A Meta premiou quem gastava mais IA e criou um campeonato de desperdício: a métrica errada pode estar na sua empresa

A Meta descobriu que uma empresa pode aumentar o uso de inteligência artificial e, ainda assim, medir pior o trabalho. O erro foi transformar consumo de tokens em sinal de contribuição. Quando a régua recompensa a atividade visível, funcionários passam a otimizar o placar. O caso interessa ao pequeno negócio porque o mesmo mecanismo aparece em metas de ligações, posts, propostas e atendimentos.

A mudança anunciada pela empresa em setembro de 2026 recoloca a avaliação no ponto que deveria ter orientado o programa desde o início: qualidade, velocidade, complexidade e alcance do resultado. A IA continua sendo estimulada, mas a quantidade de tokens deixa de ser tratada como prova de impacto. Essa distinção separa adoção útil de teatro operacional.

O episódio também mostra por que a discussão não pode terminar em uma crítica genérica à tecnologia. A Meta tem escala, orçamento e ferramentas próprias para testar novos modelos de trabalho. Mesmo nesse ambiente, uma métrica simples produziu incentivo para gastar computação sem demonstrar valor equivalente. Para o dono de uma empresa menor, a lição é objetiva: antes de instalar um painel, defina qual mudança no cliente, no caixa ou na qualidade ele precisa revelar.

A Meta trocou tokens por impacto depois de transformar uso em competição

Durante quase um ano, a Meta vinculou a adoção de IA à percepção de desempenho de parte dos funcionários. Reportagens da Wired descrevem dashboards de adoção e contagens de tokens usados como referência interna. Tokens são unidades de processamento de texto e servem para calcular o uso de modelos, mas não dizem sozinhos se uma tarefa ficou melhor, mais rápida ou mais valiosa.

A pressão ganhou um nome informal: tokenmaxxing. Funcionários passaram a disputar consumo de IA e um colaborador chegou a montar um ranking interno com títulos como Token Legend. A Wired informou que a nova orientação de avaliação retirou referências a uso de IA e à classificação AI Native. O texto passou a admitir que os resultados podem ser apoiados por IA ou por outros meios.

A porta voz da Meta, Tracy Clayton, disse à Wired que a empresa sempre avaliou as pessoas por suas contribuições. Essa é a posição oficial. Ao mesmo tempo, três funcionários ouvidos pela publicação relataram alívio com a retirada da pressão para usar IA em tarefas nas quais a ferramenta não ajudava. A diferença entre a explicação institucional e a experiência relatada é relevante: uma política pode afirmar que mede impacto enquanto o comportamento cotidiano indica que os trabalhadores entenderam outra coisa.

O ranking premiava o insumo quando a empresa precisava acompanhar a entrega

O problema da métrica aparece quando se separa insumo de resultado. Tokens representam processamento. Eles podem crescer porque o usuário resolveu uma tarefa difícil, porque pediu várias revisões úteis ou porque repetiu comandos sem direção. Os três comportamentos produzem números parecidos no painel, embora tenham efeitos opostos sobre custo e produtividade.

A reportagem também descreveu o Hatch, agente capaz de navegar na web e operar outros aplicativos, em testes com funcionários. Um agente que executa etapas tende a consumir mais computação que um chatbot usado para responder uma pergunta curta. Isso torna a contagem bruta ainda menos adequada para comparar pessoas em funções diferentes. Um profissional que usa a ferramenta para automatizar uma rotina inteira pode gastar mais tokens e terminar com uma entrega melhor. Outro pode gastar menos e deixar o problema para a equipe seguinte.

Em uma pequena empresa, o equivalente seria avaliar o vendedor pelo número de mensagens enviadas. A meta induziria textos genéricos, contatos duplicados e conversas iniciadas sem chance real de compra. O número subiria. A receita poderia ficar parada. A mesma distorção ocorre quando uma equipe de marketing é cobrada por volume de publicações, sem conexão com visitas qualificadas, pedidos ou retenção.

A regra comportamental é conhecida: as pessoas respondem ao incentivo que percebem, não ao discurso que aparece no manual. Se o gestor elogia o maior número do painel, o time aprende que aquele número protege sua posição. Se o gestor pergunta por que o cliente comprou, quanto tempo foi economizado e quantos erros desapareceram, o time procura evidência de efeito.

