Uma revisão sistemática de 200 estudos e relatórios de consultorias analisa como a adoção de IA afeta bem-estar e satisfação no trabalho de engenheiros, destacando um paradoxo entre aumento de produtividade e riscos de alienação. O levantamento propõe uma agenda para a educação em engenharia ao indicar que a cultura organizacional e o desenho sociotécnico da implementação são decisivos para transformar IA em apoio ao trabalho, e não em mecanismo de controle.
O QUE HÁ DE NOVO: O artigo compila e organiza evidências recentes sobre a relação entre IA, satisfação no trabalho e cultura organizacional na engenharia, combinando análise bibliométrica e síntese temática. A revisão considera publicações e debates de 2018 a 2025 e descreve um corpus final de 200 trabalhos acadêmicos, além de relatórios de grandes consultorias, cobrindo setores como energia, construção e telecomunicações e ferramentas que vão de assistentes de código e testes automatizados a sistemas de gestão preditiva e monitoramento de desempenho.
COMO FUNCIONA: A pesquisa segue um protocolo de revisão sistemática inspirado em PRISMA, com busca em bases como Scopus, Web of Science, ACM Digital Library e IEEE Xplore, triagem por critérios de inclusão e exclusão e seleção final de 200 estudos para análise. Em seguida, usa VOSviewer para mapear tendências (países mais produtivos, evolução de publicações e coocorrência de palavras-chave) e aplica codificação qualitativa para extrair temas sobre como a IA altera demandas e recursos do trabalho, autonomia, sensação de controle, aprendizagem contínua e relações de confiança, sempre com a cultura organizacional como variável mediadora dos efeitos psicossociais.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para cursos de engenharia e programas de formação continuada, a revisão sugere que “fluência em IA” não pode ser tratada apenas como domínio técnico: ela precisa incluir competências de trabalho sociotécnico, leitura crítica de sistemas de gestão algorítmica e capacidade de participação em decisões de implementação. Do ponto de vista do trabalho docente e do desenho curricular, o recado é que preparar engenheiros para usar assistentes de código, ferramentas de design generativo e automação de testes deve vir acompanhado de prática deliberada para evitar dependência e erosão de fundamentos (como raciocínio, depuração e julgamento), além de módulos sobre governança, explicabilidade proporcional ao risco e ética aplicada ao cotidiano do desenvolvimento.
PRINCIPAIS RESULTADOS: A síntese identifica uma dualidade recorrente: de um lado, a IA tende a elevar a satisfação ao automatizar tarefas repetitivas e abrir espaço para trabalho criativo e de maior valor; de outro, pode reduzir autonomia e aumentar estresse quando implementada como “gestão algorítmica” orientada à vigilância, metas rígidas e microgestão. O estudo também aponta que resultados empíricos são frequentemente conflitantes porque variam conforme setor, maturidade do uso, participação dos trabalhadores e, sobretudo, a cultura interna, com ambientes de aprendizagem e segurança psicológica operando como amortecedores, e culturas de controle amplificando efeitos negativos como tecnestresse e esgotamento.
INSIGHT CENTRAL: O artigo organiza o campo em torno do “paradoxo de aumento versus alienação”: a mesma tecnologia que amplia capacidades pode, em contextos de baixo poder de decisão, transformar-se em fonte de perda de autonomia, intensificação do trabalho e desgaste emocional. A revisão ancora esse argumento em uma combinação de teorias de demandas e recursos do trabalho e de sistemas sociotécnicos, reforçando que o impacto não está “no modelo”, mas na interação entre ferramentas, métricas, regras de decisão, incentivos, liderança e rituais de trabalho.
SIM, MAS…: Como revisão, o estudo depende da qualidade e do recorte dos trabalhos existentes e reconhece lacunas importantes: falta de estudos longitudinais que acompanhem a satisfação ao longo do tempo (do piloto à adoção em escala), concentração de evidências em contextos ocidentais e atenção insuficiente a dinâmicas de equipe. Também aparecem riscos práticos relevantes para instituições e empregadores que dialogam com a educação: infraestrutura e governança inadequadas podem transformar IA em instrumento de monitoramento, afetando confiança; o uso acrítico de assistentes pode acelerar entregas no curto prazo, mas enfraquecer formação de base e identidade profissional, especialmente entre iniciantes.
O QUE VEM DEPOIS: A agenda proposta aponta caminhos de pesquisa e, por extensão, de inovação curricular: estudos comparativos em contextos não ocidentais, investigações sobre o papel da liderança na mediação da colaboração humano–IA, análises de efeitos em nível de equipe (e não só individual) e pesquisas sobre “voz ética” do engenheiro, como dilemas morais e rotas de escalonamento influenciam retenção, qualidade e bem-estar. Para a educação em engenharia, o próximo passo implícito é testar modelos de formação que combinem prática com ferramentas de IA, co-design e governança transparente, medindo não apenas desempenho técnico, mas também autonomia percebida, engajamento e sustentabilidade do trabalho ao longo do tempo.
