A inteligência artificial (IA) tem vindo a crescer nos últimos anos. Exemplos de tecnologias de IA incluem a aprendizagem automática, o processamento de linguagem natural, o reconhecimento visual e os sistemas de apoio à decisão (Bozkurt et al., 2023).
Outra vertente é a Inteligência Artificial Generativa (IAG), definida como uma tecnologia que utiliza Modelos de Linguagem Extensa (LLMs) – sistemas de IA avançados concebidos para compreender, gerar e interagir com a linguagem humana para desempenhar diversas tarefas, como produzir novos conteúdos, incluindo texto, música e imagens, a partir de instruções de texto (Universidade de Stanford, 2023).
Por exemplo, o ChatGPT ou o Gemini são chatbots de IAG produzidos através de um refinamento sofisticado de um LLM. Estas ferramentas são úteis, por exemplo, para a composição de emails, para a tradução de documentos, para a pesquisa rápida de diversos tópicos, para responder a perguntas, compor textos, resumir documentos ou até para a análise estatística, entre outras funcionalidades (Shanahan et al., 2023).
Recentemente, as organizações têm procurado a IAG para capitalizar em oportunidades de negócio, criar valor para os colaboradores, facilitar rotinas diárias e aumentar a produtividade organizacional (Bozkurt et al., 2023). No entanto, muitas organizações encontram dificuldades em integrá-la e utilizá-la de forma eficaz.
Esta dificuldade resulta de uma compreensão incompleta de como as ferramentas de IAG podem gerar valor empresarial e também da dificuldade de aceitação por parte de alguns colaboradores. Portanto, é necessário um entendimento mais claro sobre como é que a IAG pode ser otimizada no local de trabalho (Bankins et al., 2024; Thirunavukarasu et al., 2023).
Quais são as principais Vantagens e Desvantagens da IAG?
O uso da IAG apresenta desvantagens e vantagens (Enholm et al., 2022). Enquanto alguns académicos têm argumentado que as ferramentas de IAG podem potencialmente aumentar as taxas de desemprego (Bankins et al., 2024), outros enfatizam que a IAG pode impulsionar o desempenho dos colaboradores e a produtividade organizacional, pois facilita a execução de diversas tarefas, desde as mais simples (por exemplo, rotineiras, como a escrita de emails ou o resumo de documentos) até às mais complexas (por exemplo, resolução de problemas e tomada de decisão por exemplo na seleção de candidatos em recrutamento e seleção) (Kshetri et al., 2023).
A este respeito, alguns autores têm realçado de forma consistente que o uso de IAG para os RH potencia a criatividade e a produtividade tal como reduz o tempo necessário para a realização de diversas tarefas (Bankins et al., 2024).
Contrariamente, para além do perigo de aumentar a taxa de desemprego, outros autores sugerem que a IAG se não for usada de forma consciente e racionalizada pode levar à disseminação de informações falsas (Enholm et al., 2022).
Contrariamente, para além do perigo de aumentar a taxa de desemprego, outros autores sugerem que a IAG se não for usada de forma consciente e racionalizada pode levar à disseminação de informações falsas (Enholm et al., 2022). Outro risco tem a ver com as questões éticas que podem resultar do uso de IAG, nomeadamente o uso de textos produzidos apenas por estas ferramentas (Bozkurt et al., 2023).
Contudo, apesar da identificação de vantagens e desvantagens ainda não há consenso objetivo acerca das limitações exatas e dos benefícios que o uso de IAG pode trazer para as organizações, para os colaboradores, RH e outros stakeholders.
Esta falta de consenso pode levar os colaboradores a criar perceções negativas sobre o uso das ferramentas de IAG (Nguyen & Malik, 2022), corroendo a confiança e diminuindo a motivação e o envolvimento no trabalho (Parker & Grote, 2022). Isto, por sua vez, pode afetar negativamente os indicadores de desempenho dos colaboradores e, a longo prazo, a sustentabilidade organizacional (Thirunavukarasu et al., 2023).
