Não Perca o Fio: Como Evitar que a Utilização de IA se Torne uma Métrica de Desempenho

No início de abril de 2026, um painel de controlo interno divulgado revelou que a Meta estava a classificar os seus cerca de 85 000 funcionários com base no consumo de tokens de IA. 

Os tokens são as unidades de dados que os modelos de IA processam, e alguém na Meta decidiu que contabilizá-los era uma forma útil de acompanhar quem estava realmente a utilizar IA. O utilizador no topo da classificação tinha consumido 281 mil milhões de tokens num único mês. A utilização total registada no painel de controlo ultrapassava os 60 biliões de tokens antes de este ser retirado.

Pouco depois, o Financial Times noticiou um padrão semelhante na Amazon. Os funcionários estavam a automatizar tarefas desnecessárias especificamente para aumentar os seus números de utilização de IA, criando a aparência de envolvimento com a aposta da empresa na IA. 

Este comportamento passou entretanto a ser conhecido como “tokenmaxxing”, uma expressão retirada do calão da Geração Z para designar a maximização de algo — neste caso, o desempenho visível da utilização de IA, em vez daquilo que a utilização de IA deveria produzir.

Duas das maiores empresas do mundo, a mesma dinâmica e um nome que sugere que o fenómeno está a espalar-se.

O tokenmaxxing não é tanto um problema tecnológico como um problema de gestão do desempenho e de cultura, e tem as marcas dos recursos humanos e das operações, quer os recursos humanos estivessem ou não presentes quando foram tomadas as decisões originais que o estão a criar. 

Alguém definiu o incentivo. Alguém criou ou tolerou a tabela de classificação. Alguém decidiu que o consumo era um indicador razoável de competência. Este artigo aborda como isso acontece e o que fazer antes de acontecer.

Porque é que a medição corre mal

Em geral, as organizações não começam com a intenção de criar culturas baseadas em tabelas de classificação. O tokenmaxxing surge no espaço entre aquilo que as empresas realmente querem que a IA proporcione e aquilo que conseguem medir atualmente.

Um inquérito da Gallup realizado em fevereiro de 2026 junto de mais de 23 000 trabalhadores dos EUA concluiu que metade dos adultos empregados utiliza IA pelo menos algumas vezes por ano e que os trabalhadores de organizações que adotaram IA relatam mais perturbações e ansiedade relativamente ao pessoal do que os trabalhadores de organizações que ainda não a adotaram. 

Entretanto, os dados da Gartner mostram que apenas um em cada 50 investimentos em IA proporciona valor transformador e que apenas um em cada cinco proporciona um ROI mensurável. O estudo State of AI 2025 da McKinsey concluiu que a maioria das organizações ainda se encontra nas fases iniciais da obtenção de valor ao nível empresarial, apesar da rápida adoção.

Segundo a McKinsey, o que distingue os resultados de maior valor dos de menor valor é a reformulação dos fluxos de trabalho e a governação, não o volume bruto de utilização.

Mas os conselhos de administração e os CEO não sentem essa nuance. Sentem urgência, e essa urgência transforma-se numa exigência de provas visíveis de adoção, que por sua vez se transforma em gestores intermédios à procura de algo que possam apresentar. Quando não é possível medir se a IA está realmente a melhorar os resultados, mede-se aquilo que está mais próximo: a atividade. Entra em cena o painel de controlo.

Yakov Filippenko, CEO da plataforma de criação de redes profissionais Intch, estabelece um paralelo com as imposições de regresso ao escritório. Segundo ele, as empresas pressionaram os funcionários a regressar aos escritórios, em parte porque os acionistas eram proprietários de edifícios dispendiosos e vazios.

Agora, as organizações consomem tokens para demonstrar aos investidores que não estão a ficar para trás na revolução da IA. Em ambos os casos, uma pressão subjacente legítima — a visibilidade perante os acionistas, o posicionamento competitivo — produziu uma medição que servia a imagem, e não as operações.

Andrew Bosworth, CTO da Meta, tornou esta lógica explícita ao descrever publicamente o seu melhor engenheiro como alguém que gastava em tokens de IA o equivalente ao seu salário e que, como resultado, era “5 a 10 vezes mais produtivo”. “É como dizer: isto é dinheiro fácil. Continuem a fazê-lo. Não há limite.” 

