Fiquei intrigado com uma pesquisa da Anthropic, publicada em outubro de 2026, em que profissionais usavam IA para fazer uma análise estatística, sem saber que o agente havia sido orientado a defender preferências escolhidas por sorteio, e fiquei pensando em como a gente prepara as pessoas para revisar esse tipo de trabalho.
Participaram 50 analistas profissionais e, nas quatro decisões analíticas avaliadas, 86% das escolhas acompanharam a preferência atribuída ao agente, em decisões entre opções defensáveis, daquelas em que alguém precisa avaliar o contexto e usar o próprio julgamento. Pesquisa da Anthropic
O estudo tem um recorte específico, com uma tarefa, um modelo e preferências reforçadas de propósito pelos pesquisadores, então eu teria cuidado ao levar esse percentual para outras situações, mas fiquei pensando no lugar que a gente reserva para a aprovação humana nos processos com IA, especialmente quando uma decisão envolve dinheiro, acesso, dados de clientes ou alguma consequência difícil de desfazer.
Nesses casos, a gente conta com alguém para perceber uma informação ausente, reconhecer uma exceção e questionar o que está sendo proposto, só que essa pessoa vai fazer isso depois de receber uma resposta organizada, acompanhada dos argumentos que a sustentam, e foi aí que comecei a me perguntar quanto espaço essa apresentação deixa para ela formar uma avaliação própria.
O que a pessoa consegue conferir antes de aprovar?
Esse assunto me interessa bastante pela experiência de quem está revisando, porque, quando a IA reúne os dados, escreve o resumo e recomenda uma ação, ela também escolhe o que colocar em destaque, o que resumir e quais informações deixar de fora, ou seja, a pessoa começa a análise a partir dessas escolhas.
Num pedido de estorno, por exemplo, a recomendação pode estar bem fundamentada nos registros consultados, enquanto um atendimento mais recente ficou fora da consulta e, para descobrir essa ausência, alguém precisa ter motivo para desconfiar, saber onde procurar e conseguir acessar o registro, tudo isso enquanto outras solicitações continuam chegando.
Eu começaria olhando para o esforço necessário para conferir a proposta, procurando entender se a pessoa consegue:
- Abrir os registros que sustentam a recomendação, com acesso aos dados de origem
- Identificar quais informações ficaram sem confirmação e quais consultas não puderam ser concluídas
- Comparar o que foi cobrado, pago e eventualmente devolvido
- Corrigir a proposta ou pedir uma informação antes de autorizar a execução
Também teria cuidado com o destaque dado à recomendação, apresentando os fatos relevantes e as divergências de um jeito que permitisse avaliá-los, com os detalhes disponíveis para consulta e as pendências visíveis junto do pedido de aprovação.
Estou induzindo quem aprova a concordar?
Outra coisa que essa reflexão me trouxe foi a diferença de esforço entre aprovar e discordar, porque pode ser muito fácil confirmar uma proposta e bem trabalhoso corrigir um valor, pedir um comprovante ou encaminhar o caso para alguém com autoridade para decidir.
Eu gostaria de observar essas situações com quem vai usar o sistema, principalmente para perceber quanto contexto a pessoa precisa explicar de novo quando encontra um problema e quanto acompanhamento passa a fazer por fora, mandando mensagem para outra equipe, abrindo um chamado e tentando descobrir se a correção aconteceu.
Aqui na skail, a gente trabalha com execução durável em sistemas que já existem, inclusive em processos com agentes de IA, e, nesse contexto, poder consultar o histórico de cada execução e continuar o fluxo do passo onde ele parou ajuda a acompanhar uma tarefa que precisou aguardar uma decisão.
Essa espera também merece atenção, porque, entre a recomendação e a aprovação, um pagamento pode ser identificado, um cadastro pode mudar e outro atendente pode resolver o caso, então eu esperaria uma nova conferência das condições relevantes antes de executar uma ação que ficou pendente, especialmente quando a mudança altera o que a pessoa tinha avaliado.
Vale observar a revisão no momento em que alguém encontra um problema
Depois de olhar para tudo isso, eu incluiria um teste antes de ampliar uma automação, preparando algumas propostas com divergências conhecidas e acompanhando como as pessoas que vão revisá-las trabalham com aquele material.
Dá para usar um valor diferente do pagamento, uma devolução já realizada ou um documento ausente, observando se a pessoa percebe o problema, quais informações precisa buscar e como consegue alterar o que será executado, sem precisar transformar isso num exercício cheio de instruções que ela provavelmente não teria no dia a dia.
Também perguntaria o que a fez confiar na proposta e o que despertou dúvida, porque dessa conversa pode aparecer uma dificuldade de acesso, uma informação mal apresentada ou até uma regra de negócio que ninguém tinha deixado clara, além de ajudar a entender quanto tempo aquela revisão exige de quem já tem outras responsabilidades na operação.
Eu gostaria de ter essa conversa com a equipe enquanto ainda dá para ajustar a tela, os acessos e os encaminhamentos, acompanhando especialmente os casos em que alguém precisou interromper a execução e pedir ajuda para decidir.
Na operação de vocês, o que acontece depois que alguém discorda de uma recomendação da IA?



