Segundo o Work Trend Index 2026, publicado pela Microsoft em maio, 86% das pessoas que usam IA no trabalho dizem tratar o texto que ela produz como um rascunho, não como resposta pronta. A maior parte do uso de IA hoje é justamente aquilo que ela faz melhor: escrever primeiras versões de e-mails, resumos e relatórios.
O problema aparece quando a pergunta muda de forma. Escrever um texto e recomendar uma decisão não pedem a mesma cautela de quem lê — e pesquisas mostram que, diante de uma resposta com aparência de certeza, boa parte das pessoas para de conferir.
Para quem decide, essa distinção separa um ganho real de um risco silencioso: a mesma IA que economiza tempo na redação pode custar caro quando opina sobre algo que devia ter sido checado antes.
O preço de confiar sem checar
Em setembro de 2023, pesquisadores de Harvard, em parceria com a consultoria Boston Consulting Group, testaram 758 consultores júnior em duas famílias de tarefa: uma dentro do que o GPT-4 fazia bem, inovação de produto, outra fora dela, um problema de negócio que exigia julgamento e informação que a ferramenta não tinha.
Na tarefa dentro da competência da IA, quem a usou teve desempenho 40% acima de quem não usou. Na tarefa fora dela, o resultado se inverteu: o grupo com IA teve desempenho 23% pior que quem trabalhou sem nenhuma ferramenta.
O motivo não foi falta de aviso. Os participantes sabiam que a ferramenta podia errar naquele tipo de tarefa. Mesmo assim, aceitaram respostas erradas porque a explicação que a IA oferecia soava convincente — pareceu mais fácil confiar nela do que reconstruir o raciocínio sozinho. Quem tinha mais familiaridade com a ferramenta não escapou desse padrão: o problema não era falta de prática, era a própria forma como a resposta chegava, pronta e segura de si.
O fenômeno tem nome na literatura de apoio à decisão: viés de automação, a tendência de aceitar a saída de um sistema automatizado no lugar de avaliar a informação por conta própria. Uma revisão acadêmica que reuniu estudos de sistemas de apoio à decisão encontrou risco 26% maior de decisão errada quando o sistema oferecia um conselho incorreto. Em alguns dos estudos analisados, até 7% das respostas que a pessoa já tinha certo foram trocadas para errado depois de ver a sugestão do sistema.
No Brasil e na América Latina, onde a adoção de IA generativa avançou rápido nas equipes de operação, financeiro e atendimento, esse é exatamente o ponto cego: a ferramenta virou hábito antes de a empresa decidir o que fazer quando ela erra com confiança. A pergunta que falta não é "a equipe usa IA?", e sim "quando a IA sugere algo errado, existe alguma etapa que capture isso antes de virar decisão?".
O aviso que não muda o hábito
A resposta mais comum tem sido pedir mais cuidado: um aviso na tela, um treinamento de boas práticas, a orientação genérica de "sempre confira". O próprio experimento com a BCG mostra o limite disso — os participantes foram avisados sobre a limitação da ferramenta naquela tarefa e, ainda assim, aceitaram a resposta errada.
A revisão acadêmica sobre viés de automação chega à mesma conclusão por outro caminho: pedir vigilância genérica funciona pouco. O que reduz o problema é mudar o que a pessoa vê — mostrar o raciocínio por trás da resposta, indicar o quanto o sistema está seguro da recomendação e apresentar informação para a pessoa decidir, em vez de uma sugestão pronta para aceitar. A mesma revisão lista ainda tornar quem decide responsável pelo resultado e reduzir o destaque visual da sugestão, para que ela não pareça a única opção na tela.
Ou seja, o problema raramente é a pessoa ser desatenta. É o desenho da resposta não dar a ela nada concreto para checar. Sem uma fonte, um documento ou um dado que sustente a recomendação, conferir vira um esforço extra que a rotina do dia a dia não reserva tempo para fazer — e o caminho mais curto passa a ser aceitar o que já veio pronto.
