Setenta e quatro por cento dos utilizadores regulares de IA dirigem hoje a um chatbot uma pergunta que antes teriam feito a um colega. Cinquenta e nove por cento pedem uma segunda opinião aos colegas com menos frequência do que antes. Quarenta e seis por cento afirmam saber menos sobre como os colegas pensam. Os dados vêm de um inquérito a mais de 22 000 trabalhadores em dez regiões, realizado em junho e julho de 2026 pela plataforma de avaliação cognitiva MyIQ (FM Magazine, 2026).
Perguntar à IA em vez de aos colegas é agora o reflexo por defeito, e eis a parte que deveria preocupar um Head of Operations: nada disso aparece no seu dashboard. As reuniões continuam a acontecer. O volume de mensagens está estável ou a subir. A colaboração agendada está intacta. O que está a desaparecer é a consulta não agendada — e essa é precisamente a camada sobre a qual o seu onboarding e a sua calibração de promoções funcionavam em silêncio.
A métrica que está a observar não consegue detetar isto
Quase toda a medição de colaboração no mid-market é volumétrica: horas de reunião, contagem de mensagens no Slack ou no Teams, atividade de canais transversais, densidade de agenda. Esses instrumentos captam a interação agendada e semi-agendada, porque é essa que deixa um rasto estruturado.
O comportamento descrito pelos dados da MyIQ quase não deixa rasto. É a viragem de trinta segundos para a secretária do lado. O «uma verificação rápida antes de enviar». O «como é que este processo funciona realmente, porque a documentação está errada». Essas trocas nunca estiveram num calendário e raramente num canal. Quando migram para uma janela de chat, o dashboard volumétrico não regista nada — ou, pior, regista uma melhoria, porque o mesmo efetivo produz mais entregáveis visíveis com menos interrupções.
É uma falha de medição com uma forma precisa: as suas métricas de colaboração tornaram-se insensíveis exatamente onde a mudança está a acontecer. Números estáveis já não são prova de uma equipa saudável. São prova de que está a medir a parte que não se mexeu.
O que muda quando as pessoas perguntam à IA em vez de aos colegas
Os números do inquérito formam um padrão coerente, e não uma dispersão de queixas (MyIQ / Cooperative Agency, 2026):
- 74% dirigem a um chatbot perguntas que antes teriam feito a um colega
- 59% pedem uma segunda opinião aos colegas com menos frequência
- 48% relatam menos conversas espontâneas ao longo do dia de trabalho
- 46% sabem menos sobre como os colegas pensam e abordam problemas
- 43% têm mais dificuldade em ler profissionalmente os seus pares
- 38% dizem que os recém-chegados têm menos oportunidades naturais de criar relações
Leia a sequência como uma cadeia causal, não como seis estatísticas separadas. Menos perguntas feitas (74%) produzem menos conversas espontâneas (48%), o que produz menor exposição ao raciocínio dos colegas (46%), o que produz menor capacidade de os ler profissionalmente (43%). O último número não é uma queixa cultural. É uma degradação da matéria-prima de que são feitos tanto a aprendizagem em contexto como o julgamento de promoção.
Os mesmos inquiridos relatam também ganhos reais: 71% sentem-se mais autossuficientes e 62% mais confiantes a decidir sozinhos. Não é um erro de arredondamento, e é por isso que isto não se apresentará como problema em nenhum inquérito de envolvimento. As pessoas vivem a mudança como competência. O custo recai sobre o sistema, não sobre o indivíduo — que é exatamente a classe de custos que uma função de operações existe para apanhar.
Uma ressalva honesta antes de agir
Trata-se de um inquérito de fornecedor, de uma empresa de avaliação cognitiva, com dados autorreportados, divulgado por comunicado, sem metodologia publicada além da dimensão da amostra, geografia e janela de recolha. O próprio comunicado afirma que os resultados não estabelecem que o uso de IA enfraquece diretamente as relações de trabalho — apenas que os trabalhadores associam maior dependência da IA a uma mudança na frequência com que se consultam e aprendem informalmente uns com os outros.
Portanto, dimensione o efeito com estes dados e assente o peso causal na literatura de psicologia organizacional, consideravelmente mais antiga e muito melhor identificada. É disso que trata a secção seguinte.
O sistema que está a degradar-se já tem nome
O que se adelgaça quando as pessoas deixam de se perguntar coisas é o sistema de memória transactiva da equipa — o diretório partilhado de quem sabe o quê, formalizado pela primeira vez por Wegner e desenvolvido ao longo de três décadas de investigação sobre equipas. Mantém-se pelo uso. Sempre que alguém faz uma pergunta a um colega, acontecem duas coisas: quem pergunta obtém uma resposta, e ambos atualizam o diretório de competências. Retire a pergunta e mantém o conhecimento individual, mas perde o índice.
Esse índice não é decorativo. Uma meta-análise de 76 estudos empíricos abrangendo 6869 unidades amostrais encontrou sistemas de memória transactiva associados de forma fiável ao desempenho da equipa, com a magnitude do efeito a variar consoante o contexto sem que a associação em si esteja em causa (Bachrach et al., 2019). Mantendo a capacidade individual constante, as equipas que sabem onde reside a competência superam as que não sabem.
Um assistente de IA é um excelente substituto da resposta. Não é substituto do índice. Quando o seu analista sénior de operações responde a uma pergunta, a organização aprende algo sobre o seu analista sénior de operações. Quando é o Claude ou o ChatGPT a responder, a organização não aprende nada.
