Durante décadas, o trabalho gerencial foi construído sobre uma restrição simples. A capacidade de execução era humana. Alguém precisava dividir objetivos em atividades, distribuir essas atividades entre pessoas, acompanhar prazos, consolidar informações, resolver dependências e escalar problemas.
Agentes de IA começam a assumir parte dessa mecânica. Pesquisam, analisam, produzem primeiras versões, consultam sistemas, encadeiam atividades e, dentro de limites, tomam decisões intermediárias para concluir um objetivo.
Isso não elimina a gestão. Reduz o valor de uma parte específica dela, e é essa parte que sustentava boa parte da rotina gerencial.
Este artigo trata das cinco decisões que passam a definir o resultado antes de a execução começar, e de dois erros que aparecem no caminho. O gestor que vira fila de aprovação e a organização que automatiza o trabalho de baixo valor sem perceber que ele formava gente para o de alto valor. É o segundo texto da série sobre empresa híbrida, e complementa como liderar equipes de pessoas e agentes de IA, que trata da distribuição do trabalho. Aqui o assunto é como essa distribuição é decidida.
O cargo não desaparece, a composição dele muda
Discussões sobre IA e gestão costumam terminar numa pergunta binária. A IA vai substituir gestores? É a pergunta errada.
Gestor não é uma atividade. É uma combinação de atividades com naturezas diferentes. Algumas existem para transmitir informação, outras para resolver ambiguidade. Algumas consistem em acompanhar execução, outras exigem entender contexto político, econômico ou humano.
A IA não precisa absorver o cargo inteiro para mudar o que ele vale. Basta absorver as atividades que justificavam a maior parte da agenda. Consolidar status, preparar análise, produzir primeira versão de plano, distribuir informação, organizar atividade, identificar desvio e preparar recomendação.
O resultado provável não é menos gestão. É outro tipo de gestão, avaliada por outro critério.
Automatizar tarefa e redesenhar trabalho são operações diferentes
Aqui mora o erro conceitual mais caro dessa transição. A organização olha o processo atual, lista as tarefas que pessoas executam e pergunta qual delas dá para entregar à IA. Isso é automação. Pode gerar valor e não é redesenho.
Redesenho começa antes, e começa por perguntas incômodas. Por que esse processo existe? Que resultado ele deveria produzir? Que decisões precisam mesmo acontecer? Quais atividades existem por necessidade e quais existem porque o processo foi construído assim? Onde uma espera não produz valor? Onde uma aprovação protege a organização e onde ela só adiciona latência?
Só depois disso faz sentido decidir se a atividade deve ser humana, assistida, automatizada ou executada por um agente.
Digitalizar desperdício não elimina o desperdício. Isso não torna inútil toda automação aplicada sobre processo imperfeito, porque melhoria intermediária também gera valor. O risco está em confundir ganho local de eficiência com mudança do sistema de trabalho. Automatizar uma etapa ruim deixa a etapa ruim mais rápida.
A ordem correta é resultado, trabalho, capacidade
A gestão tradicional começa pela equipe. Tenho estas pessoas, como distribuo o trabalho? A ordem inversa produz decisões melhores. Preciso deste resultado, qual configuração de trabalho o alcança, e só então, que capacidade participa disso.
Capacidade aqui deixou de significar apenas pessoas. Significa pessoas, agentes, automação tradicional, software, plataformas, fornecedores e dados.
Essa inversão é o que separa desenhar trabalho de distribuir tarefa, e ela se desdobra em cinco decisões.
Primeira decisão: o resultado precisa ser resultado, não atividade
Arquitetura ruim de trabalho começa listando tarefas. Boa começa nomeando resultados. A distinção parece semântica e não é.
"Produzir relatório" é tarefa. "Permitir que o CFO identifique desvios relevantes antes da próxima decisão de capital" é resultado. "Responder chamados" é atividade. "Resolver a necessidade do cliente dentro do nível de serviço e risco definido" é resultado. "Revisar código" é atividade. "Reduzir a probabilidade de uma mudança inadequada chegar à produção" é resultado.
Quando a organização define trabalho por tarefa, ela automatiza tarefa. Quando define por resultado, ela consegue redesenhar o sistema inteiro. Traduzir intenção estratégica em resultado operacional claro o bastante para pessoas e agentes trabalharem em torno dele passa a ser uma das entregas centrais do gestor.
Segunda decisão: decompor o trabalho pelo que ele exige
Processo não é unidade única. Partes diferentes têm naturezas diferentes. Algumas exigem análise, outras relacionamento. Algumas são reversíveis, outras não. Algumas têm critério objetivo de qualidade, outras dependem de julgamento. Algumas toleram erro, outras carregam consequência financeira, regulatória ou reputacional.
O gestor precisa enxergar o trabalho nessa granularidade para decidir como cada parte deveria ser executada. Não para microgerenciar. Para decidir.
Terceira decisão: escolher o modo de execução
Depois de entender o trabalho, aparece a decisão que a empresa vai tomar milhares de vezes. Qual combinação entre capacidade humana e digital realiza esta atividade?
