A IA generativa bate na parede que nenhum executivo quer ver
Há uma aposta que se repete em quase todo conselho de administração que leva dois anos falando de inteligência artificial: que a tecnologia permitirá a qualquer profissional realizar o trabalho de qualquer outro, com uma qualidade suficiente para justificar a reorganização do talento. É uma aposta que parece boa no papel. E que, de acordo com novas evidências experimentais, está parcialmente errada de uma forma que tem consequências diretas para a estratégia de pessoas.
Um experimento de campo realizado na IG, empresa fintech do Reino Unido, com análise de pesquisadores da Harvard Business School, da Universidade Stanford e do Stanford Digital Economy Lab, colocou exatamente essa hipótese à prova. Os resultados revelam um padrão que os líderes que assumem fungibilidade total de sua força de trabalho não podem se dar ao luxo de ignorar.
O experimento que expôs a lacuna invisível
O design foi deliberadamente simples. Três grupos de funcionários receberam a mesma tarefa: primeiro, conceitualizar um artigo para o site da empresa (estrutura, palavras-chave, pontos centrais); depois, executar o artigo completo. Os grupos correspondiam a distâncias de conhecimento distintas: analistas web habituados a criar esse tipo de conteúdo, especialistas de marketing que atuam em funções adjacentes mas não escrevem artigos, e especialistas em tecnologia (cientistas de dados e desenvolvedores de software) sem vínculo com a criação de conteúdo. Alguns participantes tiveram acesso às ferramentas de IA generativa da IG; outros, não.
Os resultados na fase de conceitualização foram contundentes. Sem IA, os analistas web superaram os outros dois grupos com clareza. Com IA, os três grupos produziram conceitualizações estatisticamente indistinguíveis. A ferramenta atuou como um nivelador perfeito para o trabalho abstrato e estruturado, aquele que segue um modelo razoável que até mesmo um não especialista consegue avaliar. Até aí, a promessa da tecnologia se cumpriu.
Na fase de execução, a história mudou. Os especialistas de marketing equipados com IA conseguiram produzir artigos comparáveis em qualidade aos dos analistas web. Os especialistas em tecnologia, com acesso exatamente às mesmas ferramentas, não conseguiram. As entrevistas realizadas após o experimento expuseram o mecanismo: os profissionais de tecnologia careciam do modelo mental para julgar a qualidade do output gerado. Um cientista de dados eliminou as chamadas para ação porque as considerou desnecessárias. Outro encurtou os artigos abaixo do limite ideal para SEO porque preferia a brevidade. Um admitiu, com uma honestidade pouco comum: "Adicionei coisas aleatoriamente para parecer mais com marketing". Não era falta de capacidade técnica. Era distância de domínio.
Os autores denominaram esse fenômeno de "efeito parede da IA generativa": o limiar a partir do qual a ferramenta já não consegue fechar a lacuna entre o especialista e o não especialista, independentemente de quão sofisticada ela seja.
O que a parede revela sobre como gerenciamos o conhecimento
A descoberta mais desconfortável não está nos dados do experimento. Está na conclusão que deles se extrai para a arquitetura organizacional: durante anos, muitas empresas confundiram a habilidade técnica com o conhecimento de domínio. E a IA generativa estava ajudando-as a sustentar essa confusão.
Os especialistas em tecnologia no experimento não falharam porque não soubessem usar as ferramentas. Falharam porque não tinham os critérios para avaliar se o output era bom. A diferença entre alguém que usa IA para criar conteúdo de marketing com efetividade e alguém que não consegue fazer isso não está na interface nem no prompt. Está em saber o que significa um artigo que converte, por que o "tom de vendas" tem valor, qual extensão responde melhor aos algoritmos de busca. Esse conhecimento não se transfere em um sprint de capacitação em IA.
