Eram 14h53 de uma terça-feira, e eu estava na quarta janela de chat aberta com um modelo, lendo a quinta versão de um parágrafo que precisava sair do jeito certo. A IA havia entregado tudo rápido. A lentidão estava em mim, no esforço de decidir qual das versões era a versão.

Levantei para buscar água e percebi algo estranho no caminho até a cozinha: nas últimas três horas, não havia escrito uma única frase por conta própria. Tinha lido, julgado, revisado, descartado e aprovado, sem organizar nada do zero. Mesmo assim, sentia o cansaço de quem tinha escrito tudo.

Essa cena não é exceção, é o padrão emergente. Nas últimas oito semanas, três sinais distintos convergiram para o mesmo diagnóstico. Um grupo de mais de vinte mil adultos nos Estados Unidos passou a relatar mais sintomas depressivos quando o uso de IA é diário [1]. 14% dos trabalhadores que operam IA de forma intensiva apresentam fadiga cognitiva mensurável, segundo dados do BCG e da Harvard Business Review [2]. E o engenheiro que ajudou a fundar a OpenAI descreveu o próprio estado, em entrevista pública, como uma forma branda de psicose induzida por agentes [5]. A explicação dominante para esses sinais é que a IA estaria substituindo o trabalho humano. Os dados sugerem o contrário: o que cansa não é deixar de trabalhar, é a natureza nova do trabalho que sobra. A esse esforço novo, dou um nome: carga de fiscalização.

Carga de fiscalização é o custo cognitivo de validar saídas da IA. É o esforço de ler, julgar, decidir confiar, identificar erro sutil, formular o próximo comando. Não é o trabalho de produzir, mas o trabalho de supervisionar quem produz. A literatura de neurociência já tinha mapeado o circuito cerebral que sustenta esse tipo de operação [3]. A particularidade do momento é que esse circuito está sendo exigido em escala e duração sem precedente, em pessoas que ainda calculam sua produtividade pelo modelo antigo. Argumento, neste artigo, que a próxima vantagem competitiva nas empresas que adotam IA não está no modelo escolhido, mas na arquitetura de carga de fiscalização que o time aguenta antes de quebrar.

O estudo americano sobre uso diário de IA em mais de 20 mil adultos

Em janeiro deste ano, pesquisadores publicaram uma das primeiras evidências de larga escala sobre o tema [1]. O estudo reuniu 20.847 adultos com idade média de 47,3 anos. O método cruzou um levantamento nacional ponderado com um questionário clínico padrão para sintomas depressivos, comparado em seguida com o uso autorrelatado de IA generativa.

O resultado central foi este: quem usa IA diariamente relata mais sintomas depressivos, e o aumento foi consistente o suficiente para ser estatisticamente robusto. O sinal apareceu mais forte no uso pessoal e na faixa entre 45 e 64 anos, em que o efeito chegou a ser cerca de 30% maior do que na média geral. Os autores tratam o resultado como correlação, e a relação causal segue em aberto. Ainda assim, o sinal sobreviveu aos ajustes do estudo, ou seja, persiste mesmo controlando por renda, escolaridade, gênero e idade.

O formato dessa evidência repete o padrão histórico das tecnologias com efeito psicológico mensurável. Primeiro vem a correlação, depois a replicação, em seguida a hipótese de mecanismo, e por fim a curva populacional fechando o argumento. Foi assim com televisão, foi assim com mídia social, e a IA percorre a mesma trilha em velocidade maior.

Colocando em prática

Uma empresa que adotou IA generativa em escala nos últimos doze meses pode estar operando no escuro, porque o painel de produtividade não captura a variável que acaba de entrar em cena. Três práticas calibradas funcionam: aplicar um questionário clínico de saúde mental de forma trimestral, anônima e agregada; ler o absenteísmo cruzado com o nível de adoção da IA por área; e fazer escuta qualitativa nos sprints de carga mais alta. O custo dessas três práticas combinadas, em uma empresa de quinhentos funcionários, fica abaixo do salário mensal de um analista pleno.

