48% exageram habilidades em IA — a pressão virou “adoção performática”

3 de outubro de 2026 às 02:00|Autor: Equipe editorial da QUASA|6 min de leitura

Em 23 de setembro de 2026, o comunicado da Visier apresentou uma pesquisa com 1.000 empregados em tempo integral nos Estados Unidos: 48% disseram já ter exagerado seu uso ou sua experiência com inteligência artificial diante de colegas ou líderes, e 45% relataram pressão para usar IA mesmo sem confiança para aplicá-la bem. A empresa chamou de “adoção performática” a demonstração de familiaridade com IA que busca atender a expectativas, sem necessariamente corresponder a um uso efetivo.

A pressão ajuda a explicar por que alguém pode parecer mais experiente do que é, mas a pesquisa não demonstra que ela tenha causado cada exagero declarado. Na apuração da HR Dive, a pesquisadora Andrea Derler destacou que a experiência com IA varia conforme o fluxo de trabalho de cada pessoa. Isso torna difícil avaliar competência por uma afirmação genérica como “uso IA”: a ferramenta pode ser útil em uma tarefa e pouco relevante em outra.

O que a pesquisa captou

O resultado principal mede o que os participantes disseram sobre seu comportamento, não a qualidade de uma tarefa feita com IA. A pergunta reunia exageros sobre uso ou experiência; os dados divulgados não separam quem inflou a frequência de uso de quem aumentou a própria descrição de conhecimento. Também não mostram a intensidade do exagero nem permitem concluir que todo participante que se sentiu pressionado tenha feito a mesma coisa.

A análise da Visier registra que 32% dos entrevistados dizem que seu empregador não tem um plano claro para o efeito da IA sobre os empregos, 27% não sabem se esse plano existe e apenas 21% concordam fortemente que recebem treinamento, recursos e apoio suficientes para se adaptar. As respostas descrevem uma combinação de cobrança, incerteza e apoio considerado insuficiente por parte dos trabalhadores. Elas sustentam a interpretação da empresa sobre adoção performática, mas não isolam uma causa única.

Há ainda um limite para a leitura no Brasil. A amostra abrange empregados em tempo integral nos Estados Unidos, e não oferece uma taxa equivalente para trabalhadores brasileiros ou de outros mercados de língua portuguesa. O achado interessa a esses mercados pela questão que expõe: uma organização pode confundir familiaridade declarada com capacidade demonstrada se depender apenas do que as pessoas afirmam sobre seu uso de IA.

Como uma expectativa vaga favorece o exagero

Quando a orientação recebida é simplesmente usar mais IA, o trabalhador pode não saber quais tarefas justificam seu uso, que erros precisa procurar ou como seu desempenho será avaliado. Nesse cenário, declarar entusiasmo e experiência pode parecer uma resposta mais segura do que admitir dúvidas. É um mecanismo plausível para interpretar os resultados, não uma conclusão comprovada sobre a motivação de cada entrevistado.

A utilidade da tecnologia também muda entre funções. Ela pode acelerar uma entrega em determinado processo e acrescentar etapas de revisão em outro. Por isso, uma meta uniforme de adoção não revela, sozinha, se o trabalho melhorou: contar acessos ou recolher autodeclarações mostra atividade, mas não explica o que foi produzido, quanto esforço humano foi necessário para corrigir a saída nem se o resultado atendeu ao padrão esperado.

Isso não torna suspeito todo uso frequente. Uma pessoa pode recorrer à IA diariamente, conhecer suas limitações e revisar cuidadosamente o que entrega; outra pode usá-la pouco porque suas tarefas não oferecem uma aplicação útil. A diferença entre esses casos se perde quando “domínio de IA” é tratado como uma habilidade única, sem identificar a tarefa, o grau de responsabilidade e a qualidade do trabalho final.

Que evidência mostra competência real

Uso, proficiência e impacto respondem a perguntas diferentes. Uso descreve quando e para quê a ferramenta entrou no processo. Proficiência aparece na capacidade de escolher uma aplicação adequada, formular a tarefa, reconhecer respostas inadequadas e corrigi-las. Impacto exige observar o que mudou na entrega ou no processo, com uma comparação válida quando se afirma que houve ganho. Essa distinção é um critério editorial de avaliação, não uma escala aplicada aos participantes da pesquisa.

Para apresentar experiência sem inflar o currículo, um profissional pode descrever um trabalho concreto: qual era a tarefa, que parte recebeu apoio de IA, quais decisões continuaram sob sua responsabilidade e como revisou o resultado. Em uma entrevista ou portfólio, essa explicação permite discutir escolhas e limites, em vez de depender de uma declaração ampla de familiaridade. Quando uma entrega pode ser mostrada, ela oferece uma base melhor para examinar competência do que a frequência de uso isolada.

O impacto pede cuidado adicional. Dizer que uma atividade pareceu mais rápida é diferente de afirmar que houve economia de tempo medida; mostrar uma saída convincente é diferente de demonstrar que ela permaneceu correta após revisão. Se não existe uma comparação confiável, a descrição honesta é a do trabalho realizado e do que foi aprendido. Informações confidenciais podem ficar fora de um portfólio sem impedir a explicação da tarefa, das decisões e dos critérios usados para conferir a entrega.

O risco para métricas e promoções

O levantamento levanta uma dúvida sobre indicadores internos de adoção baseados em autodeclarações. Se trabalhadores admitem exagerar o uso ou a experiência com IA, respostas semelhantes podem fazer uma organização parecer mais preparada do que seu trabalho efetivamente demonstra. Isso é um risco de interpretação: a pesquisa não auditou painéis de empresas nem mediu o tamanho de eventual distorção em seus indicadores.

Nas promoções, a cautela é parecida. O estudo não mostra que participantes tenham avançado na carreira por exagerar suas habilidades, nem quantifica decisões afetadas. Ainda assim, um critério que recompensa apenas a aparência de segurança pode deixar de distinguir quem sabe produzir e revisar uma entrega confiável. Avaliar uma tarefa concluída, as decisões tomadas e a qualidade do resultado torna essa distinção mais visível sem exigir que toda função use IA com a mesma frequência.

Por ora, o que está estabelecido é o relato dos trabalhadores americanos consultados e a interpretação da Visier sobre a pressão que acompanha o uso de IA. Faltam uma verificação independente da proficiência dos participantes e dados que liguem os exageros a resultados de produtividade ou promoção. Até que essas medidas existam, o percentual do levantamento descreve o que as pessoas admitiram dizer sobre si mesmas, não quanto sabem fazer.