Ferramentas baseadas em inteligência artificial já são onipresentes em planilhas, chats corporativos e até no código-fonte de grandes softwares. No entanto, um estudo recém-divulgado pelo Work AI Institute revela um efeito colateral que pouca gente coloca na ponta do lápis: em média, cada profissional digital gasta 6,4 horas semanais “babysittando” bots — tempo usado para treinar, revisar e depurar as respostas geradas pelos algoritmos.
O que a pesquisa descobriu
O levantamento ouviu 6 000 trabalhadores em tempo integral e contou com a coautoria de especialistas de universidades como Stanford, UC Berkeley e Notre Dame. Alguns números chamam atenção:
- 87 % dos entrevistados já recorrem à IA no dia a dia;
- a automação cobre cerca de 27 % das tarefas rotineiras e devolve, em teoria, 11 horas livres por semana;
- mesmo assim, apenas 13 % observam melhora significativa na performance da empresa.
O motivo? A tal “devolução” de tempo acaba consumida pelo próprio processo de botsitting: inserir contexto, revisar saídas, corrigir erros e reformatar o conteúdo em diferentes ferramentas.
Botsitting versus Botshitting: qual a diferença?
Os autores também cunharam outro termo igualmente intrigante: botshitting. Isso ocorre quando o profissional, pressionado por prazos, publica ou entrega um material gerado pela IA sem a devida checagem. Segundo o estudo:
- 69 % admitem já ter enviado trabalhos não verificados;
- 41 % dizem que, se questionados, não conseguiriam explicar como o resultado foi obtido;
- 28 % já culparam a IA por falhas que eles mesmos ocasionaram.
Na prática, é o mesmo que soltar um relatório sem ler ou publicar código sem testes: o risco de erros se propaga e o custo da correção só cresce nas etapas seguintes do projeto.
Por que isso importa para você (e para o seu setup de TI)
Seja você gestor, dev ou analista de dados, o recado é claro: não existe “IA grátis”. Por trás dos textos bem formatados do ChatGPT ou das planilhas mágicas do Copilot há um trabalho humano invisível e, muitas vezes, exaustivo.
Na ponta do hardware, o impacto também é real. Empresas que processam modelos localmente precisam investir em GPUs robustas, RAM generosa e soluções de armazenamento NVMe — componentes que, inclusive, ganham cada vez mais destaque no catálogo da Amazon. Isso porque, quanto maior o contexto fornecido ao modelo, maior a demanda por VRAM e largura de banda.
Imagem: Taryn Plumb
Como as companhias de ponta estão lidando
O relatório aponta que as organizações mais avançadas não focam apenas em “usar IA”, mas em planejar o trabalho ao redor dela. Entre as práticas recomendadas estão:
- treinamento formal sobre prompt engineering e verificação de resultados;
- integração de APIs e plug-ins para reduzir o vai-e-volta entre múltiplas ferramentas;
- metas claras e métricas baseadas em KPIs já existentes (qualidade, eficiência e engajamento do colaborador);
- governança viva, com executivos compartilhando sucessos e fracassos no uso de IA.
Dica de ouro: saiba quando não usar IA
Os pesquisadores reforçam que a habilidade mais difícil — e mais valiosa — é discernir quando o modelo não é a melhor opção. Pergunte-se:
- O problema exige conhecimento tácito que só a equipe possui?
- A confidencialidade dos dados é crítica?
- O custo de um erro seria inaceitável?
Se a resposta for sim para qualquer item, talvez seja hora de fechar o chat e abrir o velho editor de texto (ou chamar o especialista do time).
Conclusão
A inteligência artificial segue transformando processos e abrindo espaço para ganhos inéditos de produtividade. Entretanto, como mostra o estudo, o paradoxo do babysitter digital já afeta a agenda de quem mais deveria colher esses benefícios. A solução passa por treinamento, integração de ferramentas, métricas claras e, principalmente, pela consciência de que o fator humano continua — e continuará — no centro da equação tecnológica.
Com informações de Computerworld
