Resistência à IA: o que é, o que a pesquisa examinou e como conduzir a conversa com o time

Resistência à IA é, neste guia, qualquer reação do time à chegada de uma ferramenta de inteligência artificial que reduza o uso esperado: evitar a ferramenta, usá-la só quando cobrado ou se opor a ela abertamente. É uma definição de trabalho da CGLC.

Este guia reúne o que a pesquisa examinou sobre o assunto e mostra como conduzir a conversa numa PME. Na nossa leitura, o time que resiste costuma estar fazendo uma conta, e o gestor que ignora a conta perde a conversa antes de começar.

O que é resistência à IA

Na nossa prática: quando uma PME adota IA, parte do time muda a rotina, parte usa de má vontade e parte finge que não viu. Todas essas reações cabem na definição de trabalho acima, e nenhuma delas é a mesma coisa. Na nossa leitura, as fontes deste artigo tratam de quatro temas vizinhos, e cada um olha para um pedaço.

Conceito vizinho	O que a fonte examinou	O que fica de fora
Resistência à mudança organizacional	Oreg e colegas (2011) revisaram 79 estudos quantitativos de reações a mudanças, publicados entre 1948 e 2007. Ford e colegas (2008) discutem o próprio conceito de resistência	Não tratam de IA. A revisão de Oreg vai até 2007
Aversão a algoritmos	Dietvorst e colegas (2015) fizeram experimentos de previsão. Mahmud e colegas (2022) revisaram 80 estudos empíricos	O foco é a decisão apoiada por algoritmo, e não o uso diário de um assistente de IA
Percepção de risco ao emprego	Brougham e Haar (2018) mediram, em 120 empregados, quanto eles sentem que o próprio emprego poderia ser substituído por tecnologias como IA e robótica	É associação numa amostra de 120 empregados, de antes da IA generativa
Resistência ao controle por algoritmo	Kellogg e colegas (2020) sintetizam a pesquisa sobre algoritmos que dirigem, avaliam e disciplinam trabalhadores, e sobre as táticas de resistência deles	Trata de algoritmos que gerenciam pessoas, e não de ferramentas que o time escolhe usar

Ressalva de escopo: nenhuma das seis fontes deste artigo tem a PME brasileira como foco. Dietvorst e colegas usaram tarefas de previsão em experimentos, Ford e colegas escreveram um artigo conceitual, e Kellogg e colegas sintetizaram o controle algorítmico no trabalho. Tudo o que for dito sobre a PME é leitura da CGLC.

O que a pesquisa examinou em temas vizinhos

A resistência não é só problema de quem resiste

Ford, Ford e D’Amelio (2008) descrevem as visões dominantes de resistência como uma história de um lado só, que favorece os agentes de mudança: a resistência seria uma reação irracional e disfuncional, localizada nos receptores da mudança. Os autores propõem o contrário. Segundo eles, os agentes de mudança contribuem para a resistência com suas ações e omissões, e a resistência pode ser um recurso para a mudança.

Oreg, Vakola e Armenakis (2011) acrescentam a visão de conjunto. Revisando 79 estudos quantitativos, eles concebem as reações como atitudes de três dimensões e as ligam a antecedentes: características de quem recebe a mudança, o contexto interno e, na própria mudança, o processo, o benefício ou prejuízo percebido e o conteúdo.

Leitura da CGLC: para a PME, e sem que essas fontes tenham a PME como foco, o gestor que trata a resistência como defeito do time pula a pergunta sobre o próprio processo. Quem decidiu a ferramenta, quem foi ouvido e o que foi explicado fazem parte daquilo a que o time está reagindo.

Perceber o emprego como substituível anda junto de piores resultados

Brougham e Haar (2018) criaram uma medida de quanto o empregado sente que seu emprego poderia ser tomado por tecnologias como IA, robótica e algoritmos. Em 120 empregados, maior consciência dessa possibilidade se relacionou negativamente ao comprometimento organizacional e à satisfação com a carreira, e positivamente à intenção de sair, ao cinismo e à depressão.

