Quando a IA entra no trabalho, bem-estar também precisa virar critério de avaliação

O novo anúncio é sobre pesquisa, mas a pergunta pertence às empresas

Em 25 de agosto de 2026, a Anthropic anunciou um programa de US$ 5 milhões para financiar pesquisas independentes sobre os efeitos da inteligência artificial no bem-estar dos usuários. A iniciativa prevê recursos financeiros, acesso a modelos e apoio técnico para equipes que construam avaliações abertas, capazes de ser examinadas e reutilizadas por outros pesquisadores e desenvolvedores.

A publicação está voltada a situações em que sistemas conversacionais participam de experiências humanas delicadas, inclusive conversas de apoio emocional. Mesmo assim, a questão central ultrapassa esse contexto. À medida que a IA passa a organizar tarefas, produzir respostas, recomendar decisões e acompanhar pessoas durante grande parte do dia, empresas também precisam perguntar como esse uso modifica a experiência de trabalhar.

Uma implantação pode reduzir o tempo de uma atividade e, ao mesmo tempo, aumentar vigilância, interrupções, insegurança ou dependência. Pode aliviar uma rotina repetitiva e criar outra carga, agora formada por conferência, correção e responsabilidade sobre decisões pouco transparentes. Se a avaliação observar apenas volume entregue, custo ou velocidade, parte relevante da transformação permanecerá invisível.

Bem-estar não é uma nota genérica de satisfação

A orientação publicada pela Anthropic começa por uma exigência simples e difícil: definir com precisão o que está sendo medido, estabelecer o que representa sucesso ou falha e explicar por que o critério importa. Para uma empresa, isso significa abandonar expressões amplas como melhorar a experiência do colaborador quando elas não estão ligadas a comportamentos ou condições observáveis.

Bem-estar no trabalho pode envolver dimensões diferentes. Uma ferramenta pode afetar autonomia, clareza de papéis, carga cognitiva, ritmo, possibilidade de concentração, previsibilidade da jornada e confiança para pedir ajuda. Esses elementos não devem ser comprimidos em uma única pergunta. Cada dimensão precisa ser descrita de acordo com o processo, o grupo envolvido e o tipo de decisão que a IA influencia.

O objetivo também não é transformar qualquer desconforto em prova de dano. Mudanças reais exigem aprendizagem e podem produzir esforço temporário. Uma avaliação útil distingue dificuldade de adaptação, falha de treinamento, pressão organizacional e problema causado pelo próprio desenho da tecnologia. Sem essa separação, a empresa corre o risco de culpar a ferramenta por uma gestão inadequada ou de usar a novidade tecnológica para esconder uma sobrecarga já existente.

O sistema de trabalho precisa ser avaliado, não apenas o modelo

A orientação da Anthropic também defende validade externa. O ambiente do teste deve corresponder ao risco sobre o qual se pretende fazer uma afirmação. Um comportamento observado em uma interface de conversa não prova como o mesmo modelo funcionará dentro de um processo de atendimento, de um sistema de recursos humanos ou de uma automação que utiliza documentos e dados internos.

Nas empresas, o resultado nasce de uma configuração completa. Modelo, instruções, base de conhecimento, permissões, interface, metas, prazos, treinamento e cultura de liderança participam da experiência. Um assistente pode ser tecnicamente competente e ainda induzir um trabalho ruim se interromper demais, ocultar incertezas ou transferir toda a revisão para uma pessoa sem tempo suficiente.

Por isso, a pergunta não deve ser apenas se a IA respondeu corretamente. É preciso observar o que aconteceu antes e depois da resposta. A pessoa encontrou o contexto de que precisava? Entendeu por que recebeu aquela recomendação? Conseguiu discordar? A conclusão criou trabalho adicional em outro setor? O sistema preservou um caminho claro de escalonamento? Avaliar o fluxo inteiro evita que uma melhoria local seja confundida com melhoria organizacional.

A IA pode falhar por agir demais ou por se omitir demais

Um dos pontos mais úteis da orientação é a necessidade de testar falhas em direções opostas. No contexto de bem-estar, a Anthropic recomenda observar tanto a conformidade prejudicial quanto a recusa excessiva. A primeira acontece quando o sistema atende a uma solicitação que deveria tratar com cuidado. A segunda aparece quando ele recusa ou responde de maneira defensiva a uma situação legítima.

No trabalho, essa tensão também existe. Um agente excessivamente obediente pode executar uma instrução ambígua, reforçar uma pressão indevida ou concluir uma decisão que deveria voltar para uma pessoa. Um agente excessivamente cauteloso pode bloquear tarefas rotineiras, criar alertas demais e deslocar para a equipe toda a responsabilidade que a automação deveria ajudar a organizar.

As duas falhas afetam o bem-estar. Autonomia sem fronteiras pode gerar insegurança e retrabalho. Proteção sem proporcionalidade pode aumentar frustração e sobrecarga. A empresa precisa testar os dois extremos e construir regras para que a IA reconheça situações normais, limites de competência e momentos em que deve pedir contexto ou entregar a decisão a alguém com autoridade.

Cenários reais revelam riscos que uma demonstração não mostra

A Anthropic recomenda avaliações com situações realistas e conversas de múltiplas etapas, nas quais o risco pode crescer e o contexto mudar. Essa orientação é especialmente importante no ambiente corporativo. Muitos problemas não aparecem na primeira interação. Surgem depois de horas, dias ou ciclos de trabalho, quando pequenas escolhas começam a se acumular.