O caso da Meta ficou maior porque a avaliação alcançou decisões de carreira

O assunto ganhou uma dimensão trabalhista porque o uso de IA apareceu associado a classificações internas e a decisões sobre funcionários. Uma petição apresentada em julho de 2026 em um processo contra a Meta alega que sistemas internos usaram, entre outros elementos, dados de produtividade, volume de produção, commits de código e consumo de tokens na seleção de pessoas para demissão. O documento é uma alegação dos autores, não uma decisão judicial que prove cada fato descrito.

A petição afirma que a empresa notificou aproximadamente 8.000 trabalhadores para demissão em 20 de maio de 2026, cerca de 10% da força de trabalho. O mesmo documento descreve dashboards com consumo individual de tokens e categorias como AI Native, AI First e AI Enabled. A alegação central é que funcionários em licença protegida poderiam aparecer com menos atividade porque estavam afastados, e que o sistema não teria neutralizado adequadamente essa diferença.

Há uma conta que dimensiona o episódio. No resultado anual de 2025, a própria Meta informou ter 78.865 empregados em 31 de dezembro. Dividindo os 8.000 cortes alegados por esse quadro, chega-se a aproximadamente 10,14%. O cálculo não prova que todas as pessoas afetadas estavam no mesmo quadro de dezembro, pois houve contratações, saídas e mudanças posteriores. Ele serve para mostrar que a ordem de grandeza informada na ação é compatível com uma redução de cerca de um décimo da organização.

Essa escala muda o significado de um painel. Uma métrica ruim em um teste de equipe gera retrabalho. Uma métrica ruim usada em calibração, ranking ou redução de quadro pode influenciar renda, carreira e permanência. Por isso, métricas de atividade precisam de limites antes de serem ligadas a remuneração, promoção ou desligamento.

Estudos mostram que usar IA não garante ganho de produtividade

A evidência externa reforça a cautela. Um estudo publicado no arXiv pelo grupo METR acompanhou desenvolvedores experientes trabalhando em tarefas de projetos de código aberto. O desenho randomizado registrou 136 tarefas com IA permitida e 110 tarefas sem IA permitida. Antes do experimento, os participantes esperavam reduzir o tempo em 24%. Depois, estimaram uma redução de 20%, mas o resultado observado exigiu interpretação cuidadosa.

O estudo encontrou que os desenvolvedores gastaram 4% do tempo esperando gerações de IA e registrou que eles escreveram 47% mais código por hora nas previsões para tarefas em que a IA era permitida, com p igual a 0,16. Os autores ressaltam que o resultado não permite uma conclusão simples sobre produtividade e que são necessárias novas pesquisas. O valor da pesquisa para esta discussão está justamente no alerta: percepção, volume de código e tempo de conclusão podem contar histórias diferentes.

Fazer a conta da amostra também evita exagero. As tarefas com IA permitida foram 136 de um total de 246, ou aproximadamente 55,3%. Isso não significa que 55,3% do trabalho ficou melhor. Significa apenas que essa foi a composição das condições observadas no experimento. Um gestor que transformasse esse percentual em meta estaria confundindo desenho de pesquisa com resultado operacional.

Outro dado ajuda a separar adoção de eficiência. A Business Insider, ao relatar dados da Jellyfish, informou que os 10% de usuários de Claude Code com maior consumo usavam cerca de dez vezes mais tokens que o desenvolvedor mediano, mas produziam cerca de duas vezes o resultado medido pela empresa. O mesmo relato cita 225 milhões de tokens semanais no grupo de maior consumo e 32 milhões na mediana acompanhada.

Mesmo aceitando a métrica de pull requests usada nessa análise, a proporção não acompanha o consumo. Dez vezes mais tokens para duas vezes o resultado indica que a eficiência por token caiu. Essa é uma inferência editorial a partir dos números relatados, não uma conclusão publicada pela Meta. Ela sugere uma pergunta para qualquer gestor: o ganho adicional de produção cobre o custo extra de processamento, revisão e correção?

O custo da IA exige orçamento, mas orçamento não substitui valor

A Meta divulgou no comunicado de resultados de 2025 que esperava despesas totais entre 162 bilhões e 169 bilhões de dólares em 2026. A empresa também projetou investimentos de capital entre 115 bilhões e 135 bilhões de dólares, com crescimento ligado à infraestrutura e aos laboratórios de superinteligência. Esses números não isolam o custo do tokenmaxxing, mas mostram por que consumo computacional virou assunto de gestão financeira.