O que o experimento documenta, em termos organizacionais, é que a IA generativa opera com eficácia sobre tarefas que seguem uma lógica de abstração estruturada: esboçar, classificar, organizar, gerar opções dentro de um framework. Nessas tarefas, o input do usuário pode ser mínimo porque a ferramenta tem estrutura suficiente para funcionar. A execução de alta qualidade, por outro lado, requer o que os pesquisadores chamam de conhecimento tácito: os micro julgamentos que um profissional faz de forma automática sobre tom, ênfase, audiência e intenção estratégica, e que são impossíveis de delegar a uma ferramenta se o operador não os possui internamente.
Isso tem uma implicação direta para a forma como as equipes de liderança estão pensando o retorno de seus investimentos em IA. Se uma empresa implanta ferramentas sofisticadas esperando que sua força de trabalho técnica ou administrativa consiga absorver trabalho que antes pertencia a especialistas de marketing, comunicação ou design, o resultado provável não é eficiência, mas sim um output degradado que ninguém na cadeia tem o conhecimento para detectar. O custo não aparece em uma métrica de produtividade imediata. Aparece seis meses depois, quando a qualidade do conteúdo caiu, o SEO se deteriorou e ninguém consegue apontar exatamente onde o problema ocorreu.
O erro de talento que a eficiência oculta
Há uma dinâmica organizacional subjacente que a pesquisa não nomeia explicitamente, mas que o experimento ilustra com precisão: a tendência dos líderes de desenhar estratégias de talento a partir da lógica da redução de custos, em vez de partir da lógica da distância de conhecimento.
Quando uma empresa decide que, com IA, pode reatribuir um desenvolvedor de software para produzir conteúdo de marketing, essa decisão geralmente não passa por uma análise de quanto conhecimento de domínio separa ambas as funções. Passa por uma planilha que mostra horas disponíveis e um orçamento que se quer otimizar. O problema não é a lógica financeira; o problema é que a lógica financeira está operando sobre suposições de fungibilidade que o experimento da IG acabou de falsificar.
Os autores do estudo propõem uma distinção que se revela útil para as equipes de liderança: a IA pode facilitar a mobilidade entre funções adjacentes, onde existe uma base de conhecimento compartilhada, mas não entre funções distantes. Um coordenador de marketing que migra para a criação de conteúdo tem o arcabouço conceitual para avaliar o output gerado e refiná-lo. Um desenvolvedor de software que faz o mesmo movimento não tem, e as ferramentas disponíveis não lhe transferem esse arcabouço. Essa diferença deveria ser o eixo de qualquer decisão de redesdobramento antes de se tornar um problema visível.
A segunda implicação, menos óbvia, tem a ver com onde as empresas investem seus orçamentos de formação. A tendência dominante tem sido treinar as equipes no uso de ferramentas de IA: como estruturar prompts, como iterar, como integrar os resultados em fluxos de trabalho. Isso é necessário, mas insuficiente. O estudo sugere que o verdadeiro gargalo não é a competência técnica com a ferramenta, mas sim o conhecimento de domínio que permite julgar se o output é bom. Investir no primeiro sem investir no segundo é construir velocidade sem direção.
O estudo também abre uma leitura mais estrutural: na medida em que a IA democratiza a conceitualização e a ideação, o peso do valor se desloca para a execução de alta qualidade. E essa execução continuará sendo função do conhecimento acumulado, não da sofisticação da interface. Os líderes que entenderem isso antes reorganizarão seus investimentos em talento de acordo. Os que não entenderem continuarão medindo o impacto da IA em métricas de adoção enquanto o output real se deteriora silenciosamente.
A maturidade de uma equipe de liderança se mede, entre outras coisas, por sua capacidade de construir organizações onde o conhecimento flui de forma deliberada e onde nenhum resultado crítico depende de uma única pessoa — ou de uma única ferramenta — para se sustentar. Isso exige mapear com honestidade o que cada função sabe, o quão distante ela está das demais e o quão preparada está para colaborar com sistemas que amplificam o que já existe, mas não conseguem criar do zero o que não há. As organizações que conseguirem esse mapeamento e agirem com base nele não precisarão que nenhum executivo em particular as sustente. Já terão construído o sistema que as faz escalar por conta própria.
