AI brain fry: a fadiga cognitiva como custo oculto da adoção massiva de IA generativa no trabalho

Estudo do Boston Consulting Group publicado na Harvard Business Review em março de 2026, com 1.488 trabalhadores em tempo integral nos EUA, identificou e nomeou o fenômeno 'AI brain fry' — definido como fadiga mental resultante do uso, interação e/ou supervisão excessivos de ferramentas de IA além da capacidade cognitiva do indivíduo. O sintoma combina dificuldade de foco, lentidão na tomada de decisão, neblina mental e a sensação descrita pelos participantes como 'ter uma dúzia de abas de navegador abertas dentro da cabeça'. A incidência foi de 14% entre os usuários de IA no trabalho, com forte variação setorial: 26% em marketing, 19% em RH, 18% em operações e engenharia, 17% em finanças, contra apenas 6% em jurídico/compliance. Trabalhadores submetidos à supervisão intensiva de agentes de IA reportaram 14% mais esforço mental, 12% mais fadiga mental e 19% mais sobrecarga de informação. Um segundo estudo independente, conduzido por Aruna Ranganathan e Xingqi Maggie Ye (UC Berkeley, HBR fev/2026) com cerca de 200 funcionários de uma empresa de tecnologia ao longo de oito meses, confirma o mecanismo: a IA não reduziu o trabalho — intensificou-o em todos os papéis observados. O fenômeno conecta-se a três conceitos correlatos: 'workslop' (Niederhoffer, Robichaux & Hancock, Stanford, HBR 2025) — conteúdo gerado por IA que parece pronto mas transfere a carga cognitiva ao revisor; 'jagged frontier' (Ethan Mollick) — a capacidade da IA falha de forma imprevisível, exigindo vigilância uniforme em todas as tarefas; e as 'ironias da automação' (Lisanne Bainbridge, 1983) — quanto mais sofisticada a automação, mais demandante o papel humano residual.

O custo do AI brain fry não é apenas individual: trabalhadores que o experimentam cometem erros graves 39% mais frequentemente e têm 39% mais probabilidade de estar ativamente buscando deixar o emprego. Isso desmonta parcialmente a tese central que justificou investimentos massivos em IA generativa corporativa — a promessa de ganho líquido de produtividade — e desloca o eixo do debate: o problema não é a IA, mas o design da interação humano-máquina e o vetor de adoção (eliminação de tarefas repetitivas vs. expansão indefinida de escopo). Para C-levels, CHROs e líderes de transformação digital, isso significa que métricas tradicionais de produtividade (output, tempo, código entregue) podem estar mascarando uma degradação de qualidade decisória, atrito humano e turnover latente. Para reguladores e sindicatos, abre uma frente nova de saúde ocupacional cognitiva. Para o setor de EdTech e formação corporativa, cria demanda por capacitação em 'higiene cognitiva com IA' e oversight crítico.

A lógica de implementação de IA corporativa tende a migrar de 'mais IA = mais produtividade' para um modelo de desenho deliberado de papéis humano-máquina, com governadores cognitivos explícitos (limites de oversight simultâneo, pausas estruturadas, rotação de tarefas de revisão). Funções de marketing, RH, operações e engenharia — as mais afetadas — devem reformular workflows para reduzir 'workslop' upstream e proteger capacidade de atenção downstream. Surge espaço para uma nova camada de KPIs cognitivos (carga mental, qualidade de julgamento, erros não detectados) ao lado dos KPIs de output. A própria narrativa pública sobre IA muda: a fricção, que parecia obstáculo, é redescoberta como reguladora natural do ritmo cognitivo. Há também risco de 'atrofia de pensamento' (Khare, 2026) — a degradação progressiva de habilidades de raciocínio não assistido — o que tem implicações de longo prazo para educação, formação profissional e resiliência organizacional em cenários de falha de sistemas de IA.