Sabotagem de IA: Por que 29% dos Funcionários Minam as Implementações

Resistência à Adoção de IA: Sua Implementação Tem um Problema de Sabotagem

Quase um terço dos seus funcionários decidiu, por conta própria, trabalhar contra a implementação de IA que você acabou de defender para o conselho. Isso é resistência à adoção de IA, e raramente se parece com recusa.

 

O Que Significa Quando Funcionários Sabotam a IA?

A sabotagem de IA por funcionários é um conjunto de comportamentos deliberados e semi-deliberados, desde contornar ferramentas aprovadas até ter desempenho abaixo do esperado, que uma força de trabalho adota quando uma implementação de IA parece uma ameaça em vez de um recurso. Raramente se anuncia.Fortune, descreve isso claramente: inserir informações proprietárias em ferramentas de IA públicas, usar ferramentas não aprovadas que algumas equipes de segurança agora chamam de IA sombra, recusar-se a usar ferramentas exigidas pela empresa, manipular avaliações de desempenho e produzir deliberadamente trabalhos de baixa qualidade para fazer a IA parecer ineficaz.

 

Nada disso aparece em um painel. Aparece dezoito meses depois, quando o piloto nunca escalou e ninguém consegue dizer exatamente por quê.

A Sabotagem Não É Sobre a Tecnologia

Aqui está a parte que a maioria das equipes executivas erra. Elas lêem "sabotagem" e assumem Luditas. Os dados dizem o oposto.O relatório da Fortune de 30 de julho sobre a nova pesquisa da Apollo Global Management oferece uma teoria: os ganhos de produtividade da IA estão aparecendo como compressão salarial em vez de cortes de emprego, e os trabalhadores que sentem essa pressão podem estar se opostando à ferramenta que culpam por isso.

 

As razões declaradas seguem a mesma lógica. Dos trabalhadores que admitem sabotagem, segundo o relatório da Writer e Workplace Intelligence, 30% citam medo de perder o emprego como a principal razão, 28% apontam preocupações de segurança com as ferramentas que receberam, 26% dizem que as ferramentas diminuem sua criatividade ou valor, e 26% culpam uma estratégia de IA da empresa mal executada.

 

Leia essa lista novamente. Cada razão nela é uma falha de design organizacional, não um defeito de caráter. Ninguém sentou alguém e perguntou do que tinha medo antes da implementação. O ganho de produtividade nunca foi explicado, então ninguém sabia para onde deveria ir. E quando alguém finalmente disse "essa ferramenta não funciona para meu trabalho", foi arquivado como resistência em vez de feedback.

 

Aqui está a parte que deve preocupar um sabotador. O mesmo relatório encontrou 60% dos executivos já considerando cortar funcionários que se recusam a adotar IA, e 77% dizem que não-adotadores não serão considerados para papéis de liderança futuros. Sabotagem não é uma estratégia de segurança. É uma forma mais lenta de acabar no mesmo lugar.

 

A gestão de mudanças em IA é a disciplina de projetar como uma força de trabalho passa a confiar, usar e sustentar novos fluxos de trabalho impulsionados por IA, distinto do lançamento técnico das próprias ferramentas. A maioria das empresas financia o segundo e ignora o primeiro, e depois fica surpresa quando a adoção estaciona na taxa exata que o trabalho ignorado preveria.

 

Onde a Adoção Realmente Quebra

Três lugares, consistentemente, nas empresas e nas empresas do portfólio que observei passar por isso.

 

1. A troca de valor nunca foi nomeada. Se a IA torna o papel de alguém mais rápido, alguém tem que dizer em voz alta o que essa velocidade traz para o funcionário, não apenas para a empresa. O silêncio é preenchido com a pior suposição, e a pior suposição geralmente é 'meu trabalho'.

2. A questão da segurança foi respondida por políticas, não por provas. Um memorando proibindo o ChatGPT não responde por que um funcionário se sentiu mais seguro usando-o do que a ferramenta aprovada. Se a plataforma sancionada é complicada, lenta ou pior do que o que as pessoas podem obter de graça, a proibição apenas empurra o comportamento para a clandestinidade. É assim que uma parte significativa da força de trabalho acaba usando ferramentas não aprovadas em vez da que você construiu.

3. Ninguém mediu confiança, apenas uso. Contagens de login e volume de consultas mostram que a adoção está acontecendo. Elas não dizem se a produção que as pessoas estão gerando é seu melhor trabalho. Essas são coisas diferentes, e apenas uma delas se acumula.

 

Como Você Resolve a Resistência à Adoção de IA?

Você resolve a resistência à adoção de IA sequenciando a confiança antes da escala, não depois. Isso significa nomear o que a mudança de IA significa para as pessoas que fazem o trabalho antes de pedir que elas a utilizem, oferecendo uma ferramenta aprovada que supere a solução alternativa em mérito, não em mandato, e medindo se a qualidade da produção está melhorando, não apenas se a ferramenta foi aberta.

 

Esta é a mesma sequência que usamos com clientes sob Prova de Valor → Escala → Sustentar. Prova de Valor é onde a troca de valor é nomeada e testada com um pequeno grupo que pode dizer se se manteve. Escala é onde a ferramenta se torna o padrão porque conquistou essa posição, não porque a liderança a mandou. Sustentar é onde a confiança é medida continuamente, da mesma forma que você rastrearia qualquer outro métrico que preveja churn.

 

Ignorar a Prova de Valor e você terá o número sobre o qual este artigo inteiro trata. A adoção é o trabalho. O modelo nunca foi a parte difícil.

 

A Pergunta Que Vale a Pena Refletir

Quase um terço dos seus funcionários tem uma teoria privada sobre para que serve sua implementação de IA, e há uma chance real de que essa teoria seja mais precisa do que a que está no seu deck.

 

Se você não perguntou a eles o que acham que é, alguém já fez isso, e eles responderam com seu comportamento em vez de suas palavras.

 

Biografia do autor: Bre Byrne é CMO da Syntari International e liderou equipes de marketing, marca e experiência do cliente em várias reestruturações de tecnologia e organizacionais de grande escala, incluindo um período em que ela manteve 98% de retenção da equipe durante duas transformações consecutivas. Ela escreve com base nessa experiência.