Liderança e IA: quem decide quando a máquina recomenda?

Categoria: Decisão | Liderança | IA

Leitura: 7 minutos

A liderança e a IA colocam hoje uma questão que parece simples, mas não é: quando uma máquina recomenda, quem está realmente a decidir?

A inteligência artificial já resume informação, identifica padrões, sugere prioridades, avalia cenários e recomenda ações. Em muitas organizações, estas recomendações entram em reuniões de gestão, processos de recrutamento, análises de desempenho, decisões comerciais e planeamento estratégico.

O problema não é receber uma recomendação da IA. O problema começa quando ninguém consegue explicar o que foi questionado, que informação ficou de fora e quem assumiu responsabilidade pela decisão final.

Usar IA não elimina a necessidade de liderança. Torna-a mais exigente.

Uma recomendação não é uma decisão

Uma recomendação algorítmica pode ser útil, plausível e bem fundamentada nos dados disponíveis. Mas não conhece, por defeito, o contexto político, humano, operacional ou ético em que uma organização trabalha.

Não sabe que relação será afetada por uma mudança de equipa. Não percebe a história de confiança entre duas áreas. Não conhece a capacidade real de execução de uma chefia intermédia. Não assume as consequências de uma decisão que falha.

É por isso que a distinção mais importante não é entre decisão humana e decisão artificial. É entre:

• usar IA para informar uma decisão;
• usar IA para substituir o julgamento que a decisão exige.

A primeira pode aumentar capacidade. A segunda pode diluir responsabilidade sem que ninguém repare.

O que a investigação mostra sobre julgamento e IA

Num estudo realizado em três departamentos de radiologia nos Estados Unidos, Lebovitz, Lifshitz-Assaf e Levina analisaram como profissionais lidavam com ferramentas de IA opacas em decisões críticas.

Os investigadores encontraram um padrão relevante. Apenas num dos departamentos os profissionais incorporavam de forma consistente os resultados da IA no julgamento final. Para isso, desenvolveram práticas de interrogação: formas de relacionar o seu conhecimento profissional com a recomendação produzida pelo sistema.

Não se limitavam a perguntar “qual é a resposta?”. Procuravam perceber onde a recomendação divergía do seu julgamento, que hipótese explicava essa divergência e que informação adicional era necessária antes de decidir.

O contexto é médico, não empresarial. Mas a implicação para a gestão é clara: uma ferramenta opaca não melhora automaticamente a decisão. A qualidade depende das práticas que existem à volta dela.

A IA pode produzir uma recomendação. Mas a organização continua a precisar de alguém capaz de perguntar: “O que é que isto não está a ver?”

Automação e augmentation não são escolhas opostas

É frequente tratar automação e augmentation como duas opções incompatíveis: ou a tecnologia substitui uma tarefa humana, ou apoia uma pessoa a executá-la melhor.

Na prática, a relação é mais complexa. A automação pode libertar tempo e capacidade para decisões mais exigentes. Mas também pode reduzir progressivamente o contacto da equipa com problemas que precisa de continuar a saber interpretar.

O risco aparece quando rapidez, redução de custo e volume de output se tornam os únicos critérios de qualidade. Nesse cenário, a organização pode usar IA para decidir mais depressa, mas não necessariamente para decidir melhor.

Uma boa integração não pergunta apenas “o que conseguimos automatizar?”. Pergunta também:

• Que julgamento humano continua a ser necessário?
• Que decisões exigem validação explícita?
• Que capacidades não podemos deixar de praticar?
• Quem responde quando a recomendação falha?

O recurso que nasce entre a pessoa e a máquina

Um estudo sobre adoção de IA no xadrez ajuda a tornar esta ideia mais concreta. Ao comparar desempenho humano, desempenho de motores de IA e desempenho híbrido humano-IA, Krakowski e colegas identificaram um recurso de decisão novo, criado na intersecção entre a pessoa e a ferramenta.

O melhor desempenho não dependia apenas de ter o melhor jogador ou o melhor sistema. Dependia da capacidade de usar a recomendação, interpretá-la e transformá-la em decisão no contexto certo.

Para organizações, a lição é direta: a vantagem não está apenas na ferramenta adquirida. Está na capacidade coletiva de formular boas perguntas, interpretar recomendações, reconhecer limites e decidir com responsabilidade.

