Existe uma contradição começando a aparecer no mercado de trabalho.

As empresas querem profissionais com pensamento estratégico, capacidade de julgamento, liderança, criatividade, autonomia e habilidade para lidar com situações complexas.

Ao mesmo tempo, a inteligência artificial está assumindo justamente uma parte das tarefas mais simples, repetitivas e estruturadas que historicamente faziam parte do início da carreira desses profissionais.

Parece uma evolução natural.

Se uma inteligência artificial consegue pesquisar informações, preparar relatórios, organizar planilhas, escrever primeiras versões, revisar documentos, produzir códigos básicos e analisar grandes volumes de dados em poucos minutos, por que continuar pagando alguém para fazer manualmente aquilo que a tecnologia consegue executar?

A pergunta faz sentido do ponto de vista da produtividade.

Mas esconde outra:

como o profissional que hoje possui julgamento, experiência e capacidade estratégica adquiriu essas competências?

Na maioria dos casos, ele não começou tomando grandes decisões.

Começou fazendo trabalhos menores.

Observando.

Executando.

Errando.

Sendo corrigido.

Refazendo.

Participando de situações que, isoladamente, pareciam simples, mas que ao longo dos anos construíram alguma coisa muito mais valiosa: experiência.

E é justamente aí que aparece um dos problemas mais interessantes da inteligência artificial no mercado de trabalho.

Estou chamando de Teoria da Escada Quebrada.

Se automatizamos os primeiros degraus utilizados para formar um profissional, como produziremos os especialistas que precisarão ocupar os degraus superiores no futuro?

Ninguém começa sênior

Imagine um advogado experiente.

Hoje ele pode analisar um caso complexo, identificar riscos, perceber detalhes que um profissional menos experiente ignoraria, conversar com um cliente em situação delicada e decidir que determinada estratégia juridicamente possível não é a melhor estratégia naquele contexto.

Esse julgamento não surgiu no momento em que recebeu seu diploma.

Ele provavelmente começou pesquisando jurisprudência, revisando documentos, preparando minutas, acompanhando profissionais mais experientes e realizando atividades muito menos sofisticadas.

Agora imagine um analista financeiro.

Antes de participar de decisões relevantes, provavelmente passou anos manipulando planilhas, preparando relatórios, conferindo números, tentando compreender por que determinados indicadores mudaram e aprendendo a distinguir um dado importante de um dado apenas aparentemente importante.

Um programador experiente também começou resolvendo problemas menores.

Um vendedor experiente provavelmente começou enfrentando objeções simples, errando abordagens, ouvindo clientes e perdendo negociações.

Um gestor não aprende a lidar com pessoas apenas estudando liderança. Ele constrói repertório enfrentando conflitos reais, acompanhando comportamentos e descobrindo que aquilo que funciona perfeitamente com uma pessoa pode falhar completamente com outra.

O trabalho inicial possui duas funções.

A mais evidente é produzir resultado para a empresa.

A menos evidente é produzir o profissional que será necessário no futuro.

Durante décadas, essas duas funções estiveram misturadas.

A empresa contratava alguém para executar trabalho de entrada e, enquanto essa pessoa trabalhava, acumulava experiência.

A inteligência artificial começa a separar essas duas coisas.

Ela pode executar parte do trabalho.

Mas isso não significa automaticamente que alguém continuará acumulando a experiência que aquele trabalho produzia.

Os primeiros sinais já apareceram

O AI Jobs Barometer 2026 da PwC encontrou um dado particularmente importante.

Analisando 2,4 milhões de vagas de entrada nos Estados Unidos, a pesquisa encontrou que os cargos juniores mais expostos à inteligência artificial estão agora sete vezes mais propensos a exigir habilidades tradicionalmente associadas a profissionais seniores, como julgamento, liderança, criatividade e interação humana.

Existe algo aparentemente positivo nisso.

Os trabalhos iniciais podem estar ficando mais interessantes.

Se a IA assume atividades burocráticas, jovens profissionais podem chegar mais rapidamente a trabalhos que envolvem raciocínio, relacionamento e tomada de decisão.

Mas existe outra leitura.

Estamos começando a pedir competências seniores de pessoas que ainda não tiveram experiência suficiente para construí-las.

A própria PwC reconhece essa tensão ao afirmar que a relação tradicional entre experiência e expertise está mudando: atividades rotineiras que funcionavam como uma espécie de aprendizado profissional estão sendo removidas enquanto empresas passam a exigir julgamento, liderança e adaptabilidade mais cedo na carreira.

Isso é praticamente a Escada Quebrada aparecendo nos dados.

O problema não é perder o trabalho ruim

Seria um erro concluir que devemos preservar tarefas tediosas apenas porque pessoas mais velhas foram obrigadas a executá-las.

Não existe virtude especial em passar quatro horas copiando informações de uma planilha para outra.

Se uma máquina pode fazer isso em segundos, ótimo.

O objetivo não deveria ser preservar trabalho improdutivo em nome da tradição.

A verdadeira pergunta é:

Que aprendizado estava escondido dentro daquele trabalho e como vamos preservá-lo depois que a execução for automatizada?

Essa diferença é fundamental.

Talvez preencher uma planilha não ensine nada relevante.

Mas talvez analisar diariamente aqueles números permita que um analista perceba padrões que alguém que recebe apenas o relatório final nunca verá.

Talvez escrever uma primeira versão de um contrato seja ineficiente.

Mas talvez o esforço necessário para construí-la obrigue um advogado jovem a compreender relações que desapareceriam se ele apenas revisasse um documento pronto.

Talvez produzir dezenas de pequenas peças publicitárias seja operacional.

Mas talvez seja exatamente essa repetição que ajude um profissional criativo a desenvolver gosto.

Não devemos preservar o trabalho antigo.

Precisamos identificar qual competência ele produzia.

Existe uma diferença entre conhecimento e experiência

A inteligência artificial é excepcionalmente boa em disponibilizar conhecimento.

Um jovem profissional pode perguntar como conduzir uma negociação, como analisar um balanço, como estruturar uma campanha, como revisar um contrato ou como resolver determinado problema técnico.

Ele pode receber em segundos uma explicação melhor do que aquela que muitos profissionais tinham acesso no início de suas carreiras.

Isso é extraordinário.

Mas conhecer uma explicação e possuir julgamento não são a mesma coisa.

Existe uma diferença entre saber:

“Em situações desse tipo, normalmente fazemos X.”

e ter vivido situações suficientes para perceber:

“Eu sei que normalmente fazemos X, mas neste caso específico alguma coisa está diferente.”

Essa segunda capacidade depende muito mais de experiência contextual.

É o conhecimento que surge depois de ver regras funcionarem e falharem várias vezes.

A inteligência artificial pode transmitir parte do repertório acumulado por outros.

