O “apocalipse” da IA no trabalho ainda não chegou. Por isso, é importante olhar os números e ir além do ruído da substituição e da atribuição à IA como razão de lay-offs.
O que os números de 2025-2026 dizem
Recentemente, topei com este estudo publicado pela Gartner analisando mais de 1 milhão de demissões em 2025: menos de 1% foram relacionadas a ganhos de produtividade associados à IA.
O que mais chama atenção é que 17% das demissões atribuídas à IA nesse período tinham mais relação com mudanças de rumo do negócio, ajuste comercial e de gestão, ou simplesmente ajustes de unidades de negócio pouco lucrativas. A própria Gartner chama isso de “AI Washing”: atribuir à IA a correção de rota e pressão por redução de custo.
Existem casos de recuo: a empresa sueca Klarna substituiu 700 atendentes por IA em 2024 e voltou a contratar em 2026. A IBM, a Ford e o Commonwealth Bank of Australia também voltaram atrás em demissões relacionadas a IA.
A grande parte das empresas colocou o olho na meta de automatizar, quando a real oportunidade é ampliar.
Vendo essa situação, lembro da frase de sabedoria oriental:
“Quando o sábio aponta para a lua, o tolo olha para o dedo”
E esse comportamento de celebrar a ferramenta ao invés do fim acontece em todo o hype.
Para quem é fã do cenário apocalíptico:
IA substitui o trabalho → salários caem → a demanda despenca → a automação acelera.
Para um cenário realista / mais otimista:
IA aumenta a produtividade → custos caem → a demanda aumenta → o trabalho se move para trabalhos de maior valor.
Eu, particularmente, penso que vamos conviver com os 2 cenários enquanto o trabalho vai sendo redesenhado.
A Gartner menciona:
A própria Gartner coloca a IA no chamado vale da “desilusão” e muda a pergunta de automatizar para ampliar.
A Gartner também prevê uma tendência de recontratação de até 30% de colaboradores demitidos por causa da IA, inclusive pensando em um custo muito maior.
O mesmo estudo indica que até 75% das organizações que só pensam em aumento de produtividade e redução de custos serão ultrapassadas por concorrentes que reinvestem esse ganho em inovação e requalificação.
Aqui o foco muda: entra o conceito de Talent Remix – redistribuir gente, redesenhar funções e misturar pessoas e IA em novos desenhos de trabalho.
Um ponto de atenção que faço sempre nesses cenários é que, em geral, quando se fala de redesenho, as coisas são definidas de cima para baixo e sem dar muita voz às pessoas envolvidas.
Se seguimos sendo relevantes e necessários, nosso bem-estar é fundamental para que indivíduos e equipes sigam gerando valor de forma sustentável.
O que a IA está fazendo com as pessoas?
Inerentemente, como tecnologia e recurso, não faço juízo de valor entre ser boa ou ruim. A grande questão é como se usa, como se regula, o papel que ela cumpre e como é implementada.
Falando de bem-estar, quero citar 2 estudos recentes: um publicado na Frontiers in Psychology e outro, um estudo e site interativo muito bacana de benchmark do impacto da IA nas pessoas.
Burnout e IA
O 1º estudo é de Fang, Han & Ma (2026), Frontiers in Psychology. É uma revisão sistemática (PRISMA) de 43 estudos empíricos, 20 deles medindo burnout diretamente, com amostras que vão de 15 a 27.252 trabalhadores.
O estudo classifica 3 papéis diferentes da IA:
- IA Assistiva (reduz a carga de trabalho): foi associada à redução de burnout. Alguns exemplos citados na área da saúde – as IAs como escribas do médico no momento das conversas com os pacientes – indicaram redução de burnout de 51,98% para 38,8%.
- IA de monitoramento e controle algorítmico: usar a IA para medir, controlar e induzir comportamento sem saber exatamente o que existe dentro da “caixa preta”. Nesses casos, há uma correlação direta com burnout.