O risco para uma empresa menor costuma aparecer em outra escala. Um time pode contratar uma ferramenta barata, liberar uso ilimitado e descobrir depois que o custo real está nas horas de revisão, nos erros enviados ao cliente e na perda de foco. O preço da assinatura é só uma linha. O custo total inclui tempo humano, retrabalho, segurança e decisões ruins.

O gestor precisa acompanhar duas curvas separadas: consumo e efeito. Se o uso sobe e o tempo de entrega cai sem queda na qualidade, existe evidência de ganho. Se o uso sobe junto com correções, reclamações e tarefas descartadas, o painel está registrando atividade. A meta correta não é fazer a curva de tokens crescer. É aumentar o valor entregue por unidade de tempo e por real investido.

Uma boa métrica combina velocidade, qualidade e efeito no cliente

A empresa não precisa abandonar números de atividade. Eles ajudam a encontrar gargalos e dimensionar capacidade. O erro está em tratá-los como veredito individual. Uma avaliação mais segura combina pelo menos três camadas.

A primeira mede velocidade: tempo entre o pedido e a entrega, fila acumulada e prazo cumprido. A segunda mede qualidade: retrabalho, defeitos, devoluções, correções e aprovação na primeira revisão. A terceira mede efeito: receita, margem, retenção, satisfação, resolução no primeiro contato ou economia comprovada. A ferramenta de IA pode aparecer como explicação do processo, nunca como substituta das três perguntas.

Para um vendedor, por exemplo, o conjunto pode ser conversas qualificadas, taxa de proposta aceita, margem e tempo até o fechamento. Para atendimento, pode ser resolução sem novo contato, satisfação e custo por caso. Para conteúdo, pode ser audiência qualificada, permanência, inscrições e precisão das informações. Para uma equipe técnica, pode ser entrega validada, incidentes, tempo de recuperação e valor para o usuário.

Também é preciso comparar pessoas com funções equivalentes. Um designer, um engenheiro e um atendente não produzem o mesmo tipo de resultado. O número de tokens só fica comparável depois de controlar tarefa, complexidade, contexto e qualidade. Sem esse cuidado, a régua premia quem recebe o trabalho mais fácil ou quem aprende a produzir o sinal que o painel reconhece.

O dono do negócio pode corrigir a régua na próxima segunda-feira

Na segunda-feira, escolha uma meta atual que mede atividade e escreva ao lado qual resultado ela deveria representar. Se a meta é 100 mensagens, o resultado pode ser cinco conversas qualificadas. Se é 20 propostas, pode ser margem contratada. Se é uso de IA, pode ser horas economizadas com revisão concluída.

Depois, selecione uma amostra de dez casos recentes e registre quatro campos: esforço ou consumo, tempo gasto, qualidade da entrega e efeito no cliente ou no caixa. Não altere a meta ainda. Primeiro observe se existe relação entre o número que você cobra e o resultado que deseja.

Na reunião da equipe, peça um exemplo de tarefa em que a IA economizou tempo e outro em que aumentou o retrabalho. Essa pergunta evita uma política de entusiasmo obrigatório. Também revela onde treinamento, revisão humana ou bloqueio de uso são necessários.

Por fim, estabeleça uma regra de segurança: nenhuma métrica de uso de IA será usada sozinha para demitir, promover ou pagar bônus. Ela pode orientar investigação, alocação de orçamento e escolha de ferramentas. A decisão precisa considerar a entrega completa e o contexto do trabalho.

A Meta recuou do token como símbolo de impacto porque o símbolo começou a comandar o comportamento. O pequeno negócio pode evitar a mesma curva sem esperar um ranking interno sair do controle. Conte o que mudou para o cliente, quanto custou e qual qualidade foi preservada. O resto é sinal auxiliar.

Fontes consultadas

Wired: Meta Pushes Its New AI Agent on Employees but Eases Off on Tokenmaxxing

CourtListener: petição Doe et al. v. Meta Platforms, Inc.

METR no arXiv: Measuring the Impact of Early 2025 AI on Experienced Open Source Developer Productivity

Business Insider: dados da Jellyfish sobre consumo de tokens e produção

Meta Investor Relations: resultados do quarto trimestre e do ano de 2025