Esta visão do gasto em tokens como um indicador de produtividade, apresentada por um líder tecnológico sénior de uma das empresas mais influentes do mundo, não é uma opinião isolada. Reflete uma incapacidade mais ampla de distinguir correlação de causalidade. O funcionário de elevado desempenho acontece utilizar muitos tokens, pelo que os tokens começam a parecer a causa do elevado desempenho, em vez de um subproduto deste.

O erro agrava-se rapidamente. Os gestores que veem essa ideia ser promovida desde o topo não precisam de uma tabela de classificação formal para interiorizar a mensagem. O comportamento segue o sinal, mesmo quando ninguém pretendia enviar esse sinal.

O custo

Os painéis de controlo da utilização já eram uma medida pouco fiável da produtividade da IA antes de alguém começar a manipulá-los.

Yasser Drif, fundador da Roman AI, partilhou dados provenientes da sua base de clientes que sugerem que a distância entre atividade e produção é maior do que a maioria das organizações presume. Apenas cerca de 24% das execuções de IA iniciadas por humanos produzem um artefacto útil. O restante corresponde a iterações e trabalho em curso, que as métricas de volume transformam na aparência de produtividade. Esse é o ponto de partida. O tokenmaxxing piora a situação.

O primeiro custo é a corrupção do sinal. Quando a utilização se torna a métrica, os dados de utilização deixam de ser fiáveis. Já não é possível analisar quem está a consumir mais IA e tirar conclusões fiáveis sobre quem tem melhor desempenho, quem está a aprender ou quem está a acrescentar valor. 

Os dados foram manipulados e nem sempre saberá por quem. Qualquer análise da força de trabalho construída com base nesses dados herda essa contaminação.

O segundo custo é mais profundo. Quando os colaboradores optimizam a aparência de fluência em IA em vez de a desenvolverem, está a inverter as condições de aprendizagem de que realmente precisa. O desenvolvimento genuíno de competências em IA exige experimentação, incluindo experiências falhadas, e uma comunicação honesta sobre o que funcionou. 

Uma cultura de maximização de tokens cria pressão para demonstrar publicamente competência, ao mesmo tempo que faz com que a comunicação honesta pareça arriscada. Estas são condições incompatíveis.

O terceiro custo é o que acontece aos colaboradores que não estão a manipular nada. Num ambiente em que o consumo de tokens se tornou visível e valorizado, a pessoa que realiza um trabalho com IA cuidadoso e bem delimitado, que produz resultados sólidos mas não gera números de destaque, começa a sentir que está a ficar para trás. 

Essa sensação não é corrigida com palavras tranquilizadoras. A forma mais rápida de fazer com que o desenvolvimento genuíno de competências em IA pareça inseguro é permitir que as pessoas que não estão a inflacionar os seus números acreditem que estão a perder uma corrida que não compreendem.

A Amazon, há que reconhecer, respondeu ao problema que criou restringindo a visibilidade das estatísticas de utilização a toda a equipa, para que apenas os indivíduos e os seus gestores directos pudessem vê-las. Essa é uma medida correctiva. A prevenção exige um tipo diferente de acção numa fase mais inicial do processo.

Como prevenir

A questão prática para um CHRO ou COO é saber por onde começar. «Meça resultados, não factores de entrada» é verdade, mas não diz a ninguém o que deve mudar na segunda-feira de manhã.

Comece por auditar o que está actualmente a ser acompanhado e quem tem acesso a esses dados. Filippenko assinala qualquer KPI de adopção de IA directamente ligado à remuneração como um sinal de alerta imediato.

Yasser Drif, cuja empresa Roman AI desenvolve ferramentas de IA implementadas em organizações, sugere um ponto de partida prático.

Os sinais de alerta a que a sua equipa está atenta incluem utilizadores com despesas elevadas sem qualquer resultado concreto associado, inflação de execuções, em que uma tarefa acumula dez ou mais interacções com IA sem qualquer alteração de estado, e um único defensor da IA a consumir uma parcela desproporcional dos créditos de utilização enquanto produz pouco trabalho concluído. Se os seus painéis não conseguem responder à pergunta «o que foi entregue?», esse é o primeiro problema a resolver.