Mas existe uma parcela da competência profissional construída justamente pela interação entre conhecimento e consequência.

Você tomou uma decisão.

Alguma coisa aconteceu.

Você percebeu algo que não havia considerado.

Na próxima vez, decidiu melhor.

Chamamos o resultado final de experiência.

Mas experiência é, em grande parte, um arquivo de consequências.

E talvez estejamos reduzindo o acesso a essas consequências

Um estudo do Stanford Digital Economy Lab encontrou um dos primeiros sinais preocupantes no emprego de jovens.

Trabalhadores de 22 a 25 anos nas ocupações mais expostas à IA apresentaram uma queda relativa de aproximadamente 16% no emprego, mesmo depois de controles utilizados pelos pesquisadores para tentar separar choques específicos das empresas. Trabalhadores mais experientes nas mesmas ocupações não apresentaram o mesmo padrão.

Esse resultado precisa ser interpretado com cuidado.

Ele não prova que a inteligência artificial esteja causando toda a redução observada no emprego jovem. Outros estudos encontram efeitos menores, e os próprios pesquisadores de Stanford ressaltam que o fenômeno ainda precisa ser acompanhado.

A Anthropic chegou a conclusão igualmente cautelosa: não encontrou até agora aumento sistemático de desemprego nas profissões mais expostas, embora tenha identificado sinais iniciais de redução na entrada de trabalhadores jovens em algumas delas.

Portanto, ainda é cedo para declarar uma crise generalizada do emprego inicial.

Mas já não é cedo demais para fazer a pergunta.

O que acontece com a formação profissional se empresas começarem a contratar menos pessoas justamente na base da carreira?

O problema pode aparecer anos depois

Esse é o aspecto mais traiçoeiro da Escada Quebrada.

Os benefícios da automação aparecem imediatamente.

A empresa consegue reduzir custo.

A produtividade aumenta.

Uma equipe menor produz mais.

Os relatórios chegam rapidamente.

As análises são feitas.

Os clientes são atendidos.

Financeiramente, a decisão pode parecer impecável.

O problema de formação aparece muito mais tarde.

Imagine uma organização que tradicionalmente contrata dez profissionais juniores por ano.

Alguns saem.

Alguns permanecem.

Depois de três ou quatro se tornam profissionais intermediários.

Depois de mais alguns anos, um ou dois desenvolvem capacidade suficiente para ocupar posições seniores.

Agora imagine que a empresa conclua que a IA consegue executar 70% do trabalho dos juniores e passe a contratar apenas dois.

No primeiro ano, provavelmente parecerá uma decisão brilhante.

No segundo também.

No terceiro talvez ainda.

Mas, anos depois, surge uma pergunta que não aparecia na planilha inicial:

de onde virão os próximos profissionais intermediários?

E depois:

de onde virão os próximos seniores?

A empresa economizou no presente utilizando capital humano produzido pelo sistema antigo.

Mas deixou de financiar a produção do capital humano futuro.

Podemos consumir a experiência acumulada sem perceber

Existe uma espécie de estoque invisível dentro das empresas.

Profissionais experientes.

Eles aprenderam em um mundo no qual alguém pagou pelo processo de formação deles.

Empresas aceitaram seus erros.

Gestores corrigiram trabalhos.

Colegas ensinaram.

Clientes tiveram paciência.

Projetos menores serviram de treinamento.

Todo esse processo produziu conhecimento acumulado.

Agora podemos colocar agentes de IA ao lado desses profissionais e aumentar radicalmente sua produtividade.

Isso pode produzir uma sensação perigosa:

“Não precisamos mais de tantas pessoas.”

Talvez seja verdade para executar o trabalho de hoje.

Mas um profissional de 45 anos altamente produtivo com dez agentes não será o profissional sênior da empresa daqui a 30 anos.

Uma organização pode descobrir que reduziu sua necessidade imediata de juniores enquanto aumentou sua dependência de um grupo cada vez menor de pessoas que foram formadas antes da automação.

É possível, portanto, que empresas tenham equipes extraordinariamente produtivas e, simultaneamente, estejam consumindo seu estoque de experiência.

Mas existe outro futuro possível

A Escada Quebrada não é inevitável.

E talvez essa seja a conclusão mais importante deste artigo.

Um estudo com mais de cinco mil profissionais de atendimento ao cliente encontrou que acesso a uma ferramenta de IA generativa aumentou a produtividade em aproximadamente 14% em média.

Entre trabalhadores novatos e menos qualificados, o ganho chegou a aproximadamente 34%. Entre os trabalhadores mais experientes, o efeito foi muito menor.

Os pesquisadores encontraram evidências de que a IA ajudava a disseminar práticas utilizadas pelos profissionais de maior desempenho para os trabalhadores menos experientes.

Isso aponta para um cenário completamente diferente.

A inteligência artificial não precisa eliminar o aprendiz.

Ela pode se tornar parte do sistema de aprendizagem.

Imagine um profissional iniciante que, em vez de passar horas realizando atividades mecânicas, recebe assistência da IA enquanto é exposto mais rapidamente a situações reais.

A máquina explica.

Sugere.

Compara.

Mostra alternativas.

Aponta erros.

O profissional experimenta.

O gestor corrige.

O cliente reage.

E o iniciante consegue atravessar em dois anos uma quantidade de situações que anteriormente exigiria cinco.

Nesse caso, a IA não quebra a escada.

Ela diminui a distância entre os degraus.

A decisão está no desenho do trabalho

Considere duas empresas que implementam exatamente a mesma tecnologia.

A primeira conclui:

“Se a IA executa o trabalho dos iniciantes, não precisamos mais contratar iniciantes.”

A segunda conclui:

“Se a IA eliminou grande parte do trabalho mecânico dos iniciantes, podemos acelerar sua exposição às atividades que realmente desenvolvem competência.”

As duas podem obter produtividade.

Mas estão construindo futuros completamente diferentes.

A primeira trata a IA como substituta de mão de obra.

A segunda trata a IA também como infraestrutura de formação.

Na primeira, o ganho é principalmente de eficiência.

Na segunda, eficiência e desenvolvimento podem caminhar juntos.

Essa distinção começa a aparecer também nos dados de mercado. O estudo de Stanford encontrou que os efeitos negativos sobre emprego jovem estavam mais concentrados em ocupações onde a IA parece estar sendo utilizada de maneira automatizadora; nas ocupações onde seu uso tende a complementar o trabalhador, o padrão foi diferente.

A tecnologia sozinha não determina qual caminho será seguido.

O desenho organizacional importa.

Precisamos separar trabalho de treinamento

Talvez o modelo tradicional de carreira tenha escondido uma coisa durante muito tempo.