O estudo mostra relação entre percepção e resultados. Ele não permite dizer que a percepção causou os resultados, e foi publicado antes da IA generativa chegar ao cotidiano de trabalho. Mesmo assim, a associação chama atenção para o tema.

Na nossa leitura: saída de gente e cinismo são resultados que uma PME sentiria no caixa, embora o estudo não tenha medido PMEs.

Em previsões, a confiança no algoritmo caiu mais rápido que no humano após o erro

Dietvorst, Simmons e Massey (2015) relatam, em cinco estudos, que as pessoas ficam especialmente avessas a previsões de algoritmos depois de vê-los atuar, mesmo quando o algoritmo supera o humano. Segundo os autores, a explicação é que as pessoas perdem a confiança no algoritmo mais depressa do que no humano depois de ver os dois cometerem o mesmo erro. Foram experimentos de previsão, e não equipes de PME.

Mahmud e colegas (2022) organizaram 80 estudos empíricos sobre aversão a algoritmos em quatro temas: o algoritmo, o indivíduo, a tarefa e fatores de nível mais alto. Eles relatam que os dois primeiros foram bastante investigados e que os dois últimos receberam pouca atenção.

Na nossa leitura: a tarefa é justamente onde a PME decide. Em qual tarefa a ferramenta entra, com que consequência de erro e quem responde são decisões do dono, e a revisão de Mahmud e colegas aponta pouca pesquisa sobre esse fator.

Quando a resistência vira tática

Kellogg, Valentine e Christin (2020) sintetizaram a pesquisa sobre algoritmos no trabalho usando a ideia de “terreno disputado”: gestores implantam tecnologias para extrair mais valor do trabalho e os trabalhadores resistem. Eles descrevem seis mecanismos pelos quais algoritmos exercem controle e relatam que trabalhadores resistem, individual e coletivamente, por táticas que chamam de “algoativismo”.

Na nossa leitura: o estudo trata de algoritmos que dirigem, avaliam e disciplinam pessoas, e a PME que oferece um assistente de IA ao time está em situação diferente da estudada por Kellogg e colegas. O que vale levar é a ideia de que resistência pode ser organizada e tem lógica, e não só humor.

A resistência como conta do time

Na nossa prática: o time que resiste costuma estar fazendo uma conta com três linhas. Cada linha é uma pergunta que a pessoa raramente faz em voz alta, e a conversa com o gestor só avança quando as três ficam na mesa.

1. 1. O que eu perco se der certo?

   A tarefa que justificava o meu cargo, o meu tempo de casa ou a minha avaliação passa a ser feita pela ferramenta

2. 2. Quem responde se der errado?

   O erro da ferramenta vira o meu erro diante do cliente e do chefe, e nunca foi combinado quem assina

3. 3. Alguém me perguntou?

   A ferramenta chegou decidida, sem que quem faz o trabalho fosse ouvido sobre o que funciona hoje

A primeira pergunta se apoia na associação que Brougham e Haar (2018) relatam. A segunda dialoga com a perda de confiança após o erro que Dietvorst e colegas (2015) descrevem. A terceira retoma o que Ford e colegas (2008) e Oreg e colegas (2011) apontam sobre o processo. Essas ligações são nossas: as fontes não testaram a conta como um todo.

Leitura da CGLC: a pessoa que automatiza a própria tarefa entrega a justificativa do próprio cargo, e ninguém faz isso de graça. Quando o dono não responde à primeira pergunta, o time responde por conta própria, e quase sempre pela pior hipótese. O artigo IA e empregos mostra quais funções tendem a mudar e ajuda a dar uma resposta concreta.

