Das avaliações anuais ao coaching contínuo assistido por IA: um quadro prático de migração

Apenas 2% dos CHROs das empresas Fortune 500 acreditam firmemente que o seu atual sistema de avaliação de desempenho promove melhorias.

Esse número tornou-se um argumento recorrente fiável nas conferências de RH e nas apresentações comerciais dos fornecedores, normalmente seguido da promessa de que o feedback contínuo baseado em IA resolverá o problema. O argumento é convincente. Os resultados, até agora, não o são.

A investigação, agora famosa, da iniciativa NANDA do MIT mostrou que cerca de 95% dos programas-piloto de IA generativa não conseguem passar à produção em escala. Uma análise independente da RAND Corporation coloca a taxa global de insucesso dos projetos de IA nos 80%, sendo que os projetos abandonados representam, em média, 4,2 milhões de dólares em custos irrecuperáveis. 

A Gartner classifica agora a IA empresarial como estando claramente no Vale da Desilusão em 2026, uma designação que corresponde ao que os CHROs estão a experienciar no terreno: ferramentas que funcionam bem numa demonstração, têm resultados aceitáveis num projeto-piloto e ficam bloqueadas na adoção empresarial.

O espaço da gestão do desempenho é particularmente vulnerável a este padrão, porque o processo subjacente que procura melhorar — a avaliação anual — está, por si só, profundamente enraizado. Comprar uma ferramenta que promete transformar o feedback num ciclo contínuo de orientação apoiada por IA parece convincente num diapositivo de um fornecedor. 

Operacionalmente, isso exige uma reformulação completa da forma como os gestores utilizam o seu tempo, de como são tomadas decisões sobre remuneração e promoções e de como os trabalhadores experienciam a responsabilização. A maioria das organizações ignora essa reformulação e espera que o software suporte todo o peso.

Segue-se um modelo prático de transição, estruturado em torno dos pontos em que as implementações realmente falham:

• A auditoria prévia à transição que a maioria das organizações ignora
• Como deve ser o fluxo de trabalho do gestor após a transição
• A arquitetura de transferência que impede que as ferramentas de orientação se transformem em ferramentas de vigilância
• Os cinco modos de falha recorrentes e um calendário realista para a transição.

A auditoria

Antes de configurar qualquer ferramenta de IA, é necessário responder honestamente a três perguntas.

Dados

A primeira diz respeito aos dados. A orientação contínua apoiada por IA depende de um fluxo constante de dados estruturados que inclua:

• Notas documentadas das reuniões individuais
• Marcos dos projetos
• Registos de feedback dos colegas
• Atualizações do acompanhamento de objetivos.

Se os gestores já não estiverem a criar estes dados de forma consistente, a IA não terá nada de significativo para analisar. Se entram dados de má qualidade, saem resultados ruidosos.

Capacidade dos gestores

A segunda pergunta diz respeito à capacidade dos gestores. Um sistema de IA que assinala um indício de desmotivação e sugere uma intervenção de orientação só é útil se o gestor que recebe esse alerta souber como agir com base nele.

Se os seus gestores têm atualmente dificuldades com conversas diretas sobre feedback, acrescentar uma sugestão gerada por uma máquina não resolverá o problema. Irá revelar a lacuna mais rapidamente, o que pode ser útil, mas apenas se a organização tiver um plano para a colmatar.

Processo

A terceira pergunta diz respeito à arquitetura dos processos. O seu atual sistema de gestão do desempenho tem vias de escalamento claras? Quando é que um padrão de desempenho insuficiente passa da responsabilidade do gestor para a do departamento de RH? Quem decide quando uma intervenção de orientação se transforma num plano de melhoria do desempenho?

Estes pontos de transferência têm de existir antes de a IA começar a assinalar problemas em grande escala, porque o volume de alertas irá expor todas as ambiguidades do seu processo atual no espaço de algumas semanas.

Uma perspetiva útil advém da investigação mais abrangente sobre a implementação da IA. Um relatório do Fórum Económico Mundial, publicado no início deste ano, concluiu que menos de uma em cada cinco organizações reportou um elevado grau de maturidade em qualquer aspeto da preparação dos dados, e 72% dos líderes empresariais afirmaram que as bases de dados e os fluxos de dados seriam a sua área de investimento em IA com crescimento mais rápido.