A contraprova, e o que ela mostra de facto
Há investigação credível a apontar no sentido contrário, e merece ser ouvida. O Global Workplace Survey 2026 da Gensler, com mais de 16 400 trabalhadores de escritório em 16 países, concluiu que os 30% que se qualificam como utilizadores intensivos de IA passam menos tempo a trabalhar sozinhos (37% da semana de trabalho contra 42% dos adotantes tardios), mais tempo a aprender (12% contra 8%) e mais tempo a socializar (11% contra 9%), com relações de equipa reportadas como mais fortes (Gensler, 2026).
Ambos os resultados podem ser verdadeiros, e penso que são. A IA absorve a pergunta informativa de baixo risco — a que, de qualquer modo, não tem valor relacional — e liberta tempo que os utilizadores intensivos redirecionam para aprendizagem e contacto social. O orçamento agregado de tempo melhora. O que os dados da Gensler não lhe dizem é quem beneficia dessa redistribuição.
O número da MyIQ que responde a isso é o dos 38%: os recém-chegados têm menos oportunidades naturais de criar relações. O tempo social realocado acumula-se em quem já tem uma rede onde o gastar. Quem está no segundo mês não tem essa rede, e as interações que a teriam construído eram exatamente aquelas perguntas informativas de baixo risco que hoje vão para um chatbot. A investigação de 2026 da Workday é consistente com esta assimetria: os trabalhadores da geração Z tinham 12 vezes mais probabilidade do que os da geração X de se declararem completamente desligados dos colegas, e mais de um em cada cinco afirma que as ferramentas de IA pioraram as relações com os pares (Workday, 2026).
O efeito líquido não é «a IA isola toda a gente». É mais estreito e mais acionável: o benefício concentra-se em quem já está integrado e o custo em quem acabou de chegar. É um problema distributivo, e problemas distributivos resolvem-se com desenho, não com sentimento.
Onboarding: a localização de competências tem de passar a ser um artefacto
Se a consulta ambiente era o seu mecanismo de aprendizagem, está hoje parcialmente desfinanciada e ninguém a desfinanciou deliberadamente.
Para uma operação de 50 a 500 FTE, a solução não é um programa de mentoria com apresentação de lançamento. É tornar explícita a localização de competências, porque já não pode ser emergente:
- Publique o diretório que as perguntas construíam. Um mapa mantido de quem detém que processo, sistema, via de exceção e segmento de cliente — com nomes, não com caixas de organograma. É um artefacto de uma página por função, revisto trimestralmente. Na maioria das organizações do mid-market esta informação está distribuída pela cabeça de quatro pessoas e escrita em lado nenhum.
- Faça com que os primeiros noventa dias dependam de pessoas com nome. Estruture a integração em torno de entregáveis que não possam ser concluídos sem consultar três colegas específicos. Não «conhecer a equipa» — uma tarefa com uma dependência.
- Meça a coisa certa. Pare de ler volume de mensagens como ligação. Pergunte diretamente aos novos, ao dia 30 e ao dia 90: a quem recorreria para X? Registe quantos nomes conseguem dar e a que velocidade esse número cresce. É um indicador mensurável de memória transactiva e custa um campo de inquérito.
A versão mais barata é uma sessão semanal de quinze minutos em que um recém-chegado tem de trazer uma pergunta que resolveu com IA e voltar a colocá-la a uma pessoa. O que importa não é a resposta. O que importa é a apresentação.
Calibração de promoções: o seu sinal entre pares está a perder validade
O número dos 43% — colegas mais difíceis de ler profissionalmente — é um problema de medição disfarçado de problema cultural.
As decisões de promoção no mid-market apoiam-se fortemente na impressão dos pares: aquilo que a sala de calibração acredita sobre o discernimento de alguém, com base em tê-lo observado a raciocinar em momentos não estruturados. Esses momentos estão a adelgaçar. O input degrada-se enquanto o processo que o consome permanece igual, o que significa que a confiança na calibração se mantém sobre um sinal mais fraco. É exatamente a condição em que o enviesamento se expande, porque quando a observação adelgaça, a familiaridade e a visibilidade ocupam o vazio.
O remédio é bem documentado e pouco glamoroso. A avaliação estruturada — competências definidas, requisitos de evidência consistentes, as mesmas perguntas a todos os candidatos — mostra há muito uma validade preditiva claramente superior ao julgamento não estruturado. A reanálise de 2022 de Sackett e colegas sobre a validade da seleção de pessoal, que corrigiu décadas de sobrecorreção sistemática na literatura meta-analítica e, em geral, baixou as estimativas publicadas, continua a colocar as entrevistas estruturadas entre os melhores preditores utilizáveis, com uma validade operacional na ordem de .42 (Sackett et al., 2022). A impressão não estruturada não compete com isso mesmo quando as condições de observação são boas — e as suas estão a piorar.
Concretamente: exija evidência escrita de discernimento em cada caso de promoção — uma decisão tomada, o trade-off ponderado, o resultado. Se ninguém conseguir produzir essa evidência para um candidato, isso é um dado sobre as suas condições de observação, não sobre o candidato.
A decisão deste trimestre
Não vai inverter os 74%. Perguntar à IA em vez de aos colegas é mais rápido, não julga e faz as pessoas sentirem-se mais capazes — 71% dizem-no. O comportamento é racional ao nível individual e não responderá a uma política a pedir que as pessoas falem mais.
O que pode decidir este trimestre é se os dois sistemas que corriam silenciosamente sobre a consulta informal recebem uma substituição explícita. Ambos são baratos. Publique um mapa de competências por função. Acrescente um requisito de evidência escrita aos casos de promoção. Nenhum precisa de aprovação orçamental, e ambos deixam de funcionar no momento em que assume que a versão ambiente ainda está a correr.
O seu dashboard de colaboração vai continuar com bom aspeto. É esse o problema todo.
