Emparelhe 1.258 pessoas com agentes de IA, peça-lhes que produzam 7.266 anúncios display e depois entregue o resultado a 1.168 avaliadores independentes. A pior combinação de todo o desenho experimental não foi um modelo fraco nem um utilizador sem formação. Foram os humanos extrovertidos a trabalhar com uma IA conscienciosa (Ju & Aral, PNAS, 2026).
Conscienciosa. O traço para o qual todos os fornecedores calibram os seus modelos por defeito — cuidadoso, minucioso, focado na tarefa. Entregue à pessoa errada, produziu o trabalho de menor qualidade da experiência.
É este o resultado perante o qual as equipas de operações do mid-market deveriam parar, porque quase todas fizeram a aposta oposta: uma única persona de assistente, configurada uma vez, distribuída a toda a gente. Este estudo é a primeira evidência causal em larga escala de que a própria persona é uma variável de desempenho — e de que deixá-la na predefinição do fornecedor é uma decisão, não um estado neutro.
O que a experiência mediu realmente
Harang Ju (Johns Hopkins Carey Business School) e Sinan Aral (MIT Sloan, diretor da MIT Initiative on the Digital Economy) conduziram uma experiência aleatorizada pré-registada: 1.258 participantes foram medidos nos traços Big Five e depois emparelhados aleatoriamente com agentes de IA instruídos a exibir níveis altos ou baixos, de forma independente, de cada um desses mesmos cinco traços (Ju & Aral, PNAS, 2026).
As equipas tiveram 40 minutos, chat em tempo real e ferramentas sincronizadas de edição de texto e imagem para construir anúncios display destinados ao relatório anual de um think tank real. Produção: 7.266 anúncios. Esses anúncios foram depois pontuados em qualidade de texto e de imagem por 1.168 avaliadores independentes (MIT Sloan / EurekAlert, 2026).
Segue-se a parte que torna isto mais do que um resultado de laboratório. Os investigadores colocaram os anúncios no X durante duas semanas — quase cinco milhões de impressões — e mediram a taxa de cliques e o custo por clique. A qualidade avaliada previu o desempenho real: maior qualidade de texto aumentou a taxa de cliques em cerca de 7 por cento e reduziu o custo por clique em aproximadamente 30 cêntimos (MIT Sloan / EurekAlert, 2026).
Duas escolhas de desenho merecem ênfase, porque são o que separa este trabalho dos comentários sobre personas de IA já em circulação. Os níveis dos traços foram atribuídos aleatoriamente e variados de forma independente, pelo que a comparação não é entre utilizadores auto-selecionados de ferramentas diferentes: é causal. E o estudo mediu os humanos com o mesmo instrumento Big Five usado para instruir os agentes, o que é precisamente o que torna a interação estimável. A maior parte da investigação dos fornecedores relata como os utilizadores se sentem em relação a uma persona. Esta relata o que o emparelhamento fez ao trabalho.
A cadeia causal está, portanto, completa de ponta a ponta. O emparelhamento de personas moveu a qualidade. A qualidade moveu o dinheiro.
A tabela de emparelhamentos: que combinações ajudaram e quais prejudicaram
Os resultados não se reduzem a «emparelhar semelhante com semelhante», que é o que quase toda a gente assume antes de os ler.
Os emparelhamentos mais fortes foram humanos extrovertidos com IA extrovertida, humanos consciencioso com IA conscienciosa e humanos abertos com IA conscienciosa — este último um complemento, não um espelho (MIT Sloan / EurekAlert, 2026).
Os emparelhamentos que degradaram significativamente a qualidade, pela ordem que o artigo apresenta:
- Humanos extrovertidos + IA conscienciosa — a qualidade mais baixa do estudo
- Humanos consciencioso + IA amável (agreeable)
- Humanos neuróticos + IA conscienciosa
Leia a segunda linha duas vezes
A IA conscienciosa aparece em dois dos três piores emparelhamentos e em dois dos três melhores. Nestes dados não existe uma persona boa em termos absolutos. Um agente consciencioso entregue a uma pessoa conscienciosa estava entre as melhores combinações disponíveis; o mesmo agente entregue a um extrovertido era a pior. Configuração idêntica, resultado oposto, determinado inteiramente por quem a recebeu.
E repare no que a segunda linha faz à resposta habitual dos fornecedores. A IA amável — prestável, complacente, que nunca contraria — degradou a produção das pessoas conscienciosas. A persona mais afinada para a satisfação do utilizador revelou-se ativamente prejudicial exatamente para a população com maior probabilidade de executar o seu trabalho mais cuidadoso.
Porque uma única persona para toda a organização é um imposto silencioso sobre o desempenho
Aqui está a tradução operacional, e é desconfortável precisamente porque corrigi-la não custa nada e ninguém a está a medir.
Quando distribui uma única configuração de assistente por 300 pessoas, não está a fazer um rollout neutro. Está a conduzir uma experiência não aleatorizada em que parte da sua força de trabalho recebeu o emparelhamento que este estudo identificou como produtor dos piores resultados — e nem eles nem você dispõem de um instrumento capaz de o detetar. A falha manifesta-se como rascunhos ligeiramente mais fracos, um pouco mais de retrabalho, uma sensação vaga em certas equipas de que a ferramenta «não é assim tão útil». Nunca surge como rubrica de custo.
