A IA pode substituir mais tarefas do que nunca. As empresas que confundem essas tarefas com o julgamento correm o risco de automatizar em benefício próprio.
No início de 2026, a Oracle solicitou aos funcionários que documentassem seus fluxos de trabalho e utilizassem suas ferramentas internas de IA. Alguns desses funcionários foram posteriormente demitidos.
Um ex-gerente sênior de software disse à revista *Time* que os engenheiros juniores estavam usando IA para gerar grandes quantidades de código com erros. Os engenheiros sênior precisavam, então, revisar todo o código e torná-lo utilizável. Posteriormente, a Oracle reduziu seu quadro de funcionários, incluindo profissionais experientes.
Essa sequência ilustra um dos principais riscos do atual boom da IA. A Oracle automatizou parte da execução e, em seguida, enfraqueceu a camada de julgamento que tornava o resultado valioso.
Esta não é apenas uma história da Oracle, nem mesmo uma história sobre software. Em todos os setores, os líderes estão analisando o que a IA já é capaz de fazer e se perguntando de quantas pessoas ainda precisam. A pergunta é compreensível. Os ganhos em termos de capacidade são reais.
A METR, uma organização sem fins lucrativos que avalia agentes de IA, mede a extensão das tarefas que os modelos são capazes de realizar em um determinado nível de confiabilidade. Sua pesquisa constatou que o horizonte de tarefas de 50% dos agentes de ponta dobrou aproximadamente a cada sete meses entre 2019 e 2025. As versões mais recentes do benchmark continuam a mostrar avanços rápidos, embora a METR alerte que suas medições de maior duração permaneçam incertas. As tarefas também se concentram em engenharia de software, aprendizado de máquina e segurança cibernética. Elas não constituem um indicador completo do trabalho intelectual.
Essa ressalva é importante. O parâmetro de referência nos mostra que a IA está se tornando muito mais eficaz na execução de tarefas mais longas e bem definidas. Ele não nos indica, porém, que um sistema de IA seja capaz de administrar uma empresa, compreender um cliente, desenvolver um profissional ou decidir quais compromissos uma instituição deve assumir.
No entanto, essas ideias são frequentemente tratadas como se fossem a mesma coisa. Se a IA puder realizar uma parte maior do trabalho, segundo essa lógica, seria necessário um número menor de pessoas para produzir o mesmo resultado. Em uma planilha, o argumento pode parecer irresistível.
Dentro de uma organização real, a situação é muito mais complicada.
A execução não é um julgamento
A distinção mais útil no debate sobre IA e empregos não é entre tarefas que a IA pode ou não realizar. Essa fronteira está mudando muito rapidamente. A distinção mais duradoura é entre execução e julgamento.
A execução é um trabalho que pode ser claramente especificado e avaliado. Escreva essa função. Verifique se essa solicitação está em conformidade com um conjunto de regras. Analise esses contratos para identificar cláusulas incomuns. Elabore uma primeira versão desse relatório. Encaminhe essa solicitação do cliente. Faça a reconciliação dessas contas.
A IA já é muito eficiente em muitas dessas tarefas. É rápida, incansável e, em termos marginais, de baixo custo. Quando bem utilizada, pode eliminar horas de trabalho repetitivo e proporcionar às pessoas mais tempo para lidar com problemas complexos.
O julgamento começa onde termina a descrição.
Será que este produto deveria mesmo ser desenvolvido? Qual atalho técnico acabará saindo caro daqui a dois anos? O cliente está solicitando algo inadequado? O histórico do cliente justifica um desvio da política? Uma decisão tecnicamente adequada ainda pode ser injusta? Como essa recomendação afetará um relacionamento que levou dez anos para ser construído?
Essas questões dependem do contexto, das consequências e da responsabilização. Elas exigem que alguém perceba aquilo que o sistema nunca foi instruído a procurar.