Nós confundimos trabalho produtivo com formação profissional porque ambos aconteciam ao mesmo tempo.

O júnior produzia e aprendia.

A empresa precisava do trabalho dele e, indiretamente, financiava seu desenvolvimento.

Quando a tecnologia deixa de precisar daquela produção, o mecanismo de financiamento da aprendizagem começa a desaparecer.

Esse pode ser um dos grandes desafios da era da inteligência artificial.

Se não precisamos mais economicamente do trabalho inicial, talvez precisemos criar deliberadamente aquilo que antes surgia como consequência natural do emprego.

Treinamento.

Simulações.

Rotação entre áreas.

Acompanhamento de profissionais experientes.

Exposição controlada a decisões.

Revisão crítica das respostas da IA.

Participação em reuniões.

Contato com clientes.

Responsabilidade progressiva.

Mentoria.

Talvez a formação do futuro precise ser muito mais intencional do que a formação do passado.

E isso muda também o papel do profissional sênior

Hoje muitos profissionais experientes são avaliados principalmente pelo que conseguem produzir.

Mas em uma organização agentizada, pode crescer outra responsabilidade:

produzir profissionais capazes de pensar.

Um sênior altamente produtivo que utiliza IA para executar o trabalho de cinco pessoas pode parecer extremamente valioso.

Mas um sênior que produz quatro novos profissionais capazes de tomar decisões talvez seja ainda mais importante para a organização no longo prazo.

Esse valor, porém, é muito mais difícil de medir.

A planilha captura facilmente:

quantas entregas foram feitas;

quantas horas foram economizadas;

quanto custo foi reduzido.

Ela captura com muito mais dificuldade:

quantas pessoas aprenderam;

quanto julgamento foi desenvolvido;

quanto conhecimento tácito foi transferido;

quantos futuros líderes foram formados.

Existe aqui um conflito entre eficiência presente e capacidade futura.

Talvez precisemos redefinir senioridade

Existe ainda uma consequência mais profunda.

Se a IA consegue realizar em minutos atividades que anteriormente consumiam horas, talvez anos de trabalho deixem de ser uma boa aproximação da experiência.

Uma pessoa pode permanecer cinco anos em uma profissão e tomar poucas decisões relevantes.

Outra pode, com ajuda da tecnologia, ser exposta a centenas de situações complexas durante o mesmo período.

Talvez senioridade passe progressivamente de:

tempo de execução

para:

qualidade e diversidade das situações julgadas.

Isso mudaria formação profissional de maneira radical.

Não precisaríamos obrigar o jovem a executar manualmente tudo aquilo que a tecnologia pode fazer.

Precisaríamos garantir que ele compreenda o processo, consiga revisar a máquina, perceba suas limitações e seja progressivamente exposto às consequências das decisões.

O objetivo deixa de ser reproduzir a carreira antiga.

Passa a ser construir um novo caminho até a expertise.

Existe um risco ainda mais estranho

A inteligência artificial pode elevar rapidamente a capacidade aparente dos profissionais iniciantes.

Um jovem pode produzir um relatório excelente.

Um código sofisticado.

Uma análise convincente.

Uma apresentação impecável.

Um planejamento detalhado.

Mas existe uma diferença entre:

produzir um resultado de nível sênior

e

possuir competência de nível sênior.

Esse talvez seja um dos problemas de avaliação mais difíceis da próxima década.

Quando a qualidade do resultado deixa de revelar claramente a capacidade de quem o produziu, como identificaremos quem realmente sabe?

Um profissional pode parecer excepcional enquanto está apoiado pela máquina e ainda não possuir os modelos mentais necessários para perceber quando a máquina falha.

E quanto melhor a IA ficar, mais difícil essa diferença pode se tornar visível.

A aparência de competência pode crescer mais rápido do que a competência real.

Então a empresa passa a precisar de algo aparentemente contraditório

Ela precisa permitir que pessoas façam coisas que a IA poderia fazer melhor.

Não por nostalgia.

Por formação.

Um piloto precisa treinar situações que normalmente serão controladas por sistemas automáticos.

Um profissional precisa aprender a avaliar aquilo que um agente normalmente executará.

Um gestor precisa compreender o processo que posteriormente poderá delegar.

Não precisamos obrigatoriamente executar manualmente durante anos.

Mas talvez precisemos executar o suficiente para construir capacidade de supervisão e julgamento.

Porque delegar algo que você compreende é muito diferente de delegar algo que você apenas sabe pedir.

A verdadeira Escada Quebrada

A ameaça, portanto, não é simplesmente:

“jovens perderão seus empregos para a IA.”

Isso seria uma leitura pequena demais.

A questão maior é:

podemos estar modificando o mecanismo pelo qual conhecimento profissional atravessa gerações.

Antes, a empresa contratava alguém para executar.

Ao executar, essa pessoa aprendia.

Ao aprender, assumia problemas maiores.

Ao resolver problemas maiores, desenvolvia julgamento.

Com julgamento, passava a ensinar outros.

A sequência era aproximadamente:

execução → exposição → experiência → julgamento → senioridade → formação de outros.

A inteligência artificial pode remover grande parte da primeira etapa.

Se não redesenharmos deliberadamente as etapas seguintes, teremos quebrado a conexão.

Essa é a Escada Quebrada.

O paradoxo final

Existe uma ironia importante nisso tudo.

No artigo anterior, escrevi sobre o Paradoxo da Excelência Medíocre: quando a inteligência artificial eleva a competência média, aquilo que diferencia profissionais começa a migrar da execução para julgamento, criatividade, contexto, liderança e autoria.

Agora surge o problema.

São justamente essas capacidades que normalmente levam tempo para serem formadas.

Ao mesmo tempo em que o mercado começa a valorizá-las mais, a inteligência artificial começa a assumir uma parcela das experiências utilizadas para desenvolvê-las.

O mercado pode acabar dizendo ao jovem:

“Não preciso que você faça o trabalho simples. A IA já faz.”

E imediatamente depois:

“Mas preciso que você possua julgamento, liderança, criatividade e visão.”

A pergunta inevitável é:

onde ele deveria ter aprendido tudo isso?

A Escada Quebrada não é um argumento contra automação.

É um argumento contra automatizar sem redesenhar a formação.

A inteligência artificial pode destruir degraus.

Também pode permitir que subamos muito mais rapidamente.

A diferença estará na decisão que empresas, escolas e profissionais tomarem agora.

Porque existe algo que talvez seja ainda mais perigoso do que descobrir que uma máquina consegue fazer o trabalho dos iniciantes:

descobrir, daqui a vinte anos, que deixamos de formar as pessoas capazes de supervisioná-la.

Por

Danielson Matos

Imagine que, de um dia para o outro, todas as empresas tivessem acesso aos melhores redatores, analistas, designers, consultores, programadores e pesquisadores do mercado.