Não basta colocar IA nas mãos de líderes. É preciso desenvolver a competência de trabalhar com ela sem abdicar da agência da decisão.

Quatro práticas para decidir com IA sem delegar o julgamento

1. Definir que decisões podem ser assistidas e quais exigem validação formal

Nem todas as decisões têm o mesmo risco. Uma IA pode apoiar a preparação de uma reunião, a análise inicial de dados ou a organização de informação. Mas decisões com impacto em pessoas, investimento, reputação, estratégia ou risco legal exigem níveis mais elevados de validação humana.

A organização deve deixar claro onde a IA pode sugerir, onde pode executar tarefas e onde nunca pode ser o decisor final.

2. Institucionalizar o contraditório

Antes de transformar uma recomendação em decisão, alguém deve ter a responsabilidade explícita de a desafiar.

• Que pressupostos estão embutidos nesta recomendação?
• Que dados ou perspetivas podem estar ausentes?
• Em que cenário esta sugestão falharia?
• Que alternativa relevante não foi considerada?

O objetivo não é atrasar todas as decisões. É garantir que, nas decisões relevantes, a velocidade não substitui o pensamento.

3. Tornar visível o papel da IA no processo

Quando uma decisão importante é apoiada por IA, a equipa deve conseguir explicar onde a ferramenta foi usada, que informação recebeu, que output produziu e como esse output influenciou a escolha final.

Não se trata de criar burocracia tecnológica. Trata-se de preservar responsabilização. Quando ninguém sabe como uma recomendação entrou na decisão, ninguém consegue aprender com ela, corrigi-la ou contestá-la.

4. Avaliar qualidade de julgamento, não apenas velocidade

Se os sistemas de desempenho valorizam apenas rapidez, volume e cumprimento imediato de metas, a organização está a incentivar o uso mais automático da IA.

Em funções de liderança, gestão, RH, operações ou estratégia, também deve contar a capacidade de identificar riscos, desafiar pressupostos, integrar informação contraditória e justificar uma decisão difícil.

É a diferença entre medir resultados e gerir a qualidade do processo que os produz. Como exploramos no ensaio Performance organizacional: por que medir não é o mesmo que gerir, os indicadores são úteis; mas só produzem melhoria quando existe uma resposta estruturada a partir deles.

Uma checklist antes de decidir com apoio de IA

• Que decisão concreta estamos a tentar apoiar?
• Que parte do processo foi feita por IA?
• Que dados, fontes ou pressupostos influenciaram a recomendação?
• Quem a questionou antes da decisão final?
• Que alternativa foi considerada e rejeitada?
• Quem assume responsabilidade se a decisão produzir um resultado indesejado?

Uma organização madura não usa esta checklist para desconfiar da tecnologia. Usa-a para garantir que a tecnologia reforça, em vez de enfraquecer, a qualidade das suas decisões.

A liderança na era da IA é mais exigente

A IA eleva a capacidade de gerar informação. Não elimina a necessidade de interpretar contexto, gerir ambiguidade, assumir responsabilidade e escolher entre prioridades concorrentes.

Na verdade, quanto mais fácil se torna produzir respostas, mais importante se torna distinguir uma resposta plausível de uma decisão adequada ao contexto.

É por isso que desenvolver liderança hoje não pode limitar-se a comunicação, feedback, delegação ou gestão de equipas. Tem de incluir a capacidade de trabalhar com tecnologia sem entregar à tecnologia aquilo que continua a ser responsabilidade humana.

Na VAGAR, apoiamos líderes e organizações a clarificar decisões, desenvolver critérios, fortalecer julgamento e integrar IA em práticas de gestão que continuam a ter pessoas responsáveis no centro.

Conheça o trabalho da VAGAR em Desenvolvimento Organizacional e Formação e em desenvolvimento de liderança.

Base de evidência

• Lebovitz, S., Lifshitz-Assaf, H., & Levina, N. (2022). To engage or not to engage with AI for critical judgments: How professionals deal with opacity when using AI for medical diagnosis. Organization Science, 33(1), 126-148.
• Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation-augmentation paradox. Academy of Management Review, 46(1), 192-210.
• Krakowski, S., Luger, J., & Raisch, S. (2023). Artificial intelligence and the changing sources of competitive advantage. Strategic Management Journal, 44(6), 1425-1452.