A Meta recuou de uma lógica que estimulava funcionários a provar que usavam muita IA no trabalho. 🤖🧵 Referências ao “uso de IA” e à classificação “AI Native” saíram das novas orientações de avaliação de desempenho.

Imagem indisponível

Segundo a WIRED, o consumo de tokens — unidades processadas por modelos de IA — chegou a alimentar rankings internos. Para parte dos funcionários, usar mais a tecnologia se tornou uma forma visível de demonstrar adesão à estratégia da empresa.

O efeito ganhou até um apelido: “tokenmaxxing”. Funcionários relataram pressão para elevar as métricas de uso, inclusive com comandos considerados desnecessários. Um ranking informal tinha títulos como “Token Legend” e foi removido após se tornar público.

Imagem indisponível

O problema é simples: atividade não é resultado. Milhares de tokens podem ser gastos numa tarefa trivial; poucas interações com IA podem economizar horas em uma tarefa complexa. A contagem, sozinha, não mostra qualidade, impacto ou redução de custos.

A Meta informou que a contribuição dos funcionários sempre foi o centro das avaliações. Engenheiros também teriam sido avisados de que painéis de adoção e contagens de tokens não serão usados para medir impacto, de acordo com a reportagem.

Imagem indisponível

Para empresas, a lição é separar adoção de produtividade. Métricas como prompts enviados, frequência de acesso e tokens consumidos podem indicar experimentação, mas precisam ser combinadas com entregas, qualidade, tempo poupado e efeitos reais para clientes e equipes.

A IA pode ampliar o trabalho quando resolve problemas concretos — não quando vira uma corrida por volume. O recuo da Meta expõe um limite importante da gestão por métricas: o que é fácil de contar nem sempre é o que mais importa.

Imagem indisponível