Em termos de gestão do desempenho, o trabalho de base consiste na auditoria: mapear o seu panorama de dados, avaliar os seus gestores e documentar a arquitetura dos seus processos antes de ativar a ferramenta.

Como é a semana de um gestor após a migração

A falha mais comum dos conteúdos escritos sobre feedback contínuo é permanecerem no plano conceptual.

“Passar para conversas de orientação contínuas” é uma diretiva que nada diz a um gestor sobre a terça-feira. O modelo de migração tem de ser suficientemente específico para que um diretor de recursos humanos consiga descrever, em termos que um gestor de primeira linha reconheça, o que muda no seu ritmo semanal.

Numa implementação madura, a plataforma de IA gera um resumo contínuo da atividade de cada subordinado direto, recorrendo a dados de gestão de projetos, entradas de feedback dos pares e notas documentadas de reuniões individuais.

Segunda-feira

A segunda-feira do gestor começa normalmente com uma triagem de 15 a 20 minutos destes resumos. O sistema assinalou uma lista curta de momentos de orientação, talvez cinco a sete numa equipa de oito a dez subordinados diretos, ordenados por urgência e força do padrão.

A tarefa do gestor é filtrar essa lista. Alguns alertas são ruído. Uma quebra nos indicadores de colaboração pode refletir uma fase do projeto que exige trabalho concentrado, e não desmotivação. A IA não sabe isso. O gestor sabe.

É nesta etapa de filtragem que o julgamento humano continua a ser essencial e onde as implementações que posicionam a IA como substituta da capacidade de discernimento dos gestores, em vez de a apresentarem como um apoio a essa capacidade, tendem a fracassar.

Terça-feira - sexta-feira

Ao longo da semana, o gestor realiza reuniões individuais. Num modelo tradicional, estas reuniões são frequentemente acompanhamentos sem estrutura, orientados pelo que está no topo das preocupações naquele momento.

No modelo migrado, a IA pré-carregou uma agenda de orientação para cada subordinado direto, evidenciando padrões que o gestor poderia não ter notado: um membro da equipa que recebeu reconhecimento dos colegas três vezes este mês, mas nenhum feedback sobre áreas a desenvolver, ou alguém cuja taxa de conclusão de objetivos caiu acentuadamente nas duas últimas iterações.

A diferença fundamental em relação ao modelo antigo não é a frequência das conversas. Muitos gestores já realizavam reuniões individuais semanais. A diferença está na qualidade da preparação. A IA executa o trabalho de agregação e reconhecimento de padrões que um gestor fazia de forma deficiente, porque o volume de dados excedia aquilo que uma pessoa consegue acompanhar numa equipa inteira, ou que simplesmente não fazia.

Mas a adoção desse novo ritmo é desigual de formas que a maioria das organizações não consegue antecipar. Segundo Poepsel, os gestores que se envolvem genuinamente com os conhecimentos contínuos gerados pela IA tendem a ser aqueles que já tinham hábitos de orientação antes de a ferramenta chegar.

“A IA limitou-se a amplificar o que já existia”, afirmou. “Para os restantes, a ferramenta surgiu num vazio comportamental.

Apontou o perfil comportamental como um fator que as organizações ignoram regularmente: os gestores orientados para resultados tendem a tratar a ferramenta como ruído, enquanto os gestores orientados para as pessoas têm maior probabilidade de a integrar na sua abordagem existente.

“Se não tiver em conta o perfil comportamental na sua estratégia de adoção, estará a conceber para um tipo de gestor e a perguntar-se por que razão os outros não o acompanham”, afirmou.

Dados da Happily.ai, que analisou 633 gestores em 60 organizações, sugerem que o padrão é mais profundo do que o estilo de orientação. A empresa concluiu que a antiguidade tinha uma relação quase inexistente com o envolvimento da equipa, o que significa que um gestor contratado há três meses e que aparece de forma consistente terá um desempenho superior ao de um veterano com dez anos de casa que não o faça.

O quartil inferior dos gestores no conjunto de dados não teve um desempenho inferior de forma gradual. As pontuações de envolvimento das suas equipas eram zero. A implicação para uma migração para o feedback contínuo é que a tecnologia pode estar pronta desde o primeiro dia, mas a variação no comportamento dos gestores determinará se produz conhecimento ou silêncio.