Humano. A pessoa executa porque contexto, julgamento, relacionamento ou responsabilidade tornam a delegação inadequada.
Humano com apoio de IA. A pessoa conduz o trabalho e usa IA para ampliar análise, velocidade ou alcance.
Agente com supervisão. A IA executa parcela relevante e uma pessoa avalia determinadas decisões ou resultados.
Agente com autonomia delimitada. O agente opera sozinho dentro de regras, permissões e condições definidas, escalando exceção.
Esses modos não são estágios obrigatórios de maturidade. Um processo pode permanecer deliberadamente humano numa empresa tecnologicamente sofisticada. Maturidade não é maximizar autonomia. É escolher conscientemente onde ela produz valor.
Quarta decisão: autonomia não acompanha capacidade
Delegar uma atividade e conceder autonomia são decisões distintas. Um agente pode produzir uma análise sem ter autorização para aplicá-la. Pode recomendar uma alteração sem poder executá-la. Pode preparar uma resposta sem poder enviá-la. Pode iniciar uma transação abaixo de um limite e escalar acima dele.
A Anthropic passou a medir autonomia como dimensão separada de automação exatamente porque uma tarefa pode ser altamente automatizada e exigir pouca decisão do sistema. Em um estudo com cerca de 400 mil sessões do Claude Code, envolvendo cerca de 235 mil usuários entre outubro de 2025 e abril de 2026, os autores encontraram uma divisão consistente. As pessoas tomaram aproximadamente 70% das decisões de planejamento, sobre o que fazer, e o modelo tomou aproximadamente 80% das decisões de execução, sobre como fazer. Os próprios autores classificam o achado como preliminar, restrito a programação e específico dos produtos da empresa, o que impede generalizar para todas as funções empresariais.
A implicação para o gestor é direta. A pergunta deixa de ser se o agente consegue e passa a ser quanto poder de decisão a organização aceita delegar.
Quinta decisão: a passagem entre humano e agente precisa ser desenhada
A parte mais difícil de um sistema híbrido não está no trabalho humano nem no trabalho do agente. Está na fronteira.
Quando o agente entrega para uma pessoa? Quando a pessoa devolve? O que caracteriza exceção? Que contexto acompanha a passagem? O agente informa ou recomenda? Quem decide se o fluxo continua?
Sem esse desenho, sistemas híbridos produzem responsabilidade fragmentada. A pessoa acredita que o agente está monitorando. O agente foi configurado supondo que aquela decisão pertence à pessoa. O processo para, ou continua sem que ninguém perceba que havia decisão pendente.
O NIST, ao tratar de interação humano-IA, recomenda que papéis e responsabilidades humanas na decisão e na supervisão sejam definidos com clareza, reconhecendo que as configurações variam da operação manual à autonomia. É questão de governança e também de gestão. Alguém precisa definir onde a responsabilidade passa de um lado para o outro.
O gestor que aprova tudo virou o novo gargalo
Existe um caminho ruim para essa transformação, e ele é o mais provável. Agentes executam mais, o volume de saída cresce, gestores passam a revisar tudo e a liderança intermediária vira uma fila de aprovação.
Isso não é redesenho de trabalho. É deslocamento de gargalo.
Se a IA reduz o custo de produzir e aumenta desproporcionalmente o custo de revisar, a organização amplia output sem ampliar produtividade. O ganho aparece na contagem de entregas e some no resultado.
A pergunta correta não é onde colocar uma pessoa no loop. É em quais pontos a intervenção humana produz valor proporcional ao próprio custo e ao risco que evita. Algumas decisões exigem aprovação individual. Outras podem operar por exceção, por amostragem ou por indicador monitorado. Algumas atividades simplesmente não deveriam ser delegadas.
Supervisão humana é um mecanismo. Sozinha, não é modelo operacional.
Automatizar o trabalho de baixo valor pode quebrar a formação para o de alto valor
Há um risco de racionalização excessiva que quase não aparece nessa discussão. Nem todo trabalho humano é apenas um conjunto de tarefas otimizáveis.
Algumas atividades desenvolvem competência. Outras constroem confiança. Algumas permitem que profissionais acumulem o conhecimento tácito de que vão precisar para decidir daqui a cinco anos. Outras sustentam cultura e relacionamento.
Se a organização automatiza tudo que classificou como de baixo valor sem entender como as pessoas aprendiam a executar o de alto valor, ela resolve produtividade deste trimestre e cria um problema de formação de competência que só aparece depois.
A arquitetura do trabalho precisa responder a três perguntas ao mesmo tempo. O que estamos automatizando, o que estamos preservando, e por onde as pessoas vão desenvolver a experiência necessária para assumir responsabilidade maior amanhã. É decisão de talento, não de automação.
Métrica e gestão intermediária mudam junto
Duas consequências acompanham essa mudança e já foram tratadas em detalhe no artigo sobre liderar pessoas e agentes de IA.
A primeira é a métrica. Modelo centrado em tarefa mede atividade, e atividade fica barata quando agentes ampliam a capacidade de gerar. Um agente pode produzir dez relatórios onde havia um. Se ninguém decide melhor, produtividade não melhorou. O foco precisa migrar de volume de atividade para tempo até o resultado, custo por resultado, retrabalho, taxa de exceção e impacto econômico, apoiado em métricas de capacidade.
