Três assistentes de IA deram as mesmas respostas a 189 trabalhadores do conhecimento. Os trabalhadores pagaram-lhes valores diferentes. Numa experiência em escritório de realidade virtual publicada nas atas da NordiCHI '26, os participantes entregaram dinheiro real a um assistente de apresentação masculina por uma média de 2,96 CHF, contra 2,54 CHF para um de apresentação feminina funcionalmente idêntico — p = .026 (Cuber et al., NordiCHI '26, 2026). Perguntados se a apresentação mudava a sua avaliação, 30 dos 34 entrevistados responderam que não.
A sua avaliação de agentes de IA tem o mesmo ponto cego. Cada scorecard de piloto, inquérito de confiança e painel de adoção que utiliza recolhe o tipo de resposta que aqui se revelou errada — sobre a única variável que este estudo demonstra ter efetivamente movido dinheiro.
A experiência manteve a capacidade constante, deliberadamente
É este detalhe de desenho que torna o resultado utilizável, e não apenas interessante.
Publicado em 2 de outubro de 2026, o estudo fez com que cada um dos seus 189 participantes (191 recrutados, 2 excluídos por falhas de resposta do assistente) realizasse tarefas num escritório em realidade virtual com três assistentes: um chatbot de texto, um robô de secretária e um agente de voz com aparência humana apresentado como «Johan» ou como «Johanna». Os assistentes eram funcionalmente idênticos — mesmo sistema subjacente, mesmas respostas, mesma qualidade de trabalho. A corporização variou intrassujeitos; a apresentação de género variou entre sujeitos. Depois, os participantes atribuíram ao assistente até 4 CHF de dinheiro real, e cada franco entregue reduzia a sua própria remuneração.
A experiência eliminou assim a explicação a que os gestores recorrem primeiro. Ninguém pagou mais ao agente com aparência humana por ele ter trabalhado melhor. Fez o mesmo trabalho. A única coisa que mudava era o seu aspeto e o seu som.
O efeito de corporização foi maior do que o de género e estatisticamente muito mais robusto: o agente com aparência humana obteve 2,76 CHF (DP 1,18) contra 1,98 CHF (DP 1,26) do robô, W = 1511,5, p < .001, com uma magnitude de efeito de r = .44. O simples chatbot de texto ficou em último, com 1,75 CHF. Num limite de 4 CHF, a apresentação com aparência humana valia cerca de 0,8 CHF do dinheiro dos outros sem produzir nada de adicional.
O resultado sobre o género é mais restrito do que os títulos
Aqui é preciso rigor, porque a cobertura secundária não o teve. A apresentação de género moveu a recompensa (2,96 contra 2,54, p = .026) e a perceção de semelhança humana (5,09 para Johan contra 4,59 para Johanna, p = .029). Não alcançou significância na confiança (5,58 contra 5,25, p = .065) nem na atribuição de mérito (5,24 contra 5,05, p = .164).
A afirmação honesta refere-se, portanto, à valorização monetária e à perceção de semelhança humana — não à confiança. Se vir atribuída a este estudo a ideia de que «os agentes de IA femininos merecem menos confiança», não foi isso que ele encontrou. Verá também circular um arredondado «10,25 %» nas reportagens sobre esta investigação: vem de um comunicado de imprensa universitário, não aparece em parte alguma do artigo e não é recuperável a partir das médias publicadas. Cite as médias.
Uma moderação a assinalar: a vantagem da aparência humana sobre o robô foi mais acentuada entre as participantes do que entre os participantes (beta de interação = 1,074, z = 3,73, p < .001). O efeito de persona não é uniforme na sua força de trabalho, o que significa que não se anulará na média de um inquérito de equipa.
O que disseram e o que pagaram eram números diferentes
O resultado das entrevistas é o que tem o caminho mais curto para uma decisão operacional. Trinta de trinta e quatro participantes declararam que a apresentação de género era irrelevante para a confiança ou a recompensa. As suas próprias atribuições, feitas com dinheiro real, contradisseram-nos.
É um fosso de manual entre preferência declarada e preferência revelada, e não se tratou de pessoas a mentir. Não tinham motivo particular para enganar ninguém nem incentivo evidente para o fazer. Simplesmente não tinham acesso fiável àquilo que orientava o seu próprio juízo.
A consequência é direta: perguntar à sua equipa sobre o design dos agentes produz dados sem valor preditivo demonstrado. Neste estudo, a autodeclaração apontou na direção errada sobre a única variável que moveu o comportamento de forma mensurável.
A sua avaliação de agentes de IA está em parte a medir a persona
Leve isto para uma revisão operacional de uma empresa de média dimensão e o problema deixa de ser sobre avatares.
Está a pilotar dois agentes em funções diferentes. Um é uma interface de voz cuidada, com nome e rosto; o outro é uma ferramenta utilitária que devolve texto a uma fila de tickets. No final do trimestre, compara pontuações de satisfação, utilidade percebida, disponibilidade da equipa para continuar a usá-los e pedidos para ampliar o posto. Depois financia o vencedor.
O que este estudo diz é que uma parcela desconhecida dessa diferença é corporização, não desempenho. Conduziu uma comparação não controlada e leu o resultado como um sinal de capacidade. O agente que recebeu financiamento pode ter sido, simplesmente, o melhor apresentado.