Esse retrabalho aterra no sítio mais caro. A decomposição de custos da McKinsey QuantumBlack para fluxos de trabalho agênticos na banca coloca a despesa em tokens nos 20 a 25 por cento do custo variável de execução de um agente, e a supervisão humana por especialistas funcionais e de risco nos 70 a 75 por cento (McKinsey QuantumBlack, 2026). Nessa estrutura, a qualidade do output não é uma métrica leve. Cada ponto de qualidade perdido na geração é pago à tarifa de revisão, pela pessoa sénior que faz a verificação.
E a verificação não vai desaparecer. No estudo da MIT Technology Review Insights e da Microsoft com 300 quadros tecnológicos a classificar 101 tarefas agênticas, 59 por cento já preveem supervisão humana permanente, com a confiança a seguir a verificabilidade da tarefa mais do que a capacidade bruta do modelo (MIT Technology Review Insights, 2026).
Um desajuste de persona não é, portanto, uma queixa sobre experiência de utilização. É um multiplicador silencioso sobre a maior rubrica de custo do seu stack de IA.
A variância já está dentro da função
Se quer provas de que isto é mensurável na sua própria empresa e não apenas em laboratório, elas já existem nos dados de adoção. Bick, Blandin, Deming e Schumacher, ligando um inquérito representativo a nível nacional a tarefas O*NET detalhadas, concluíram que as medidas de exposição à IA generativa explicam apenas cerca de metade da variação na adoção entre trabalhadores — pessoas com a mesma função e as mesmas ferramentas adotam de forma sistematicamente diferente (NBER Working Paper 35677, 2026).
Metade da variância está dentro da função, não entre funções. A maioria das equipas de operações arquiva isso sob motivação ou formação. O resultado da PNAS oferece para parte disso uma explicação menos lisonjeira e mais acionável: a ferramenta está configurada para uma pessoa que não é aquela que a está a usar.
Este reenquadramento muda o que faz com um grupo de baixa adoção. Enviar mais uma sessão de capacitação a uma equipa que está silenciosamente a obter pior output do agente predefinido não ataca a causa — acrescenta horas a pessoas cujos rascunhos continuarão a exigir mais retrabalho do que os dos colegas.
A objeção honesta
Três limites, e contam.
A tarefa era criação publicitária, não operações. Sessões criativas de quarenta minutos a produzir anúncios display não são o seu fecho trimestral, o seu onboarding de fornecedores ou a sua triagem de tickets. Que o emparelhamento de personalidade tenha movido a qualidade numa tarefa criativa é um resultado; que a mova nos seus fluxos de trabalho é uma inferência. Trate-o como uma hipótese forte a testar, não como um facto assente.
Os autores têm posição comercial. Ju e Aral cofundaram a Pairium, que constrói e distribui a plataforma de experimentação Pairit usada no estudo (Ju & Aral, PNAS, 2026). O trabalho é pré-registado e revisto por pares na PNAS, o que limita as falhas mais óbvias — mas os investigadores que detêm o resultado também vendem o remédio, e isso pertence à sua leitura.
Emparelhar toda a gente na perfeição tem um custo próprio. Trabalhos da mesma literatura concluem que personas de IA diversificadas atenuam o efeito de homogeneização na ideação colaborativa humano-IA (Wan & Kalman, 2026). Otimize cada emparelhamento para a qualidade individual do output e poderá comprimir a variância no pensamento das suas equipas — melhores rascunhos, rascunhos mais parecidos. Se a sua função precisa de amplitude em vez de polimento, essa troca é real.
Nada disto salva o status quo. A configuração predefinida não é uma cobertura contra estes limites; é a única opção garantidamente errada para uma parte da sua força de trabalho, sem qualquer dado que lhe diga qual parte.
O que decidir este trimestre
Quatro movimentos, nenhum exige nova despesa com fornecedores.
- Deixe de tratar a persona como configuração de TI. O system prompt do assistente é um parâmetro de desempenho com efeitos medidos na qualidade do output. Quem detém a capacitação em IA detém-no — e tem de justificar a definição atual.
- Faça um teste de emparelhamento numa função que já produza output avaliável. Conteúdo, respostas de suporte, análise de primeiro rascunho. Duas personas, atribuídas aleatoriamente, um trimestre, avaliações de qualidade cegas. Está a replicar um desenho publicado em pequena escala, e é a investigação mais barata que alguma vez irá encomendar.
- Olhe com mais atenção para os seus extrovertidos e para o pessoal com neuroticismo elevado em funções de alto output. São os dois perfis humanos que o estudo sinalizou face ao agente consciencioso predefinido. Se uma pessoa visivelmente competente está silenciosamente a retirar pouco da ferramenta, o desajuste passa a ser uma hipótese viva e não um problema de formação.
- Ofereça escolha de persona antes de construir atribuição de persona. Uma alocação completa baseada em traços exige dados de personalidade que a maioria das empresas do mid-market não possui e poderá não querer possuir. Dois ou três perfis de assistente selecionáveis captam parte do efeito sem qualquer exposição de governação.
O emparelhamento de personalidade com IA é agora uma variável medida com um preço associado. Já a está a definir — uma vez, globalmente, ao aceitar aquilo que o fornecedor entregou.
A questão deste trimestre não é se a persona importa. A PNAS já respondeu. É se vai continuar a tomar essa decisão por defeito, para toda a gente, e a chamar ao resultado culpa do modelo.
