O Resultado Chegou. A Competência Também?
O que muda na avaliação de desempenho quando a entrega chega impecável, mas o raciocínio nem sempre a acompanha.
Durante décadas, as organizações trataram o resultado como uma das evidências mais importantes de desempenho. Metas mais claras, indicadores mais consistentes, critérios de qualidade bem definidos e maior conexão com os objetivos estratégicos ajudaram a reduzir parte da subjetividade que historicamente acompanhou a avaliação de pessoas. Modelos como SMART, OKRs e outros sistemas de acompanhamento trouxeram disciplina ao processo e permitiram discutir desempenho com base em evidências mais concretas. Esse avanço continua sendo relevante.
O problema começa quando transformamos uma evidência importante em evidência suficiente.
A inteligência artificial torna essa questão mais visível porque muda a forma como determinadas entregas podem ser construídas. Um profissional pode produzir uma análise complexa, estruturar cenários, organizar informações, comparar alternativas ou elaborar uma recomendação utilizando recursos de IA que ampliam significativamente sua velocidade e sua capacidade de processamento. Outro pode chegar a um resultado semelhante por caminhos diferentes, com participação mais direta na formulação de hipóteses, no exame das alternativas e na construção do raciocínio. Se ambos atingiram a meta, entregaram no prazo e atenderam aos padrões de qualidade, como avaliar? A resposta não está simplesmente em identificar quem usou ou deixou de usar IA. A questão mais importante é compreender o que, de fato, a organização acredita estar avaliando quando olha para o resultado.
Se o propósito for verificar exclusivamente se determinado resultado foi alcançado, o dilema é menor. Um profissional que utiliza bem os recursos disponíveis para entregar com mais eficiência pode estar demonstrando exatamente uma competência desejável. Não faria sentido premiar o trabalho mais lento apenas porque exigiu mais etapas ou maior participação manual. A capacidade de utilizar ferramentas para ampliar produtividade sempre fez parte da evolução do trabalho. A IA intensifica esse movimento, mas não inaugura esse princípio.
O ponto crítico vem depois, quando o mesmo sistema de avaliação utilizado para medir resultados passa também a alimentar decisões sobre promoção, sucessão, movimentação interna, identificação de talentos ou atribuição de responsabilidades mais complexas. Nesse momento, a pergunta muda. Já não basta saber se o resultado foi entregue.
É preciso compreender o que aquela entrega demonstra sobre a capacidade de quem a produziu e o que pode ser, de fato, projetado para o futuro.
É justo reconhecer que organizações maduras já fazem essa distinção. Avaliação de desempenho, calibração de talentos, Nine Box e discussões sucessórias existem justamente porque resultado e potencial nunca foram a mesma coisa. A novidade não está nessa distinção. O que muda é que a IA pode ampliar a distância entre uma entrega excelente e a competência subjacente que ela parece comprovar. E pode fazer isso sem deixar sinais evidentes, porque o produto final continua chegando bem estruturado, convincente e, muitas vezes, melhor do que antes. À medida que produzir se torna mais fácil em determinadas atividades, a sofisticação do produto final deixa de ser, por si só, uma boa evidência da capacidade de quem o produziu.
Esse dilema não nasceu com a tecnologia. Há muitos anos as organizações convivem com algo semelhante na avaliação da liderança. Um gestor pode entregar resultados expressivos, atingir metas agressivas, cumprir prazos e gerar impacto relevante para o negócio e, ao mesmo tempo, deixar pelo caminho uma equipe exausta, relações deterioradas, baixa confiança, pouca formação de sucessores e um ambiente que funciona enquanto ele está presente, mas cobra a conta depois. Há culturas em que esse custo pesa fortemente na avaliação. Em outras, o resultado final ocupa posição tão central que o modo como ele foi alcançado recebe atenção secundária. Essas escolhas expressam valores, prioridades e uma determinada visão sobre o que significa desempenho. A questão não é definir qual visão está correta, mas reconhecer que culturas diferentes produzem decisões diferentes sobre quem é considerado um profissional de alta performance.
A IA torna esse dilema antigo mais difícil de interpretar.
No caso da liderança, o “como” revela os efeitos que determinada forma de gestão produz sobre pessoas e cultura. No trabalho apoiado por IA, o “como” pode revelar outra dimensão: quanto de julgamento, domínio técnico, discernimento, capacidade analítica e responsabilidade esteve presente naquela entrega. Isso não significa transformar a avaliação em uma investigação sobre quanto do trabalho o próprio profissional realizou “sozinho”, como se o uso de tecnologia reduzisse automaticamente o mérito. Essa seria uma simplificação perigosa. O desafio não está em descobrir quanto da entrega a IA produziu, mas em compreender o que aquela entrega realmente comprova sobre quem a produziu.
