A IA acerta mais, mas a equipe continua fazendo do jeito antigo
Muita empresa passa por isso: contrata uma ferramenta de IA para prever vendas, sugerir preço, priorizar leads ou montar a escala da equipe. Nos testes, ela erra menos que a planilha de sempre. Três meses depois, alguém percebe que quase ninguém usa. O gerente continua decidindo "no feeling", o vendedor ignora a priorização e a ferramenta vira custo fixo.
Esse comportamento tem nome na pesquisa acadêmica: aversão a algoritmos. E a boa notícia é que ele já foi medido em laboratório, com causa identificada e, mais importante, com uma forma simples de contornar. Neste artigo explicamos o que pesquisadores da Wharton School, da Universidade da Pensilvânia, descobriram e como aplicar isso na adoção de IA na sua empresa.
O que é aversão a algoritmos
Em 2015, Berkeley Dietvorst, Joseph Simmons e Cade Massey, da Wharton School, publicaram uma série de cinco experimentos no Journal of Experimental Psychology: General, Wharton (2015). Os participantes precisavam fazer previsões e escolher se o pagamento deles dependeria da previsão de um algoritmo ou da previsão de uma pessoa.
O achado principal:
- Quem via o algoritmo trabalhar, e errar de vez em quando, passava a confiar menos nele.
- Essas pessoas escolhiam com mais frequência a previsão humana, mesmo depois de ver que o algoritmo errava menos que o humano.
- A explicação: perdemos a confiança em uma máquina mais rápido do que perdemos a confiança em uma pessoa que comete o mesmo erro.
Quando a pessoa erra, a gente chama de "dia ruim". Quando o sistema erra, a gente conclui que "ele não funciona".
No dia a dia da empresa, isso significa que o primeiro erro visível da IA costuma pesar mais que os cem acertos silenciosos. Basta uma previsão de estoque furada ou uma resposta estranha do atendimento automatizado para a equipe decidir que "é melhor fazer na mão".
A solução que os mesmos pesquisadores encontraram
Três anos depois, o mesmo grupo publicou uma continuação na Management Science, Wharton (2018), desta vez buscando como reduzir a aversão a algoritmos. O teste foi simples: dar às pessoas a possibilidade de ajustar, mesmo que só um pouco, a previsão do algoritmo.
Os resultados:
- Os participantes ficaram muito mais dispostos a usar um algoritmo imperfeito quando podiam modificar a resposta dele.
- Como passaram a usar o algoritmo, o desempenho final deles melhorou.
- A preferência se manteve mesmo quando o ajuste permitido era bem pequeno.
Ou seja, as pessoas não precisavam de muito controle. Precisavam de algum controle. Ter a palavra final, ainda que limitada, foi o que destravou o uso.
A equipe não quer competir com a IA. Ela quer participar da decisão.
Como aplicar isso na adoção de IA na sua empresa
Em projetos de automação que acompanhamos, a ferramenta tecnicamente boa é só metade do resultado. A outra metade é o desenho de como as pessoas interagem com ela. Com base nos dois estudos, algumas regras práticas:
- Entregue sugestão, não ordem. A IA propõe o preço, a prioridade do lead ou a resposta ao cliente. A pessoa aprova, ajusta ou recusa. É o modelo "humano no circuito".
- Permita ajuste com limite. O estudo de 2018 mostra que um ajuste pequeno já basta. Por exemplo: o vendedor pode mudar a prioridade de um lead em um nível, ou o comprador pode alterar a previsão em até 10%.
- Mostre o histórico de acertos. Como o erro da IA pesa mais na memória, compense com transparência. Um painel simples com "previsto x realizado" ajuda a equipe a enxergar o quadro completo.
- Explique o porquê. Sempre que possível, mostre os motivos da sugestão ("lead respondeu em 2 minutos e visitou a página de preços"). Sugestão com motivo é mais fácil de aceitar.
- Combine o que acontece quando ela erra. Defina antes quem revisa, como corrigir e como o caso vira aprendizado. Assim, o primeiro erro não vira o fim do projeto.
Sinais de que sua equipe está rejeitando a IA
A aversão a algoritmos raramente aparece como reclamação aberta. Ela aparece em comportamento. Fique atento a:
- planilhas paralelas que refazem o que a ferramenta já entrega;
- taxa de uso caindo semana após semana depois da implantação;
- frases como "a IA errou aquela vez" usadas para justificar não usar;
- decisões importantes tomadas sem consultar a sugestão do sistema.
Se isso está acontecendo, o problema provavelmente não é o modelo de IA. É o processo em volta dele. Falamos sobre a parte de treinamento no artigo adoção de IA na empresa e sobre como lidar com erros no texto sobre alucinação de IA.
Cuidado com o extremo oposto
Dar controle à equipe não significa deixar que ela desfaça tudo o que a IA sugere. Se o ajuste for ilimitado, a ferramenta vira só mais uma opinião e o ganho de precisão desaparece. O ponto dos pesquisadores é exatamente o equilíbrio: um ajuste pequeno já gera adesão, e o resultado final fica melhor do que o humano sozinho e, na prática, melhor do que a IA ignorada.
Conclusão: o sucesso da IA depende de quem vai usá-la
A aversão a algoritmos explica por que tantos projetos de IA funcionam no teste e morrem na operação. A pesquisa da Wharton mostra o caminho: transformar a IA em uma sugestão que a equipe pode ajustar, mostrar os acertos com transparência e combinar antes o que fazer quando ela errar. Custa pouco e muda a taxa de adoção.
Quer implantar IA na sua empresa de um jeito que a equipe realmente use? Fale com a Riwer Labs e agende um diagnóstico gratuito. Mapeamos seus processos e mostramos onde a automação traz retorno, com a equipe junto desde o primeiro dia.


