A adoção acelerada da inteligência artificial levou muitas empresas a tratar a substituição de pessoas como sinônimo de transformação digital. O argumento parecia convincente. Sistemas capazes de responder perguntas, analisar documentos, produzir conteúdos e executar atividades repetitivas reduziriam custos e permitiriam estruturas organizacionais mais enxutas. O problema surgiu quando algumas empresas começaram a eliminar funções completas antes de compreender quais partes do trabalho dependiam apenas de informação e quais exigiam experiência, contexto e julgamento.
Segundo projeção atribuída à Gartner, metade das empresas que reduziram suas equipes por razões relacionadas à inteligência artificial deverá recontratar profissionais até 2027. O material também menciona uma estimativa da Forrester segundo a qual 55 por cento dos empregadores que reestruturaram suas operações em torno da IA teriam se arrependido da decisão. Os números sugerem que o problema não está necessariamente na tecnologia, mas no modo superficial como ela foi incorporada aos modelos operacionais.
A inteligência artificial funciona muito bem quando o trabalho pode ser descrito por regras, padrões, documentos, históricos e probabilidades. Ela localiza informações, resume conteúdos, classifica solicitações, identifica correlações e produz respostas em velocidade superior à capacidade humana. Essas competências fazem da IA uma ferramenta poderosa para atividades de alto volume, baixa variabilidade e risco controlado.
O problema começa quando a organização conclui que recuperar informação equivale a exercer julgamento. Um sistema pode identificar políticas, comparar casos anteriores e sugerir uma resposta provável. Isso não significa que compreenda integralmente as consequências comerciais, emocionais, jurídicas, éticas e reputacionais de uma decisão.
Decisões complexas raramente dependem apenas de conhecimento declarativo. Elas envolvem contexto, experiência, percepção de risco, negociação e avaliação de impactos contraditórios. Um profissional experiente não responde apenas com base no que sabe. Ele responde com base no que já viveu, nos erros que presenciou, nos sinais que aprendeu a interpretar e nas consequências que precisou administrar.
A diferença pode ser ilustrada pela comparação entre estudar cirurgia e realizar cirurgias. Ler repetidamente sobre um procedimento produz conhecimento técnico. Executá-lo sob pressão, diante de variações reais e consequências concretas, desenvolve julgamento. O mesmo princípio se aplica ao atendimento ao cliente, à liderança, à negociação, à gestão de crises, à análise de riscos e à tomada de decisões estratégicas.
O caso da fintech sueca Klarna ajuda a compreender esse limite. Em 2024, a empresa afirmou que seu chatbot de inteligência artificial realizava um volume de trabalho equivalente ao de aproximadamente 700 agentes de atendimento e projetou economias de dezenas de milhões de dólares. A automação demonstrou capacidade para absorver consultas simples, repetitivas e previsíveis.
Posteriormente, a empresa reconheceu a necessidade de preservar e contratar profissionais para situações mais complexas. Casos envolvendo fraude, disputas de cobrança, clientes emocionalmente afetados e decisões sensíveis exigiam mais do que uma resposta tecnicamente correta. Exigiam interpretação, empatia, responsabilidade, negociação e compreensão das consequências.
Esse movimento não representa o fracasso da inteligência artificial. Representa o fracasso de um desenho operacional que tentou substituir integralmente uma função sem decompor suas atividades. O atendimento ao cliente, por exemplo, não é uma tarefa homogênea. Parte dele consiste em fornecer informações. Outra parte exige investigação. Uma terceira depende de julgamento, negociação e manejo emocional.
Empresas que tratam essas dimensões como equivalentes tendem a automatizar além do limite economicamente racional. O custo reaparece posteriormente na forma de retrabalho, aumento de reclamações, perda de confiança, danos reputacionais, necessidade de escalonamento e recontratação de profissionais mais especializados.
A decisão adequada não é escolher entre pessoas e inteligência artificial. É definir onde cada uma produz maior valor. A IA deve assumir tarefas repetitivas, consultas de baixo risco, triagens, análises preliminares, elaboração de sínteses e recuperação de informações. Pessoas devem permanecer responsáveis por situações ambíguas, exceções, conflitos, negociações e decisões com consequências relevantes.
Esse modelo exige manter o ser humano no ciclo decisório. A tecnologia pode organizar evidências, identificar padrões e sugerir caminhos. A decisão final, especialmente quando envolve compensações entre custo, experiência do cliente, risco, ética e reputação, precisa permanecer sob responsabilidade humana.
A adoção responsável de inteligência artificial também exige programas estruturados de upskilling. Profissionais que já dominam seus processos precisam desenvolver competências para utilizar copilotos, interpretar respostas, elaborar boas instruções, validar resultados e reconhecer limitações dos modelos. Não basta fornecer acesso a uma ferramenta. É necessário ensinar como integrá-la ao trabalho de forma segura, crítica e produtiva.
O upskilling permite que pessoas experientes ampliem sua capacidade sem perder o conhecimento acumulado. Um analista financeiro pode utilizar IA para acelerar análises preliminares. Um profissional de qualidade pode empregá-la para revisar hipóteses, estruturar causas potenciais e consultar padrões técnicos. Um gestor pode usá-la para sintetizar informações e preparar cenários. Em todos esses casos, o valor não está apenas na ferramenta, mas na combinação entre domínio do processo e capacidade de usar a IA como extensão analítica.