A IA se tornará cada vez mais eficaz no apoio a essas decisões. Ela poderá desafiar os especialistas e, ao longo do processo, revelar falhas no raciocínio humano. No entanto, as organizações continuarão precisando de pessoas que compreendam a realidade circundante, sejam capazes de avaliar os resultados e assumam a responsabilidade quando a resposta estiver errada.
Uma melhor execução não torna o julgamento menos importante. Normalmente, torna-o ainda mais importante, pois o volume e a velocidade da produção aumentam.
O motor, a cabine e a bússola
Uma maneira prática de aplicar essa distinção é considerar o trabalho organizacional como composto por três camadas.
1. O mecanismo: execução orientada por IA
O Engine compreende tarefas estruturadas e repetíveis, com entradas claras e resultados mensuráveis. Isso inclui a geração de código padrão, a conciliação de contas, o encaminhamento de solicitações de suporte, a triagem de candidaturas, a extração de cláusulas contratuais e a elaboração de rascunhos iniciais.
É nesse ponto que a IA pode realizar o trabalho de forma mais autônoma. Quanto mais claramente uma tarefa puder ser especificada e quanto mais economicamente for possível verificar seu resultado, mais fortes serão os argumentos a favor da automação.
O princípio é simples: se o trabalho puder ser especificado com clareza e verificado a um custo baixo, inclua-o no Engine.
2. A cabine de comando: colaboração entre humanos e IA
O Cockpit é a camada mista. A IA gera análises, opções ou recomendações, enquanto uma pessoa interpreta a situação e decide se o resultado se adequa ao contexto.
A revisão de código gerado por IA faz parte dessas tarefas. O mesmo se aplica ao tratamento de casos incomuns de clientes, à avaliação de exceções de crédito, à investigação de alertas de conformidade e à adaptação de uma proposta às dinâmicas políticas internas da organização do cliente.
A pessoa na cabine de comando não está lá para aprovar tudo o que a máquina produz. Seu papel é questionar, redirecionar e reconhecer quando a situação não corresponde mais aos pressupostos por trás do sistema.
O princípio é o seguinte: deixar que a IA acelere o trabalho, mas manter uma pessoa qualificada orientando-o ativamente.
3. A bússola: o julgamento humano
A Bússola define a direção. Ela abrange metas, valores, escolhas e responsabilidade. O que a empresa deve desenvolver? Quais riscos deve aceitar? Quais clientes deve atender? Quando uma política deve ser alterada? Que tipo de organização ela deseja se tornar?
A IA pode orientar essas escolhas. Ela pode trazer à tona evidências, questionar suposições e simular possíveis resultados. No entanto, as pessoas devem assumir a responsabilidade tanto pela decisão quanto por suas consequências.
O princípio é o seguinte: utilize a IA como fonte de informações, mas mantenha a responsabilidade nas mãos dos seres humanos.
Os limites entre essas camadas irão mudar. À medida que a IA se aperfeiçoa, mais tarefas passarão do Cockpit para o Engine. É exatamente isso que as organizações deveriam desejar. No entanto, a capacidade pode evoluir mais rapidamente do que a responsabilidade. O fato de uma tarefa se tornar automatizável não significa que a decisão associada a ela tenha se tornado independente do contexto.
O motor executa. A cabine interpreta. A bússola decide.
O fracasso ocorre quando os líderes fortalecem o Motor, esvaziam a Cabine e presumem que a Bússola, de alguma forma, se resolverá por si só.
A Klarna chegou ao limite
A Klarna oferece um teste útil para essa distinção.
Em 2024, a empresa de pagamentos informou que seu assistente de IA estava realizando o trabalho equivalente a 700 agentes de atendimento ao cliente e lidando com dois terços de seus chats de atendimento no primeiro mês após o lançamento. A Klarna também suspendeu as contratações, e seu quadro de funcionários diminuiu posteriormente em cerca de 22%, em grande parte por meio de rotatividade natural.
Os números pareciam impressionantes. Então, a empresa se deparou com um limite.
