Principais conclusões de Vincent Luciani, cofundador e presidente executivo da Artefact, em sua palestra no evento “Tech Up du Hub” da Bpifrance, realizado em 17 de setembro.

Em 17 de setembro, Bpifrance reuniu o ecossistema de tecnologia para seu evento anual Tech Up, focado na adoção operacional da IA nas empresas. Convidado para abordar o tema central da IA e do futuro do trabalho, Vincent Luciani, cofundador e presidente executivo da Artefact, proferiu uma palestra de dez minutos intitulada: “IA e o Futuro do Trabalho”.

Evitando especulações abstratas e narrativas alarmistas, Vincent Luciani compartilhou perspectivas comprovadas na prática, derivadas de implantações corporativas: o impacto tangível sobre o emprego, a realidade do modelo colaborativo homem-máquina, o surgimento de agentes autônomos e a estrutura de governança essencial necessária para uma transformação sustentável.

Empregos e dinâmica do mercado de trabalho: por que o “apocalipse do emprego” ainda não ocorreu

Ao iniciar sua intervenção, Vincent Luciani destacou a enorme amplitude da penetração da tecnologia em todos os setores. Atualmente, a inteligência artificial está presente em praticamente todas as empresas: 90% das organizações já utilizam IA em pelo menos uma função de negócios, de acordo com o relatório “State of AI (2026)” da McKinsey, sendo que a Europa lidera atualmente as taxas globais de adoção.

Os impactos comerciais medidos são significativos. Entre as pequenas empresas americanas com os níveis mais elevados de utilização de IA, o Federal Reserve data (Fed, 2026) destaca ganhos operacionais diretos: melhorias mensuráveis na produtividade, um aumento de 39% na qualidade dos produtos entregues e um aumento de 31% nas vendas.

É importante ressaltar que essa rápida difusão não provocou uma redução generalizada da força de trabalho. Com base em sua experiência direta no campo, Vincent Luciani observou que ainda não constatou nenhuma onda em grande escala de demissões motivadas pela IA. Estudos de mercado independentes corroboram essa observação:

  • Um estudo destacado por The Economist Estima-se que tenham sido criados aproximadamente 1 milhão de empregos em todo o ecossistema de IA dos EUA, em comparação com cerca de 200 mil demissões atribuídas à IA desde meados de 2023, mesmo em setores fortemente afetados, como engenharia de software e serviços jurídicos.
  • Um estudo rigoroso publicado na Financial Times indica que as grandes empresas que adotam a IA registram um aumento de +10,2% no quadro de funcionários dois anos após a adoção, incluindo um aumento de +12% em cargos de nível júnior.

Para o presidente executivo da Artefact, a conclusão é inequívoca: o “apocalipse do emprego” não ocorreu e é improvável que venha a se concretizar.

Promessa x Realidade: a colaboração entre humanos e máquinas enfrenta atritos organizacionais

Embora o discurso público frequentemente se concentre na automação de tarefas de ponta a ponta e na substituição em massa de mão de obra humana, Vincent Luciani ressaltou que o modelo empresarial predominante atualmente continua sendo a colaboração híbrida entre especialistas humanos e inteligência artificial.

Persiste uma lacuna substancial entre agentes autônomos isolados que operam com sucesso em configurações de prova de conceito e sua integração prática nas estruturas empresariais. Uma função profissional não pode ser reduzida a uma cadeia puramente sequencial de tarefas; ela depende fundamentalmente da colaboração multifuncional, do contexto tácito e dos fluxos de trabalho informais. Consequentemente, os ganhos de produtividade operacional enfrentam atritos significativos à medida que a implementação é ampliada:

  • Desenvolvimento pessoal: A adoção da IA proporciona um aumento de 4 a 5 vezes na velocidade de execução das tarefas.
  • Nível da equipe: Os ganhos líquidos de produtividade moderam-se para aproximadamente +80%.
  • Nível empresarial: Os ganhos líquidos de produtividade se reduzem para aproximadamente +20%, prejudicados por gargalos organizacionais, dependências e procedimentos internos complexos. À medida que as organizações se expandem, a complexidade sistêmica inevitavelmente acaba por superar os ganhos tecnológicos.

Como resultado, os agentes autônomos genuínos de ponta a ponta continuam sendo raros em ambiente de produção. As organizações implementam principalmente lógicas de decisão automatizadas, combinadas com IA supervisionada por humanos, em segmentos específicos de processos mais amplos:

  • Setor de serviços públicos: As equipes operacionais de uma concessionária de água utilizam IA para extrair, analisar e agrupar obrigações contratuais em centenas de contratos, gerando uma economia substancial de tempo e maior precisão analítica.
  • Construção e engenharia: Os gerentes de obra automatizam a inspeção de rotina reports e a documentação das visitas à obra.

Em todos esses casos de uso, os principais benefícios residem na execução acelerada e na maior qualidade do resultado, possibilitando a realização de tarefas que, de outra forma, teriam sido abandonadas devido a restrições de largura de banda, ao mesmo tempo em que aprimoram de forma eficaz as competências do pessoal menos experiente. No entanto, essas ferramentas continuam explicitamente vinculadas a profissionais humanos e sob sua supervisão.

