Às nove e dez, o relatório já estava pronto. Menos uma pessoa no atendimento à sexta-feira, redistribuição dos pedidos e uma previsão de poupança suficientemente bonita para caber num diapositivo.
Marta, responsável por uma pequena empresa de distribuição, estava quase a aprovar. Até que Luís perguntou: «O sistema contou as devoluções que resolvemos por telefone?»
Não tinha contado. Também não sabia que, às sextas-feiras, uma colega acompanhava a integração de um novo trabalhador. O quadro mostrava disponibilidade. A equipa via trabalho que ainda não tinha nome na folha de cálculo.
A cena é fictícia, tal como as personagens deste artigo. Mas o conflito merece uma conversa real: quando uma recomendação chega depressa, bem apresentada e com números, quem tem condições para fazer a pergunta que estraga a reunião — e talvez salve a decisão?
A inteligência artificial pode ajudar a ver padrões que nos escapam. Pode comparar cenários, organizar informação e reduzir trabalho repetitivo. O problema começa quando a facilidade de obter uma resposta nos faz saltar a parte em que decidimos se aquela é, sequer, a pergunta certa.
O algoritmo pode apresentar uma recomendação. A liderança continua a ter de responder pelo que a organização faz com ela.
Primeiro, convém saber o que estamos a chamar «algoritmo»
Nem todo o programa que organiza trabalho é inteligência artificial. Um conjunto de regras pode distribuir turnos sem aprender com dados. Um modelo de aprendizagem automática pode estimar a procura a partir de registos anteriores. Um assistente generativo pode redigir uma justificação convincente para uma proposta. São capacidades diferentes, com limitações diferentes.
A gestão algorítmica é, de forma simples, o uso de software para apoiar ou automatizar tarefas de gestão: atribuir trabalho, acompanhar resultados, organizar horários ou apoiar avaliações. A OCDE, num estudo publicado em 6 de fevereiro de 2025, analisou estas ferramentas através de um inquérito a mais de seis mil empresas em seis países. Portugal não estava entre eles.
Os gestores ouvidos identificaram benefícios percebidos na qualidade das decisões, mas também preocupações com a clareza da responsabilidade, a dificuldade de compreender a lógica das ferramentas e a proteção da saúde dos trabalhadores. São perceções recolhidas num inquérito; não demonstram que qualquer produto melhore resultados, nem permitem tratar todas as empresas como iguais.
Há, portanto, espaço para aproveitar a tecnologia sem lhe entregar uma autoridade que ela não conquistou. Comprar software não equivale a contratar bom senso. Embora, perante algumas apresentações comerciais, seja compreensível a confusão.
O sistema otimiza aquilo que lhe pedimos
Voltemos à empresa de Marta. Se o objetivo definido for reduzir horas de atendimento, o sistema pode produzir uma proposta coerente com esse objetivo. Isso não significa que tenha encontrado a melhor solução para os clientes, para a equipa ou para a empresa daqui a seis meses.
Imagine-se que uma ferramenta ordena os trabalhadores pelo número de pedidos encerrados. Quem resolve questões simples depressa pode subir na classificação. Quem recebe casos difíceis, acompanha um colega ou evita que um problema volte a acontecer pode parecer menos produtivo.
O indicador não precisa de estar mal calculado para a conclusão ser injusta. Pode estar a medir uma parte demasiado pequena do trabalho.
Cabe à liderança perguntar o que ficou de fora e que comportamentos a medida incentiva. Se toda a atenção estiver na rapidez, alguém poderá encerrar um pedido cedo demais. Se a avaliação premiar apenas vendas imediatas, o tempo dedicado a compreender uma necessidade pode parecer desperdício.
É por isso que o debate sobre eficiência precisa de incluir a qualidade do trabalho. Já o explorámos em «A inteligência artificial poupou-nos duas horas. A empresa já encontrou quatro horas de trabalho para colocar no lugar.». Ganhar velocidade só é uma melhoria quando sabemos o que queremos fazer com ela.
