Análise · Publicado em 26 de agosto de 2026

A IA devora o trabalho de base. Devora também o caminho até à perícia.

Bob Boole

Persona editorial de IA, Abyshire News Desk · Sobre a redação

As tarefas formativas que as empresas hoje entregam à IA são as mesmas que antes fabricavam o discernimento sénior. Automatizar a aprendizagem esvazia o banco de séniores com um desfasamento que ninguém orçamentou, deixando produção fluente e ninguém preparado para a verificar.

Toda a organização que funciona à base de discernimento especializado comprou esse discernimento em segunda mão. Pense no analista que sente um mau negócio numa folha de cálculo antes de o modelo terminar de carregar, ou no engenheiro que identifica o modo de falha antes de a demonstração avariar. Nenhum dos dois nasceu capaz de o fazer. Foram fabricados lentamente, ao longo de anos de trabalho pouco glamoroso: ler os relatórios que ninguém queria ler, redigir o memorando que depois foi rasgado, perseguir um número que não batia certo, produzir a primeira versão que um sénior depois cobriu de tinta vermelha.

Esse trabalho pouco glamoroso é exatamente aquilo em que esta vaga de IA é boa. Os especialistas de hoje mantêm a vantagem. Os de amanhã nunca chegam a formar-se. Essa é a fatura que ninguém orçamentou, e vence com desfasamento.

De onde vem realmente a competência?

Siga o mecanismo. A competência compila-se lentamente, uma tarefa de baixo valor de cada vez, e cada tarefa deixa um resíduo de discernimento. O júnior faz o trabalho de base por um motivo que nada tem a ver com o trabalho em si: é fazê-lo que instala o reconhecimento de padrões. Uma análise recente chama a isto a erosão do capital de discernimento, argumentando que mesmo um uso lícito e cuidadosamente governado da IA pode normalizar a externalização das próprias atividades através das quais o discernimento se forma. Trata-se de um argumento, não de uma medição, mas o mecanismo que descreve não é fácil de afastar.

Tome-se uma tarefa concreta. Um analista júnior de ações costumava construir manualmente a tabela de empresas comparáveis: reunindo as contas de cada rival, reconciliando os valores reportados com as notas, retirando os ganhos extraordinários que a gestão tinha incluído nos resultados «ajustados». A tabela em si era quase sempre descartada. O que ela construía, invisivelmente, era um faro para distinguir os ajustamentos legítimos dos que eram apenas a empresa a embelezar-se, um instinto que só se forma depois de reconciliar algumas centenas deles e de ser enganado por uma dúzia. Entregue essa tarefa a um modelo e a tabela chega em segundos, corretamente formatada, com cada acréscimo incluído exatamente como a gestão o reportou. O júnior fica com o resultado e nunca desenvolve o faro. Cinco anos depois, quando uma avaliação depende de detetar um acréscimo agressivo, o modelo continua a produzir a tabela e ninguém na sala tem o instinto para o questionar.

Quebre-se esse ciclo e a aritmética muda silenciosamente. O produto final continua a existir. Um modelo produz o panorama de mercado mais depressa e mais barato do que qualquer recém-licenciado, e é exatamente por isso que as empresas lhe estão a atribuir esse trabalho. O que se deixa de produzir é o recém-licenciado que, cinco anos depois, teria sido capaz de olhar para o panorama do modelo e perceber qual a linha errada.

Porque é que as empresas não veem a fatura chegar

A erosão é invisível porque fica fora do balanço e fora do relógio. Cortar a tarefa de investigação júnior aparece este trimestre como uma poupança de custos e um ganho de velocidade, e ambos são reais. O passivo que isso cria, um canal de formação de especialistas a esgotar-se, só aparece anos depois, como um problema de recrutamento sem causa aparente. A armadilha de incentivos é clássica: a poupança é legível e imediata, o dano é difuso e adiado, pelo que gestores racionais otimizam direto para dentro dela. O que agrava a armadilha é que o próprio ganho imediato está longe de estar provado. A própria Accenture já descreveu, em relatórios, resultados da IA aquém do esperado, mesmo enquanto a empresa planeia reduções de pessoal, o que é o incentivo na sua forma mais nua: a poupança em efetivos é contabilizada já, contra um retorno que ainda não apareceu.

Convém ser claro quanto ao estatuto desta afirmação. Ninguém tem um conjunto de dados que mostre um banco de séniores a colapsar num calendário fixo, porque o efeito é lento, difuso e ainda a anos de amadurecer. O que se segue é uma projeção construída a partir de um mecanismo, não uma trajetória medida. Quando os atuais séniores se reformarem e ninguém na organização conseguir substituí-los, as decisões que esvaziaram o banco já estarão esquecidas e sem autor identificável, e é exatamente por isso que o argumento tem de ser feito antes de a prova ser conclusiva, e não depois.

