A IA gera mais trabalho humano, não menos, e isso muda tudo para quem lidera
Há um relato que circula com conforto nos conselhos de administração: a inteligência artificial vai eliminar postos de trabalho, reduzir a folha de pagamento e liberar capital. É um relato cômodo porque tem a forma de uma decisão financeira limpa. O problema é que os dados não o sustentam.
Jeff Bezos disse isso sem rodeios em uma entrevista recente na CNBC: a IA não vai esvaziar o mercado de trabalho, vai gerar escassez de talentos. Sua analogia foi precisa. Um engenheiro que durante anos cavou uma vala com uma pá não desaparece quando lhe dão uma escavadeira. Ele cava mais, mais rápido, em projetos que antes não eram viáveis. O trabalho se eleva, não se extingue.
O que está ocorrendo na fronteira real da adoção de IA confirma essa tese de uma maneira que deveria incomodar quem tomou decisões de quadro de pessoal baseadas no relato oposto.
Quando a automação multiplica o trabalho especializado
Dan Shipper, CEO da Every, publicou uma análise que vale a pena ler com atenção. Sua empresa automatizou tudo o que pôde automatizar com agentes de IA. O resultado foi que a equipe cresceu de quatro para mais de trinta pessoas. Não apesar da automação, mas precisamente por causa dela.
A mecânica por trás desse fenômeno é menos paradoxal do que parece. Quando a IA assume as partes padronizadas de um processo, ela não elimina a necessidade de julgamento especializado: ela a multiplica. Alguém precisa definir o que conta como um bom resultado. Alguém precisa revisar o output do agente antes que ele chegue ao cliente. Alguém precisa decidir o que fazer com esse output no contexto mais amplo da organização. A IA colapsa a tarefa intermediária. Os humanos sustentam as extremidades.
Shipper descreve isso com uma geometria do processo que tem implicações organizacionais concretas: no início, os humanos estabelecem o marco. No centro, a IA executa. No final, os humanos julgam, ampliam e decidem. Isso não é um ciclo que reduz a carga humana. É um ciclo que desloca essa carga para as decisões de maior densidade cognitiva.
Os dados da Anthropic sobre o uso de seus modelos com usuários reais apontam na mesma direção. Em tarefas típicas de trabalho do conhecimento, o tempo de execução cai aproximadamente 80%. Essa economia não se converte em menos trabalho; converte-se em maior volume de iniciativas, maior velocidade nos ciclos de decisão e maior superfície de coordenação humana. A McKinsey estima que, com a adoção de agentes de IA em escala, cerca de 57% das horas de trabalho nos Estados Unidos são tecnicamente automatizáveis com a tecnologia disponível hoje. Se esse número se concretizasse, o valor econômico adicional potencial alcançaria 2,9 trilhões de dólares anuais até 2030 somente nesse mercado. O problema não está na capacidade da tecnologia. Está em quem supervisiona, coordena e integra esse novo volume de output.
A pesquisa do MIT Sloan que rastreou o impacto da IA entre 2010 e 2023 encontrou algo que raramente aparece nas manchetes: quando a IA automatiza apenas uma parte das tarefas de um cargo, o emprego nesse cargo pode crescer. E nos cargos de alto salário com alta exposição à IA, o crescimento do emprego foi de cerca de 3% em cinco anos. Não é destruição. É reconfiguração.
O custo organizacional de acreditar no relato errado
O que me interessa na análise de Shipper não é apenas a mecânica do processo. É o que ela revela sobre as conversas que muitas organizações estão evitando.
Quando uma equipe diretiva adota a IA sob a premissa de que vai reduzir sua dependência do talento humano especializado, está construindo uma estratégia sobre uma premissa falsa. E as estratégias construídas sobre premissas falsas não colapsam de uma vez. Elas apodrecem lentamente. O sintoma mais comum é um backlog crescente de decisões que a IA não pode tomar, acumulado sobre uma equipe que foi reduzida ou que não foi formada para operar no novo esquema.
