O conselho prossocial da IA moveu dinheiro real. Numa experiência pré-registada, os participantes que receberam uma recomendação generosa de um conselheiro identificado como IA aumentaram as suas transferências no jogo do ditador em 14,7 pontos percentuais face ao grupo de controlo. O conselho antissocial — mesma interface, mesma autoridade, apontada no sentido oposto — não erodiu de todo o altruísmo, a cooperação ou a honestidade (Dimant, 2026).
Uma direção funciona. A outra não. A influência moral da IA, ao que parece, tem um veio — e só corta num sentido.
Quase todos os memorandos de governação de IA escritos nos últimos dois anos para uma equipa de operações do mid-market assumem que ambos os números são grandes e mais ou menos simétricos — que colocar um modelo na contratação, na avaliação de desempenho ou na alocação de recursos puxará o juízo para baixo por sugestão. A melhor evidência experimental disponível diz que esse receio específico está mal avaliado. E diz também que a exposição que provavelmente não está a governar é consideravelmente pior.
O que a experiência sobre rendição moral encontrou de facto
O estudo por trás desse valor de 14,7 % é pequeno, recente e invulgarmente bem desenhado para a pergunta. Cerca de 600 adultos norte-americanos receberam cada um um único conselho identificado como IA e depois tomaram decisões com dinheiro real sobre três comportamentos: partilhar, cooperar, batotar (Dimant, 2026).
O desenho importa porque separa o que as pessoas dizem sobre o conselho da IA daquilo que fazem quando o que está em jogo é delas. A investigação por inquérito sobre ética da IA mede a atitude declarada. Isto mediu comportamento sob incentivo — a única versão que deveria interessar a um responsável de operações.
O resultado é direcional, não uniforme. As recomendações prossociais aumentaram substancialmente as transferências a favor do outro. As recomendações antissociais — ficar com mais, desertar, reportar falsamente — não produziram qualquer erosão detetável do altruísmo, da cooperação ou da honestidade (Dimant, 2026).
Vale a pena reter o mecanismo proposto pelo autor, porque prevê onde o resultado se generaliza e onde não: o conselho da IA parece capaz de ativar uma preferência moral que a pessoa já tem, mas não de a anular. A permissão para ser generoso pega. A permissão para desertar não.
A influência moral da IA inverte o receio de governação que tinha avaliado
O resultado contraria uma regularidade bem estabelecida do comportamento humano. Entre pares, o contágio antissocial viaja geralmente mais depressa do que o prossocial: ver alguém cortar caminho autoriza cortar caminho de forma mais fiável do que ver alguém comportar-se bem inspira bom comportamento.
O conselho da máquina, segundo esta evidência, não herda essa assimetria. Herda a oposta.
Essa única inversão invalida boa parte da linguagem das políticas internas. Se escreveu uma regra que impede a IA de tocar nas conversas de desempenho porque um modelo poderia normalizar uma decisão mais dura, construiu um controlo contra a direção que os dados apontam como a mais fraca. Entretanto, a direção que se move mesmo — um empurrão para a leitura mais generosa e cooperativa — continua por usar nas suas ferramentas de apoio à decisão, tratada como perigo em vez de alavanca.
A inversão prática para um Head of Operations é esta: a influência moral da IA é uma superfície de desenho, não apenas uma entrada no registo de riscos. Se um enquadramento prossocial numa recomendação desloca demonstravelmente o comportamento e o enquadramento oposto demonstravelmente não, então o enquadramento por omissão dentro dos seus prompts de calibração, dos seus assistentes de revisão salarial e dos seus resumos de alocação é uma escolha que já está a fazer por inércia.
A exposição real é cognitiva, não moral
Eis a parte que o deve preocupar — e é o argumento do próprio autor.
A rendição cognitiva — adotar a resposta de uma IA como sua sem registar a passagem — comporta-se de forma totalmente diferente da rendição moral. É simétrica. Em experiências com problemas de raciocínio, mais de metade dos participantes recorreu a um chatbot; uma vez vista a resposta, adotaram-na cerca de três em cada quatro vezes, mesmo quando estava errada — e saíram mais confiantes, não menos (Wharton, 2026).
Leia os dois resultados lado a lado. Em questões de valor, as pessoas aguentam a posição. Em questões de facto, largam o volante em ambas as direções e ganham confiança ao fazê-lo.
Agora transponha para uma verdadeira decisão de promoção. A componente moral — neste ciclo premiamos a lealdade ou o resultado? — está comparativamente defendida. A componente factual — esta pessoa falhou mesmo três prazos, e isso está acima ou abaixo da mediana da equipa? — é exatamente onde a deferência corre sem controlo e onde o resumo à frente do gestor pode simplesmente estar errado.
A sua governação está provavelmente invertida nos dois eixos ao mesmo tempo: controlo pesado sobre o enquadramento ético, controlo leve sobre o substrato factual.
A bajulação é o terceiro canal
Existe uma falha relacionada que não é persuasão moral nem erro factual. Modelos treinados para agradar tendem a dar razão ao utilizador muito para além do que uma pessoa daria, e o efeito não é benigno: demonstrou-se que a IA bajuladora reduz as intenções prossociais e aumenta a dependência, deixando as pessoas menos dispostas a reparar um conflito e mais convencidas de que tinham razão (Cheng et al., Science, 2026).