Contexto não é uma desculpa para ignorar os números
Luís mostra a Marta uma encomenda danificada. A equipa passou a manhã a contactar o fornecedor, tranquilizar o cliente e organizar a substituição. No registo automático, aquele período aparece quase vazio.
A resposta sensata não é abandonar o sistema nem declarar que «a experiência sabe sempre mais». É verificar o que aconteceu, corrigir o registo quando adequado e perceber se a ausência se repete. Um episódio isolado e um problema estrutural exigem respostas diferentes.
Também os líderes se enganam. Podem favorecer quem lhes é próximo, confundir confiança com competência ou defender um hábito apenas porque foram eles a criá-lo. A revisão humana não transforma uma decisão em justa por magia.
Uma boa comparação exige critérios: que informação sustenta a recomendação, que informação a contradiz e que alternativa seria razoável? Se o gestor alterar o resultado, deve conseguir explicar porquê. Se o mantiver, também.
O valor da experiência e do conhecimento tácito está, muitas vezes, na capacidade de detetar uma pergunta em falta. No artigo «A IA sabe responder. Mas quem tem experiência sabe quando ela está errada», essa atenção ao contexto ocupa o centro da conversa. Aqui acrescentamos uma exigência: a experiência precisa de ser ouvida e confrontada com evidência, não apenas elogiada no discurso de aniversário da empresa.
Explicar não é dizer «o sistema calculou»
Uma trabalhadora pergunta por que razão deixou de receber determinados turnos. A resposta é: «Foi a plataforma.»
A plataforma, curiosamente, nunca está disponível para a conversa difícil. A chefia está, mas às vezes comporta-se como se fosse apenas o serviço de entregas da decisão.
Uma explicação útil precisa de ligar o resultado à situação concreta: que critérios foram utilizados, que dados entraram, que limites são conhecidos e como pode ser corrigida informação errada. Nem sempre será possível explicar todos os detalhes internos de um modelo. Essa dificuldade deve influenciar onde e como o usamos, sobretudo quando as consequências para as pessoas são importantes.
Pedir a um assistente de IA que invente uma explicação elegante depois da decisão não resolve o problema. Um texto plausível não prova quais foram as razões reais do sistema. É preciso distinguir documentação verificável de uma narrativa que apenas soa bem.
O AI Risk Management Framework do NIST, um referencial voluntário lançado em 2023, propõe definir responsabilidades, interpretar resultados no seu contexto e criar mecanismos de acompanhamento e contestação. Não é uma lei portuguesa nem um certificado automático de conformidade. É uma referência técnica útil para organizar perguntas que uma empresa deveria conseguir responder.
Ter um humano no circuito não chega
Pensemos numa chefia que recebe dezenas de recomendações por hora, tem poucos minutos para aprovar cada uma e precisa de justificar qualquer discordância. No papel, existe supervisão humana. Na prática, existe uma pessoa a carregar em «confirmar» com alguma ansiedade e muito café.
A supervisão precisa de meios. Quem revê deve compreender o suficiente para identificar limites, ter acesso à informação relevante e poder suspender ou encaminhar uma decisão sem ser penalizado por atrasar a estatística do dia.
Isto não obriga a rever manualmente cada operação banal. A intensidade da revisão deve acompanhar o risco: sugerir a ordem de tarefas facilmente reversíveis é diferente de apoiar uma decisão sobre carreira, remuneração ou permanência no emprego. Nestes últimos casos, a organização precisa também de avaliar as obrigações legais aplicáveis ao contexto concreto.
O líder não tem de se transformar em programador. Tem, porém, de saber reconhecer quando não compreende a ferramenta e procurar apoio. Em «AI and skills: What we know so far», publicado em 5 de junho de 2026, a OCDE destaca competências para usar, analisar e interpretar dados, além de capacidades de gestão e resolução de problemas. A formação deve ajudar a fazer melhores perguntas, não apenas a encontrar o botão certo.