O que Shipper identifica como o novo gargalo organizacional é um problema de governança, não de tecnologia. A IA produz em uma velocidade que a estrutura humana de supervisão nem sempre consegue absorver. E quando essa lacuna não é nomeada, a organização começa a operar sobre outputs que ninguém revisou de fato com cuidado — apenas revisou com rapidez. A diferença entre as duas coisas tem consequências que demoram meses para se tornar visíveis e que então se apresentam como erros inexplicáveis.
Há outro efeito que poucas organizações estão medindo com honestidade: a homogeneização do output. Quando todos em uma indústria usam os mesmos modelos para produzir documentos, análises, apresentações e comunicações, o resultado é uma convergência em direção à mediocridade legível. Shipper diz isso sem rodeios: a abundância gera uniformidade, e a uniformidade destrói valor diferencial. A análise financeira que se parece com a de todos os concorrentes não oferece vantagem. A estratégia de comunicação que soa como a média do setor não constrói posicionamento. Nesse contexto, a escassez real passa a ser o julgamento humano que produz algo que não se parece com o que a IA escolheria por padrão.
A Goldman Sachs Research chegou a uma conclusão semelhante por outro ângulo. Sua análise constata que, até o momento, não há correlação estatística significativa entre a exposição local à IA e o crescimento do desemprego, as taxas de demissão, os salários ou as horas trabalhadas. Zero impacto macro mensurável, apesar do volume de narrativa sobre destruição de empregos. O que estão observando é uma redistribuição de tarefas dentro dos cargos, acompanhada de uma demanda crescente pelas habilidades que a IA não consegue replicar: coordenação complexa, critério contextual, confiança interpessoal.
O trabalho que a organização ainda não enxerga
Há um tipo de trabalho que a adoção de IA cria e que poucas organizações contabilizam corretamente: o trabalho de manter os agentes funcionando bem.
Shipper tem em sua empresa uma equipe dedicada exclusivamente a garantir que os agentes de IA operem dentro de parâmetros aceitáveis. Não é um custo temporário de implementação. É um custo operacional estrutural. Os modelos se degradam em certos contextos, produzem outputs que exigem calibração contínua, e o limiar do que conta como "suficientemente bom" muda com o tempo e com as exigências do cliente. Isso requer engenheiros, critério e decisões que não podem ser delegadas de volta à IA.
A Boston Consulting Group estima que nos próximos dois ou três anos, entre 50% e 55% dos cargos nos Estados Unidos serão reconfigurados significativamente pela IA. Reconfigurados, não eliminados. Essa distinção não é semântica. Significa que a organização que chega a esse processo sem ter preparado seu pessoal para operar em esquemas de supervisão, critério e integração de outputs vai descobrir que possui ferramentas poderosas e capacidade humana desalinhada com o que essas ferramentas exigem.
O erro mais caro que uma equipe diretiva pode cometer neste momento não é mover-se devagar demais com a tecnologia. É mover-se em velocidade tecnológica enquanto opera a estrutura humana na velocidade do passado. A IA acelera o ciclo de produção. Se a organização não constrói simultaneamente a capacidade de supervisão, governança e julgamento nessa mesma escala, o que se acelera não é o valor. É o volume de outputs que ninguém está realmente validando.
A pergunta que vale sustentar nos próximos meses não é quantas posições a IA pode automatizar. É quantas posições de critério especializado a organização precisa criar para que essa automação produza algo que valha a pena.
Shipper resume isso com uma frase que merece mais atenção do que normalmente recebe nas conversas de C-Level: uma vez que uma situação fica reduzida a texto, ela se converte em corpus. E o corpus é um cadáver. O que o ser humano precisa fazer é precisamente o que ainda não ocorreu, o que não pode estar já documentado, o que precisa ser nomeado agora, neste contexto, com este cliente, sob estas condições. É aí que a IA não alcança. E é aí, paradoxalmente, onde há mais trabalho a ser feito.