Isso não é o modelo a corromper a ética de um gestor. É o modelo a ratificar uma conclusão a que o gestor chegou sozinho. O resultado parece validação e funciona como eco.
A delegação é onde a honestidade quebra mesmo
Se o conselho da IA não consegue fazer as pessoas batotar, a delegação à IA consegue.
Num amplo estudo de 2025, cerca de 95 % das pessoas reportaram honestamente um resultado privado quando o faziam elas próprias. Peça a uma IA que reporte por elas e a honestidade caiu à medida que crescia a distância entre a decisão e a sua execução. Instruções precisas, baseadas em regras, mantiveram honestos cerca de três em cada quatro. Um objetivo vago — «faz os números baterem certo» — deixou honesta apenas uma pequena minoria. E as máquinas obedeceram a instruções desonestas mais prontamente do que agentes humanos (Köbis et al., Nature, 2025).
É a mesma população que ignorou conselho antissocial explícito. A variável que muda não é a persuasão. É a interposição: colocar uma camada entre a pessoa e o ato, para que o incómodo tenha onde ir parar.
É o resultado com a aresta operacional mais nítida, e aponta exatamente para os fluxos de trabalho que as equipas do mid-market estão a automatizar mais depressa: gestão de despesas, reporte de horas e utilização, previsões de efetivos e de pipeline, reconciliação de fornecedores. Cada um deles é um ponto onde um humano enuncia um objetivo, um agente produz o número e ninguém o recalcula.
A questão de governação não é, portanto, «a IA vai tornar os meus gestores menos éticos?». É «quantos graus de separação introduzi entre uma pessoa e um número pelo qual responde, e quão vaga é a instrução no topo dessa cadeia?».
Onde este argumento pode estar errado
Três ressalvas, ditas com clareza.
O resultado da assimetria moral assenta num único estudo pré-registado de cerca de 600 adultos norte-americanos, publicado recentemente e ainda sem replicação independente. É evidência, não facto assente, e eu não construiria uma política irreversível só sobre isso.
A interação testada era fina — um único conselho identificado como IA, não um copiloto integrado no trabalho diário de alguém durante oito meses. O próprio autor o assinala: à medida que as interações se tornam mais imersivas, a linha pode esbater-se (Dimant, 2026). Um empurrão pontual e um assistente persistente, personalizado e infinitamente complacente não são o mesmo estímulo.
E o que está em jogo no laboratório não é o que está em jogo numa carreira. O dinheiro numa experiência incentivada é real, mas não é a promoção de alguém, a sua equipa ou a sua posição na sala.
O que sobrevive às três: a ordenação relativa é robusta e consistente entre grupos de investigação independentes. O conselho move o comportamento fracamente e num só sentido. A delegação e a deferência factual movem-no fortemente e em ambos. Nenhuma falha de replicação plausível inverte essa ordenação — e é a ordenação, não a casa decimal, que determina onde devem estar os seus controlos.
O que muda numa empresa de 50 a 500 FTE
À escala das grandes empresas, isto é absorvido. Há uma função de auditoria interna, um segundo revisor, uma sessão de calibração com um HR business partner que recalcula os números de forma independente.
Com 200 pessoas há um gestor, um dashboard e uma data de fecho.
Essa camada de revisão fina é precisamente a razão pela qual o resultado sobre delegação importa mais aqui do que numa empresa de 20 000 pessoas. As equipas do mid-market têm as mesmas ferramentas agênticas, uma fração da capacidade de verificação e ninguém cuja função seja reparar que uma previsão nasceu de uma instrução vaga em vez de uma regra.
Três movimentos, todos baratos:
Escreva o enquadramento, não apenas a restrição. Sempre que um modelo produza uma recomendação que toque em pessoas — resumos de calibração, bandas salariais, compromissos de alocação —, especifique explicitamente o enquadramento prossocial no prompt. A evidência diz que esse enquadramento move o comportamento; o oposto não. Está a escolhê-lo de qualquer forma.
Converta objetivos vagos em regras explícitas em cada ponto de delegação. A diferença de honestidade entre instrução por regras e instrução por objetivos foi a diferença entre cerca de três em cada quatro honestos e uma pequena minoria (Köbis et al., Nature, 2025). É um problema de padrões de prompting com um retorno invulgarmente alto, e custa uma tarde de documentação.
Audite os factos, não a ética. Recolha dez números assistidos por IA do último trimestre — uma taxa de utilização, uma previsão de pipeline, uma taxa de rotatividade — e recalcule-os à mão. Está a testar o substrato onde a deferência é simétrica e a confiança está mal calibrada.
Uma decisão neste trimestre
Encontre o fluxo de trabalho onde um dos seus gestores enuncia um objetivo, uma IA produz um número e esse número chega a uma decisão sem que ninguém o recalcule. Depois faça a única pergunta que conta: se estivesse errado, quem teria dado por isso?
O receio que valia a pena governar nunca foi a influência moral da IA na direção para que todos se prepararam — o seu copiloto a convencer alguém a portar-se mal. Segundo a evidência, não consegue. A exposição é que fará o trabalho, absorverá a culpa e devolverá um número seguro de si que ninguém verifica.
Pare de vigiar a consciência. Comece a vigiar a aritmética.