Um assistente pode parecer útil durante uma demonstração curta e se tornar cansativo quando solicita confirmações repetidas. Uma automação pode funcionar em um pedido simples e falhar quando o cliente muda uma condição no meio do processo. Uma ferramenta de escrita pode acelerar o primeiro rascunho, mas enfraquecer a confiança profissional se a pessoa passa a revisar respostas sem compreender como foram produzidas.

O piloto precisa reproduzir a rotina, inclusive exceções, mudanças de prioridade, indisponibilidade de dados e momentos de pressão. Também deve observar diferentes funções e níveis de experiência. Uma ferramenta que ajuda uma pessoa especialista pode confundir quem ainda está aprendendo. O efeito sobre gestores pode ser diferente do efeito sobre quem executa e responde pelo trabalho na linha de frente.

Quem vive o processo precisa participar da avaliação

A orientação publicada pede participação de especialistas clínicos e de domínio na construção e validação das avaliações. O princípio é aplicável às empresas: quem conhece o trabalho real deve participar desde o desenho do teste, não apenas responder a uma pesquisa depois que a decisão de implantação já foi tomada.

A composição depende do caso. Operações conhece exceções. Recursos humanos compreende organização do trabalho e políticas internas. Segurança e privacidade identificam limites de acesso. Lideranças reconhecem prioridades e pressões. Pessoas que utilizarão o sistema sabem onde a rotina exige julgamento, improvisação ou cuidado que os documentos formais não registram.

O NIST recomenda integrar perspectivas técnicas e não técnicas ao longo do ciclo de vida e definir claramente papéis de uso, supervisão e monitoramento. Essa distribuição evita que a equipe responsável por desenvolver a automação seja a única a avaliar seus efeitos. Também cria um canal para contestar resultados e registrar impactos que não aparecem nos indicadores técnicos.

A avaliação precisa combinar evidências, não procurar um número mágico

Uma empresa pode reunir sinais quantitativos e qualitativos sem prometer que um único índice explica toda a experiência. Tempo de conclusão, retrabalho, reversões, pedidos de ajuda, interrupções e uso fora do horário podem mostrar mudanças no processo. Entrevistas, observação e relatos estruturados ajudam a compreender por que essas mudanças aconteceram.

Os critérios devem ser definidos antes da análise para reduzir interpretações convenientes. A equipe pode registrar quais efeitos pretende melhorar, quais não aceita piorar e quais situações exigem interrupção do piloto. Também precisa decidir quem revisa os resultados e que evidência autoriza expansão, correção ou retirada da ferramenta.

A orientação da Anthropic alerta para avaliações sem validação humana, critérios ambíguos e modelos que julgam a si próprios. Nas empresas, a IA pode ajudar a organizar respostas e localizar padrões, mas não deve ser a única avaliadora de um impacto que ela própria produz. Amostras precisam ser examinadas por pessoas com conhecimento do processo, e divergências devem ser tratadas como informação, não como ruído a eliminar.

Um piloto responsável começa com limites e aprende com o uso

O primeiro passo pode ser pequeno. A organização escolhe uma tarefa delimitada, identifica as pessoas afetadas, descreve o comportamento atual e registra o benefício esperado. Em seguida, define dimensões de bem-estar relevantes, situações de risco, canais de feedback e condições que exigem pausa ou retorno ao processo anterior.

Durante o piloto, a empresa acompanha não apenas a saída da IA, mas a relação entre pessoas, tecnologia e metas. Reúne episódios concretos de ajuda, confusão, sobrecarga, perda de autonomia e melhoria de qualidade. Observa se o treinamento ofereceu recursos para interpretar respostas e se gestores respeitaram o tempo necessário para revisão e aprendizagem.

Depois, compara resultados com os critérios definidos e devolve as conclusões às pessoas participantes. Se o sistema for ampliado, o monitoramento continua, porque modelos, integrações, equipes e condições de trabalho mudam. O NIST recomenda processos contínuos de acompanhamento, resposta a incidentes e incorporação de feedback de pessoas impactadas. Bem-estar não é uma verificação única antes do lançamento.

Conclusão

O programa anunciado pela Anthropic torna visível uma lacuna importante: ainda estamos aprendendo a avaliar como sistemas de IA afetam as pessoas. Para as empresas, esperar uma métrica universal não é uma opção prudente. Cada implantação já reorganiza atenção, responsabilidade, autonomia e ritmo, mesmo quando o projeto é apresentado apenas como ganho de produtividade.

Avaliar bem-estar não significa rejeitar automação nem transformar liderança em clínica. Significa reconhecer que o desempenho de um sistema sociotécnico depende das condições em que pessoas utilizam, supervisionam e corrigem a tecnologia. Quando a empresa define critérios, testa situações reais, escuta quem vive o processo e preserva contestação, ela produz evidências melhores para decidir.

Na minha visão, uma organização não deveria chamar de sucesso uma automação que entrega mais e deixa as pessoas menos capazes de compreender, questionar ou sustentar o próprio trabalho. A IA com propósito precisa ampliar capacidade humana sem tornar invisível o custo emocional e organizacional da mudança.

O avanço mais responsável não será o da empresa que instala IA em todas as tarefas primeiro. Será o da empresa que aprende a distinguir alívio de sobrecarga, apoio de dependência e autonomia de abandono. Quando bem-estar entra na avaliação desde o início, tecnologia e gestão passam a responder pela mesma pergunta: que tipo de trabalho estamos construindo?