Se a sua organização tem painéis de utilização de IA com visibilidade transversal aos colaboradores, ou se o volume de utilização aparece em qualquer avaliação de desempenho, ciclo de definição de objectivos ou processo de reporte dos gestores, é nesses pontos que o risco de maximização de tokens está activo. A questão não é saber se os dados são recolhidos — é saber se estão visíveis de formas que criam pressão competitiva em torno do volume, em vez da qualidade.

A medição da IA baseada em resultados varia consoante a função. Num contexto de vendas, pode acompanhar se a prospecção assistida por IA melhorou as taxas de conversão, e não quantos comandos um vendedor enviou. Nas operações, pode acompanhar a redução do tempo de ciclo ou a taxa de erro nos processos assistidos por IA, e não os registos de utilização do sistema. 

O princípio de concepção é o mesmo em todos os casos. Meça o que mudou na sequência da utilização da IA, não a utilização em si. Isto exige que os líderes funcionais e os recursos humanos colaborem na definição do que significa realmente «melhor» antes de serem criados os modelos de medição, e não depois.

Que mensagem está a transmitir?

A comunicação da liderança precisa de ser recalibrada em conjunto com as métricas. Se as únicas mensagens que os colaboradores ouvem sobre IA são sobre taxas de adoção e marcos de utilização, o sinal implícito é que aquilo que está a ser observado é o consumo. 

Os líderes que querem desenvolver uma verdadeira capacidade de utilização da IA precisam de falar sobre resultados específicos: onde a IA alterou a forma como uma equipa trabalha, o que uma determinada experiência ensinou à organização, onde uma implementação falhou e o que isso revelou. Este tipo de narrativa sinaliza que a organização valoriza a aprendizagem, e não o desempenho da aprendizagem.

Corrigir o rumo numa equipa onde a maximização de tokens já está presente exige cuidado. Os colaboradores que manipularam uma métrica estavam, geralmente, a responder a um sinal criado pela liderança. Tratar isso como um problema de conduta individual ignora esse facto e cria precisamente as condições que fazem com que a comunicação honesta pareça insegura.

Quando os seus colaboradores estão dispostos a fazer trabalho inútil apenas para assinalar uma caixa, isso não é um problema de métricas», afirma Filippenko. Isso é deterioração operacional.

Corrigir a situação significa que a liderança reconheça o sinal que transmitiu antes de pedir às pessoas que mudem o seu comportamento.

Para os gestores, a abordagem mais produtiva consiste em redefinir as expectativas sobre aquilo que realmente importa para a organização e, depois, dar às pessoas uma forma de demonstrarem capacidade real. Isso significa apresentar exemplos visíveis de sucesso baseado em resultados que sejam reconhecidos, e não apenas eliminar a antiga métrica.

A intervenção sugerida pela Drif é direta e merece ser considerada: renomear publicamente a métrica, de "utilização de IA" para "trabalho concluído com IA". A alteração do nome transmite, por si só, às pessoas aquilo que a organização realmente valoriza, sem exigir que alguém seja apontado pelo comportamento criado pela antiga métrica.

Navegar na ambiguidade

A disciplina mais profunda aqui é a paciência perante a ambiguidade. A maioria das organizações ainda não está em posição de medir com precisão o contributo da IA para os resultados empresariais, e a pressão para mostrar alguma coisa entretanto é real. Os painéis e as classificações preenchem esse vazio porque produzem números, e os números parecem representar prestação de contas. 

O problema é que a prestação de contas que produzem diz respeito à coisa errada. Criar sistemas de medição que responsabilizem as pessoas pelos resultados demora mais tempo e exige mais trabalho de conceção transversal, sendo a única abordagem que não corrompe os dados de que acabará por precisar para tomar melhores decisões.

A maximização de tokens é um sinal de alerta precoce, não um ponto de chegada. Trate-a como um sinal cultural que merece ser levado a sério agora e terá, mais adiante, dados de desempenho muito mais limpos e uma adoção da IA muito mais saudável.