O que precisa existir na prática
Um ambiente de IA que apoia decisão, e não só redige texto, precisa de mecanismos verificáveis — não de outro aviso na tela.
Toda resposta baseada em documento interno aponta a fonte. Quem recebe a recomendação vê de qual política, tabela ou processo ela veio, e pode abrir o original antes de agir, em vez de confiar cegamente na explicação da IA.
Recomendação e redação são tratadas como coisas diferentes. Escrever um rascunho de e-mail é uma coisa; sugerir que um contrato seja renovado ou uma cobrança seja enviada é outra — e a segunda pede uma etapa de confirmação que a primeira não pede.
Aprovação humana antes de uma ação sensível. Documentos críticos e ações que mudam algo no mundo real podem exigir revisão e aprovação em duas etapas, com quem redige separado de quem aprova, configurável por área, não em toda resposta.
Acesso conforme o papel de cada pessoa. Quem pode aprovar uma recomendação, e sobre qual tema, segue a mesma régua de permissão que qualquer outro sistema da empresa, sem ficar em aberto para quem chegar primeiro.
Trilha de auditoria do que foi aprovado. Se uma recomendação virou ação, existe registro de quem aprovou, quando e com base em qual fonte — o material que costuma faltar exatamente quando um erro precisa ser investigado depois.
Reutilização com permissão, não cópia solta. Um roteiro de resposta que já passou por revisão pode ser disponibilizado para outras pessoas do mesmo papel ou grupo, em vez de cada um refazer o próprio atalho sem ninguém saber o que ele contém.
É assim que a Skyller foi desenhada: conhecimento corporativo com fonte citável e aprovação humana antes de qualquer ação sensível, não como exceção.
Menos revisão, mais decisão rápida
O ganho aparece primeiro na velocidade. Quando a resposta já vem com a fonte anexada, quem decide gasta menos tempo caçando o documento que sustenta aquela política e mais tempo avaliando se ela se aplica ao caso.
O segundo ganho é a reconstrução do que aconteceu. Numa auditoria, numa reclamação de cliente ou numa investigação interna, a diferença entre reconstruir uma decisão em minutos e não conseguir reconstruir nada é o registro de quem aprovou o quê.
O terceiro é cultural: quando a aprovação tem dono e etapa definida, a equipe para de tratar a resposta da IA como palavra final. Ela vira insumo — bom insumo, mas um insumo, como qualquer relatório ou planilha que chega pronta para leitura crítica.
Há também um efeito de longo prazo: o roteiro que uma pessoa aprovou uma vez, com a fonte certa anexada, fica disponível para o próximo caso parecido. Em vez de cada decisão recomeçar do zero, a equipe acumula um conjunto de recomendações já checadas — e é aí que o tempo economizado deixa de ser só individual e passa a aparecer no resultado da área inteira.
Perguntas antes de confiar na resposta
Antes da próxima recomendação que a IA trouxer para a mesa, vale perguntar:
- A resposta aponta a fonte que a sustenta? Se não houver documento, dado ou política citável, trate como opinião, não como fato, e confira antes de repassar adiante.
- Alguém aprova antes de a recomendação virar ação? Se a resposta pode gerar um envio, uma cobrança ou uma mudança de contrato sozinha, falta uma etapa entre a sugestão e o efeito real.
- A explicação convincente já foi confundida com explicação correta? O estudo com os 758 consultores mostra que as duas coisas não são a mesma — e que profissionais treinados também caem nessa confusão.
- Existe registro de quem aprovou o quê? Sem essa trilha, uma decisão ruim só aparece depois que o custo dela já foi pago.
- A ferramenta separa rascunho de texto e recomendação de ação? Se as duas coisas chegam com a mesma aparência de certeza, quem lê perde justamente o sinal que deveria pedir mais atenção.