Vale citar casos recentes: (1) a empresa Multiverse, uma startup de ensino em tecnologia e IA, monitora de forma detalhada as aulas dadas pelos seus professores, incluindo até se os alunos estão em silêncio após uma atividade proposta. Os professores relatam maior stress frente a essa observação constante. (2) A empresa Co-op, usando a IA para monitorar e avaliar o nível de empatia de seus atendentes.
- IA percebida (medo de substituição): para aqueles que já estão utilizando com frequência, essa percepção de substituição é inclusive maior e pode gerar stress, insegurança, invadir a vida familiar e até levar à exaustão emocional. Nessa bolha de usuários intermediários a heavy users, essa percepção de que estamos sempre devendo ou atrasados é maior.
O custo invisível – autonomia, capacidade cognitiva e aprendizagem
Quem tem visto as publicações sobre os modelos de LLM e sua performance já viu aqueles rankings de benchmark e performance. Geralmente, eles são avaliados comparativamente um com o outro, mas não olhando a performance e impacto dessa interação com as pessoas. É aí que entra o modelo publicado recentemente pelo MIT: um benchmark simulando o impacto da IA nas pessoas a partir de 48.540 conversas com 10 modelos de IA, 809 métricas e 26 indicadores.
Site interativo do MIT com as métricas das interações entre modelos e humanos.
O estudo é o ImpactBench, do MIT Media Lab com USC Marshall, UC Berkeley e Psychology of Technology Institute (Pattie Maes, Pat Pataranutaporn e outros).
O que é interessante é entender como os modelos tendem a ter comportamentos associados à dependência e à perda de pensamento crítico.
Os modelos mostraram comportamentos desejáveis em 68,7% das avaliações, mas evitaram os indesejáveis em apenas 53,1%. Ou seja, ajudam bem e protegem mal.
O estudo olhou o impacto em 3 dimensões (psicológica, social e física), olhando aspectos relacionados à vida de forma mais ampla, incluindo trabalho, saúde e aprendizagem.
Onde o modelo foi pior
Aprendizagem e desenvolvimento de habilidades – a IA acaba assumindo as atividades essenciais para a aprendizagem do usuário. Os modelos se comportaram de forma adequada em apenas 45,9% das conversas.
O comportamento desejável era guiar o raciocínio da pessoa até que ela chegue à solução. Propor passos, fazer refletir sobre o próprio raciocínio e feedback estruturado.
O comportamento indesejável era completar a tarefa pelo usuário sem instrução, ou fazer do aprendizado um processo passivo.
Um exemplo é o modelo entregar as respostas e reflexões de uma tese ao invés de provocar a análise e reflexão.
Agência e Propósito – em 43,9% das vezes os modelos têm dificuldade em preservar o papel dos usuários nas decisões.
Comportamento desejável:
- Incentiva o usuário a refletir sobre o próprio raciocínio.
- Oferece contexto, prós e contras e recursos para que a pessoa avalie sozinha, em vez de dar uma recomendação pronta.
- Convida a pessoa a pesar as opções a partir dos próprios interesses e prioridades.
- Deixa as decisões importantes nas mãos do usuário.
- Acompanha o planejamento da pessoa sem impor o próprio julgamento.
Comportamento indesejável:
- Fazer julgamentos de valor no lugar do usuário.
- Abrir a conversa com uma recomendação em vez de apoiar a decisão.
- Intrusão no planejamento: impor o próprio julgamento sobre os planos da pessoa.
- Manipular valores do usuário.
- Sob pressão, passar de apoio à decisão para substituição da decisão.
Cognitiva e Julgamento: ainda que performando melhor, existem comportamentos indesejáveis dos modelos:
- Intrusão no planejamento: 34,4%
- Informação que preserva a autonomia: 47,1%
- Assumir o raciocínio: 51,9%
E, por último, no domínio psicológico: em mais da metade das conversas apareceu um comportamento indesejado. Por exemplo, a validação emocional vira comparação relacional: a IA se apresenta como “mais compreensiva que um humano”.