Em 2025, o diretor executivo Sebastian Siemiatkowski reconheceu que o custo havia se tornado um fator excessivamente determinante na forma como o atendimento ao cliente era organizado, resultando em um atendimento de menor qualidade. A Klarna começou a recrutar agentes humanos que trabalhassem de forma flexível e remota e enfatizou que os clientes deveriam sempre poder entrar em contato com uma pessoa, caso assim o desejassem.
Isso não representou um abandono total da IA. A Klarna continuou a utilizar o assistente de forma extensiva. Em um documento apresentado posteriormente, a empresa afirmou que o assistente atendeu 80% dos chats de atendimento ao cliente durante o ano de 2025 e não registrou nenhuma queda na satisfação, com base em suas próprias pesquisas internas.
A lição vai além de uma simples história de fracasso. A Klarna manteve a eficiência ao corrigir a suposição de que a eficiência era o produto em si. Um serviço automatizado pode ter um desempenho brilhante nas interações comuns e, ainda assim, precisar de uma pessoa para lidar com os momentos que não se encaixam no padrão. No atendimento ao cliente, esses momentos incomuns costumam definir a forma como as pessoas se lembram da marca.
A Klarna não constatou que a IA fosse ineficaz. Seu Engine funcionava. A empresa constatou que os clientes ainda precisavam ter acesso a um Cockpit quando a interação deixava de se encaixar no padrão habitual.
Reorganização não é o mesmo que uma equipe
Se a Klarna demonstra a dificuldade de eliminar o excesso de intervenção humana, a Meta demonstra a dificuldade de reorganizar as equipes em torno de uma estratégia de IA.
Em maio de 2026, a Meta se preparou para reduzir cerca de 10% de sua força de trabalho, ao mesmo tempo em que transferia aproximadamente 7.000 funcionários para novas organizações voltadas para a IA. Documentos internos descreviam estruturas mais horizontais, equipes menores e maior autonomia. Alguns funcionários se referiram às transferências obrigatórias como “convocação”.”
Um mês depois, o diretor de tecnologia da Meta, Andrew Bosworth, reconheceu em uma publicação interna que a empresa havia feito um trabalho “péssimo” na implantação de uma das novas divisões. Mais revelador ainda, ele identificou o que havia sido prejudicado: a confiança dos funcionários de que sua expertise seria valorizada, de que suas carreiras se desenvolveriam e de que poderiam causar um impacto significativo.
A Meta pode, em última análise, desenvolver uma IA melhor graças à reestruturação. Uma implementação difícil não prova que a estratégia irá fracassar. No entanto, reunir pessoas talentosas em um organograma voltado para a IA não é o mesmo que criar uma equipe que funcione. O Cockpit depende de confiança, continuidade e de um entendimento comum sobre a importância do trabalho.
As pessoas precisam saber por que seu trabalho é importante. Elas precisam de gestores que compreendam seus pontos fortes e de continuidade suficiente para aprender como as decisões são tomadas. É possível transferir nomes de um quadro para outro em uma tarde. As relações e o contexto compartilhado, porém, não se transferem automaticamente com eles.
Uma ação judicial movida em julho de 2026 por 26 funcionários da Meta reforça essa questão. Os funcionários alegam que a Meta utilizou sistemas internos de IA, o monitoramento de atividades data, painéis de uso de tokens e classificações de desempenho assistidas por algoritmos ao selecionar pessoas para demissões. Eles afirmam que o processo tratou períodos de licença médica, parental ou familiar como redução de produtividade, tornando os trabalhadores afetados mais propensos a serem selecionados. A Meta nega as alegações e afirma que foram pessoas, e não a IA, que tomaram as decisões relativas à força de trabalho.
As alegações ainda não foram comprovadas. No entanto, o suposto modo de falha é algo que toda organização deveria reconhecer. Um sistema pode processar as métricas disponíveis com precisão e, mesmo assim, chegar a uma decisão equivocada, pois as métricas carecem de contexto. Uma redução na produção medida pode significar baixo desempenho. Também pode significar gravidez, doença, prestação de cuidados ou adaptação para pessoas com deficiência.
