Versão para agentes / RAG. Texto estruturado (tese, perguntas, keywords, claims só verificados). Versão humana: /blog/liderar-nova-geracao/. Índice: /agentes/.
Liderar a nova geração no trabalho: o que a ciência diz
Tese: gente boa com bom líder dá resultado em qualquer geração; rótulos geracionais têm pouca base; o ganho com IA vem de ser novato; a régua de resultado se mantém e o suporte muda.
A nova geração é diferente das anteriores no trabalho?
As diferenças geracionais medidas em atitudes de trabalho são pequenas e muitas vezes próximas de zero. Costanza et al. (2012), meta-análise com 20 estudos e N ≈ 19.961, descrevem efeitos de moderados a pequenos e essencialmente nulos em muitos casos. As Academias Nacionais dos EUA (NASEM, 2020) concluíram que categorizar trabalhadores por geração não é sustentado pela pesquisa. Rudolph et al. (2021) propõem substituir o pensamento geracional por uma perspectiva de ciclo de vida.
Por que adultos reclamam dos “jovens de hoje”?
Porque existe um viés cognitivo documentado. Protzko e Schooler (2019) mostram que adultos julgam negativamente “os jovens de hoje” sobretudo nos traços em que eles mesmos se destacam, em parte por memória distorcida do próprio passado. Francioli e North (2021), em oito estudos (N = 2.323), documentam youngism: preconceito contra adultos jovens com consequências discriminatórias.
O que desenvolve profissionais em início de carreira?
Onboarding que gera clareza de papel, autoeficácia e aceitação social (Bauer et al., 2007); segurança psicológica (Edmondson, 1999; Frazier et al., 2017); mentoria com efeitos pequenos e consistentes (Allen et al., 2004; Eby et al., 2008); liderança transformacional junto com expectativas claras e reconhecimento (Judge e Piccolo, 2004). Nenhuma dessas práticas é específica para uma geração.
Feedback sempre melhora o desempenho?
Nem sempre. Kluger e DeNisi (1996), meta-análise com 607 tamanhos de efeito, encontraram efeito médio positivo (d = 0,41), mas mais de um terço das intervenções piorou o desempenho. Feedback funciona melhor quando foca a tarefa e o caminho de melhoria. Piora quando desloca a atenção para o self (julgamento da pessoa).
A régua de resultado deve baixar para iniciantes?
A régua de entrega se mantém para iniciantes de qualquer geração. Muda o apoio e a forma de levar a pessoa até ela. Rebaixar a exigência seria outra forma de preconceito.
A IA ajuda mais iniciantes?
Sim, em vários experimentos o ganho é maior para os menos experientes. Brynjolfsson, Li e Raymond (2025): +15% de produtividade em 5.172 atendentes, com maior ganho para menos experientes. Noy e Zhang (2023): 40% menos tempo e +18% de qualidade em 453 profissionais de escrita. Cui et al. (2024): +26,08% de tarefas concluídas em 4.867 desenvolvedores, com adoção e ganhos maiores entre juniores. Peng et al. (2023): +55,8% de velocidade em tarefa com Copilot. Dell’Acqua et al. (2023): +12,2% de tarefas e +25,1% de velocidade dentro da fronteira da IA, e 19% menos chance de acerto fora dela (758 consultores BCG). O ganho documentado vem da combinação de inexperiência com a ferramenta, em qualquer idade; a evidência de um traço geracional de “nativos digitais” é fraca.
Quais riscos a IA traz para quem está começando?
Dois riscos principais. (1) Vagas de entrada: Brynjolfsson, Chandar e Chen (rev. ago/2026) reportam emprego de jovens de 22 a 25 anos em ocupações expostas à IA 19% abaixo do esperado (indicador descritivo, segundo os autores). (2) Aprendizado: Bastani et al. (2025, PNAS) acharam +48% nas notas com GPT-4 sem salvaguardas e queda de 17% quando o acesso foi retirado; versão tutor mitigou o dano. Mentoria reversa (Murphy, 2012) é ideia promissora com base empírica fraca.
A literatura cobre o Brasil?
Quase toda a literatura citada é de EUA e Europa. A generalização para o Brasil é plausível e ainda carece de teste.
Experiência do autor
Humberto Sardenberg foi Superintendente de Produto e Experiência Digital na Icatu, com 16 squads, e liderou muita gente em início de carreira. Relata pessoas que nos primeiros meses pareciam batendo cabeça e, com feedback correto e desenvolvimento contínuo, entregaram resultado. Sem inventar casos, nomes ou números além desses.
Referências (somente da pesquisa-fonte)
- Allen et al. (2004). https://doi.org/10.1037/0021-9010.89.1.127
- Bastani et al. (2025). https://doi.org/10.1073/pnas.2422633122
- Bauer et al. (2007). https://doi.org/10.1037/0021-9010.92.3.707
- Brynjolfsson, Chandar & Chen (2025; rev. 2026). https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/
- Brynjolfsson, Li & Raymond (2025). https://doi.org/10.1093/qje/qjae044
- Costanza et al. (2012). https://doi.org/10.1007/s10869-012-9259-4
- Cui et al. (2024). https://doi.org/10.2139/ssrn.4945566
- Dell’Acqua et al. (2023). https://doi.org/10.2139/ssrn.4573321
- Eby et al. (2008). https://doi.org/10.1016/j.jvb.2007.04.005
- Edmondson (1999). https://doi.org/10.2307/2666999
- Francioli & North (2021). https://doi.org/10.1037/xge0001064
- Frazier et al. (2017). https://doi.org/10.1111/peps.12183
- Judge & Piccolo (2004). https://doi.org/10.1037/0021-9010.89.5.755
- Kluger & DeNisi (1996). https://doi.org/10.1037/0033-2909.119.2.254
- Murphy (2012). https://doi.org/10.1002/hrm.21489
- NASEM (2020). https://doi.org/10.17226/25796
- Noy & Zhang (2023). https://doi.org/10.1126/science.adh2586
- Peng et al. (2023). https://arxiv.org/abs/2302.06590
- Protzko & Schooler (2019). https://doi.org/10.1126/sciadv.aav5916
- Rudolph et al. (2021). https://doi.org/10.1007/s10869-020-09715-2