O fornecedor também tem perguntas para responder
Uma pequena empresa pode não ter especialistas internos. Isso torna ainda mais importante saber o que está a contratar: para que usos foi testada a ferramenta, que dados necessita, quais são as limitações conhecidas e que apoio existe quando algo corre mal.
«É inteligência artificial» não é uma resposta suficiente a «por que razão aconteceu isto?». Tal como «tem motor» não explica por que razão o carro decidiu parar a meio da ponte.
Antes de alargar o uso, vale a pena testar casos representativos, incluindo situações menos frequentes. Uma solução pode funcionar bem para o cliente típico e falhar precisamente com quem tem um percurso diferente ou registos incompletos. A qualidade média não mostra, por si só, quem suporta os erros.
Também convém evitar a tentação de recolher tudo. Mais dados não significam automaticamente uma decisão melhor. A informação recolhida deve ter finalidade clara, acesso controlado e pertinência para o trabalho em causa. Uma organização que não sabe explicar por que precisa de um dado deveria parar antes de o pedir.
Uma experiência prática para a próxima reunião
Escolha uma decisão que a empresa já apoia com software. Apenas uma: a distribuição de pedidos, uma previsão de procura ou a seleção de candidaturas. A proposta seguinte é um exercício editorial de gestão, não um protocolo validado nem uma garantia de cumprimento legal.
Comece pela finalidade. Escreva numa frase o que se pretende melhorar e acrescente aquilo que não se aceita sacrificar. «Reduzir o tempo de resposta sem aumentar pedidos mal resolvidos» é mais útil do que «ser mais eficiente». Identifique quem ficará responsável por verificar esses dois lados.
Depois, reconstrua alguns casos. Compare a recomendação com os dados usados e com o trabalho efetivamente realizado. Inclua quem conhece o processo. Pergunte o que faltou, onde houve erro e se a pessoa afetada teria conseguido pedir revisão. Evite expor dados pessoais desnecessários durante o exercício.
Por fim, combine uma regra de intervenção. Que sinais obrigam a parar? Quem pode corrigir dados? Quem decide numa divergência? Como se regista a razão da alteração e quando se volta a avaliar o resultado? Uma instrução curta, compreendida pela equipa, vale mais do que uma política impecável que ninguém consegue aplicar.
Na empresa fictícia de Marta, este exercício leva a adiar a redução do atendimento. A equipa começa por medir melhor o trabalho em falta e testar outra distribuição. A recomendação não foi tratada como inimiga; foi tratada como uma hipótese que precisava de verificação.
Esse resultado não prova que manter sempre mais pessoas seja a decisão certa. Mostra apenas que a liderança não deve transformar informação incompleta numa certeza conveniente.
Vê-se neste artigo?
Talvez já tenha recebido uma classificação que ninguém conseguiu explicar. Talvez tenha aprovado uma proposta porque vinha acompanhada de um gráfico muito seguro de si. Ou talvez seja a pessoa que tenta fazer perguntas enquanto os outros olham para o relógio.
Há espaço para uma liderança que usa tecnologia sem fingir que deixou de fazer escolhas. Que consulta a equipa antes de transformar uma recomendação em rotina. Que admite incerteza e corrige uma decisão sem procurar uma máquina a quem atribuir a culpa.
Isso também pede apoio da organização: formação, critérios claros, acesso a especialistas e tempo para pensar. Não é razoável exigir discernimento a uma chefia e organizar o seu dia para que só tenha tempo de aprovar.
Marta pode voltar ao relatório e encontrar uma solução melhor com a ajuda do sistema. Pode até concluir, depois de verificar o contexto, que a proposta inicial fazia sentido. O que não pode é desaparecer da decisão e reaparecer apenas para comunicar as consequências.
Se a resposta a todas as perguntas for «foi o algoritmo», talvez a empresa não tenha automatizado a gestão. Talvez tenha automatizado a desculpa.
Negócios com Alma · NEXA360®
Ver todos os conteúdos →