Não apenas as grandes corporações.

A pequena loja.

O escritório de advocacia.

A imobiliária.

O profissional autônomo.

A agência com três funcionários.

Todos poderiam produzir apresentações profissionais, campanhas bem estruturadas, análises de mercado, planos estratégicos, relatórios, imagens, vídeos, processos internos e códigos de software em uma qualidade que, poucos anos atrás, exigiria profissionais especializados.

À primeira vista, isso parece apenas uma extraordinária democratização da competência.

E em grande parte é.

Mas existe uma consequência menos óbvia.

Quando todos passam a ter acesso a ferramentas capazes de produzir resultados excelentes, a própria excelência deixa de ser tão rara.

E quando milhões de pessoas começam a recorrer aos mesmos modelos para escrever, analisar, criar, planejar e decidir, outro fenômeno pode surgir, todos ficam melhores.

Mas começam a ficar melhores de maneiras cada vez mais parecidas.

É isso que podemos chamar de Paradoxo da Excelência Medíocre.

O risco não é que a inteligência artificial nos torne medíocres. É que ela nos torne excelentes do mesmo jeito.

Mediocridade não significa incompetência

A palavra “medíocre” costuma ser utilizada como sinônimo de ruim.

Não é esse o sentido aqui.

Sua origem está relacionada àquilo que ocupa uma posição intermediária, próxima da média.

O paradoxo descreve justamente uma possível convergência para uma média elevada.

Em vez de termos resultados excelentes, bons, medianos e ruins muito distantes entre si, começamos a aproximar todos eles.

O ruim melhora.

O mediano melhora muito.

O bom também melhora.

O excelente continua melhorando, mas talvez proporcionalmente menos.

O resultado é um mercado no qual o nível médio sobe enquanto algumas diferenças diminuem.

Essa hipótese já encontra sinais interessantes em experimentos com profissionais de alto nível.

Pesquisadores de Harvard, MIT, Wharton e outras instituições realizaram um experimento com 758 consultores da Boston Consulting Group. Em tarefas adequadas às capacidades do GPT-4, os participantes que utilizaram IA concluíram mais de 12% a mais de tarefas, trabalharam mais de 25% mais rápido e apresentaram melhora significativa na qualidade do trabalho.

Mas o resultado mais interessante talvez esteja na distribuição desses ganhos.

Os consultores que estavam abaixo da mediana de desempenho antes do experimento tiveram melhora de aproximadamente 43% com IA. Entre os profissionais anteriormente classificados entre os melhores, o aumento foi de aproximadamente 17%.

Todos ganharam.

Mas quem estava atrás ganhou proporcionalmente mais.

A IA não apenas aumentou a capacidade.

Ela também reduziu parte da distância entre capacidades diferentes.

A inteligência artificial pode funcionar como um compressor de competência

Isso possui implicações extraordinárias.

Durante muito tempo, uma parcela significativa da vantagem de um profissional vinha do fato de que ele conseguia fazer algo que poucas pessoas conseguiam fazer bem.

Escrever.

Pesquisar.

Programar.

Construir apresentações.

Analisar dados.

Criar campanhas.

Estruturar processos.

Produzir imagens.

Organizar informações.

Quanto mais difícil fosse adquirir determinada habilidade, maior poderia ser seu valor.

A IA começa a modificar essa relação.

Um profissional que escrevia mal agora consegue produzir um texto bastante competente.

Uma pessoa com pouco domínio de design consegue desenvolver uma peça visual razoavelmente sofisticada.

Um pequeno empresário sem departamento de estratégia consegue estruturar uma análise de mercado.

Um profissional sem conhecimentos avançados de programação consegue construir ferramentas simples.

Isso significa que a inteligência artificial possui uma característica economicamente poderosa:

ela aumenta o piso.

E elevar o piso é extraordinariamente positivo.

Milhões de pessoas passam a conseguir fazer coisas que anteriormente estavam fora de seu alcance.

O problema surge quando confundimos elevar o piso com elevar o teto.

Um mundo cheio de coisas boas pode continuar sendo um mundo pouco original

Um experimento publicado na Science Advances ajuda a enxergar esse problema.

Os pesquisadores Anil Doshi e Oliver Hauser pediram a participantes que escrevessem pequenas histórias. Parte deles recebeu ideias produzidas por inteligência artificial e outra parte trabalhou sem essa assistência.

Os textos produzidos com ajuda da IA foram avaliados como mais criativos, mais bem escritos e mais agradáveis e os participantes originalmente menos criativos foram justamente os que mais se beneficiaram.

Até aí, temos novamente a elevação do piso.

Mas aconteceu outra coisa.

As histórias produzidas com assistência da IA ficaram mais semelhantes umas às outras do que aquelas produzidas apenas por humanos. Os autores descrevem o resultado como uma tensão entre ganho individual de criatividade e perda de diversidade coletiva.

Essa descoberta é extremamente importante.

Porque mostra que duas coisas aparentemente contraditórias podem acontecer simultaneamente:

a produção de cada indivíduo melhora;

a diversidade do conjunto diminui.

Não precisamos escolher entre “IA aumenta criatividade” ou “IA diminui criatividade”.

Dependendo daquilo que estamos medindo, as duas afirmações podem coexistir.

E é exatamente aí que surge o Paradoxo da Excelência Medíocre.

Você provavelmente já viu esse fenômeno

Mesmo sem consultar qualquer estudo acadêmico, basta observar parte da produção digital recente.

Existem imagens impecavelmente iluminadas que parecem estranhamente familiares.

Textos profissionais com a mesma estrutura.

Postagens com os mesmos ganchos.

Apresentações com o mesmo vocabulário corporativo.

Fotografias publicitárias artificiais com os mesmos enquadramentos.

Sites diferentes que parecem ter sido projetados pela mesma equipe.

Não significa que sejam ruins.

Esse é justamente o problema.

Muitas vezes são tecnicamente boas.

Mas falta alguma coisa.

Uma imperfeição.

Uma escolha inesperada.

Uma voz.

Uma obsessão.

Uma história.

Um gosto particular.

Alguma decisão que não teria surgido simplesmente da pergunta:

“Qual é a melhor forma de fazer isso?”

Quanto mais pessoas fazem essa pergunta aos mesmos sistemas, maior pode ser a pressão em direção às respostas consideradas mais prováveis, seguras ou eficientes.

E isso não se limita à criação de conteúdo.

Pode chegar à própria forma como administramos empresas.

O próximo estágio pode ser a homogeneização da gestão

Imagine milhares de gestores perguntando à inteligência artificial:

“Qual é a melhor estrutura para uma reunião semanal?”

“Como devo avaliar meus funcionários?”

“Qual é o melhor funil de vendas?”