A segunda é a gestão intermediária. O gestor que funciona como camada de transmissão de informação está exposto. O que entende como a organização produz resultado de fato ganha espaço. Isso não garante a preservação das estruturas atuais, e empresas diferentes vão responder reduzindo camadas, ampliando spans of control ou recompondo responsabilidades.
O problema é organizacional antes de ser individual
Treinamento individual não resolve isso. A pessoa aprende a usar IA e continua operando dentro de processos, políticas, incentivos e métricas desenhados para outra realidade.
A Microsoft chama esse desalinhamento de Transformation Paradox. Pessoas experimentam novas formas de trabalhar enquanto o sistema de gestão continua recompensando as antigas. Na pesquisa Work Trend Index de 2026, conduzida com 20 mil usuários de IA em dez mercados entre fevereiro e abril de 2026, apenas 26% percebiam a própria liderança clara e consistentemente alinhada sobre IA. O mesmo estudo encontrou associação mais forte entre resultado autorrelatado e fatores organizacionais como cultura, apoio do gestor e práticas de talento do que com fatores individuais, e os autores registram que associação não demonstra causalidade.
Permitir que as pessoas mudem como trabalham é insuficiente. É preciso alterar o sistema que define o que a organização considera trabalho bem feito.
O gestor precisa entender sistemas, não programar
Existe uma leitura igualmente equivocada do outro lado. Imaginar que todo gestor precisará virar engenheiro de IA.
O que ele precisa é de pensamento sistêmico suficiente para compreender dependências, entradas, saídas, restrições, ciclos de retorno, exceções, riscos e permissões. Não para implementar, para fazer boas perguntas sobre como o sistema funciona.
Um gestor que não entende como o trabalho acontece terá dificuldade para decidir onde a IA deveria participar. E um gestor que delega esse entendimento inteiro para a área de tecnologia está terceirizando uma responsabilidade que é dele. O processo pertence ao negócio, a arquitetura técnica envolve tecnologia, e o desenho do trabalho é compartilhado. É o mesmo limite que define um modelo operacional de tecnologia funcional.
Conclusão
A IA não torna a gestão irrelevante. Torna algumas formas de gestão difíceis de justificar.
O gestor cujo valor principal está em receber informação, distribuir tarefa, acompanhar status e consolidar resultado verá parte crescente da própria função absorvida. Isso não significa que todas as estruturas gerenciais serão reduzidas nem que todo gestor migrará naturalmente. Significa que o critério de valor mudou.
Alguém vai continuar precisando decidir qual resultado importa, qual trabalho precisa existir, o que permanece humano, o que pode ser delegado, quanta autonomia é aceitável, onde o controle é necessário, qual exceção escala, como a qualidade é medida e quem responde pelo resultado. Essas nove perguntas são o novo conteúdo do cargo.
Comece por um processo material da sua operação. Escreva o resultado que ele deveria produzir, não as tarefas que ele executa. Marque onde existe julgamento, onde existe repetição e onde existe risco irreversível. Escolha o modo de execução de cada parte e nomeie quem responde por ela. Se o exercício não couber numa página, o processo ainda não foi entendido, e um diagnóstico de capacidade mostra onde essa clareza falta no resto da operação.
A empresa híbrida não elimina o gestor. Aumenta o padrão pelo qual a contribuição dele será avaliada.
Fontes
- Anthropic. "Anthropic Economic Index report: Economic primitives" (janeiro de 2026, dados de novembro de 2025). https://www.anthropic.com/research/anthropic-economic-index-january-2026-report
- Anthropic. "Agentic coding and persistent returns to expertise" (cerca de 400 mil sessões e 235 mil usuários, outubro de 2025 a abril de 2026). https://www.anthropic.com/research/claude-code-expertise
- Microsoft WorkLab. "2026 Work Trend Index Annual Report: Agents, human agency, and the opportunity for every organization" (n = 20.000, dez mercados, campo entre 18 de fevereiro e 20 de abril de 2026). https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization
- NIST. "Artificial Intelligence Risk Management Framework (AI RMF 1.0)". https://www.nist.gov/itl/ai-risk-management-framework
- NIST AI Resource Center. "Appendix C: AI Risk Management and Human-AI Interaction". https://airc.nist.gov/airmf-resources/airmf/appendices/app-c-ai-risk-management-and-human-ai-interaction/
- World Economic Forum. "The Future of Jobs Report 2025, Skills Outlook". https://www.weforum.org/publications/the-future-of-jobs-report-2025/in-full/3-skills-outlook/
- WatchZ. "O gestor do futuro não gerencia tarefas". Versão editorial revisada, setembro de 2026.
Nota: os dados da Microsoft e da Anthropic descrevem os ecossistemas e as pesquisas dessas empresas e não devem ser lidos como estatística universal de mercado. O estudo do Claude Code é preliminar e restrito a trabalho de programação. As cinco decisões e os quatro modos de execução são proposições consultivas da WatchZ, sem correspondência a padrão regulatório ou framework de terceiros.