Por que a fiscalização cansa mais do que parece

Em março, uma parceria entre BCG e HBR publicou um estudo com 1.488 trabalhadores [2]. O artigo batizou o fenômeno como “brain fry” e quantificou seus contornos: 14% dos trabalhadores que usam IA de forma intensiva relatam fadiga cognitiva mensurável, com sintomas que incluem névoa mental, dor de cabeça, lentidão para decidir e dificuldade de concentração.

Os números do esforço incomodam. Esse grupo apresenta 14% mais esforço mental percebido, 12% mais fadiga mental e 19% mais sobrecarga de informação, sempre em comparação com trabalhadores que usam IA com menor intensidade.

A explicação fisiológica está em qualquer livro de neurociência cognitiva [3]. A região do cérebro chamada córtex pré-frontal funciona como um gerente de tarefas: prioriza, monitora conflitos e sustenta metas. Cada uma dessas funções consome glicose e cobra cansaço. Esse é o substrato neural sobre o qual a carga de fiscalização opera.

A diferença entre usar IA e fiscalizar IA é fisiológica, não atitudinal. O uso é cognitivamente leve, porque você dá uma instrução e recebe uma saída. A fiscalização exige metacognição contínua: você lê a saída, julga se faz sentido, decide se confia, identifica o erro sutil e formula o próximo comando. Esse é exatamente o tipo de processamento mental que Kahneman chamou de Sistema 2 [4], o tipo que o cérebro tende a evitar precisamente por ser caro.

O trabalhador exausto pela carga de fiscalização aparece como desanimado, embora o que se observe seja, na maioria dos casos, um córtex pré-frontal em jornada dupla.

Colocando em prática

Times que adotaram IA sem redesenhar o calendário cobram duas vezes do mesmo cérebro: primeiro a tarefa original, depois a fiscalização da máquina que executa essa tarefa. Janelas de “supervisão zero” deixam de ser luxo e passam a funcionar como descanso programado para o córtex pré-frontal. São blocos curtos do dia em que o time escreve do zero, lê papel, ou pensa sem tela.

O relato de Andrej Karpathy e o caso de Allan Brooks

Em março deste ano, Andrej Karpathy concedeu uma entrevista pública [5]. Cofundador da OpenAI, ex-diretor de IA da Tesla e referência global em inteligência artificial, ele descreveu o próprio estado dos últimos quatro meses como uma forma de psicose leve induzida pelo uso intenso de agentes de IA. A expressão veio sem rigor clínico. Foi a tradução possível para a sensação de dirigir agentes dezesseis horas por dia sem escrever uma linha de código por conta própria.

Sobre a rotina, Karpathy declarou: “Agora o que faço é apenas comunicar intenção aos meus agentes, e tenho que fazer isso por dezesseis horas seguidas.” Sobre a relação com o serviço, completou: “Fico extremamente ansioso quando ainda tenho créditos sobrando perto do fim do mês.”

Quando alguém que ajudou a construir a IA contemporânea se descreve dessa forma em conversa pública, o relato deixa de ser anedota individual. Funciona, isto é, como sinal antecipado vindo de quem mais entende o sistema por dentro.

Do outro lado da curva está Allan Brooks, pai canadense de Ontário, sem histórico psiquiátrico, perfilado em 2024-2025 pelo New York Times e citado em janeiro deste ano em um fórum acadêmico sobre quadros relacionados ao uso de IA [6]. Brooks começou a usar o ChatGPT para ajudar o filho com matemática, e após semanas de interação intensa foi convencido pelo modelo de que tinha feito uma descoberta criptográfica revolucionária. A análise descreveu o padrão observado em pacientes sem histórico psiquiátrico prévio: crenças delirantes começam a aparecer em paralelo a um uso muito intenso de chatbots de IA. O quadro ainda não chega à categoria de diagnóstico clínico e aparece como padrão emergente que pede atenção da literatura. O componente comum é o que os pesquisadores chamam de “IA bajuladora”, uma IA que valida em vez de confrontar, em interação prolongada com pessoa em estado de fadiga ou solidão.

