Três slogans de campanha. Dois grupos de leitores. Uma única diferença: a metade disseram que um profissional de marketing os escreveu, à outra metade que um software de marketing com IA os produziu. Os slogans eram idênticos palavra por palavra. O grupo que acreditava que a IA os havia produzido mostrou-se menos disposto a contribuir com uma ideia própria em 3,4 pontos percentuais — sobre uma base de 26%, um colapso relativo de 13% no esforço voluntário (Brookings, 2026).
Nada do trabalho mudou. Apenas a assinatura.
Esse é o resultado causal mais limpo disponível até agora sobre a atribuição à IA dentro de um fluxo de trabalho, e ele atinge um ponto para o qual a maioria dos planos operacionais não tem rubrica alguma. Todas as discussões que você teve sobre IA e sua equipe foram sobre capacidade: o que o modelo consegue fazer, quão bom é o resultado, onde fica a taxa de erro. Este achado diz que o rótulo sobre o resultado move o comportamento humano por si só, mantendo a qualidade constante. Atribuição não é um detalhe de comunicação a jusante do trabalho. É um insumo de quanto trabalho você obtém.
O que o experimento manteve constante e o que ele moveu
O estudo é um experimento de survey pré-registrado de Nikolova, Milanova e Wang, conduzido de forma idêntica em amostras representativas nacionalmente nos Estados Unidos (N=1.511) e nos Países Baixos (N=2.117), agrupadas em N=3.628 (GLO Discussion Paper 1788, 2026). O desenho foi registrado previamente no registro da AEA (AEA RCT Registry #15363, 2026) — ou seja, os desfechos foram especificados antes de os dados chegarem, o que é a diferença entre um achado e uma narrativa.
Aos participantes foi apresentado um pequeno problema de saúde pública — muitas pessoas não bebem água suficiente — e pedido que ajudassem com um slogan de campanha. Antes de ver qualquer coisa, avaliaram o quanto a tarefa lhes parecia significativa, com média em torno de 5 numa escala de 7 pontos. Depois leram três slogans. A metade disseram que um profissional de marketing os escreveu; à outra, que um software de IA os produziu. Os mesmos slogans, nos dois braços. Em seguida reavaliaram o significado da tarefa e receberam a possibilidade de propor um slogan próprio. Essa contribuição voluntária foi a medida de esforço.
Dois resultados saíram daí. O significado da tarefa caiu cerca de 0,07 desvio-padrão na condição com rótulo de IA. A disposição de contribuir com uma ideia caiu 3,4 pontos a partir de uma base de 26% — o número dos 13%. Os efeitos se replicaram nos dois países.
Repare no que está sendo medido. Não satisfação. Não sentimento. O que as pessoas fizeram quando ninguém exigia nada delas: a contribuição discricionária. É exatamente o insumo sobre o qual rodam suas melhorias de processo, seus escalonamentos e suas capturas de qualidade.
A penalidade também recai sobre o trabalho
O segundo achado recebe menos atenção e merece mais.
Participantes a quem se disse que os slogans eram feitos por IA avaliaram esses mesmos slogans como menos criativos e menos persuasivos do que os participantes a quem se disse que um humano os escreveu (Brookings, 2026). Texto idêntico, notas mais baixas. Também relataram menor confiança na capacidade da IA de fazer esse tipo de trabalho.
Para quem lidera operações, esse é o lado mais afiado do resultado. Se sua equipe está revisando material redigido por IA — texto de políticas, análise de primeira passagem, respostas a clientes, briefings internos — a revisão não acontece em condições iguais. A avaliação de qualidade do revisor é em parte função do rótulo, não apenas do texto. Parte desse desconto é ceticismo justificado, e você o quer. Mas ele não está calibrado pela taxa real de defeitos do rascunho à frente dele, o que produz dois modos de falha ao mesmo tempo: edição excessiva de bons resultados de IA e uma erosão geral da confiança no processo que os produziu.
Você não consegue separar esses dois efeitos perguntando às pessoas. Elas responderão, honestamente, que o rascunho estava fraco.
Por que a atribuição à IA reprecifica o fluxo padrão
O padrão default que as operações do mid-market adotaram nos últimos dezoito meses é "a IA redige, o humano revisa". Foi escolhido porque parecia motivacionalmente neutro — a pessoa continua dona do resultado, a máquina apenas elimina a página em branco.
Esta evidência diz que essa neutralidade era uma suposição, não uma propriedade.
No padrão default, a contribuição humana é enquadrada como edição. A contribuição da IA é enquadrada como autoria. Esse enquadramento é uma escolha, normalmente feita por quem configurou a ferramenta, e agora é comprovadamente estrutural. O mesmo trabalho reenquadrado — o humano define o briefing e responde pelo argumento, a IA fornece matéria-prima — é a mesma atividade com outra assinatura, e a assinatura é a variável que moveu o esforço em 13% em ambiente controlado.
Isso se conecta a uma lacuna já visível nos dados de campo. A pesquisa da BCG de 2026 com 11.749 trabalhadores encontrou que 47% já passam mais tempo gerindo e dirigindo a IA do que fazendo o trabalho, enquanto 66% relatam não ter nenhuma orientação significativa sobre como usar o tempo que a IA libera (BCG, 2026). Os papéis estão sendo reestruturados em torno de revisão e direção — exatamente a posição que o experimento mostra estar motivacionalmente exposta — sem nenhuma decisão de design correspondente sobre como a contribuição humana é nomeada.
