Executivos confiam mais na IA do que no próprio julgamento

Uma pesquisa divulgada em 21 de outubro de 2026 mostrou que 32,8% dos executivos entrevistados dizem confiar mais na IA do que no próprio julgamento, ante 16,3% dos colaboradores individuais e 34,8% dos gestores. Realizado em agosto, o levantamento ouviu 5.002 profissionais de escritório dos Estados Unidos que usam IA no trabalho, incluindo 503 executivos, segundo os dados publicados pela Axios. A diferença entre os cargos importa porque uma resposta aceita pela liderança pode orientar decisões que afetam toda a equipe.

No Charter AI Pulse, os coautores Brian Elliott e Christina Janzer explicaram o objetivo da pesquisa: “We wanted to understand the impact it's having on workers' work and their lives.” O resultado sobre julgamento registra a confiança declarada pelos participantes; ele não mede a precisão das respostas da IA.

A diferença de confiança atravessa a hierarquia

O percentual dos gestores ficou numericamente acima do registrado entre executivos. A distância mais clara, porém, separa os dois grupos com funções de gestão dos colaboradores individuais. Para quem executa uma tarefa e conhece suas restrições, uma resposta plausível pode deixar de fora um detalhe decisivo; quem recebe apenas uma síntese talvez não perceba essa ausência. Essa é uma possibilidade que ajuda a explicar o risco, não um resultado testado pelo levantamento.

A amostra reúne pessoas que já usam IA no trabalho e atuam em empresas com pelo menos cem funcionários. Seus percentuais, portanto, descrevem esse grupo de profissionais americanos, sem oferecer uma estimativa para todos os trabalhadores dos Estados Unidos ou do Brasil. A pesquisa tampouco acompanhou decisões reais para verificar se os entrevistados seguiram recomendações da ferramenta. Declarar confiança em uma resposta e transformá-la em uma decisão são comportamentos distintos.

Confiança declarada não mede acerto

A pergunta sobre confiar mais na IA do que no próprio julgamento registra uma preferência do entrevistado. Ela não confronta recomendações da ferramenta com fatos verificados nem avalia se um executivo identificaria uma premissa errada antes de aprovar uma medida. Alguém pode considerar a IA útil para organizar alternativas e ainda rejeitar sua conclusão depois de conferir os dados. Também pode aceitar uma resposta convincente sem examinar as informações em que ela se apoia.

Essa distinção ganha peso quando a liderança recebe uma síntese de um problema que outra pessoa terá de resolver nos detalhes. A síntese pode acelerar a análise inicial, mas sua clareza não demonstra que os dados estejam completos ou que a solução funcione nas condições da equipe. Se a decisão chega aos funcionários como orientação já definida, quem conhece as exceções pode ter pouco espaço para apontá-las. O risco depende da combinação entre confiança, alcance da decisão e oportunidade de contestar suas premissas.

O peso da revisão muda conforme a decisão

Uma sugestão de redação interna pode ser corrigida antes do envio. Uma escolha sobre contratação, orçamento ou avaliação de desempenho pode produzir consequências mais difíceis de reverter. A revisão proporcional considera o possível dano, a facilidade de detectar um erro e as pessoas afetadas. Esses critérios são uma proposta para decisões influenciadas pela IA, não práticas que a pesquisa tenha medido nas empresas.

Há diferença entre pedir à IA que apresente opções e deixar que ela determine o critério da escolha. No primeiro caso, a equipe pode usar a resposta para ampliar as perguntas. No segundo, pode adotar prioridades que ninguém definiu explicitamente. Antes de uma decisão importante, convém separar informações verificáveis de inferências da ferramenta e identificar quem tem autoridade para aceitar ou rejeitar a conclusão. Registrar essa passagem ajuda a esclarecer quem responde pelos erros e a corrigir uma premissa equivocada.

Uma matriz para decisões com consequências

Os controles podem variar com o tipo de decisão. A conferência examina a base factual; uma segunda aprovação questiona o critério usado; o registro preserva a razão da escolha e o nome de quem a autorizou. Quanto maior o efeito sobre pessoas ou recursos, menos a confiança de quem pediu a resposta serve, sozinha, como validação.

• Contratação: conferir requisitos e evidências de cada candidatura antes de usar uma síntese da IA. Se ela influenciar uma exclusão ou preferência, outra pessoa deve revisar o critério e registrar a justificativa.
• Orçamento: confrontar valores, premissas e restrições com os dados financeiros da organização. Uma mudança na distribuição de recursos pede aprovação de quem responde pelo orçamento e registro das hipóteses aceitas.
• Avaliação de desempenho: verificar se os exemplos citados correspondem ao período e ao trabalho da pessoa avaliada. Outra pessoa deve examinar a conclusão antes que ela afete remuneração ou trajetória profissional.
• Comunicação: checar afirmações factuais e possíveis efeitos para o público antes do envio. Quando a mensagem comunica uma decisão sensível, seu responsável deve aprovar a versão final e conservar a justificativa de eventuais mudanças.

Para empresas brasileiras, o levantamento americano levanta uma questão de responsabilidade, sem medir a confiança local na IA. Quando uma resposta influenciar uma decisão de alto impacto, a consequência para as pessoas afetadas dependerá de haver dados que possam ser conferidos, espaço para discordância e alguém identificado como responsável pela escolha.

Leia também:

• Líderes usam IA mais rápido do que definem quem responde pelos erros
• IA cobra julgamento humano — mas só 29% dos funcionários o priorizam
• Claude já lidera um quarto da própria P&D — a métrica ainda depende dele