Imagine dois profissionais que entregam uma recomendação estratégica de qualidade semelhante. Ambos apresentam dados bem-organizados, hipóteses coerentes e conclusões consistentes. Um deles, quando questionado sobre uma premissa central, explica por que adotou determinado caminho, reconhece limitações, revê parte do raciocínio e sustenta a decisão diante de novas variáveis. O outro tem dificuldade para sair do material apresentado, não consegue explicar algumas escolhas com segurança e mostra forte dependência das respostas geradas ao longo do processo. Para efeito de entrega, os dois podem ter cumprido a meta. Para efeito de sucessão, não demonstraram necessariamente a mesma coisa.
Essa diferença ajuda a separar três dimensões que nem sempre caminham juntas: o que foi entregue, o que foi demonstrado e o que pode ser projetado para o futuro. Um bom sistema de gestão pode medir a primeira dimensão com bastante precisão e, ainda assim, oferecer evidências insuficientes sobre as outras duas. O uso competente da IA pode ampliar repertório, acelerar análises e liberar tempo para decisões de maior valor. A dependência excessiva, por outro lado, pode mascarar lacunas de compreensão ou julgamento, e essa diferença raramente aparece no produto final.
É nesse ponto que o papel do gestor se torna mais exigente.
Avaliar desempenho não deveria se resumir a conferir o placar. Será necessário testar a qualidade do raciocínio que sustenta a entrega: questionar uma premissa central, alterar uma variável, explorar uma alternativa descartada e observar até onde o profissional sustenta sua recomendação quando o roteiro deixa de ajudá-lo. Isso não significa voltar ao “olhômetro”. Julgamento estruturado, apoiado em perguntas e evidências, é diferente de impressão pessoal. Perguntar quais premissas foram consideradas, que alternativas foram avaliadas, onde havia incerteza e por que determinada decisão foi tomada é diferente de concluir simplesmente que alguém “parece pronto” ou “não passa segurança”.
Esse cuidado evita confundir domínio de ferramentas com prontidão para lidar com maior complexidade. E essa diferença importa porque decisões distintas exigem evidências distintas. Para reconhecer uma entrega ou pagar remuneração variável, o atingimento da meta pode continuar tendo peso predominante. Para decidir quem está pronto para uma posição mais complexa, outras evidências precisam entrar na conversa. A mesma meta atingida pode justificar um reconhecimento financeiro e, ao mesmo tempo, não oferecer base suficiente para sustentar uma decisão de promoção.
A cultura, nesse sentido, deixa de ser pano de fundo e passa a determinar o significado do próprio desempenho.
Toda organização escolhe, explícita ou implicitamente, o que recompensa, quais comportamentos tolera quando os números são bons, quanto valor atribui ao caminho em relação à chegada e quais evidências considera suficientes para reconhecer desempenho ou inferir potencial. A IA não cria essas escolhas. Ela apenas torna mais difícil mantê-las implícitas.
O desafio, portanto, não está em abandonar sistemas de metas, relativizar resultados ou criar vigilância sobre o uso da tecnologia. O resultado continua sendo fundamental. O que precisamos questionar é a expectativa de que ele, sozinho, responda a todas as perguntas sobre desempenho, competência e potencial. Em um ambiente no qual produzir se tornou mais fácil em muitas atividades, interpretar corretamente o que uma boa entrega realmente demonstra pode se tornar mais difícil.
A meta foi atingida. A pergunta seguinte se torna ainda mais importante: o que, exatamente, esse resultado nos permite concluir sobre quem o produziu?
Gostou do artigo?
Quer saber mais sobre como aprimorar a avaliação de desempenho na era da IA para reconhecer resultados sem confundir entregas excelentes com competências e potencial? Então entre em contato comigo. Terei o maior prazer em responder.
Até a próxima!
Wilson R. Lourenço
https://www.compassconsult.com.br
Confira também: Onde os Futuros Líderes Aprenderão a Liderar?
Palavras-chave: avaliação de desempenho, inteligência artificial, competência, resultado, potencial, avaliação de desempenho na era da ia, avaliação de desempenho e IA, resultado e potencial, decisões sobre promoção, qualidade do raciocínio, qualidade da entrega e competência
Participe da Conversa