Key Takeaways
Benefício da IA: As avaliações baseadas em IA podem fornecer informações em tempo real, reduzindo os preconceitos presentes nas avaliações tradicionais.
Qualidade dos Dados: Muitas organizações enfrentam dificuldades devido a dados insuficientes, desatualizados ou inconsistentes que afetam a qualidade das avaliações.
Problemas de Confiança: A transparência nas avaliações geradas por IA é crucial; a divulgação afeta a confiança dos trabalhadores e a eficácia das avaliações.
Lacuna na Implementação: Está a aumentar a desconexão entre os potenciais benefícios da IA e a sua aplicação prática nas organizações.
Ciclos de Avaliação: Os ciclos de avaliação ineficazes podem encurtar os períodos entre avaliações, mas não resolvem os problemas das avaliações anuais.
O feedback contínuo sobre o desempenho, uma parte essencial da gestão do desempenho em tempo real, passou de um desejo manifestado em conferências a uma implementação empresarial mais rapidamente do que a maioria das práticas de gestão de pessoas na memória recente, com a IA a alimentar cada vez mais esses sistemas.
A proposta é consistente entre os fornecedores: contributos em tempo real, redução do viés de recência e feedback que não é moldado pela forma como um gestor se sentiu numa determinada tarde.
Há muito que os colaboradores afirmam querer contributos mais frequentes e específicos do que os proporcionados pelas avaliações anuais. Os sistemas apoiados por IA foram concebidos precisamente para isso, mas a distância entre a promessa e a implementação está a tornar-se cada vez mais difícil de ignorar.
O problema do carimbo de aprovação dos gestores
Os gestores estão a aprovar resumos gerados por IA sem examinarem os modelos que os produziram.
Andrew Whyatt-Sames, psicólogo organizacional e cofundador da UptakeAI, que trabalha com organizações que implementam IA nos processos relacionados com pessoas e desempenho, tem observado repetidamente esta situação.
Quando a IA gera um resumo do desempenho, a maioria dos gestores trata-o como um rascunho a aprovar, em vez de o considerar um ponto de partida a analisar criticamente.
Um gestor de linha, três meses após o início da implementação numa empresa com 2 000 pessoas, disse-lhe: "Dizia 'comunicador eficaz' e eu concordei — os dados estão todos lá, não estão?"
O modelo subjacente estava a ponderar a participação em reuniões como um indicador indireto da capacidade de comunicação. Ninguém tinha informado os gestores disso.
Parte do problema é estrutural. Os sistemas de feedback contínuo precisam de dados contínuos e de elevada qualidade. A maioria das organizações não os tem.
"Só tem o contexto que lhe fornecermos", afirmou Matt Poepsel, vice-presidente de Otimização de Talento na The Predictive Index, quando falámos na conferência Transform, em março. "Seria como pedir conselhos a um amigo sobre o seu chefe, e ele responder: 'Na verdade, não conheço o seu chefe — vai ter de me contar mais.'"
Os dados sobre as pessoas, observou, já eram inconsistentes antes de a IA entrar em cena. Descrições de funções retiradas de anúncios desatualizados, avaliações de competências associadas a requisitos que mudaram e perfis comportamentais que os gestores nunca criaram porque ninguém os ensinou a fazer essas perguntas.
Temos imensos dados. A questão é saber se são os dados certos.
Quando os dados subjacentes são fracos, o feedback contínuo não se autocorrige. Agrava o problema com maior frequência.
A divulgação é um problema em qualquer dos casos
Existe uma dinâmica de confiança que complica ainda mais a adoção. Conforme abordámos anteriormente, um estudo de 2021 publicado no Strategic Management Journal concluiu que o feedback gerado por IA supera o feedback dos gestores humanos em resultados mensuráveis, mas apenas quando os colaboradores não sabem que foi produzido por uma máquina. Quando essa informação é divulgada, os ganhos de desempenho desaparecem.
Kamaria Scott, fundadora e diretora-executiva da Enetic, observou diretamente o problema da divulgação.
"Nunca mintam sobre isso", afirmou. "Têm de ser transparentes."
Os gestores que dão feedback gerado por IA arriscam-se a que os colaboradores o rejeitem se revelarem que a IA esteve envolvida. Os que não o fazem ficam com um problema de divulgação que tende a vir ao de cima mais cedo ou mais tarde.
O que está em causa, defende Scott, é saber se estes sistemas estão a ser utilizados como ponto de partida ou como ponto de chegada.
A avaliação não é o objetivo final. A avaliação é o ponto de partida para a conversa.
Na sua perspetiva, a utilização mais defensável da IA na gestão do desempenho é como um dado de entrada que inicia uma discussão, e não como um resumo autónomo. "Algo que diga: 'Este é um ponto de partida neutro para nós' — isso é útil. Mas temos de chegar a um ponto intermédio."
Os colaboradores sabem o que está a ser medido
Segundo Whyatt-Sames, o problema da manipulação do sistema tende a surgir cerca de seis meses após a implementação.
Os colaboradores descobrem o que o sistema está a acompanhar, normalmente através de canais informais e não de qualquer comunicação oficial, e ajustam o seu comportamento em conformidade. Mais comentários de acompanhamento, mais objetivos associados, resultados que são legíveis para o sistema em vez de úteis para alguém. Um responsável de aprendizagem e desenvolvimento com quem trabalhou chamou-lhe "jogar com o painel de controlo".
O problema do volume segue uma trajetória semelhante. As organizações medem a adoção através da contagem de atividades, pelo que triplicar o volume de feedback parece ser um sinal de sucesso.
"Quando se audita o próprio feedback, a sua capacidade de gerar ações diminui drasticamente", afirmou Whyatt-Sames. "Torna-se mais curto, mais formulaico e concentrado naquilo que o sistema recompensa."
A inversão entre sinal e ruído só vem muitas vezes ao de cima quando alguém faz uma retrospetiva, altura em que o padrão já está bem consolidado.
Quando o próprio trabalho é partilhado com um agente
Scott levantou em março uma questão para a qual ainda não foi encontrada uma resposta clara: "Como será o desempenho se as próprias pessoas não estiverem a fazer o trabalho, ou se os agentes estiverem a fazer metade do trabalho? Como vão avaliar o meu desempenho enquanto pessoa relativamente a um trabalho que já nem sequer estou a fazer totalmente sozinho?"
É uma questão que a maioria das implementações atuais não está preparada para abordar. Continuam a medir a produção individual num contexto em que os limites da contribuição individual estão a tornar-se menos definidos.
O diagnóstico de Whyatt-Sames sobre a razão pela qual estes problemas persistem estabelece uma ligação entre as várias formas de falha individual.
"As organizações tratam a camada de IA como a solução e ignoram a arquitetura da mudança", afirmou. "O sistema gera o feedback; ninguém pergunta se o feedback altera comportamentos. Isso é um problema de conceção da implementação e, na maioria das implementações, não existe ninguém cuja função seja resolvê-lo."
Quanto ao que está em jogo, Poepsel foi direto.
"Todas as decisões relativas às pessoas são decisões de alto risco. Temos de agir com ponderação para podermos avançar tão depressa quanto desejarmos."
O argumento a favor do feedback contínuo apoiado por IA mantém-se. O pressuposto de que a implementação da tecnologia resolve o problema de gestão para cuja resolução foi criada é que não.