Como conduzir a conversa com o time

Na nossa prática: a ordem importa mais que a lista. Treinar antes de responder às três perguntas costuma ensinar a usar uma ferramenta que a pessoa ainda não decidiu aceitar. O roteiro abaixo é ponto de partida, e não vem de estudo nenhum.

Passo	O que o gestor faz	O que ouvir
1. Dizer o que muda e o que não muda	Explica por escrito quais tarefas a ferramenta vai assumir e o que acontece com o cargo e com as horas liberadas	Se o medo de substituição aparece na pergunta ou só no silêncio
2. Perguntar qual é a conta	Pergunta, em conversa individual, o que a pessoa teme perder ou arriscar com a ferramenta	Perdas concretas: tempo, avaliação, responsabilidade, forma de trabalhar
3. Combinar quem responde pelo erro	Define o que a ferramenta pode tocar e quem revisa a saída. A governança de IA mínima serve de base	Se a pessoa se sente protegida para apontar erro da ferramenta
4. Começar pequeno e com quem quer	Roda um piloto de IA curto, com voluntários, e pede ao time que ajude a desenhar o teste	O que o time já faz bem e a ferramenta atrapalharia
5. Devolver retorno com acertos e erros	Mostra o que a ferramenta acertou e o que errou, com a mesma clareza. A técnica de feedback vale para a conversa	Se a confiança sobe ou cai conforme os casos aparecem

Na nossa leitura: o quinto passo existe por causa de Dietvorst e colegas (2015). Se a confiança no algoritmo cai mais rápido do que no humano após um erro, como nos experimentos de previsão desse estudo, o gestor deve mostrar o placar completo, e não deixar o time formar a opinião só pelos erros que viu. Mostrar o placar completo é proposta nossa, e o estudo não a testou.

Cada pessoa chega ao assunto em um ponto diferente. Quem tem medo de perder o cargo precisa de uma resposta diferente da de quem só acha a ferramenta ruim. A lógica da liderança situacional ajuda a ajustar o estilo da conversa ao momento de cada um.

Quando a resistência é informação

Ford e colegas (2008) propõem que a resistência pode ser um recurso para a mudança.

Na nossa leitura: na PME, isso tem uma tradução prática. Parte do que o time diz contra a ferramenta é diagnóstico.

O que o time diz	Leitura provável	Resposta
“A ferramenta erra demais”	Pode ser avaliação correta da qualidade para aquela tarefa	Medir os erros numa amostra antes de insistir no uso
“Isso vai tirar o meu emprego”	Medo de substituição, não resolvido pelo gestor	Responder ao passo 1 por escrito e individualmente
“Não tenho tempo para aprender”	Custo de aprendizagem que ninguém pagou	Liberar horas dentro da jornada
“Ninguém me explicou para quê”	Falha de processo na implantação	Reabrir a decisão com quem faz o trabalho
“Eu já tinha um jeito que funcionava”	Conhecimento do trabalho que a ferramenta ignora	Ouvir o método atual antes de padronizar

Leitura da CGLC: nem toda resistência merece persuasão. Uma parte merece correção da ferramenta, do processo ou da promessa feita ao time. O sinal de que a conversa foi boa é o gestor mudar alguma coisa depois dela.

Erros comuns ao conduzir a resistência

Na nossa leitura: estes são os erros mais prováveis, e as consequências descritas são leitura da casa.

• Cobrar uso antes de responder às três perguntas. A meta de uso sem resposta vira obediência de fachada.
• Prometer o que não dá para cumprir. Dizer que ninguém perde nada, sem poder garantir, cobra a conta no primeiro corte.
• Tratar tudo como falta de treinamento. Treinar quem ainda não aceitou a ferramenta ensina a usar algo que a pessoa não decidiu adotar.
• Esconder os erros da ferramenta. O time os descobre, e a confiança cai de uma vez.
• Usar o mais resistente como exemplo. A pessoa vira símbolo, e a conversa vira conflito de pessoas.

Perguntas frequentes

O que é resistência à IA?

