Avaliação de desempenho com IA: o que medir agora

Você lê o relatório entregue pela sua equipe e não sabe quanto dele é da pessoa. Essa dúvida, que há dois anos seria rara, virou rotina de gestor. A pesquisa que a monday.com encomendou à Nielsen, com 1.701 diretores e gestores seniores em sete países, divulgada em 21 de outubro de 2026, pôs número nela: 53% dizem que a IA tornou mais difícil avaliar a contribuição original de uma pessoa.

A avaliação de desempenho com IA começa por aí: o instrumento mede o produto final, e o produto final deixou de ser prova de autoria.

O que a pesquisa da monday.com mostra sobre avaliar pessoas na era da IA?

A pesquisa mostra que a IA já mexeu nos critérios de avaliação da maioria dos líderes, sem que o processo de avaliação tenha sido redesenhado para isso. Segundo o relatório da monday.com, divulgado em 21 de outubro de 2026, 78% dos líderes mudaram a forma de avaliar membros da equipe desde que a IA entrou no trabalho. Entre os que mudaram, 46% passaram a dar peso significativamente maior a habilidades. Ao mesmo tempo, 47% dizem gastar mais tempo revisando e orientando o trabalho do time, e 34% temem que as pessoas percam habilidades importantes por depender demais da IA.

Segundo a monday.com, o que a IA mudou na avaliação de pessoas

Mudaram a forma de avaliar membros da equipe78%

Dizem que ficou mais difícil avaliar a contribuição original53%

Gastam mais tempo revisando e orientando o trabalho do time47%

Leia os números juntos. Os líderes estão reagindo: mudam critério, revisam mais, se preocupam com atrofia de habilidade. O que não aparece nos dados é uma mudança correspondente no sistema que registra a avaliação, o formulário, o ciclo anual, a calibração. O relatório mede a reação individual, não a reforma institucional, e a distância entre as duas é o assunto deste texto.

Por que ficou mais difícil avaliar a contribuição original?

Ficou mais difícil porque a avaliação tradicional infere a competência de uma pessoa a partir do que ela entrega, e a IA passou a co-produzir a entrega. Um texto claro, uma análise bem estruturada, um código limpo: antes, cada um desses resultados era um bom indício de quem os fez. Hoje, o mesmo resultado pode vir de alguém que dominou o problema ou de alguém que formulou bem um pedido e aprovou a primeira resposta.

Chamamos isso de Paradoxo do Produto Limpo: quanto mais polido é o resultado, menos ele revela do raciocínio que o originou. O dado da monday.com, 53%, é o sintoma. Os gestores estão com o mesmo instrumento de sempre apontado para um objeto que mudou de natureza. É a lógica que a Descola critica na métrica tradicional de pessoas, a de tratar o artefato como retrato da capacidade, e que agora fica sem disfarce.

Há uma ironia a mais. A mesma pesquisa mostra que 45% dos gestores usam IA para estruturar melhor o próprio feedback e 46% a usam para revisar as próprias decisões. Quem avalia também passou a ser assistido por máquina. A avaliação virou, em parte, uma conversa entre duas ferramentas, e a pergunta “quem decidiu isto?” ficou sem resposta nos dois lados da mesa.

O que o RH deve passar a avaliar quando o resultado já não basta?

Avalie o processo e o julgamento, não só o produto: como a pessoa chegou ao resultado, o que ela escolheu aceitar, o que corrigiu e por quê. O produto continua importando, mas deixa de ser a única evidência. A evidência mais confiável de contribuição original passa a ser o que a IA não pode entregar sozinha: a escolha do problema, a decisão sobre o que descartar, a revisão crítica e a responsabilidade pelo resultado.

• Peça o raciocínio junto com a entrega. Duas perguntas curtas na revisão: “que alternativas você descartou?” e “onde a IA errou e como você percebeu?”. Quem entende o trabalho responde em um minuto. Quem só aprovou a primeira resposta não responde.
• Observe a correção, não só o acerto. O sinal mais nítido de domínio é a capacidade de notar o erro plausível. Um erro que parece certo e que a pessoa pega diz mais do que dez entregas limpas.
• Separe o uso de IA da qualidade do uso. Usar IA, por si, não é mérito nem demérito. O que se avalia é a decisão de quando usar, o que delegar e o que manter sob controle humano.

Esse movimento conversa com outro número do relatório. Entre os líderes que mudaram critérios, 46% passaram a valorizar mais habilidades. A leitura que propomos é que valorizar “habilidades” só tem sentido se houver evidência comportamental delas, e evidência vem de observação de situação concreta, não de autorrelato (“sou bom em analisar dados”).

Quem prepara o líder para avaliar assim?

Hoje, quase ninguém: cerca de um terço dos gestores da pesquisa diz não ter recebido treinamento suficiente em IA da própria organização, segundo a monday.com. Essa é a parte mais incômoda do achado. Os líderes mudaram os critérios por conta própria, no improviso, e depois assinam avaliações que afetam promoção, remuneração e desligamento.