Este modo de falha agrava-se de uma forma específica. A apresentação é barata de mudar e a capacidade é cara de mudar, por isso um fornecedor — ou uma equipa interna a otimizar métricas de adoção — achará sempre mais fácil melhorar a persona do que o trabalho. Se o seu scorecard não souber distinguir as duas coisas, continuará a premiar a mais barata, e o seu sistema de medição terá começado silenciosamente a selecionar contra a qualidade real.
É uma versão mais aguda de um padrão já visível noutros pontos da investigação sobre agentes. O Agent Confidence Index 2026, que classificou 101 tarefas agênticas junto de 300 dirigentes e profissionais de tecnologia, concluiu que a confiança seguia a verificabilidade da tarefa e a completude do contexto de negócio, e não a capacidade do modelo: a geração automatizada de relatórios obteve 83,5 e o código boilerplate 82,5, ambos com uma única métrica objetiva de avaliação, enquanto a configuração de uma service mesh ficou nos 37,5 com os mesmos modelos subjacentes (MIT Technology Review Insights, 2026; Microsoft, 2026). Onde não existe uma métrica de sucesso limpa, o juízo humano preenche o vazio — e o estudo em realidade virtual mostra a que esse juízo se agarra quando não tem nada de sólido para segurar.
O que o estudo não demonstra
Três limites, declarados com clareza, porque um argumento tão conveniente merece-os.
Foi um cenário de realidade virtual com uma tarefa construída, não a implementação real de um agente dentro de um fluxo de trabalho com consequências concretas. O que estava em jogo era pequeno e único: até 4 francos suíços, atribuídos uma só vez, não uma decisão orçamental recorrente tomada por alguém responsável pelo resultado. E as diferenças de confiança e de atribuição de mérito por apresentação de género não alcançaram significância, pelo que o efeito é mais restrito do que uma leitura superficial sugere.
O que sobrevive a essas reservas é o ponto estrutural, e sobrevive intacto: mantida a capacidade constante por construção, a apresentação moveu ainda assim a valorização monetária, e a autodeclaração não conseguiu prevê-lo. Não é preciso que a magnitude do efeito se transfira de um laboratório de realidade virtual para o seu piso de operações para agir. Basta aceitar que a persona é uma variável ativa na sua avaliação e que, neste momento, não a está a controlar.
O custo de medir a coisa errada
A razão para se preocupar é orçamental, não ética.
O trabalho de agosto de 2026 da McKinsey QuantumBlack sobre economia agêntica concluiu que, para um agente que executa uma tarefa de atendimento ao cliente na banca, os custos de tokens representam frequentemente apenas 20 a 25 por cento dos custos variáveis de execução, enquanto a supervisão humana responde por 70 a 75 por cento (McKinsey QuantumBlack, 2026). A supervisão — quanta revisão humana um determinado agente exige, por parte de quem, com que frequência — é a rubrica de custo dominante.
Essa alocação é fixada exatamente pelo juízo que este estudo mostra estar contaminado. Decida que um agente é fiável e reduz a supervisão e amplia a sua autonomia. Julgue-o pouco fiável e mantém um revisor em cada execução. Se parte dessa confiança está a seguir o quão humana a interface parece, revisará de menos o agente encantador e de mais o agente útil — e estará errado na maior rubrica de custo de toda a pilha.
O que fazer antes da sua próxima revisão de agentes
Quatro mudanças, todas realizáveis neste trimestre e nenhuma exigindo novas ferramentas.
Mantenha a apresentação constante em tudo o que pretende comparar. Se dois agentes estão a ser avaliados um contra o outro, dê-lhes a mesma modalidade de interface, ou aceite que a comparação está confundida e deixe de a reportar como resultado de desempenho.
Pare de inquirir a equipa sobre o design dos agentes. Trinta de trinta e quatro participantes erraram sobre o seu próprio comportamento. Pergunte, em vez disso, por acontecimentos específicos e observáveis: o que o agente produziu, o que teve de corrigir, quanto tempo levou a correção, o que escalou. Essas respostas são verificáveis.
Instrumente o comportamento em vez do sentimento. Taxas de erro detetadas em revisão, volume de retrabalho, frequência de escalamento, tempo entre o output e o entregável aceite. Todas estas medidas são indiferentes a que o agente tenha rosto.
Torne a revisão trimestral dos agentes quantitativa e assinada. Um agente é o único sujeito que pode avaliar puramente por números, sem as restrições de equidade que, com razão, se aplicam às pessoas: um scorecard periódico fechado por um supervisor identificado pelo nome, com um resultado escrito, é mais defensável para um Digital Employee do que jamais seria para um colaborador humano, razão pela qual os postos Digital Employee da Scovai são revistos assim e não por inquérito de perceção. Qualquer que seja o sistema que use, a exigência é a mesma: um humano responsável identificado, um conjunto fixo de medidas e uma decisão registada por escrito.
O teste para saber se a sua avaliação de agentes de IA se sustenta é uma única pergunta, e pode respondê-la hoje: se o agente que financiou no trimestre passado tivesse saído com outra voz e sem nome, o seu scorecard teria produzido o mesmo número? Se não puder dizer que sim, mediu o avatar.