Em suma, A IAG oferece um grande potencial para transformar diversos setores, mas é importante estar atento aos seus desafios. Para aproveitar ao máximo os benefícios dessa tecnologia, é fundamental desenvolver políticas e regulamentações que garantam o uso responsável e ético da IAG.
Será a IAG útil para os empregados, para as organizações e para os Recursos Humanos? Uma perspetiva do Modelo de Exigências e Recursos do Trabalho
Por exemplo, considere-se o muito usado modelo de exigências e recursos do trabalho (JD-R; Demerouti et al., 2001). De um modo geral, este modelo argumenta que o contexto laboral oferece exigências e recursos que podem facilitar ou dificultar o desempenho e o bem-estar dos funcionários (Bakker et al., 2023). As exigências do trabalho englobam os elementos físicos, psicológicos, sociais ou tecnológicos que requerem esforço contínuo ou capacidades, consumindo assim recursos e afetando o bem-estar.
Para este modelo, a IAG pode ser considerada como um recurso organizacional potencialmente poderoso, embora também possa criar algumas exigências no trabalho. Por exemplo, os colaboradores que não estão abertos, curiosos ou dispostos a utilizar as ferramentas de IAG podem percebê-las como uma exigência e adotar uma posição defensiva em relação à aprendizagem e ao uso das mesmas. Esta posição não apenas limitará o uso das mesmas, como pode interferir negativamente com o ambiente de trabalho e ameaçar o trabalho em equipa (Hobfoll et al., 2018).
Por outro lado, os recursos do trabalho são as condições físicas, psicológicas, sociais ou tecnológicas que apoiam a realização de objetivos, mitigam as exigências do trabalho e os seus custos relacionados, promovendo o desenvolvimento e a aprendizagem pessoal (Bakker et al., 2023).
Os recursos do trabalho podem incluir condições tecnológicas (por exemplo, um software inovador) ou condições laborais (por exemplo, o teletrabalho; Bakker et al., 2023) que podem desencadear um ciclo motivacional que promove o desempenho, aumentando o envolvimento no trabalho e o bem-estar (Junça-Silva & Rueff-Lopes, 2023).
Isto é consistente com a teoria da conservação de recursos (Hobfoll et al., 2018), que defende que os indivíduos procuram manter e proteger os seus recursos, visto que estes são meios para adquirir e proteger outros recursos. Além disso, os recursos do trabalho podem promover o crescimento pessoal, a aprendizagem e o desenvolvimento, satisfazendo assim as três necessidades psicológicas básicas (autonomia, competência e relacionamento – conforme proposto pela teoria da autodeterminação; Ryan & Deci, 2001) e apoiar a realização dos objetivos dos colaboradores, promovendo assim a eficácia e um desempenho superior.
Assim, com base no JD-R, a IAG pode ser vista como um recurso de trabalho. No entanto, a utilização de ferramentas de IAG também coloca outras exigências no trabalho, como lidar com a incerteza do desconhecido, aprender a usá-la de forma eficaz, otimizar o seu uso para objetivos relacionados com o trabalho e desenvolver pensamento crítico sobre o seu uso (por exemplo, informações tendenciosas; Thirunavukarasu et al., 2023). Por outro lado, as ferramentas de IAG podem contribuir para o equilíbrio entre a vida profissional e pessoal – um antecedente crucial tanto para a saúde mental como para os indicadores de desempenho (Junça-Silva, 2023).
Primeiro, as ferramentas de IAG podem facilitar a conclusão de tarefas e a realização de objetivos – um argumento para a definição de recursos de trabalho (Carlson et al., 2017) – uma vez que a IAG permite realizar desde tarefas simples e rotineiras até às mais complexas, libertando tempo e economizando recursos para que os colaboradores possam concentrar-se em objetivos de trabalho mais complexos ou outras dinâmicas relacionadas com o trabalho (por exemplo, criar momentos para interagir pessoalmente com os colegas).
Em segundo lugar, quando os colaboradores estão dispostos a aprender a trabalhar com ferramentas de IAG, podem não apenas melhorar o seu desempenho, mas também desenvolver-se pessoal e profissionalmente – outro argumento para a definição de recursos de trabalho (Bakker et al., 2023).