“Como melhorar a motivação da equipe?”

“Qual deve ser nosso processo de onboarding?”

“Como organizar o planejamento estratégico?”

“Qual é a estrutura ideal de uma campanha?”

As respostas podem ser excelentes.

Podem resumir décadas de conhecimento em administração, psicologia organizacional, marketing e estratégia.

Isso é extremamente valioso.

Mas existe uma pergunta incômoda:

o que acontece quando todos começam a administrar seguindo versões das mesmas melhores práticas?

Talvez vejamos um fenômeno semelhante ao observado na criatividade.

Empresas individualmente melhores.

Mercado coletivamente mais homogêneo.

A boa prática passa a funcionar como uma força de convergência.

As melhores práticas possuem uma data de validade competitiva

Existe uma diferença entre algo ser bom e algo ser diferencial.

Ter um site profissional já foi um diferencial.

Hoje é requisito.

Responder rapidamente ao cliente já foi diferencial em vários setores.

Hoje frequentemente é requisito.

Utilizar CRM, analisar dados, acompanhar indicadores e possuir processos bem estruturados podem seguir caminho semelhante.

Quanto mais acessível uma capacidade se torna, menos sua simples existência diferencia quem a possui.

É um princípio competitivo simples.

Se apenas dez empresas conseguem fazer algo, essa capacidade pode ser uma vantagem.

Se todas conseguem, passa a ser o novo padrão mínimo.

A inteligência artificial acelera brutalmente esse processo porque reduz o custo de acesso ao conhecimento e à capacidade de execução.

Isso significa que muitas competências que atualmente parecem sofisticadas podem se transformar rapidamente em commodities cognitivas.

A pergunta deixa de ser:

“Sua empresa consegue fazer isso?”

e passa a ser:

“O que sua empresa faz de diferente agora que todas as outras também conseguem?”

O mercado pode começar a se dividir de outra maneira

O AI Jobs Barometer 2026 da PwC identifica dois movimentos diferentes no mercado de trabalho.

Em algumas profissões, a IA está democratizando capacidades: pessoas com menos especialização conseguem realizar tarefas anteriormente reservadas a profissionais mais especializados.

Em outras, ocorre um processo que a PwC chama de professionalisation: a tecnologia absorve determinadas atividades e aumenta proporcionalmente a importância da expertise humana restante. Segundo o levantamento, os cargos classificados nessa segunda trajetória cresceram duas vezes mais rapidamente e registraram crescimento salarial 42% superior aos cargos democratizados desde 2021.

Isso nos oferece uma pista importante.

Talvez o impacto mais profundo da IA não seja simplesmente reduzir o valor do conhecimento.

Pode ser mudar qual conhecimento possui valor.

Saber produzir uma resposta pode valer menos.

Saber avaliar a resposta pode valer mais.

Saber executar pode valer menos.

Saber direcionar pode valer mais.

Saber aplicar uma metodologia pode valer menos.

Saber quando abandonar a metodologia pode valer mais.

Quando a resposta fica barata, o critério fica caro

Imagine que uma inteligência artificial consiga criar cem campanhas publicitárias razoavelmente boas em alguns minutos.

Gerar a campanha número 101 deixa de ser uma habilidade particularmente escassa.

O problema agora é outro:

qual das cem devemos executar?

Imagine que um agente consiga desenvolver dez estratégias comerciais plausíveis.

O valor não está necessariamente em produzir a décima primeira.

Está em compreender:

qual delas combina com a empresa;

qual considera algo que os dados não capturaram;

qual a equipe consegue realmente executar;

qual respeita a identidade da marca;

qual possui um risco que não estamos dispostos a correr;

e qual parece correta no papel, mas está errada naquele contexto específico.

Quanto mais alternativas a inteligência artificial consegue produzir, mais importante fica a capacidade de selecionar.

Quanto melhor ela fica em responder, mais importante pode ficar saber julgar a resposta.

É uma inversão importante.

Durante muito tempo, produzir informação e conhecimento era caro.

Agora estamos entrando em um mundo em que produzir respostas pode ficar extremamente barato.

O recurso escasso passa a migrar para outro lugar.

O problema não está em utilizar IA. Está em onde colocamos a IA.

Há uma diferença enorme entre pedir:

“Tenho esta hipótese. Procure falhas nela.”

e perguntar:

“Qual deveria ser minha hipótese?”

Entre:

“Criei estas três possibilidades. Ajude-me a explorar outras dez.”

e:

“Me dê a melhor ideia.”

Entre:

“Esta é a identidade que queremos construir. Mostre formas diferentes de expressá-la.”

e:

“Qual identidade minha empresa deveria ter?”

Nos dois casos estamos utilizando inteligência artificial.

Mas os processos cognitivos são completamente diferentes.

No primeiro, existe pensamento humano antes da máquina.

No segundo, a máquina começa a fornecer também o ponto de partida.

Podemos separar esses usos em dois modelos.

IA como amplificação

O humano define intenção, hipótese, gosto, contexto ou direção.

A IA expande possibilidades, executa, pesquisa, testa e acelera.

O processo é:

pensamento humano → IA → expansão → julgamento humano.

IA como substituição cognitiva

A IA recebe o problema antes que o humano tenha construído qualquer interpretação própria.

Ela propõe o diagnóstico, as possibilidades, os critérios e frequentemente a conclusão.

O processo começa a se aproximar de:

problema → IA → resposta → aceitação humana.

O segundo modelo pode ser extremamente eficiente.

E justamente por isso merece atenção.

A terceirização mais perigosa talvez não seja a execução

Um estudo recente de pesquisadores ligados à Harvard Business School analisou detalhadamente como 244 consultores do BCG trabalharam com IA em um problema estratégico complexo.

Os pesquisadores identificaram diferentes formas de colaboração. Em uma delas, chamada de Abdicated Co-Creation, profissionais entregavam praticamente todo o processo à IA e depois faziam apenas alterações superficiais. Aproximadamente 27% dos participantes apresentaram esse padrão; entre eles, 44% aceitaram integralmente o resultado produzido pela IA sem modificações substantivas. Os autores associaram esse modo, naquele estudo, à ausência de desenvolvimento de novas competências, enquanto formas de colaboração mais dirigidas estavam associadas a diferentes tipos de aprendizado. Como se trata de um working paper, o resultado deve ser tratado como evidência emergente, não como conclusão definitiva sobre todo trabalho com IA.

Mas ele levanta uma questão excelente:

o que exatamente estamos terceirizando?

A execução?

Ou também o julgamento?

Se entregamos à máquina uma tarefa repetitiva, podemos estar economizando tempo.

Se entregamos a ela a formulação do problema, a interpretação das evidências, a geração da solução e a avaliação dessa solução, existe outra coisa acontecendo.