Karpathy e Brooks estão em registros muito diferentes, embora tenham usado o mesmo tipo de modelo. Em ambos, o sistema amplificou o padrão cognitivo que já estava presente.

Colocando em prática

Uma regra vem se firmando em equipes técnicas mais maduras: nenhuma decisão crítica deve sair de uma conversa única e prolongada com IA. O melhor uso é o pontual, com a IA entrando em uma cadeia de validação humana, sem ocupar o papel de interlocutor único de uma sessão de quatro horas. Em times executivos, isso vira política simples. Documento estratégico não nasce em uma única sequência de mensagens. Decisões de promoção, demissão, fusão e aquisição ou posicionamento de marca seguem o mesmo princípio.

O cenário brasileiro: 546 mil afastamentos por transtornos mentais e a NR-1 prestes a entrar em vigor

Em 2025, o Brasil registrou 546.254 afastamentos do trabalho por transtornos mentais [7]. O volume foi 79% maior do que o de 2023, e o custo estimado para o INSS chegou a R$ 3,5 bilhões. Ansiedade, depressão, estresse grave e burnout puxam a curva. A categoria “fadiga por supervisão de IA” ainda não aparece na tabela, e quando aparecer deverá se distribuir entre essas mesmas condições.

A âncora regulatória mais importante neste momento é a Portaria do Ministério do Trabalho que atualizou a NR-1 [8]. Ela incluiu, de forma expressa, os fatores de risco psicossociais no Gerenciamento de Riscos Ocupacionais. A vigência começa em 26 de maio de 2026, faltando 18 dias da data desta publicação. A partir dessa data, toda empresa com empregados regidos pela CLT precisa identificar, avaliar e gerenciar riscos psicossociais dentro do Programa de Gerenciamento de Riscos.

Na prática, o alcance é amplo. Organização do trabalho, ritmo de demanda, jornada, assédio moral, desequilíbrio entre esforço e recompensa, isolamento e sobrecarga cognitiva passam a ocupar o mesmo radar dos EPIs e dos riscos químicos. A sobrecarga cognitiva por adoção mal calibrada de IA cabe nessa lista desde o primeiro dia de vigência.

Colocando em prática

A janela de doze meses é o tempo adequado para três providências concretas, considerando que a fiscalização entra com caráter educativo no primeiro ano. A primeira é mapear quais áreas adotaram IA com mais intensidade nos últimos vinte e quatro meses. A segunda é aplicar um instrumento clínico validado de saúde mental, com leitura agregada e anônima, idealmente trabalhando com uma medição inicial e outra alguns meses depois. A terceira é redesenhar os ritmos de trabalho, incluindo bloqueios circadianos, janelas curtas de supervisão zero e ritual de encerramento ao final do dia. O modelo recomendado é o de programa contínuo, com agenda regular. Palestras pontuais não dão conta.

Pode-se argumentar que o problema é treinamento, não carga

Há uma objeção legítima a tudo o que foi dito até aqui. Pode-se argumentar que o que parece carga de fiscalização é, na verdade, falta de treinamento. Equipes mais bem treinadas em prompt design, validação de saída e uso responsável de modelos teriam menos fadiga porque saberiam o que pedir e como avaliar. Por essa leitura, a solução seria educacional, não fisiológica.

A objeção tem mérito parcial. Equipes melhor treinadas, de fato, gastam menos energia em correção de saídas óbvias e em retrabalho. Mas a evidência empírica disponível mostra que o sintoma persiste mesmo entre profissionais experientes. Karpathy, treinador de toda uma geração de engenheiros de IA, descreve a própria condição em registros que beiram a saturação clínica. O estudo americano observa o efeito em uma faixa etária, entre 45 e 64 anos, que tipicamente acumula mais experiência profissional, não menos. E o “brain fry” do BCG aparece justamente em trabalhadores que operam IA com mais intensidade, ou seja, naquele subgrupo que mais se especializou. Treinamento desloca o ponto de fadiga, mas não anula o custo metacognitivo.