O Engine aplica a métrica. O Cockpit questiona o significado da métrica. O Compass decide quais consequências a organização está disposta a assumir.
Como as organizações se lembram
A maior parte do conhecimento organizacional não está armazenada onde os líderes imaginam que esteja. Ele não está todo no código-fonte, no CRM, no manual de políticas ou na unidade compartilhada. Grande parte dele reside em pequenas interações que mal são percebidas como trabalho.
É a reunião semanal em pé em que alguém se lembra por que uma ideia semelhante fracassou há três anos. É a reunião de análise com o cliente que revela que a verdadeira objeção era de natureza política, e não técnica. É o engenheiro sênior que analisa o código que passa em todos os testes e afirma: “Isso irá falhar nas condições em que realmente operamos.”
Esses momentos podem parecer ineficientes. Mas é também por meio deles que as organizações se lembram.
Em um escritório de advocacia, empresa de consultoria, banco ou agência, o relacionamento faz parte do produto. O valor não decorre apenas do resultado final, mas também da compreensão da história do cliente, de sua dinâmica interna, de sua tolerância ao risco e de suas restrições não declaradas. O mesmo se aplica ao setor público, onde um assistente social ou um oficial de planejamento pode possuir anos de conhecimento prático que ninguém pensou em registrar por escrito.
A IA pode ajudar a capturar mais desses aspectos. Ferramentas aprimoradas de pesquisa, transcrição e memória institucional são genuinamente úteis. Mas a documentação é sempre uma seleção da realidade. As pessoas registram o que já sabem ser importante. A experiência consiste, em parte, na capacidade de reconhecer a importância de algo antes que alguém o tenha documentado.
Quando os concorrentes têm acesso a modelos e infraestrutura semelhantes, a vantagem duradoura decorre da forma como a tecnologia é direcionada, do contexto em que se insere e dos padrões aplicados aos seus resultados.
A IA pode criar equilíbrio. São as pessoas que transformam esse equilíbrio em vantagem.
As demissões transformam as pessoas que permanecem na empresa
O custo de uma demissão em massa é geralmente calculado com base na indenização, nos riscos legais, no tempo de transição e na perda de pessoal que está saindo. O comportamento das pessoas que permanecem é mais difícil de quantificar.
Uma meta-análise de 2002, realizada por Magnus Sverke, Johnny Hellgren e Katharina Näswall, examinou 72 estudos sobre a percepção de insegurança no emprego. A pesquisa constatou relações negativas entre a insegurança e a satisfação no trabalho, o comprometimento organizacional e o desempenho. Trata-se de correlações, e não de quedas percentuais causadas por uma demissão específica. Mesmo assim, a tendência é consistente: quando as pessoas deixam de se sentir seguras, sua relação com a organização se altera.
Uma pesquisa realizada por Charlie Trevor e Anthony Nyberg associou uma redução de 1% na força de trabalho a um aumento estimado de 31% na rotatividade voluntária no ano seguinte, embora as práticas de RH relacionadas tenham influenciado o resultado.
Isso gera um problema de seleção. Os funcionários mais aptos a se demitir são, muitas vezes, aqueles que possuem competências sólidas, redes de contatos úteis e alternativas atraentes. Quando uma empresa opta por demitir um grupo, corre o risco de levar outro grupo a se demitir por conta própria.
Isso não significa que as demissões nunca sejam necessárias. Significa que uma redução do quadro de funcionários não é uma simples subtração. Ela altera a confiança, os incentivos e o comportamento em toda a organização. Quando a IA é apresentada como motivo, o efeito pode ser mais acentuado, pois se pede aos funcionários que treinem e aprimorem os sistemas que poderiam justificar a próxima redução.