Não terceirizamos apenas trabalho.

Começamos a terceirizar o processo pelo qual construímos nosso próprio entendimento.

Isso muda também o significado de criatividade

Durante muito tempo, criatividade esteve associada principalmente à capacidade de produzir ideias.

Mas estamos entrando em um ambiente em que produzir ideias está ficando barato.

Podemos pedir cinquenta.

Depois outras cinquenta.

Depois combinações das melhores.

Depois variações.

Depois versões completamente diferentes.

O gargalo deixa de ser quantidade.

A criatividade valiosa pode migrar para outra capacidade:

ter gosto suficiente para rejeitar 99 delas.

Saber por que algo parece certo, mas não é nosso.

Reconhecer quando uma ideia aparentemente ruim contém algo novo.

Perceber quando uma solução eficiente destruiria aquilo que torna uma empresa diferente.

Insistir numa direção que os dados ainda não conseguem justificar completamente.

Isso não é uma defesa romântica da intuição contra tecnologia.

É uma consequência da abundância.

Quando gerar fica barato, escolher fica importante.

A excelência não desaparece. Ela muda de lugar.

O Paradoxo da Excelência Medíocre não significa que todos se tornarão iguais.

Também não significa que a inteligência artificial inevitavelmente eliminará originalidade.

Significa algo mais interessante:

certos tipos de excelência podem deixar de ser suficientes para diferenciar.

Escrever corretamente.

Apresentar profissionalmente.

Pesquisar rapidamente.

Produzir boas alternativas.

Estruturar um planejamento.

Analisar uma planilha.

Essas capacidades continuarão sendo úteis.

Mas algumas delas podem se tornar tão acessíveis que deixarão de funcionar como vantagem por si mesmas.

A excelência começa então a migrar para níveis superiores:

julgamento;

contexto;

gosto;

responsabilidade;

visão;

originalidade;

capacidade de construir cultura;

capacidade de compreender pessoas;

e capacidade de possuir uma interpretação própria da realidade.

O profissional mais valioso pode ser aquele que consegue discordar da máquina

Isso produz uma situação curiosa.

Uma pessoa sem conhecimento algum de determinada área pode receber uma excelente resposta da IA.

Mas existe algo que ela não consegue fazer facilmente:

saber quando aquela excelente resposta está errada para aquele caso.

Para discordar de maneira inteligente, primeiro precisamos possuir alguma coisa nossa.

Experiência.

Conhecimento.

Contexto.

Valores.

Critério.

Uma visão de mundo.

A inteligência artificial pode nos oferecer um enorme repertório.

Mas repertório e autoria não são a mesma coisa.

Autoria começa quando somos capazes de olhar para uma resposta tecnicamente excelente e dizer:

“Eu entendo por que essa é a resposta convencional. Mesmo assim, não é isso que vamos fazer.”

E saber explicar por quê.

Talvez essa se torne uma das competências mais valiosas da economia da inteligência artificial.

Quando todos podem ser excelentes

A grande contribuição da IA pode ser justamente elevar milhões de pessoas a um nível de competência que anteriormente exigia anos de conhecimento especializado.

Isso não é uma ameaça em si.

É provavelmente um dos maiores processos de democratização de capacidade intelectual que já vimos.

Mas toda democratização altera aquilo que é escasso.

Se produzir um texto excelente deixa de ser raro, o valor migra.

Se produzir uma boa imagem deixa de ser raro, o valor migra.

Se produzir uma análise correta deixa de ser raro, o valor migra.

Se conhecer as melhores práticas deixa de ser raro, o valor migra.

E talvez estejamos apenas começando a descobrir para onde.

O Paradoxo da Excelência Medíocre não descreve um futuro em que a inteligência artificial tornou nosso trabalho pior.

Descreve um futuro muito mais desafiador:

ela tornou o trabalho de todos muito melhor.

E exatamente por isso nos obrigou a descobrir uma nova maneira de sermos diferentes.

A IA pode elevar o padrão de todos. Mas nenhuma tecnologia pode transformar diferenciação em algo comum sem que ela deixe de ser diferenciação.

Quando todos podem produzir excelência técnica, a vantagem competitiva começa a migrar para aquilo que não pode ser obtido apenas perguntando à máquina qual é a melhor resposta.

E isso cria outro problema.

Porque julgamento, gosto, visão e experiência não surgem prontos.

Eles são construídos.

Normalmente ao longo de anos de trabalho, erros, tarefas simples, observação e aprendizado.

Mas o que acontece quando justamente essas primeiras tarefas começam a ser entregues à inteligência artificial?

Se eliminarmos os primeiros degraus da carreira, como formaremos as pessoas que um dia deverão possuir o julgamento necessário para discordar da máquina?

Esse é o próximo paradoxo.

A Escada Quebrada.

Por

Danielsom Matos

Mas uma transformação mais profunda está começando.

A inteligência artificial está deixando de ser apenas uma ferramenta que espera por um comando para se tornar um sistema capaz de receber um objetivo, planejar etapas, acessar outras ferramentas, executar tarefas e entregar um resultado.

É nesse momento que surgem os agentes de inteligência artificial.

E essa mudança pode ser muito mais relevante para o mercado de trabalho do que a chegada dos primeiros chatbots.

A pergunta deixa de ser:

“O que uma IA consegue produzir?”

E começa a ser:

“Que parte do trabalho de uma empresa pode ser entregue a ela?”

Essa diferença parece pequena. Não é.

Da ferramenta para o agente

Quando utilizamos uma IA para escrever um e-mail, ainda somos responsáveis por praticamente todo o processo.

Decidimos que o e-mail precisa existir.

Coletamos as informações.

Pedimos o texto.

Revisamos.

Escolhemos o destinatário.

Enviamos.

A IA participou de uma tarefa.

Agora imagine outro cenário.

Você diz:

“Analise os leads que chegaram ontem. Consulte o CRM, identifique quais têm maior potencial, pesquise informações sobre as empresas, atualize os cadastros, prepare uma mensagem personalizada para cada oportunidade e me avise somente daqueles que exigem minha intervenção.”

Não estamos mais falando apenas de produzir um texto.

Estamos falando de executar um fluxo de trabalho.

É essa mudança que caracteriza a nova geração de sistemas agentivos. A McKinsey descreve agentes como sistemas baseados em modelos capazes de agir, planejar e executar múltiplas etapas dentro de um workflow.

Podemos pensar na evolução de forma simples:

Software tradicional: executa regras previamente programadas.

IA generativa: produz conteúdo ou uma resposta.

Copiloto: ajuda uma pessoa enquanto ela trabalha.

Agente: recebe um objetivo e executa partes do trabalho para alcançá-lo.

Quanto mais avançamos nessa sequência, menos a tecnologia está apenas auxiliando uma tarefa e mais começa a participar da própria estrutura do trabalho.