Além disso, o uso de IAG pode apoiar o desempenho dos colaboradores (Einola et al., 2023), reduzindo o conteúdo rotineiro das tarefas, diminuindo a sobrecarga de trabalho e deixando tempo para que os colaboradores se concentrem em outras tarefas (Szalavetz, 2023).
Isto pode, portanto, capacitar os colaboradores a terem maior autonomia, flexibilidade e poder para tomar decisões em outras tarefas mais complexas, facilitar a tomada de decisões (Kaasinen et al., 2020), ser uma fonte de apoio e assistência na gestão do tempo, e impulsionar o seu desempenho (Martišková, 2020).
Finalmente, ao facilitar o trabalho diário, seja ao realizar tarefas simples (por exemplo, definir prioridades para o dia de trabalho, compor emails ou traduzir e resumir documentos) ou ao ajudar a realizar tarefas mais complexas, como a resolução de problemas ou a tomada de decisões em áreas especializadas (por exemplo, num processo de recrutamento e seleção facilitar a comparação de candidatos e agilizar a seleção do candidato mais ajustado ao perfil pretendido; Thirunavukarasu et al., 2023), a IAG pode diminuir as exigências emocionais ou cognitivas associadas a exigências de trabalho regulares ou elevadas, protegendo assim a saúde e o bem-estar dos colaboradores.
Além disso, o tempo disponível criado pelo uso de ferramentas de IAG pode criar oportunidades para que os colaboradores se sintam motivados a conectar-se com outros no trabalho, satisfazendo as suas necessidades de relacionamento (conforme proposto pela teoria da autodeterminação; Ryan & Deci, 2001), o que, por sua vez, pode promover o desenvolvimento de trocas sociais positivas e ambientes de trabalho harmoniosos e mais saudáveis (Dai et al., 2020).
Logo, a redução da sobrecarga de trabalho quantitativa, a criação de tempo disponível e o desenvolvimento de relacionamentos positivos no trabalho podem ser fatores que diminuem os níveis de stress e ansiedade, reduzem o risco de burnout, protegendo assim a saúde dos colaboradores (Junça-Silva & Rueff-Lopes, 2023).
Em suma, é imperativo que as organizações integrem a IA nas suas operações para evitar tornarem-se obsoleta — não se adaptar pode resultar na sua substituição por concorrentes mais inovadores. Quando usadas de forma adequada, as ferramentas de IAG são um recurso capaz de beneficiar os colaboradores (saúde, bem-estar e relacionamentos) e as organizações, uma vez que o aumento dos níveis de desempenho pode ser uma fonte de sustentabilidade organizacional (Bulińska-Stangrecka & Bagieńska, 2020).
REFERÊNCIAS
Bakker, A. B., Demerouti, E., & Sanz-Vergel, A. (2023). Job demands–resources theory: Ten years later. Annual Review of Organizational Psychology and Organizational Behavior, 10, 25-53.
https://doi.org/10.1146/annurev-orgpsych-120920-053933
Bankins, S., Ocampo, A. C., Marrone, M., Restubog, S. L. D., & Woo, S. E. (2023). A multilevel review of artificial intelligence in organizations: Implications for organizational behavior research and practice. Journal of Organizational Behavior.
Bozkurt, A., Xiao, J., Lambert, S., Pazurek, A., Crompton, H., Koseoglu, S., Farrow, R., Bond, M., Nerantzi, C., Honeychurch, S., Bali, M., Dron, J., Mir, K., Stewart, B., Costello, E., Mason, J., Stracke, C., Romero-Hall, E., Koutropoulos, A., . . .
Jandrić, P. (2023). Speculative futures on ChatGPT and Generative Artificial Intelligence (AI): A collective reflection from the educational landscape. Asian Journal of Distance Education, 18(1), 53-130.
https://www.asianjde.com/ojs/index.php/AsianJDE/article/view/709
Bulińska-Stangrecka, H., & Bagieńska, A. (2020). Intangible resources for an organization’s sustainability potential. Entrepreneurship and Sustainability Issues, 8(1), 741.