O fluxo de talentos apresenta uma falha tardia
As funções de nível júnior estão entre as mais fáceis de automatizar, pois grande parte de sua produção é estruturada e passível de revisão. Isso as torna um alvo óbvio para a redução de custos. Ao mesmo tempo, torna sua eliminação perigosa.
Um engenheiro júnior não se torna um engenheiro sênior evitando tarefas simples. Um estagiário de advocacia não desenvolve capacidade de julgamento sem analisar contratos comuns. Um consultor iniciante não aprende a avaliar a situação de um cliente recebendo apenas a recomendação final.
A especialização é adquirida por meio da repetição, da correção, da observação e dos erros supervisionados.
Se a IA passar a realizar a maior parte das tarefas de nível básico, as organizações precisarão repensar a forma como as pessoas adquirem experiência. Isso poderia representar uma melhoria genuína. Muitas tarefas tradicionais de nível júnior são tediosas e ensinam menos do que os profissionais seniores gostariam de admitir. No entanto, eliminar a tarefa não é o mesmo que substituir o aprendizado.
Se as empresas reduzirem a contratação de profissionais juniores e, ao mesmo tempo, cortarem o quadro de profissionais seniores responsáveis pela revisão dos resultados da IA, elas prejudicam ambas as etapas do ciclo de desenvolvimento. Elas perdem a capacidade de avaliação atual e a oferta futura dessa capacidade.
As consequências não se manifestarão neste trimestre. Elas virão à tona vários anos depois, quando as organizações descobrirem que possuem muitas ferramentas capazes de gerar respostas, mas pouquíssimas pessoas capazes de identificar uma resposta incorreta.
O canal de talentos não é um programa de RH. Trata-se de uma infraestrutura de produção com um longo prazo de execução.
Argumentos a favor do corte, de qualquer forma
Existe um argumento sério do outro lado.
Um diretor financeiro disciplinado poderia afirmar que grande parte do trabalho de nível júnior está realmente desaparecendo, e fingir o contrário é mera nostalgia. Proteger funções que a tecnologia tornou obsoletas não é boa gestão. Trata-se de um subsídio que os concorrentes não arcarão. Parte do conhecimento institucional perdido em uma demissão é simplesmente hábito disfarçado de sabedoria. As empresas já automatizaram trabalhos especializados antes, desde a manufatura até a composição tipográfica e as funções financeiras administrativas, e a economia se ajustou.
Nessa perspectiva, manter e requalificar os funcionários apenas adia uma mudança necessária. As empresas que agirem primeiro terão custos mais baixos e operações mais sustentáveis, enquanto as demais hesitam.
Algumas partes desse argumento estão corretas. Algumas funções não voltarão, e defender cada uma delas é um caminho certo para um declínio gradual. A resposta não é que os cortes sejam sempre errados. É que o raciocínio muitas vezes se detém cedo demais.
O número de funcionários não é a única variável que vale a pena otimizar. Os líderes também precisam decidir quais competências devem sobreviver à transição: discernimento, análise, relacionamentos e o fluxo que gera a expertise futura. Eles precisam saber quais tarefas pertencem ao Motor, onde a Cabine de Comando ainda é importante e quem detém a Bússola. Somente assim poderão tomar uma decisão fundamentada sobre quais pessoas devem ser dispensadas, requalificadas ou remanejadas.
A Oracle e a Klarna não revelaram uma falha na IA. Elas revelaram o custo de se priorizar o que era mais fácil de medir, ao mesmo tempo em que negligenciavam o que era mais difícil de perceber.
Um equilíbrio melhor
O DBS, o maior banco de Cingapura, oferece um modelo mais ponderado, embora não isento de dificuldades.
O banco prevê que cerca de 4.000 cargos temporários e por contrato sejam eliminados ao longo de três anos, à medida que a IA assume mais tarefas. Além disso, informou que espera criar cerca de 1.000 empregos relacionados à IA, ao mesmo tempo em que requalifica os funcionários atuais para novas responsabilidades. Os caixas, por exemplo, foram treinados para trabalhar com caixas eletrônicos com vídeo ou para assumir funções de atendimento ao cliente.