A IA já chegou às empresas. Os agentes, ainda não completamente.

É importante separar realidade de entusiasmo tecnológico.

O AI Index 2026, da Universidade Stanford, aponta que 88% das organizações pesquisadas já utilizavam inteligência artificial, e 70% utilizavam IA generativa em pelo menos uma função empresarial.

Isso mostra que IA já deixou de ser uma tecnologia experimental restrita aos departamentos de inovação.

Mas agentes ainda estão em outro estágio.

Na pesquisa global da McKinsey realizada em 2025, 23% dos respondentes afirmaram que suas organizações estavam escalando algum sistema agentivo e outros 39% estavam experimentando a tecnologia. Porém, quando cada função empresarial é analisada individualmente, não mais de 10% das organizações diziam estar escalando agentes naquela função.

O Stanford AI Index chega a uma conclusão semelhante: a implantação de agentes permanecia em dígitos únicos em quase todas as funções empresariais.

Portanto, existe uma diferença importante entre duas afirmações:

A inteligência artificial já está presente no trabalho.

e

Agentes autônomos já estão executando grande parte do trabalho das empresas.

A primeira é realidade.

A segunda ainda está começando.

E justamente por isso este é o momento interessante para observar o fenômeno.

O erro é perguntar quais profissões a IA vai substituir

Grande parte da discussão pública sobre inteligência artificial começa com a pergunta:

“Quais empregos vão acabar?”

Provavelmente estamos começando pelo lugar errado.

Uma profissão não é uma única atividade.

Um vendedor pesquisa clientes, atualiza CRM, envia mensagens, participa de reuniões, negocia condições, interpreta objeções, constrói relacionamentos e toma decisões.

Um profissional de marketing pesquisa mercado, cria conceitos, escreve, analisa dados, conversa com clientes, organiza campanhas, revisa materiais e define prioridades.

Um advogado pesquisa legislação, lê documentos, escreve peças, conversa com clientes, negocia e estabelece estratégias.

Um gestor analisa números, participa de reuniões, distribui responsabilidades, resolve conflitos, desenvolve pessoas e toma decisões.

Cada cargo é, na realidade, um pacote de tarefas.

É justamente nesse pacote que a IA começa a entrar.

Por isso, a Organização Internacional do Trabalho estima que cerca de um em cada quatro trabalhadores no mundo esteja em ocupações com algum grau de exposição à IA generativa, mas apenas 3,3% do emprego mundial está na categoria de maior exposição. A própria OIT considera que, para a maioria das ocupações, a transformação dos empregos é atualmente mais provável do que sua substituição integral.

Isso muda completamente a discussão.

Talvez o vendedor não desapareça.

Mas grande parte da prospecção manual pode desaparecer.

Talvez o contador não desapareça.

Mas determinadas atividades de classificação, conferência e preparação de relatórios podem ser automatizadas.

Talvez o profissional de marketing continue existindo.

Mas a produção básica de textos, pesquisas e variações de conteúdo pode deixar de justificar grande parte de seu tempo.

A pergunta mais útil passa a ser:

Que parte do valor de uma profissão desaparece quando algumas de suas tarefas deixam de ser escassas?

O que acontece quando um funcionário passa a administrar trabalho digital?

Considere uma equipe comercial.

Hoje ela pode possuir um gerente e cinco vendedores.

Os vendedores pesquisam empresas, fazem prospecção, registram informações, escrevem mensagens, atualizam o CRM e conversam com clientes.

Agora introduza agentes capazes de executar pesquisa, enriquecimento de dados, classificação de oportunidades, atualização de CRM e preparação de follow-ups.

Os vendedores continuam existindo.

Mas seu trabalho muda.

Eles passam a receber oportunidades mais preparadas e podem concentrar maior parte do tempo em conversas, relacionamento, negociação e fechamento.

A primeira consequência pode ser positiva:

a mesma equipe vende mais.

Mas existe outra possibilidade:

a empresa percebe que três vendedores conseguem administrar o volume que anteriormente exigia cinco.

As duas situações são economicamente possíveis.

É justamente por isso que previsões simples sobre “IA criando empregos” ou “IA destruindo empregos” são insuficientes.

A tecnologia pode simultaneamente permitir que algumas empresas diminuam equipes e que outras expandam sua capacidade de atender clientes.

A pesquisa da McKinsey mostra exatamente essa incerteza. Entre respondentes de organizações que utilizam IA, 32% esperavam redução do quadro total no ano seguinte, 43% esperavam pouca ou nenhuma mudança e 13% esperavam aumento significativo.

Não existe um único futuro acontecendo.

Existem diferentes modelos de adoção acontecendo ao mesmo tempo.

Automação e ampliação são estratégias diferentes

Esse talvez seja um dos pontos mais importantes para líderes empresariais.

Uma empresa pode olhar para a IA e perguntar:

“Quantas pessoas consigo substituir?”

Outra pode perguntar:

“Quanto mais consigo produzir com as pessoas que tenho?”

A tecnologia é a mesma.

A estratégia é completamente diferente.

No primeiro modelo, IA é principalmente instrumento de redução de custo.

No segundo, é instrumento de ampliação de capacidade.

Imagine uma pequena agência que consegue atender dez clientes.

Depois de incorporar agentes em pesquisa, análise, relatórios, organização de informações e algumas etapas de produção, sua equipe passa a conseguir atender vinte.

Ela agora possui três possibilidades.

Continuar com dez clientes e reduzir sua equipe.

Manter a equipe e atender vinte.

Ou utilizar o tempo liberado para criar serviços que anteriormente não conseguia oferecer.

Nenhuma dessas decisões está determinada pelo modelo de inteligência artificial.

É uma decisão empresarial.

Isso é importante porque frequentemente tratamos impactos tecnológicos como se fossem consequências automáticas da tecnologia.

Não são.

Tecnologia altera possibilidades. Empresas escolhem como explorar essas possibilidades.

E estamos falando de algo maior do que produtividade individual

A primeira geração da IA generativa foi introduzida principalmente como uma ferramenta pessoal.

Um funcionário usando ChatGPT.

Um desenvolvedor usando um copiloto.

Um designer utilizando geração de imagem.

Um advogado resumindo documentos.

Isso melhora a produtividade de indivíduos.

Agentes introduzem outra possibilidade: redesenhar processos inteiros.

A McKinsey encontrou que organizações que obtêm maior valor de IA são muito mais propensas a redesenhar seus workflows, em vez de simplesmente adicionar ferramentas aos processos que já existiam.

Essa distinção parece técnica, mas é enorme.

Colocar uma IA dentro de um processo antigo é uma coisa.

Redesenhar o processo considerando que agora existe uma inteligência digital capaz de executar partes dele é outra.