O reskilling torna-se necessário quando determinadas atividades são reduzidas ou eliminadas pela automação. Pessoas que atuavam predominantemente na execução repetitiva podem ser preparadas para supervisionar sistemas, tratar exceções, analisar dados, melhorar processos, apoiar clientes em situações complexas ou exercer funções de governança. A automação não deveria ser tratada apenas como um mecanismo de redução de quadro, mas como uma oportunidade de redesenhar carreiras.
Programas de reskilling precisam partir de uma análise concreta das competências que perderão relevância e das capacidades que serão demandadas. Isso exige mapear atividades, identificar funções emergentes e criar trilhas de aprendizagem associadas a oportunidades reais de mobilidade interna. Treinamentos genéricos, desconectados da estratégia e do desenho organizacional, tendem a produzir certificados sem gerar empregabilidade.
O letramento em inteligência artificial é a base desses programas. Todos os profissionais não precisam saber desenvolver modelos ou escrever códigos, mas precisam compreender o que a IA faz, como produz respostas, onde pode errar e quais riscos estão envolvidos. Isso inclui noções de alucinação, vieses, privacidade, segurança da informação, proteção de dados, propriedade intelectual e validação humana.
Sem letramento, a organização corre dois riscos opostos. O primeiro é a rejeição indiscriminada da tecnologia, causada por medo, desconhecimento ou falta de confiança. O segundo é a adoção acrítica, em que funcionários aceitam respostas incorretas, compartilham dados sensíveis ou transferem decisões relevantes para sistemas que não foram desenhados para assumi-las.
Um programa corporativo de letramento em IA deve ser segmentado por público. Executivos precisam compreender impacto estratégico, riscos e modelos de governança. Líderes devem aprender a redesenhar processos, distribuir responsabilidades e gerir equipes aumentadas por IA. Especialistas precisam dominar aplicações específicas de suas áreas. Usuários em geral devem conhecer boas práticas de utilização, validação e segurança.
A capacitação também precisa avançar além de cursos isolados. O desenvolvimento de competências ocorre quando o aprendizado é aplicado a situações reais, acompanhado por mentoria, comunidades de prática, casos internos e ciclos de experimentação. Workshops introdutórios são úteis, mas insuficientes quando não são conectados a processos, indicadores e desafios concretos.
Empresas maduras têm criado redes de multiplicadores, comunidades de usuários, centros de excelência e programas de AI Champions. Esses mecanismos aproximam conhecimento técnico e necessidade operacional. Também ajudam a disseminar boas práticas, identificar casos de uso, reduzir iniciativas paralelas e evitar o crescimento descontrolado da chamada Shadow AI.
A governança da inteligência artificial não deve ser conduzida apenas por tecnologia da informação. Recursos humanos, jurídico, segurança, riscos, processos e áreas de negócio precisam participar. A introdução da IA altera responsabilidades, competências, controles e modelos de decisão. Tratar o tema apenas como implantação de software reduz um processo organizacional complexo a uma discussão de ferramenta.
A consequência estratégica é uma mudança no perfil profissional. A automação reduz a necessidade de funções concentradas exclusivamente na execução repetitiva, mas aumenta a demanda por pessoas capazes de supervisionar sistemas, interpretar exceções, resolver problemas complexos e tomar decisões sob incerteza.
A inteligência artificial leu tudo, mas não viveu nada. Ela pode ter acesso a um volume extraordinário de conhecimento, mas não experimenta as consequências das decisões. Não sente a tensão de uma negociação, não administra uma crise real e não responde pessoalmente pelos efeitos de uma escolha equivocada.
A provável reversão de parte dos cortes associados à inteligência artificial não indica que as empresas devam abandonar a automação. Indica que muitas organizações automatizaram funções inteiras sem compreender a natureza real do trabalho e sem preparar suas pessoas para o novo desenho operacional.
A lição central é operacional e humana. Atividades devem ser decompostas antes de serem automatizadas. Tudo o que depende principalmente de informação, volume e padronização pode ser executado ou ampliado pela IA. Tudo o que exige julgamento, contexto, responsabilidade e compreensão das consequências deve permanecer sob liderança humana.
Ao mesmo tempo, profissionais precisam ser preparados para atuar nesse novo contexto. Upskilling, reskilling e letramento em IA não são iniciativas complementares à transformação digital. São componentes estruturais dela. Sem essas capacidades, a organização automatiza tarefas, mas não transforma o trabalho. O futuro do trabalho não será definido pela substituição indiscriminada de pessoas. Será definido pela capacidade das organizações de combinar velocidade computacional, conhecimento técnico e experiência humana. A vantagem competitiva estará menos em eliminar profissionais e mais em reposicioná-los nos pontos em que julgamento, responsabilidade e compreensão do contexto produzem um valor que a informação, isoladamente, não consegue oferecer.
➡️ Conheça nosso canal no Youtube
➡️ Confira mais artigos