A implicação de produtividade é a que os próprios autores levantam: esforço discricionário suprimido pode ser parte da razão pela qual os grandes ganhos experimentais da IA ainda não aparecem nos números de produtividade agregada. Você pode obter mais produto por tarefa e menos contribuição ao redor dela, e o segundo efeito não vai aparecer em nenhum painel de ferramentas.
Onde isso aparece numa operação de 50 a 500 funcionários
Quatro lugares, em ordem aproximada de rapidez de impacto.
Comunicação interna. Atualizações de política, mudanças de processo e material de reuniões gerais redigidos com IA e reconhecíveis como tal. A mensagem é idêntica à versão escrita por humano; a recepção não é. Se você precisa que as pessoas ajam voluntariamente em vez de apenas cumprir, o rótulo trabalha contra você.
Revisão por pares e portões de qualidade. O estudo da Adaptavist de 2026 com 2.500 trabalhadores do conhecimento encontrou que 52% corrigem regularmente trabalho gerado por IA produzido por colegas (Adaptavist, 2026). Essa carga de correção já é real. O que este experimento acrescenta é que o julgamento de gravidade do revisor é em parte guiado pelo rótulo, de modo que seu volume de retrabalho não é um sinal limpo da sua taxa de defeitos.
O problema que se acumula
Nenhum desses quatro pontos é grave isoladamente. O mecanismo é a frequência de exposição. Um único artefato rotulado como IA custa a você uma fração do esforço discricionário de uma pessoa numa tarefa. Um fluxo em que a maioria dos primeiros rascunhos, resumos e análises de rotina chega rotulada significa que o mesmo pequeno desconto se aplica dezenas de vezes por semana a todos que estão a jusante. O experimento mediu um encontro. Sua operação tem milhares.
É também por isso que o efeito é difícil de enxergar de cima. Nenhum caso individual produz uma falha visível. O que ele produz é um achatamento lento da camada voluntária — as sugestões que nunca são feitas, a segunda olhada que ninguém dá — e essa camada nunca apareceu num painel de operações porque sempre foi gratuita.
Reconhecimento e conversas de desempenho. Quando se sabe que um trabalho forte foi assistido por IA, mudam tanto o senso de propriedade de quem contribuiu quanto a leitura que o gestor faz da contribuição. Nenhum processo padrão de desempenho considera isso.
Textos voltados a clientes e candidatos. O mesmo desconto vale fora da empresa, e os respondentes do estudo eram amostras da população geral, não empregados. Práticas de divulgação desenhadas para confiança e transparência carregam um efeito medido sobre a qualidade percebida. Isso não é um argumento contra divulgar — é um argumento para conhecer o preço da forma que você escolhe.
O que esta evidência não diz
Três limites, ditos com clareza, porque um plano construído sobre uma leitura exagerada vai falhar.
É uma microtarefa criativa curta, não um processo de trabalho. Os participantes julgaram um resultado rotulado como feito por IA; não colaboraram com um sistema de IA por semanas em trabalho pelo qual fossem responsáveis. A validade externa para trabalho profissional continuado não foi testada, e os autores dizem isso.
O efeito sobre o significado é pequeno. 0,07 desvio-padrão é um tamanho de efeito padronizado modesto. Os 13% da manchete são uma variação relativa sobre uma base de 26%, o que amplifica um movimento absoluto de 3,4 pontos. Os dois números estão corretos; apenas um é dramático.
É um working paper. Pré-registrado e replicado em dois países, o que é mais do que a maioria das evidências nessa área carrega — mas ainda sem revisão por pares.
O que sobrevive às três ressalvas é a direção e o mecanismo: a atribuição move o esforço independentemente da qualidade. Se o efeito for até metade disso num fluxo real, e os trabalhadores encontrarem resultados rotulados como IA constantemente em vez de uma vez, ele se acumula.
Tornar a atribuição um parâmetro de processo neste trimestre
A resposta é design, não comunicação. Quatro movimentos, nenhum deles exigindo gasto novo.
Nomeie a contribuição humana, não a ferramenta. Onde o trabalho carrega um rótulo de procedência de IA, garanta que ele também carregue o que a pessoa fez — o briefing, o juízo aplicado, a decisão de publicar. A recomendação dos próprios autores é desenhar fluxos que mantenham a agência humana visível e as contribuições individuais atribuíveis. Custo de implementação zero; hoje ausente da maioria dos modelos.
Separe procedência de avaliação. Em qualquer portão de qualidade que importe, faça o revisor avaliar o artefato antes de ver como ele foi produzido. Você vai aprender rápido quanto do seu retrabalho é defeito e quanto é desconto.
Pare de enquadrar as pessoas como editores. "Revise este rascunho" e "este resultado é seu, aqui está matéria-prima para começar" descrevem a mesma hora de trabalho e dois ofícios diferentes. Mude a linguagem nos documentos de processo e nos tickets. É a maior alavanca aqui e custa uma reformulação.
Instrumente a contribuição discricionária, não a adoção. Contagem de licenças e volume de prompts não conseguem detectar isso. Acompanhe o que é voluntário: sugestões de melhoria não solicitadas, defeitos capturados antes do portão, pessoas que acrescentam escopo que ninguém pediu. Se essa curva dobrar para baixo enquanto o volume de produto sobe, você encontrou o efeito nos seus próprios dados.
A decisão à sua frente neste trimestre não é se deve divulgar o envolvimento da IA no trabalho. É mais estreita do que isso, e é uma questão de design: se a atribuição à IA embutida nos seus processos atuais é algo que você escolheu deliberadamente ou algo que o padrão de uma ferramenta escolheu por você. Neste experimento, o rótulo valia 13% do esforço voluntário. É a variável mais barata sobre a sua mesa e, até agora, a única que ninguém tem como sua.