O risco de assimetria é concreto. Sem critério comum, dois gestores avaliam a mesma pessoa de modos opostos: um premia o domínio de IA, outro desconfia dele. A pessoa avaliada sente isso como arbitrariedade. Quem já leu Treinamento em IA: o que o líder acha suficiente e o funcionário não sente reconhece o desenho: a percepção de preparo de quem lidera e a de quem é liderado raramente coincidem. E o desconforto de quem teme não estar à altura, que aparece em Ansiedade de capacidade (capability anxiety), tem origem também aqui: o funcionário não sabe como será medido.

Quais são os riscos de passar a avaliar o processo?

O risco principal é trocar a avaliação do produto por vigilância do processo, e o remédio é avaliar o raciocínio que a pessoa escolhe mostrar, não rastrear cada interação com a ferramenta. Pedir que alguém explique uma decisão é uma conversa de trabalho. Monitorar quantos comandos a pessoa digitou, quanto tempo levou e que respostas aceitou é outra coisa, e tende a destruir a confiança que a avaliação precisava para funcionar.

O segundo risco é de burocracia: um campo a mais no formulário que ninguém lê. Ele só funciona se alimentar a conversa entre líder e liderado, e não apenas o arquivo. O terceiro é de desigualdade. Quem escreve bem justifica bem, mesmo quando decidiu mal; quem é mais reservado parece ter pensado menos. Por isso a explicação deve ser comparada com o que a pessoa efetivamente entregou e corrigiu ao longo do tempo, e não julgada como performance de uma conversa única.

Há também um dado que muda o desenho a médio prazo. Segundo a mesma pesquisa, 58% dos líderes esperam gerenciar mais agentes de IA do que pessoas dentro de 12 meses, e 35% temem ser responsabilizados por decisões tomadas por agentes nos quais confiam. Se o gestor será avaliado também por aquilo que a máquina fez sob a sua supervisão, a pergunta “quem decidiu isto?” deixa de ser só uma questão de avaliar subordinados e passa a valer para o próprio avaliador. Um sistema de avaliação que não nomeia essa responsabilidade deixa o líder exposto e a equipe sem referência.

A opinião da Descola

O que a Descola já ensina que ajuda a avaliar com IA?

A Descola ensina, em cursos próprios, três habilidades que a avaliação com IA passa a exigir: ter a conversa difícil sem acusar, dividir o trabalho entre pessoa e máquina com critério e conduzir a mudança de critério até ela virar hábito.

Primeiro, a conversa. Quando o líder desconfia de que um trabalho não é da pessoa, o risco é a conversa virar interrogatório. Decodifique o Conflito, curso original da Descola hoje entre os primeiros do catálogo, trabalha o que fazer nesse momento: o método P.A.R.A. (pare, avalie, respire, aja) para não reagir no calor, a pausa estratégica, nomear o conflito em voz alta e as perguntas curiosas no lugar das acusações. “Que alternativas você descartou?” é uma pergunta curiosa. “Foi você que escreveu isto?” é uma acusação. O curso também apoia a segurança psicológica em três pilares, cuidado, consistência e sinceridade, o que pesa quando a pessoa avaliada teme ser medida por um critério que não conhece.

Segundo, a divisão do trabalho. Inteligência Expandida trata de combinar inteligência humana e de máquinas, passando por inteligência coletiva, parceria ciber-humana e criatividade com IA, e apresenta os modelos de trabalho “centauro” e “ciborgue”. No uso corrente dos termos, o centauro separa com nitidez o que é da pessoa e o que é da máquina, e o ciborgue entrelaça os dois ao longo da tarefa. Saber qual dos modelos uma equipe adota é pré-requisito para avaliar contribuição original: não dá para medir a parte da pessoa sem saber onde ela começa. O curso inclui ainda um apêndice sobre confiança em tecnologia, com segurança, ética e transparência, que é o terreno dos dados que a avaliação passa a usar.

Terceiro, a mudança em si. Trocar o critério de avaliação é uma mudança como qualquer outra, e Liderança para Mudança usa o modelo ADKAR (consciência, desejo, conhecimento, habilidade e reforço) para conduzi-la: comunicar por que o critério muda, construir motivação própria em vez de imposição, ensinar o novo critério, adaptar a liderança a cada pessoa e reforçar até o comportamento novo se sustentar. Sem a etapa de reforço, o campo de raciocínio no formulário vira só mais um campo.

Como adaptar a avaliação de desempenho com IA nas próximas semanas?

Faça três ajustes pequenos, antes de pensar em reformar o sistema inteiro. Eles cabem no ciclo que já existe e geram evidência para uma revisão maior.

Uma ressalva de leitura. A pesquisa foi encomendada por uma empresa de software de gestão de trabalho, e os resultados descrevem percepção de líderes, não medição de desempenho. Os 53% dizem como os gestores se sentem, não quão ruins são as avaliações. Ainda assim, a percepção é o dado relevante: um gestor que não confia no que avalia dificilmente avalia bem.

Se o resultado já não prova quem o produziu, a pergunta que o RH precisa levar ao próximo ciclo é a mais antiga da avaliação: o que, exatamente, estamos pagando para ver?