Neste guia, é qualquer reação do time à chegada de uma ferramenta de IA que reduza o uso esperado: evitar, usar só quando cobrado ou se opor. É uma definição de trabalho da CGLC. Na leitura da CGLC, a literatura estuda temas vizinhos, como resistência à mudança, aversão a algoritmos e percepção de risco ao emprego.

Resistência à IA é a mesma coisa que aversão a algoritmos?

Na leitura da CGLC, não. Dietvorst e colegas (2015) chamam de aversão a algoritmos a preferência por um previsor humano em vez do algoritmo, que, nos experimentos deles, fica mais forte depois de vê-lo atuar. A resistência à IA, no sentido deste guia, é mais ampla e inclui, por exemplo, o medo de perder o cargo, que Brougham e Haar (2018) estudaram à parte. Nenhuma fonte citada tem a PME brasileira como foco.

O time resiste porque tem medo de perder o emprego?

O estudo de Brougham e Haar (2018) não permite afirmar isso. Os autores não tinham a resistência como medida: relatam, em 120 empregados, que perceber o emprego como substituível se relacionou a menor comprometimento e maior intenção de sair. É associação, e a PME brasileira não era o foco. Na leitura da CGLC, o medo é uma das três perguntas da conta do time.

Treinamento resolve a resistência?

Na leitura da CGLC, treinamento sozinho costuma não resolver. Treinar antes de responder às perguntas do time ensina a usar uma ferramenta que a pessoa ainda não aceitou. A ordem que usamos é conversar, combinar quem responde pelo erro, testar pequeno e só então treinar. É método da CGLC, e não resultado de estudo.

Como começar a conversa numa PME?

Ford e colegas (2008) propõem que a resistência pode ser um recurso para a mudança. Na leitura da CGLC, comece individualmente, com uma pergunta aberta: o que você teme perder ou arriscar com essa ferramenta? Ouvir a resposta antes de defender a ferramenta é o jeito prático de aproveitar a resistência. É método nosso, e não resultado de estudo. O texto de Ford e colegas é um artigo conceitual.

Outros artigos relacionados

• IA e empregos: quais funções mudam e como preparar o time
• Governança de IA: o que é, como montar e o mínimo que a PME precisa ter
• Piloto de IA: o que é, como conduzir e como decidir se ele vira rotina
• Como dar feedback para a equipe: técnicas que funcionam
• Liderança situacional: o que é, como aplicar em 5 passos e o que os testes encontraram

Fontes e referências

• Brougham, D., & Haar, J. (2018). Smart Technology, Artificial Intelligence, Robotics, and Algorithms (STARA): Employees’ perceptions of our future workplace. Journal of Management & Organization, 24(2), 239-257. https://doi.org/10.1017/jmo.2016.55
• Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114-126. https://doi.org/10.1037/xge0000033
• Ford, J. D., Ford, L. W., & D’Amelio, A. (2008). Resistance to change: The rest of the story. Academy of Management Review, 33(2), 362-377. https://doi.org/10.5465/amr.2008.31193235
• Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366-410. https://doi.org/10.5465/annals.2018.0174
• Mahmud, H., Islam, A. K. M. N., Ahmed, S. I., & Smolander, K. (2022). What influences algorithmic decision-making? A systematic literature review on algorithm aversion. Technological Forecasting and Social Change, 175, Article 121390. https://doi.org/10.1016/j.techfore.2021.121390
• Oreg, S., Vakola, M., & Armenakis, A. (2011). Change recipients’ reactions to organizational change: A 60-year review of quantitative studies. The Journal of Applied Behavioral Science, 47(4), 461-524. https://doi.org/10.1177/0021886310396550

A CGLC (Centro de Gestão e Liderança Contemporânea) é um laboratório de cocriação de soluções que apoia empresas e líderes no desenvolvimento de lideranças, cultura de inovação e gestão de pessoas.