Dito isto, o investimento de tempo muda de lugar em vez de desaparecer. Os gestores passam menos tempo a preparar freneticamente as avaliações de final de ano. Um objetivo frequentemente citado entre os primeiros adotantes é uma redução de 20% no tempo total gasto em trabalho administrativo relacionado com as avaliações, redistribuído ao longo do ano por breves momentos de acompanhamento mais focados.

O total de horas não diminui necessariamente. As horas tornam-se mais produtivas.

A transferência em três níveis

Uma das formas mais rápidas de destruir uma implementação de acompanhamento apoiado por IA é eliminar a distinção entre conhecimento e supervisão.

Os colaboradores que descobrem que a IA está a monitorizar os seus padrões de colaboração, os tempos de resposta aos e-mails ou a participação em reuniões sem contexto irão interpretar o sistema como vigilância. E não estarão errados, a menos que a organização tenha definido limites claros sobre o que é monitorizado, quem vê o quê e quando um alerta é escalado para além do gestor.

As organizações que conseguem fazer isto tendem a operar segundo um modelo de três níveis.

Nível do gestor

O primeiro nível é o do gestor. A IA apresenta diretamente ao gestor sugestões de acompanhamento, resumos de padrões e recomendações de desenvolvimento. Estes dados destinam-se a ser utilizados pelo gestor nas suas conversas de acompanhamento. Não são partilhados automaticamente com níveis superiores.

Nível do HRBP

Quando um padrão persiste durante um período definido, por exemplo, 60 a 90 dias de deterioração dos indicadores de desempenho ou alertas repetidos aos quais o gestor não deu resposta, o sistema escala a situação para o HRBP. A escalada desencadeia uma conversa entre o HRBP e o gestor, não uma análise dos dados do colaborador pelo departamento de Recursos Humanos sem o contexto do gestor.

Nível organizacional

Os dados agregados e anonimizados são enviados para níveis superiores para o planeamento da força de trabalho. A liderança vê tendências entre equipas e departamentos, padrões de risco de retenção e trajetórias de envolvimento. Não vê painéis individuais dos colaboradores.

A componente de transparência é tão importante como a arquitetura. Os colaboradores precisam de saber o que está a ser monitorizado, como está a ser utilizado e o que podem ver sobre si próprios. As implementações que evitarão reações negativas darão aos colaboradores acesso aos seus próprios resumos gerados por IA, criando um ponto de referência partilhado para as conversas de acompanhamento, em vez de uma ferramenta de monitorização unidirecional.

Uma das razões pelas quais a adoção está a revelar-se difícil em vários setores é o facto de as falhas de adoção serem frequentemente motivadas pela ansiedade dos colaboradores relativamente à relevância, à identidade e à segurança no emprego, e não por limitações técnicas.

Na gestão do desempenho, essas ansiedades são amplificadas porque os dados que a IA processa são pessoais. A forma como alguém se apresenta no trabalho, como colabora e como desempenha as suas funções. Se os colaboradores sentirem que esses dados estão a ser utilizados contra eles, em vez de a seu favor, a adoção morre, independentemente da capacidade técnica da ferramenta.

Cinco modos de falha e o seu aspeto na realidade

A investigação sobre falhas de projetos de IA, juntamente com a experiência dos primeiros adotantes na gestão do desempenho em particular, aponta para cinco padrões recorrentes de falha. Vale a pena detalhá-los porque a maioria dos conteúdos patrocinados por fornecedores sobre feedback contínuo nunca os menciona, e eles representam o ponto onde reside a verdadeira aprendizagem operacional.

O problema da solução acoplada

A organização compra a ferramenta de IA, mas não elimina a avaliação anual. Os dois sistemas funcionam em paralelo. Os gestores adotam por defeito o sistema familiar. O

problema é que a plataforma de IA se torna software abandonado e, quando chega o momento da renovação, os dados revelam uma adoção reduzida e um retorno do investimento pouco claro.

Se está a migrar para um acompanhamento contínuo, o processo de avaliação anual tem de ser desmantelado, não complementado. As organizações que tentarem utilizar os dois sistemas assistirão sempre à vitória do ciclo anual, porque este tem uma força institucional própria e está ligado a decisões de remuneração de formas que o novo sistema ainda não conquistou confiança suficiente para substituir.

O problema do ruído

A IA assinala tudo. Os gestores recebem 10 a 15 alertas por dia, não conseguem distinguir o sinal do ruído e começam a ignorar completamente o sistema. A causa principal costuma ser uma configuração inadequada dos limiares durante a instalação.