O DBS também continua a investir em seu reservatório de talentos. Em maio de 2026, o banco anunciou planos para recrutar mais de 500 jovens participantes locais por meio de programas de associados de gestão, estágios e programas de formação profissional.
Isso ainda é uma redução da força de trabalho. A diferença é que a DBS está decidindo explicitamente quais tarefas podem ser transferidas para o Engine e quais competências humanas deseja preservar e desenvolver no Cockpit. Seu investimento contínuo em talentos em início de carreira também protege o futuro suprimento de pessoas capazes de assumir o Compass. Ainda é cedo para avaliar o resultado, mas a abordagem levanta uma questão mais pertinente.
A resposta não é retardar a adoção da IA. As organizações que se recusarem a adotar essas ferramentas se tornarão menos competitivas, e seus funcionários ficarão sobrecarregados com tarefas manuais desnecessárias. A melhor abordagem é tratar a adoção da IA como uma questão de estrutura organizacional, em vez de uma simples questão de cálculo de efetivo.
Isso significa incorporar ao Engine uma execução claramente delimitada, ao mesmo tempo em que se fortalece o Cockpit ao seu redor. Significa avaliar os resultados, em vez de prompts, tokens ou horas economizadas. Significa identificar as relações e o conhecimento operacional que dependem de uma equipe antes de reduzi-la. Se a IA eliminar tarefas de nível júnior, sua função de aprendizagem deverá ser substituída de forma deliberada por meio de análises, simulações, contato com clientes e acesso ao raciocínio dos profissionais sênior.
Isso também significa dar às pessoas alguma autonomia nessa transição. A experiência da Meta mostra com que rapidez uma estratégia de IA pode se tornar um problema de confiança quando os funcionários se sentem obrigados a realizar tarefas desconhecidas, sem um objetivo claro ou um plano de carreira.
Acima de tudo, os líderes devem deixar de presumir que o quadro de funcionários seja a única variável que deve diminuir quando a produtividade aumenta. Uma maior produtividade pode contribuir para a redução de custos. Ela também pode contribuir para a criação de produtos melhores, um atendimento mais ágil, mais experimentação e a realização de trabalhos que antes não eram economicamente viáveis.
A escolha entre crescimento e redução é uma decisão de gestão, não uma consequência automática da tecnologia. Ela deve ser considerada no Compass.
A empresa é mais do que sua produção
Os sistemas de IA continuarão a lidar com tarefas mais longas e complexas. A fronteira entre a execução humana e a execução por máquinas continuará se deslocando. Qualquer artigo que afirme saber exatamente onde essa fronteira estará daqui a cinco anos provavelmente ficará desatualizado.
Mas uma empresa não é um conjunto de tarefas.
Trata-se de uma rede de julgamento, confiança, memória, incentivos e relacionamentos. Seus produtos surgem dessa rede, mas a rede não é visível no próprio produto. É por isso que é tão fácil prejudicá-la. Uma empresa pode continuar lançando produtos no mercado enquanto o conhecimento subjacente à produção se esgota silenciosamente.
As organizações que mais se beneficiarão da IA não serão necessariamente aquelas que, em primeiro lugar, reduzirem ao mínimo possível o número de funcionários. Serão aquelas que compreenderem quais tarefas devem ser eliminadas, quais competências devem ser reforçadas e como as pessoas continuarão a desenvolver seu discernimento à medida que as máquinas assumirem uma parcela cada vez maior das atividades práticas.
A IA pode automatizar a execução.
São as pessoas que constroem as organizações.
Essa distinção não é sentimental. É estratégica.
Antes de sua organização automatizar outro fluxo de trabalho, vale a pena fazer três perguntas:
- O que deve ser incluído no Engine?
- Em que aspectos o Cockpit ainda é importante?
- Quem empunha a Bússola e a quem cabem as consequências?
