95% das organizações já usam IA no dia a dia. Apenas 10% dos CFOs dizem ter percebido valor financeiro real dessa adoção. A distância entre os dois números agora tem nome: workslop.
O termo aparece num artigo de opinião assinado por uma analista da prática de RH da Gartner, publicado na HR Dive em 17 de julho de 2026, cruzando duas pesquisas da própria consultoria: uma com 110 CHROs, de dezembro de 2025, mostrando adoção quase universal de IA; outra com 137 CFOs, de março de 2025, mostrando que só 10% enxergaram retorno financeiro concreto. Quase todo mundo usa. Quase ninguém mede se o uso gerou valor.
O que é workslop, exatamente
Workslop é definido como trabalho gerado com IA que parece pronto — bem formatado, com aparência de completo — mas que carrega erro, superficialidade ou lacuna que só aparece quando alguém confere de perto. O nome importa porque descreve um problema que a métrica tradicional de produtividade não enxerga: a peça foi entregue no prazo, o relatório foi gerado, o e-mail foi respondido. Só que, por trás da aparência de conclusão, existe retrabalho escondido — alguém, silenciosamente, corrigindo o que a ferramenta errou, sem que isso apareça em nenhum indicador de desempenho.
O trabalho parece pronto. A decisão por trás dele, não. É esse o intervalo que separa 95% de adoção de 10% de valor percebido.
Por que a métrica de uso está medindo a coisa errada
O artigo aponta a causa com precisão: muitas organizações incorporaram indicadores de "engajamento com IA" — frequência de uso da ferramenta, tempo economizado declarado, velocidade de entrega — como proxy de produtividade. O problema é que esses indicadores capturam gesto, não resultado. Medem se a pessoa abriu a ferramenta, não se a decisão que saiu dali foi melhor, mais rápida de verdade ou menos sujeita a erro.
Quando a métrica oficial premia velocidade e frequência de uso, a organização cria, sem perceber, um incentivo para produzir mais rápido às custas de checar menos — e é exatamente esse padrão que multiplica workslop. O funcionário não está sendo preguiçoso; está respondendo, racionalmente, ao que o sistema de recompensa está de fato medindo.
A opinião da Descola: métrica de gesto não é métrica de julgamento
A Descola trata esse tipo de distância — entre o que se declara e o que se evidencia — como o problema central que sustenta boa parte da crítica à métrica tradicional de pessoas. Autorrelato de uso de ferramenta tem exatamente o mesmo defeito estrutural que autoavaliação de desempenho ou perfil comportamental fixo aplicado uma vez: mede o que a pessoa acha que deveria responder, não o que ela de fato faz quando ninguém está checando.
É esse o motivo pelo qual o Relatório Power Skills 2026 — disponível para download gratuito — trata pensamento crítico e qualidade de decisão como competências centrais do ciclo atual, e não como acessório de currículo. Num ambiente onde a ferramenta consegue produzir aparência de resultado em segundos, a competência que separa organizações que capturam valor real das que só acumulam workslop é a capacidade humana de julgar o que a máquina entregou antes de aceitar como pronto.
Um curso como Pensamento Crítico não ensina a desconfiar de tudo por princípio — ensina a estruturar a pergunta certa antes de aceitar uma resposta pronta, seja ela de um colega ou de um modelo de linguagem. E Tomada de Decisão ataca o outro lado do mesmo problema: entender os vieses que fazem uma pessoa aceitar rápido demais uma saída que parece completa, exatamente o mecanismo que sustenta o workslop em escala.
O que muda para quem mede desempenho e IA
→ Trocar métrica de engajamento por métrica de resultado. Frequência de uso e tempo de resposta são dado de gesto. Redução de erro, qualidade de decisão revisada e retrabalho evitado são dado de valor.
→ Auditar o retrabalho invisível. Se ninguém está perguntando quanto tempo humano se gasta corrigindo o que a IA produziu, a organização está medindo só metade da conta — a metade que parece boa.
→ Não premiar velocidade isolada em performance individual. Incentivo de time-to-production sem contrapeso de qualidade é o motor mais direto de workslop, segundo o próprio estudo da Gartner.
→ Tratar checagem crítica como competência, não como desconfiança pessoal. Quem revisa bem o que a IA entrega não está sendo lento — está entregando a parte do trabalho que a ferramenta não faz sozinha.
O erro mais comum: contar uso como se fosse competência
O erro mais recorrente nas organizações que hoje comemoram "95% de adoção de IA" é o mesmo erro histórico do RH com treinamento: contar matrícula como se fosse aprendizagem, contar acesso como se fosse resultado. Ter a ferramenta instalada e usada com frequência não é evidência de julgamento melhor — é evidência de que a compra de licença funcionou.
O risco de manter essa métrica é cumulativo: cada workslop não identificado se acumula como retrabalho oculto, cada retrabalho oculto infla silenciosamente o custo real do "ganho de produtividade" relatado à diretoria, e a decisão de investimento do próximo ciclo se apoia num número que nunca refletiu o que de fato aconteceu.
A pergunta que fica, sem resposta fácil, é a seguinte: na sua organização, alguém está medindo se o trabalho gerado com IA é bom — ou só está contando quantas vezes a ferramenta foi aberta essa semana?