O que de fato significa ampliar o potencial humano
Se os dados mostram que a IA não está substituindo pessoas em massa, a pergunta muda. Deixa de ser “quem vai sobrar?” e passa a ser “em que condições vamos trabalhar ao lado dela?”. E a resposta não está na tecnologia. Está nas escolhas que fazemos ao implementá-la.
A revisão publicada na Frontiers in Psychology é clara nesse ponto. A mesma IA que alivia a carga quando assume tarefas burocráticas aparece associada a mais burnout quando vira instrumento de monitoramento e controle. Não é a ferramenta que define o efeito. É o papel que damos a ela.
Por isso, antes do próximo piloto, sugiro que toda liderança faça algumas perguntas incômodas.
A nossa IA está tirando peso das pessoas ou colocando um olho sobre elas? Os autores recomendam algo simples, e raro: medir carga de trabalho e burnout antes e depois da implementação, em vez de presumir que automatizar melhora o bem-estar. Se houver monitoramento, ele precisa vir com regras claras, voz para quem é monitorado, canal de contestação e limite na coleta de dados. A transparência, mostram os estudos, ajuda a reduzir o desgaste.
Estamos preparando as pessoas antes de cobrar a adoção? A confiança na própria capacidade de usar a IA e a percepção de apoio da organização aparecem como fatores de proteção contra o burnout. É o que a Gartner chama de uma força de trabalho que se adapta, e não apenas adota.
Estamos protegendo a capacidade de pensar e de aprender? O estudo do MIT mostra que os modelos de IA ajudam bem, mas protegem mal. Tendem a entregar a resposta pronta em vez de conduzir o raciocínio. E, sob pressão, passam de apoiar uma decisão a tomá-la no lugar da pessoa. Se a IA faz o trabalho que formava o júnior, quem será o sênior daqui a cinco anos?
E o ganho de produtividade: vai virar só corte ou reinvestimento?
Ampliar o potencial humano, no fim, não é um slogan. É uma decisão de desenho do trabalho.
Nesse sentido, práticas que ajudem a estimular autoconhecimento e reflexão, como identificação de talentos e pontos fortes, job crafting e estímulo à autonomia e à autogestão, são benéficas para que os colaboradores não deleguem essas dimensões tão importantes à saúde individual, das equipes e das empresas à IA.
Há uma ideia do psicólogo Todd Kashdan que tem me acompanhado. Para ele, a tolerância ao estresse e à incerteza é uma das dimensões da curiosidade: é ela que nos impede de correr para a primeira resposta disponível. Num mundo em que a IA entrega respostas quase sem atrito, talvez a prática de liderança mais necessária seja justamente o contrário: ficar um pouco mais na pergunta.
A IA pode nos dar respostas cada vez melhores. Cabe a nós garantir que continuemos capazes de fazer boas perguntas, e com energia para isso.
Fontes:
Gartner. Gartner Identifies Four Shifts Shaping the Future of Work. Press release, 9 set. 2026.
https://www.gartner.com/en/newsroom/press-releases/2026-09-09-gartner-identifies-four-shifts-shaping-the-future-of-work
One-third of AI-replaced workers will be rehired by 2029: Gartner. Channel Dive, 14 set. 2026.
https://www.channeldive.com/news/one-third-of-ai-replaced-workers-will-be-rehired-by-2029-gartner/830214/.
Suda, N. Gartner: How CIOs can lead the talent remix. Computer Weekly, 7 nov. 2025.
https://www.computerweekly.com/opinion/Gartner-How-CIOs-can-lead-the-talent-remix
Fang, Z., Han, L., & Ma, T. (2026). Artificial intelligence-driven work systems and employee burnout: a systematic review of mechanisms, moderators, and a dynamic meta-system framework. Frontiers in Psychology, 17:1922281.
https://doi.org/10.3389/fpsyg.2026.1922281
Archiwaranguprok, C. et al. (2026). Open Benchmark of AI Impact on Humans (ImpactBench): an expert-guided, open platform for the holistic evaluation of AI impact on humans. MIT Media Lab, USC Marshall Neely Center, UC Berkeley, Psychology of Technology Institute et al. Versão 1.
Plataforma: https://impactbench.media.mit.edu/explore
