Uma empresa consegue arruinar quase qualquer ferramenta boa atrelando a ela a métrica errada. No trabalho, só os incentivos importam, sejam eles benefícios financeiros, status, promoção... Os trabalhadores trabalham movidos por incentivos. Você e eu também. Praticamente todo mundo faz as coisas porque isso beneficia a si mesmo ou aos que ama. Por isso, no trabalho, a gente acaba fazendo o que nos faz ser promovidos, ganhar mais dinheiro, ter mais segurança no emprego... A gente não é dono da empresa, a gente é funcionário. A gente cuida de si mesmo. E tudo bem.
O uso de IA nas empresas de tecnologia
Quando a gestão começa a comemorar consumo de tokens, volume de prompts, número de agentes ou uso diário de IA, as pessoas vão otimizar para atividade de máquina em vez de resultados úteis. Se o seu emprego está em risco porque te marcaram como alguém que se recusa a usar IA, então... você usa IA. E muito, principalmente quando os engenheiros são recompensados por usar cada vez mais. Isso não significa que sejam irracionais. Significa que são funcionários. Funcionários correm atrás do que a liderança consegue ver, ainda mais quando a coisa visível vem com recompensa. Agora a atividade de IA carrega um monte de recompensa
Isso é só a velha corrupção de KPI numa fantasia nova. As organizações sabem na teoria que, assim que uma métrica vira meta, ela deixa de ser uma medida limpa, e aí esquecem a regra no momento em que a métrica parece técnica e voltada para o futuro. A IA piora a amnésia porque atividade de máquina é fácil de pôr num gráfico e fácil de exibir por aí. A adoção de IA é uma dessas.
O placar bom é mais difícil e menos lisonjeiro. Imagine um time de suporte que orgulhosamente dobra o volume de respostas assistidas por IA. Parece ótimo até você notar que as escalações também subiram, porque as respostas de primeira passada eram rasas e os supervisores gastaram mais tempo corrigindo. Uma métrica melhor não é "quantas respostas de IA a gente gerou?" É "o tempo de primeira resposta melhorou sem piorar escalação, retrabalho ou frustração do cliente?" A mesma coisa vale na engenharia. Queimar mais tokens não significa nada se o tempo de revisão, a taxa de defeitos e o risco de rollback pioram todos. Quanto de impacto o time de engenharia realmente teve, afinal?
Tem uma objeção que vale levar a sério. No começo de uma adoção, métricas de uso podem importar. Se ninguém está encostando na ferramenta, não existe história de adoção nenhuma. Justo. Mas métricas temporárias de experimentação têm o péssimo hábito de virar métricas de vaidade permanentes. Assim que status e avaliação se prendem à atividade visível de IA, a organização começa a fabricar atividade para alimentar o placar.
É assim que ferramentas úteis viram burocracia. Os funcionários começam a usar prompt quando deveriam só decidir por conta própria. Os líderes começam a pedir planos de agentes porque planos de agentes parecem modernos. Os times otimizam para a superfície mensurável de IA em vez de custo, qualidade e entrega de verdade. A instituição simplesmente achou um jeito novo de desperdiçar dinheiro enquanto se parabeniza.
Isso já tinha sido um problema resolvido. A gestão costumava recompensar os engenheiros por escrever mais código. Aí as bases de código acabavam crescendo de forma dramática e ficando frágeis e inchadas. A métrica simplista já tinha mostrado como não dá para colocar métricas simples de desempenho no lugar e esperar bons resultados. Assim que você as coloca, as pessoas otimizam para elas. E tudo bem, eu faço a mesma coisa.