Carlson, J. R., Carlson, D. S., Zivnuska, S., Harris, R. B., & Harris, K. J. (2017). Applying the job demands resources model to understand technology as a predictor of turnover intentions. Computers in Human Behavior, 77, 317-325.
Dai, J., Wang, J., Huang, W., Shi, J., & Zhu, Z. (2020). Machinery health monitoring based on unsupervised feature learning via generative adversarial networks. IEEE/ASME Transactions on Mechatronics, 25(5), 2252-2263.
Demerouti, E., Bakker, A. B., De Jonge, J., Janssen, P. P., & Schaufeli, W. B. (2001). Burnout and engagement at work as a function of demands and control. Scandinavian journal of work, environment & health, 279-286.
Einola, K., Khoreva, V., & Tienari, J. (2023). A colleague named Max: A critical inquiry into affects when an anthropomorphised AI (ro) bot enters the workplace. human relations, 00187267231206328.
Enholm, I. M., Papagiannidis, E., Mikalef, P., & Krogstie, J. (2022). Artificial intelligence and business value: A literature review. Information Systems Frontiers, 24(5), 1709-1734.
https://doi.org/10.1007/s10796-021-10186-w
Hobfoll, S. E., Halbesleben, J., Neveu, J. P., & Westman, M. (2018). Conservation of resources in the organizational context: The reality of resources and their consequences. Annual review of organizational psychology and organizational behavior, 5, 103-128.
Junça-Silva, A., & Rueff Lopes, R. (2023). Unfriendly customer behaviors and employees’ psychological capital: the role of health symptoms and positive humor events. Current Psychology, 42(19), 16381-16391.
Junça Silva, A. (2023). Where is the missing piece of the work-family conflict? The work-[pet] family conflict. Human Resource Development
Kaasinen, E., Schmalfuß, F., Özturk, C., Aromaa, S., Boubekeur, M., Heilala, J., … & Walter, T. (2020). Empowering and engaging industrial workers with Operator 4.0 solutions. Computers & Industrial Engineering, 139, 105678.
Kshetri, N., Dwivedi, Y. K., Davenport, T. H., & Panteli, N. (2023). Generative artificial intelligence in marketing: Applications, opportunities, challenges, and research agenda. International Journal of Information Management, 102716.
https://doi.org/10.1016/j.ijinfomgt.2023.102716
Martišková, M. (2020). The transformation of jobs and working conditions: Towards a policy response. The challenge of digital transformation in the automotive industry: jobs, upgrading and the prospects for development. Brussels: ETUI, 153-175.
Nguyen, T., & Malik, A. (2022b). Impact of knowledge sharing on employees’ service quality: The moderating role of artificial intelligence. International Marketing Review, 39(3), 482–508. https://doi.org/10.1108/IMR-02-2021-0078
Parker, S. K., & Grote, G. (2022). Automation, algorithms, and beyond: Why work design matters more than ever in a digital world. Applied Psychology, 71(4), 1171-1204.
Ryan, R. M., & Deci, E. L. (2001). On happiness and human potentials: A review of research on hedonic and eudaimonic well-being. Annual review of psychology, 52(1), 141-166.
Shanahan, M., McDonell, K., & Reynolds, L. (2023). Role play with large language models. Nature, 623(7987), 493-498.
Szalavetz, A. (2023). Agricultural Technology Start-ups–Romania and Hungary Compared. Romanian Journal of European Affairs, 23(1), 34-45.
Thirunavukarasu, A. J., Ting, D. S. J., Elangovan, K., Gutierrez, L., Tan, T. F., & Ting, D. S. W. (2023). Large language models in medicine. Nature medicine, 29(8), 1930-1940.
https://doi.org/10.1038/s41591-023-02448-8
[Artigo publicado na RHmagazine. Autora: Ana Junça Silva, Professora Auxiliar no ISCTE- Instituto Universitário de Lisboa]