Pense na chegada dos computadores.

Durante algum tempo, empresas simplesmente digitalizaram aquilo que anteriormente faziam em papel.

Posteriormente, surgiram processos que simplesmente não fariam sentido no mundo anterior ao computador.

Podemos estar entrando em transição semelhante.

A McKinsey chega a sugerir que empresas deixem de perguntar “onde posso utilizar IA nesta função?” e passem a imaginar como determinada função seria estruturada se agentes executassem uma parcela relevante de todo o processo.

É nesse momento que a transformação deixa de ser tecnológica e passa a ser organizacional.

O funcionário digital não chega sozinho

Existe, porém, uma diferença fundamental entre automatizar uma planilha e entregar autonomia a um agente.

Para trabalhar, agentes precisam de acesso.

A e-mails.

Arquivos.

CRMs.

Bancos de dados.

ERPs.

Calendários.

Sistemas empresariais.

Talvez até sistemas financeiros.

Quanto mais capacidade concedemos ao agente, mais útil ele pode se tornar.

E maior passa a ser também a necessidade de supervisão, governança, segurança e definição clara de limites.

A própria McKinsey aponta que organizações agentizadas precisarão estabelecer níveis de autonomia, fronteiras de decisão, monitoramento e mecanismos de auditoria, além de novas funções ligadas à orquestração de agentes e ao desenho das situações que permanecem sob intervenção humana.

Isso introduz uma mudança curiosa.

À medida que delegamos mais execução às máquinas, algumas pessoas podem deixar de executar trabalho para começar a supervisionar trabalho executado por sistemas.

É uma mudança de papel.

De executor para supervisor.

De produtor para revisor.

De operador para orquestrador.

E talvez essa mudança seja mais importante para compreender o mercado de trabalho futuro do que tentar adivinhar uma lista de profissões que deixarão de existir.

Nem todo trabalho será afetado da mesma maneira

Quanto mais digital, estruturado e verificável for um processo, mais natural tende a ser sua incorporação por sistemas automatizados.

Uma atividade que acontece inteiramente dentro de computadores, segue padrões relativamente estáveis e possui um resultado fácil de avaliar é bastante diferente de uma atividade que exige interação física, leitura social, responsabilidade pessoal ou adaptação constante a situações imprevisíveis.

Isso ajuda a explicar por que as maiores aplicações atuais de agentes aparecem em áreas como TI e gestão de conhecimento, enquanto a produtividade medida com IA tende a ser maior em atividades estruturadas e cujos resultados podem ser avaliados claramente.

Essa fronteira certamente mudará conforme os modelos melhorarem.

Mas existe um princípio importante:

capacidade técnica não significa automaticamente viabilidade econômica ou organizacional.

Uma IA ser capaz de executar uma tarefa em um experimento não significa necessariamente que uma empresa esteja preparada para entregar a ela dados, autoridade e responsabilidade suficientes para executar aquela mesma tarefa diariamente.

E essa diferença provavelmente será uma das maiores barreiras à adoção.

Talvez estejamos entrando no mercado de trabalho híbrido

Por muito tempo, pensamos nas organizações como conjuntos de pessoas auxiliadas por máquinas.

A empresa agentizada introduz uma estrutura diferente:

pessoas + software tradicional + modelos de IA + agentes.

E esses quatro elementos começam a dividir o trabalho.

O humano pode estabelecer objetivos.

Um agente pode pesquisar.

Outro pode analisar.

Um terceiro pode executar uma ação.

Um sistema tradicional registra a transação.

E um humano pode voltar ao processo quando alguma exceção exigir julgamento.

Isso cria algo parecido com uma força de trabalho híbrida.

Não porque agentes sejam funcionários no sentido jurídico ou humano da palavra.

Mas porque começam a ocupar posições funcionais dentro do fluxo de produção.

É essa mudança que merece nossa atenção.

A questão não é simplesmente se haverá menos empregos

A história da tecnologia mostra que produtividade, emprego, salários, novas profissões e desaparecimento de profissões não caminham de forma linear.

IA provavelmente seguirá essa mesma lógica, com uma diferença: agora a automação alcança uma parcela muito maior do trabalho cognitivo.

O ponto importante é evitar dois extremos.

O primeiro afirma:

“Nada muda. Toda tecnologia sempre criou novos empregos.”

O segundo:

“Desta vez todos serão substituídos.”

Até agora, os dados não sustentam nenhum dos dois com segurança.

A adoção empresarial é enorme, mas o uso de agentes ainda está começando. Os efeitos sobre emprego aparecem de maneira desigual e as próprias empresas divergem profundamente sobre se esperam reduzir, manter ou ampliar seus quadros.

O cenário mais plausível no curto prazo é muito mais complexo:

tarefas desaparecem;

outras são ampliadas;

cargos são redesenhados;

equipes mudam de tamanho;

novas funções surgem;

e o valor relativo das capacidades humanas começa a mudar.

É nessa última consequência que está a questão mais interessante.

Quando fazer bem deixa de ser suficiente

Durante décadas, uma grande parte do valor profissional esteve relacionada à capacidade de executar determinado trabalho com qualidade.

Saber escrever.

Saber pesquisar.

Saber analisar.

Saber criar uma apresentação.

Saber programar.

Saber elaborar um planejamento.

Saber produzir uma campanha.

Mas o que acontece quando um trabalhador mediano, utilizando uma IA excelente, consegue produzir algo próximo daquilo que antes exigia um profissional muito melhor?

Essa pergunta vai além da substituição de empregos.

Ela toca na própria definição de competência.

Talvez a maior transformação provocada pela inteligência artificial não aconteça quando uma máquina ocupar integralmente um cargo humano.

Talvez aconteça antes:

quando algumas competências que diferenciavam profissionais deixarem de ser escassas.

Nesse momento, o mercado passa a buscar outra coisa.

Critério.

Julgamento.

Contexto.

Originalidade.

Responsabilidade.

Capacidade de liderar pessoas.

Capacidade de decidir.

E, sobretudo, capacidade de saber o que merece ser feito, em um mundo onde executar fica progressivamente mais fácil.

Essa é a fronteira que os agentes começam a revelar.

E ela produz um paradoxo curioso:

quanto melhor a inteligência artificial se torna, mais pessoas conseguem produzir trabalho de excelente qualidade.

Isso parece exclusivamente positivo.

Mas existe uma pergunta escondida aí.

Se todos tiverem acesso às mesmas capacidades extraordinárias, o que continuará diferenciando uma pessoa da outra e uma empresa da outra?

Esse é o próximo problema.

É o que podemos chamar de Paradoxo da Excelência Medíocre: quando todos podem ser excelentes, ser excelente deixa de ser suficiente.

Por

Danielson Matos