtividade, acaba sendo reinvestido em funções de supervisão, revisão e ajuste de prompts, um fenômeno que os autores do estudo classificaram como "botsitting".

Embora 75% dos entrevistados afirmem que a tecnologia os torna mais eficientes, economizando cerca de 11 horas por semana, apenas 13% das empresas reportam um aumento real na produtividade final. Essa discrepância sugere que o ganho de tempo não está sendo convertido em resultados de negócio, mas sim consumido por uma nova camada de complexidade operacional que exige atenção constante dos humanos, anulando o benefício líquido da automação.

A carga oculta do monitoramento de sistemas

O termo "botsitting" descreve a necessidade de atuar como um tutor constante para modelos de IA. Isso envolve fornecer contexto repetitivo, corrigir alucinações — dados inventados pelos algoritmos — e reescrever comandos que não entregaram o resultado esperado. Rebecca Hinds, diretora do Work AI Institute, define essa tutela como uma atividade exaustiva, que frequentemente não é reconhecida nem medida pelos gestores, transformando a economia de tempo em um empréstimo oneroso.

Historicamente, a introdução de novas tecnologias no ambiente corporativo sempre exigiu um período de adaptação. Contudo, a IA generativa impõe uma carga cognitiva distinta, onde o erro não é apenas técnico, mas semântico. A necessidade de verificar cada entrega torna o colaborador um revisor de baixo nível, mantendo-o preso a um ciclo de microgerenciamento de software que pouco contribui para a estratégia ou criatividade.

O imposto cognitivo da troca de contexto

Além da supervisão, o estudo destaca o "toggle tax", ou imposto cognitivo da troca de contexto. Cerca de 46,5% dos trabalhadores precisam alternar entre duas ou mais ferramentas de IA para completar uma única tarefa. Cada transição exige que o usuário reajuste o contexto, copie e cole instruções e valide a consistência entre diferentes modelos, um custo de tempo invisível que se soma à fragmentação já existente no uso de e-mails, chats e plataformas de gestão.

Essa fragmentação é agravada pela diversidade de ferramentas adotadas sem uma estratégia centralizada. Quando um profissional opera quatro ou mais sistemas de IA simultaneamente, a probabilidade de falhas de comunicação entre as ferramentas aumenta exponencialmente. O resultado é um ambiente de trabalho onde a tecnologia, em vez de simplificar fluxos, adiciona uma camada de fricção que exige habilidades de coordenação antes inexistentes.

Consequências na qualidade e o fenômeno do botshitting

O esgotamento gerado pelo "botsitting" leva a uma consequência preocupante: o "botshitting". Diante da pressão por prazos e da exaustão mental, 69% dos participantes admitiram entregar trabalhos gerados por IA sem a devida verificação. Quando esse conteúdo não revisado chega ao próximo elo da cadeia de produção, o custo não foi eliminado, apenas transferido para outro colaborador, que precisará gastar tempo limpando e corrigindo as imprecisões do material.

Para o ecossistema corporativo, isso representa um risco sistêmico à qualidade do output. A crença de que a IA pode escalar a produção de forma ilimitada ignora o fato de que a supervisão humana é um recurso finito. Se as empresas não estruturarem processos de governança e revisão, a automação pode acabar criando gargalos que travam a agilidade organizacional, em vez de acelerá-la.

O futuro da gestão de IA no trabalho

Permanecem incertas as soluções de longo prazo para mitigar essa carga de trabalho. A tendência de gestores de implementar mais ferramentas para resolver a fricção causada por ferramentas anteriores parece apenas agravar o problema, segundo Bob Sutton, da Universidade de Stanford. A questão central passa a ser como medir a eficácia real da IA sem cair na armadilha de contabilizar apenas o tempo economizado, ignorando o tempo gasto na manutenção dos sistemas.

Observar como as empresas adaptarão seus fluxos de trabalho nos próximos meses será fundamental. A transição de uma fase de experimentação desordenada para uma fase de integração operacional exigirá que as organizações parem de tratar a IA como uma solução mágica e comecem a tratá-la como uma ferramenta que, ironicamente, exige mais gestão, e não menos.

A questão que fica para os líderes de tecnologia e operações é se o modelo atual de adoção de IA é sustentável ou se exigirá uma reestruturação profunda nos processos de entrega. A produtividade real dependerá menos da capacidade de gerar conteúdo e mais da capacidade de integrar essas ferramentas de forma que elas não se tornem um fardo cognitivo para quem as utiliza. Com reportagem de Brazil Valley

Source · Xataka