A Ascensão dos Agentes Autônomos: Casos de Uso Emergentes e Sinais de Alerta

Apesar dessas limitações, uma nova geração de agentes autônomos está começando a surgir. Caracterizados por objetivos claros, maior liberdade na tomada de decisões e comportamento não determinístico, esses sistemas possuem capacidades diretas de execução operacional.

Essa evolução teve início na engenharia de software. Agora, as equipes podem acionar fluxos de trabalho automatizados diretamente pelo Slack para diagnosticar e corrigir problemas na base de código. A Artefact implementou isso internamente em suas ferramentas proprietárias: um agente analisa de forma independente os logs de erros analíticos, diagnostica o incidente subjacente e abre uma solicitação de pull (PR) sem intervenção manual. A revisão de código tornou-se rapidamente um dos principais campos de teste para a autonomia autônoma em ambiente de produção.

Além do desenvolvimento de software, os fluxos de trabalho baseados em agentes estão se expandindo para as interações com clientes, bem como para as operações administrativas. Em ambientes comerciais, empresas como a Heineken estão implantando agentes de vendas automatizados, enquanto as funções de suporte corporativo estão introduzindo progressivamente agentes especializados nas áreas de Recursos Humanos, Compras e Finanças.

À medida que a autonomia se aprofunda, Vincent Luciani destacou vários desafios críticos e lições de cautela decorrentes das primeiras implementações:

  1. O dimensionamento continua sendo um desafio: A transição de projetos-piloto controlados para uma escala que abrange toda a empresa traz à tona dependências inesperadas e atritos operacionais.
  2. Gestão de riscos e calibração da criticidade: É essencial definir limites de delegação e parâmetros operacionais. Um erro de cálculo em um pedido cometido por um agente da Heineken pode ser controlável no âmbito de uma cadeia de suprimentos do setor de hospitalidade; um desvio equivalente em um ambiente clínico de saúde acarreta graves responsabilidades.
  3. Inflação dos custos de inferência: A execução de fluxos de trabalho autônomos sofisticados pode ser onerosa (acima de € 15 por execução complexa). À medida que vários agentes se coordenam e interagem, o consumo de recursos de computação aumenta rapidamente. Vincent Luciani destacou os desvios orçamentários generalizados observados entre as principais empresas de tecnologia (Microsoft, Uber), bem como entre clientes corporativos como a L’Oréal, cujas previsões operacionais iniciais foram significativamente superadas.
  4. Evolução dos perfis de competências: O trabalho profissional está evoluindo ao longo de um espectro: desde a intervenção humana contínua, passando pelo aprimoramento com a participação humana no ciclo, até a automação parcial e, por fim, a supervisão de alto nível. Para acompanhar essa evolução, é necessário manter uma sólida base de conhecimentos e habilidades práticas; caso contrário, os profissionais correm o risco de ver suas qualificações essenciais se deteriorarem.
  5. Horizontalização organizacional: Os agentes autônomos não se limitam aos silos tradicionais; seus fluxos de trabalho ultrapassam as fronteiras corporativas estabelecidas. Por exemplo, um agente de supervisão de estoque que identifique uma escassez em um fornecedor a montante pode, de forma autônoma, emitir uma ordem de compra de reposição por meio do departamento de Compras, recalcular as previsões trimestrais de fluxo de caixa para o departamento Financeiro e reprogramar os prazos de entrega para o departamento de Logística em tempo real.

Cinco recomendações estratégicas para a transformação coletiva

Para concluir sua palestra principal no Tech Up, Vincent Luciani apresentou cinco prioridades estratégicas para transformar experimentos técnicos isolados em uma transformação empresarial estruturada e de longo prazo:

  • Priorize o contexto organizacional: Para que os agentes de IA gerem valor diferenciado para a empresa, eles devem basear-se no conhecimento institucional específico da empresa, nas convenções internas e no contexto estrutural.
  • Estabeleça uma governança de IA e trate os agentes como novos funcionários: Os agentes de IA devem passar por um processo estruturado de integração, treinamento contextual, avaliações contínuas de desempenho e um rigoroso controle de acesso e gerenciamento de privilégios.
  • Cultivar uma comunidade interna de desenvolvedores de IA: A transformação sustentável deve ser liderada e assumida pelas unidades de negócios operacionais por meio de práticas experienciais e práticas (aprender fazendo).
  • Invista sistematicamente nas competências da força de trabalho por meio do Planejamento Estratégico da Força de Trabalho: A capacitação profissional não pode ser tratada como uma iniciativa pontual; ela requer um ajuste contínuo e quase em tempo real. Duas mudanças estruturais já são evidentes: em primeiro lugar, o aumento acelerado dos conhecimentos técnicos em disciplinas não relacionadas à engenharia (como observado na OpenAI, onde os gerentes de produto passam agora cerca de 50% de seu tempo de trabalho gerando código, em comparação com 0% anteriormente); em segundo lugar, o treinamento específico em delegação de funções de supervisão e fiscalização gerencial.
  • Capacitar e proteger o capital humano: O sucesso na gestão da mudança depende da confiança mútua. Os empregadores devem garantir transparência nas decisões estratégicas relativas à implantação da IA, bem como o acesso a uma formação contínua e significativa, assegurando que as equipes evoluam em paralelo com suas profissões.