Humanos ligam os pontos. A IA vai fundo em cada um.

Existe muita ansiedade sobre a IA substituir humanos, e ela merece mais do que as duas respostas que costuma receber: pânico, ou consolo. O pânico diz que a substituição vem para todos. O consolo diz "a IA nunca vai fazer o que você faz" — e expira em silêncio toda vez que a tecnologia melhora.

Este artigo faz um tipo diferente de argumento. Ele não afirma que a IA vai parar de melhorar; nós construímos sistemas de IA para viver, e apostamos diariamente que não vai. Ele afirma algo mais sólido: que o valor durável dos humanos não depende de vencer uma corrida de capacidade. Ele vem de posição, não de superioridade — de onde os humanos ficam na estrutura do trabalho, não do que as máquinas ainda não conseguem fazer. E a versão honesta desse argumento acaba sendo genuinamente tranquilizadora.

Especificar o que você quer nunca foi um problema de TI

Jeff Dean — cofundador do Google Brain e ex-Chief Scientist do Google, um dos engenheiros mais responsáveis pelas fundações sobre as quais a IA moderna roda — tocou num ponto importante este ano: "Sempre dissemos aos cientistas da computação que é muito importante especificar o que o software que você está escrevendo deve realizar, antes de escrevê-lo. Agora temos sistemas baseados em agentes que podem fazer a escrita — mas a importância de especificar o que você quer, na verdade, aumentou."

Ele falava com engenheiros, mas o ponto escapa inteiramente da engenharia. Especificar o que você quer não é um ato técnico. É identificação de problema — perceber o que de fato está quebrado. É priorização — decidir qual de cem problemas possíveis vale a pena resolver agora. É domain expertise — saber como é uma boa solução nesta indústria, para este cliente, sob estas restrições. Nada disso é digitação. Tudo isso é julgamento.

E há um piso mais profundo sob isso. A economia é feita de vontades humanas. Todo problema que vale a pena resolver é, no fim de alguma cadeia, um problema humano — a dor de alguém, o objetivo de alguém, o trabalho de alguém ficando mais leve. Enquanto a IA trabalhar para humanos, decidir o que vale a pena querer é trabalho humano por construção. A IA responde cada vez melhor; decidir o que vale a pena perguntar continua sendo nosso.

Os superpoderes assimétricos

Observe no que cada lado é realmente melhor, e uma divisão limpa aparece.

A IA é extraordinária em profundidade por ponto: processar volumes enormes de texto não estruturado, organizá-lo e estruturá-lo, buscá-lo, interpretá-lo, ir exaustivamente fundo em qualquer tópico isolado — mais fundo do que qualquer humano tem tempo de ir, em todos os pontos ao mesmo tempo.

Humanos são melhores em ligar os pontos — e a razão não é poder de processamento. Humanos ligam pontos através da sua experiência pessoal, profissional, acadêmica e vivida: o que o cliente disse no corredor, como o humor do time mudou esta semana, o que se sentiu da última vez que uma decisão como esta deu errado, como é ser a pessoa do outro lado da entrega. A IA sabe o que foi escrito. Boa parte do contexto que decide situações reais nunca é escrita em lugar nenhum.

Os filósofos chamam isso de paradoxo de Polanyi: sabemos mais do que conseguimos dizer. A parte do saber que pode ser dita está sendo digitalizada em velocidade espantosa — nossos próprios produtos transformam mais do conhecimento tácito de uma organização em precedente registrado a cada ciclo, e temos orgulho disso. Mas a parte que não pode ser dita — o saber que mora em ter estado lá, num olhar, numa expressão, num jeito de entrar na sala — não se transfere, porque nunca foi codificada. Um humano lê ombros caídos e sabe o que significam, não por causa de um dataset, mas porque já os carregou.

Então a afirmação honesta não é "a IA nunca vai ligar pontos". É: humanos ligam os pontos não registrados — os ancorados na experiência vivida, encarnada, humana — e esses continuam escassos precisamente porque nunca entram no dado de treino, enquanto mais deles são gerados todos os dias, em todas as salas, fora do registro.

O argumento que sobrevive ao futuro

Suponha que estejamos errados sobre tudo isso. Suponha que a IA eventualmente fique melhor que os humanos em tudo — especificação, conexão, julgamento, tudo. O valor humano desaba?