A plataforma precisa de ser ajustada para que os gestores vejam três a cinco momentos de acompanhamento acionáveis por semana, e não por dia.

O ruído corrói a confiança

“Ganha-se essa confiança lentamente, com alguns resultados de elevada qualidade. Perde-se rapidamente, com uma falha significativa. A maioria das plataformas inunda os gestores com informações antes de ter construído essa confiança. As implementações que começam com filtros pouco rigorosos e planeiam torná-los mais apertados posteriormente raramente recuperam, porque os danos causados à confiança pela sobrecarga de ruído são difíceis de reverter.”

A lacuna de confiança

Os gestores recebem uma sugestão de orientação gerada por IA e não acreditam nela. Talvez o sistema tenha assinalado falta de envolvimento relativamente a um colaborador que o gestor considera um dos colaboradores com melhor desempenho.

Em vez de investigar a discrepância, o gestor descarta a IA. Poepsel descreveu uma versão comum desta situação: a IA assinala falta de envolvimento com base em sinais comportamentais, como a frequência da comunicação ou a participação em reuniões, mas não capta de todo o contexto.

Alguém está calado porque está a fazer um trabalho que exige concentração. Ou está a passar por uma situação pessoal", afirmou. "O gestor age com base no alerta por dever, tem uma conversa constrangedora de acompanhamento e o colaborador sente-se vigiado em vez de apoiado. Esse momento de desalinhamento não prejudica apenas a relação. Prejudica a confiança do gestor na ferramenta.

A solução passa por garantir transparência sobre a forma como a IA gera as suas avaliações, os dados em que se baseia e qual é a sua taxa de erro conhecida. Partilhar abertamente as taxas de falsos positivos com os gestores, em vez de promover a precisão da ferramenta, cria o tipo de confiança calibrada que sustenta a adoção.

A reação negativa à vigilância

Esta questão foi abordada na secção sobre a transição, mas vale a pena destacá-la como um modo de falha distinto. Pode acontecer mesmo quando a organização tem boas intenções e uma arquitetura de dados razoável, se a comunicação com os colaboradores for deficiente.

O desencadeador é quase sempre a descoberta, e não a divulgação: os colaboradores descobrem o que está a ser monitorizado em vez de serem informados proativamente.

O problema da qualidade dos dados

A IA está a analisar registos incompletos. Metade dos gestores da organização documenta as suas reuniões individuais. A outra metade não o faz. Os comentários dos pares são esporádicos. O acompanhamento dos objetivos é inconsistente entre equipas. A IA gera informações cuja qualidade é extremamente desigual, o que corrói a confiança nos resultados do sistema em toda a organização.

Este é o problema da auditoria da primeira secção a manifestar-se em grande escala, e é por isso que a etapa de higienização dos dados antes da migração é indispensável.

Tomar decisões de remuneração e promoção sem avaliações anuais

Esta é a questão que deixa os CFO e os comités de remuneração nervosos, e é a questão que a maioria dos conteúdos sobre retorno contínuo evita. Se eliminar a avaliação anual, como toma decisões de promoção e remuneração?

A resposta curta é que substitui um único juízo de grande importância por uma série de avaliações documentadas, de menor importância, acumuladas ao longo do tempo.

Num sistema migrado, a IA mantém um registo contínuo do desempenho que agrega conversas de orientação, dados relativos à conclusão de objetivos, reconhecimento pelos pares e avaliações dos gestores registadas ao longo do ano.

Quando chega um momento de decisão trimestral ou semestral, o gestor e o parceiro de negócio de Recursos Humanos dispõem de um conjunto de evidências mais amplo, atual e granular do que qualquer avaliação anual retrospetiva poderia produzir.

A resposta mais completa é que isto exige uma reformulação fundamental do processo de calibração. As sessões anuais de calibração, nas quais os gestores defendem as avaliações dos membros das suas equipas face a uma curva de distribuição forçada, foram concebidas para um mundo em que os dados de desempenho são escassos e subjetivos.

Num modelo contínuo, a conversa de calibração passa da discussão de avaliações para a análise de trajetórias. Esta pessoa está a evoluir? A velocidade do seu crescimento mudou? Onde estão as lacunas entre o seu desempenho documentado e a sua faixa salarial?

Poepsel considera que esta é a tensão não resolvida no centro da conversa sobre o retorno contínuo.