A questão, portanto, não é entre fisiologia e treinamento. É de hierarquia: o treinamento reduz a magnitude da carga de fiscalização, e o redesenho de ritmo evita que essa carga, ainda assim irredutível, se acumule até o ponto de quebra.

Um padrão histórico: a regulação chega pela via da saúde do trabalhador

A história das tecnologias de informação tem um padrão repetido. A regulação costuma chegar depois da exaustão coletiva, com mais firmeza pela porta da saúde física e mental, e a política pública abstrata costuma vir em seguida.

Foi assim com o cigarro no escritório, com horas extras sem controle e com mídia social em escolas. Tende a ser assim também com IA generativa em ambiente corporativo. A NR-1 atualizada cumpre o papel de porta de entrada. O “brain fry” da BCG popularizou o nome. Os relatos de Karpathy e Brooks colocaram rosto na curva.

Diante disso, a consequência prática é direta. Empresa que adotar IA sem redesenhar a carga de fiscalização tende a pagar duas contas: aumento de absenteísmo psiquiátrico, dentro da curva ANAMT, e exposição regulatória, dentro da NR-1. Empresa que adotar IA com diagnóstico de carga, redesenho de ritmo e métrica recorrente de fadiga ocupa posição vantajosa nos próximos dois ou três anos. O restante do mercado tende a fazer o mesmo movimento depois.

Em última análise, a diferença entre os dois caminhos passa pela fisiologia organizacional antes de passar pela tecnologia em si. A vantagem competitiva das próximas safras está mais na carga de fiscalização que o time aguenta sem cair do que no modelo de IA que a empresa adota.

A pergunta que sobra

Volto àquela terça-feira de 14h53. Depois daquela tarde, mudei a forma como organizo o calendário. Reservei dois blocos de noventa minutos por dia em que a única regra é não abrir nenhuma janela de chat com modelo. Nesses blocos, escrevo, leio em papel, ou apenas penso. A produtividade não caiu. Pelo contrário, o esforço marginal de cada decisão tomada nessas janelas é menor, porque o córtex pré-frontal chega descansado.

Em qual janela do seu dia a carga de fiscalização está alta quando deveria estar zerada?

Na MIND station, desenhamos programas de saúde mental corporativa que olham essa equação por inteiro. O programa começa com diagnóstico inicial baseado em instrumentos clínicos validados, redesenha o ritmo de trabalho a partir de neurociência aplicada, mede a fadiga cognitiva de forma recorrente e forma líderes para conduzir essa conversa dentro do time. O modelo é o de programa contínuo, com agenda definida, voltado para empresas que entendem o que está em jogo.

Usar IA virou commodity. Operar IA sem sobrecarregar o cérebro tende a se tornar o fator de diferenciação, separando as empresas que vão durar das que vão se desgastar no caminho.

Referências

[1] Perlis, R. H. et al. Generative AI Use and Depressive Symptoms Among US Adults. JAMA Network Open, 2026. Estudo do Center for Quantitative Health (Mass General + Harvard Medical School) com 20.847 adultos.

[2] BCG Henderson Institute, em parceria com Harvard Business Review. When Using AI Leads to Brain Fry. HBR, 2026. Amostra de 1.488 trabalhadores.

[3] Miller, E. K.; Cohen, J. D. An Integrative Theory of Prefrontal Cortex Function. Annual Review of Neuroscience, 2001.

[4] Kahneman, D. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011.

[5] Entrevista de Andrej Karpathy ao podcast No Priors, março de 2026.

[6] Bhatt; Olkkola. Análise de quadros associados a uso intenso de IA. UCSF, 2026.

[7] ANAMT (Associação Nacional de Medicina do Trabalho), com base em dados do INSS, 2025.

[8] Portaria MTE nº 1.419/2024 e atualização da NR-1, vigência a partir de 26 de maio de 2026.