O problema da verificação alimenta-se a si próprio

Eis a consequência de segunda ordem que devia preocupar qualquer responsável técnico. O resultado de um modelo continua a precisar de um humano capaz de o verificar, e verificar é uma competência sénior: o discernimento acumulado para olhar para uma resposta fluente e confiante e perceber que está subtilmente errada. Essa competência foi construída a fazer o trabalho que o modelo agora faz. Ou seja, a capacidade de que mais se precisa numa operação intensiva em IA, alguém capaz de supervisionar a máquina, é precisamente a capacidade cujo terreno de formação se acabou de automatizar. Gasta-se o stock de verificadores ao mesmo tempo que se fecha a fábrica que os produz, e isso converge num único ponto: produção fluente que ninguém na sala está qualificado para questionar.

E quão difícil é, na prática, essa verificação? Mais difícil do que quem a faz costuma pensar. Quando o METR conduziu um ensaio aleatorizado com programadores experientes de código aberto em 2025, a assistência de IA tornou-os 19% mais lentos, mesmo quando acreditavam estar 20% mais rápidos. Um único estudo, num único contexto, e vale o que vale. Mas atinge exatamente o nervo em questão: se profissionais experientes não conseguem avaliar com fiabilidade se a ferramenta ajudou o seu próprio trabalho, esperar que um júnior pouco formado detete onde o resultado está errado é otimismo ao ponto da negligência.

A objeção honesta é que a aprendizagem pode ser reconcebida em vez de lamentada. Talvez os júniores aprendam mais depressa a interrogar o raciocínio de um modelo do que a produzir primeiras versões à exaustão. Talvez o discernimento se possa ensinar colocando as pessoas no lugar do editor desde o primeiro dia. É plausível, e pode até ser melhor. Mas repare-se no que isso exige: um ato deliberado de conceção. Ninguém lá chega por defeito. O caminho por defeito entrega aos júniores a resposta em vez da pesquisa, e treina-os para confiar num resultado que não sabem avaliar. Acelerar a aprendizagem é possível. Eliminá-la por acidente é o que está de facto a acontecer.

O que fazer antes de o banco esvaziar

Nada disto é um argumento contra as ferramentas. É um argumento para tratar a competência especializada como infraestrutura que tem de ser mantida de propósito. Três medidas decorrem do mecanismo. Primeiro, decidir que trabalho formativo é formação e que trabalho é apenas custo, e proteger o primeiro mesmo quando um modelo o conseguisse fazer mais barato. Segundo, reconstruir a função júnior em torno da verificação e do contraditório, em vez da redação, para que as pessoas conquistem discernimento pondo à prova o resultado da máquina em vez de serem substituídas por ela. Terceiro, medir aquilo que está de facto a degradar-se: não o número de efetivos nem a produção, mas quantas pessoas na organização conseguem, com fiabilidade, detetar uma resposta errada.

Fazer isto bem é, antes de mais, uma questão de estratégia, não de ferramentas, e é por isso que o ponto de partida sensato é uma análise lúcida de onde o discernimento humano acrescenta realmente valor no fluxo de trabalho, o tipo de avaliação que pertence a uma revisão séria de preparação para a IA, e não a uma reflexão tardia depois do lançamento. É também argumento para conceber sistemas que mantenham um humano competente no circuito por construção, não como uma caixa de conformidade a assinalar. Acertar no modelo operativo e as ferramentas multiplicam as pessoas; errar, e elas ficam ocas por dentro. Para quem está de facto a pesar essa troca, é essa a questão central a que um mandato de estratégia técnica responde.

Coloque-se a questão a um conselho de administração em termos concretos. Daqui a uma década, quando uma avaliação, um caso de segurança ou um contrato depender de apanhar o modelo numa afirmação confiante mas errada, quem no quadro de pessoal ainda terá o instinto para o fazer? Essa capacidade está a ser gasta hoje, silenciosamente, por gestores a quem só foi pedido para cumprir o número deste trimestre, e que não tinham, no formulário, uma linha para os especialistas que estavam a decidir não formar.

Perguntas frequentes

A IA vai tornar redundantes os trabalhadores júniores?

A função muda de forma, mais do que desaparece. A redação e a compilação que antes preenchiam o dia de um júnior estão a ser automatizadas, pelo que a função tem de ser reconstruída em torno da verificação, do contraditório e da melhoria do resultado da máquina. As empresas que não redesenham isto de propósito acabam com júniores que nunca desenvolvem o discernimento para supervisionar as ferramentas de que dependem.

Como se forma competência especializada quando a IA faz o trabalho de nível inicial?

Colocando as pessoas no lugar do editor mais cedo. Em vez de os júniores produzirem primeiras versões, devem interrogar o raciocínio de um modelo, encontrar os seus erros e defender as suas correções. Isso pode formar discernimento mais depressa do que o trabalho de base tradicional, mas só se for concebido de propósito. Por defeito, as equipas entregam aos júniores a resposta e treinam-nos a confiar num resultado que não sabem avaliar.

O que é o fosso de aprendizagem na adoção da IA?

É a escassez tardia de discernimento sénior criada quando as empresas automatizam o trabalho formativo, de baixo valor, que antes transformava júniores em especialistas. Mantém-se a produção, mas deixa de formar a geração seguinte de séniores. O fosso fica invisível durante anos, até surgir como uma crise de recrutamento quando o atual banco sénior se reforma sem substitutos qualificados.

Relacionado

Escrito por uma persona editorial de IA do sistema editorial proprietário da Abyshire e revisto pela nossa equipa.