A maioria das organizações não substituiu a avaliação anual. Acrescentou retorno contínuo à avaliação anual. Está a executar dois sistemas e a chamar-lhe transformação", afirmou. "A IA deveria informar o juízo humano, revelando padrões, identificando trajetórias de crescimento e assinalando inconsistências entre as avaliações dos gestores. Mas a decisão continua a ter de ser tomada por uma pessoa. Quando as organizações fingem o contrário, não estão a eliminar o enviesamento. Estão a ocultar a responsabilização.

A conclusão frequentemente citada da Gallup, segundo a qual os colaboradores que recebem comentários semanais têm 2,7 vezes mais probabilidades de estar envolvidos, é muitas vezes apresentada como uma razão para adotar o retorno contínuo. Mas o envolvimento, por si só, não resolve o problema da remuneração.

A questão operacional é saber se os dados contínuos produzem efetivamente melhores decisões de promoção e remuneração. Os primeiros dados das organizações que concluíram a migração integral sugerem que sim, mas com uma ressalva: a qualidade dos dados depende inteiramente de os gestores terem utilizado o sistema de forma consistente ao longo do ano.

Nas organizações com uma adoção desigual, os dados contínuos são, na realidade, piores do que o sistema antigo, porque criam uma ilusão de rigor sustentada por dados de entrada incompletos.

Um calendário de migração realista

Com base nos padrões de falha documentados acima e na experiência das organizações que realizaram esta migração, a sequência apresenta-se aproximadamente da seguinte forma.

Os meses 1-3 correspondem à fase de auditoria. Mapeie o seu panorama de dados. Avalie a preparação dos gestores. Documente a sua atual arquitetura de escalonamento e tomada de decisões.

Esta fase não é apelativa e não gera resultados visíveis, razão pela qual é ignorada. As organizações que a ignoram tendem a encontrar-se novamente nesta fase nove meses mais tarde, depois de terem gasto a sua credibilidade e o seu primeiro período de renovação ao longo do processo.

Os meses 4-6 correspondem à reformulação dos processos. É nesta fase que o fluxo de trabalho dos gestores é reconstruído. Como é o ritmo semanal? Quais são os protocolos de transferência? Como funcionará a calibração? Quem vê que dados?

Estas perguntas são respondidas antes de qualquer fornecedor ser selecionado, porque as respostas determinam os requisitos.

Os meses 7-9 correspondem ao projeto-piloto. Um grupo de gestores executa o novo processo com a plataforma selecionada. O objetivo do projeto-piloto não é provar que o sistema funciona, mas sim documentar onde falha.

Cada modo de falha, cada solução alternativa e cada ponto de confusão são catalogados. As implementações que utilizam o projeto-piloto para criar uma história de sucesso, em vez de um catálogo de falhas, estão a otimizar o resultado errado.

Os meses 10-12 correspondem aos ajustes e à implementação mais abrangente. Os protocolos são revistos com base no que o projeto-piloto revelou. A implementação é alargada, com expectativas realistas definidas para a organização.

A maioria das implementações atinge 60-70% da adoção pretendida até ao final do primeiro ano. A maturidade plena, em que o sistema constitui o principal mecanismo de gestão do desempenho, e não um complemento aos processos antigos, demora 18 a 24 meses.

Uma avaliação honesta das pessoas com quem falo é que a maioria das organizações alcançará cerca de 60% do valor que esperava obter com esta migração. Ainda assim, vale a pena, se o quadro de medição estiver calibrado de acordo com a realidade.

O tempo dos gestores dedicado ao trabalho administrativo de revisão diminui. A qualidade do feedback, medida pela especificidade e pela oportunidade, aumenta. A clareza dos colaboradores sobre a sua situação melhora. Mas nada disto acontece em 90 dias, e nada disto acontece através da adição de uma ferramenta a um processo que não foi concebido para a suportar.

John-David Lovelock, da Gartner, afirmou no início deste ano que a IA será, na maioria das vezes, vendida às empresas pelo seu fornecedor de software já instalado, em vez de ser adquirida como parte de um novo projeto, porque a previsibilidade do ROI tem de melhorar antes de as organizações apostarem em casos de utilização transformadores.

A gestão do desempenho é um teste a essa tese. A ferramenta não é a transformação. A reformulação do processo é. A ferramenta é o que torna o processo reformulado escalável. E as organizações que continuam a tratar isto como uma decisão de aquisição estão a construir sobre a mesma base que produziu um sistema em que quase ninguém acredita.