A economia respondeu essa pergunta há duzentos anos, e a resposta é não. A vantagem comparativa — o princípio por trás de todo comércio — diz que mesmo quando um lado é absolutamente melhor em tudo, os dois lados ainda ganham dividindo o trabalho, porque o que importa não é quem é melhor, e sim quanto cada hora custa em alternativas abandonadas. Se a IA é mil vezes melhor que você em processamento e duas vezes melhor em julgamento, cada hora de IA gasta em julgamento é uma hora não gasta onde ela é mil vezes melhor. A alocação racional ainda põe humanos no julgamento — até no cenário em que a IA vence todas as categorias.

Esse é o argumento que não expira. Ele não exige apostar contra a tecnologia. Exige apenas o que é certamente verdade: que a capacidade é finita e a demanda não é.

Seu cargo é um pacote de tarefas

A ansiedade tem formato de cargo: "a IA vai tomar o meu emprego?". Mas a realidade tem formato de tarefa — e a diferença importa enormemente.

Um cargo é um pacote de tarefas que fez sentido embrulhar juntas para uma pessoa. A história da automação não é a história de cargos desaparecendo; é a história de pacotes sendo recompostos. O caso canônico: quando os caixas eletrônicos se espalharam pelos Estados Unidos, todo mundo assumiu que os caixas de banco estavam acabados. Em vez disso, os caixas por agência caíram de cerca de 21 para 13 — o que tornou as agências mais baratas de abrir — então os bancos abriram 43% mais agências urbanas, e o emprego total de caixas subiu por décadas. O cargo sobreviveu por reempacotamento: menos contagem de dinheiro, mais relacionamento.

A honestidade exige o fim da história também: depois de 2010, o banco pelo celular — a automação de quase o pacote inteiro — finalmente fez o que os caixas eletrônicos nunca fizeram. A lição não é "a automação nunca desloca". A lição é: a automação parcial recompõe um cargo; a automação quase total o dissolve. O que torna a pergunta prática de qualquer profissional não "estou seguro?", mas "o que está no meu pacote?".

Então faça o inventário. Liste suas tarefas reais. O trabalho de profundidade — processar, rascunhar, buscar, compilar, acompanhar — está indo para a metade automatizável do pacote; delegue-o tão rápido quanto as ferramentas permitirem, porque não é nessa metade que o seu valor se compõe. A outra metade — decidir o que vale a pena fazer, julgar se o que volta é de fato bom para os humanos a quem serve, ligar os pontos não registrados, ser quem responde pelo resultado — é a metade em que dobrar a aposta, porque é em torno dela que o pacote recomposto vai ser construído.

Uma IA pode ser cuidadosa. Ela não pode ter medo.

Há uma parte do valor humano que quase ninguém nomeia, talvez porque soe pouco lisonjeira: as pessoas precisam de alguém para culpar.

Isso é menos cínico do que parece. Saber quem responde por um resultado é como a confiança escala — é por isso que contratos têm assinaturas e por que "quem assina, responde" é a regra mais antiga dos negócios. Muito do que chamamos de diligência é medo vestido de terno profissional: o humano confere duas vezes porque o nome dele, a reputação dele, o emprego dele estão presos ao resultado. Uma IA pode ser cuidadosa — o cuidado dela é engenharia, e muitas vezes excelente. Mas ela não pode ter medo. Ela não tem nada a perder, nenhum nome a manchar, nenhuma consequência a carregar. E é o medo das consequências, não o cuidado, que garante o comportamento quando ninguém está olhando.

Organizações que automatizam a responsabilidade junto com a tarefa descobrem isso do jeito difícil. Dan Davies chama o resultado de accountability sink (sumidouro de responsabilidade): um sistema em que as decisões são delegadas a procedimentos tão completamente que, quando algo dá errado, não há quem culpar — todos seguiram as regras, e o resultado ainda assim foi ruim. As pessoas odeiam accountability sinks com uma intensidade especial; a fúria universal contra chatbots de atendimento não é sobre a qualidade das respostas, é sobre encarar uma parede onde deveria haver uma pessoa responsável.

A consequência de desenho é simples: responsabilidade não é uma capacidade, é uma relação social — e por isso não pode ser automatizada, apenas transferida de um humano para outro. A IA pode executar o trabalho. A garantia precisa vir de um humano que assina.

O olhar funciona nos dois sentidos

Mais uma coisa que uma IA não pode fazer: ser alguém que vale a pena impressionar.

Ninguém sente orgulho de impressionar uma IA, e ninguém sente vergonha de decepcioná-la. Orgulho e vergonha exigem um juiz que sente — cuja decepção custa algo, cujo respeito significa algo. É por isso que a presença de um gestor motiva de um jeito que nenhum dashboard jamais motivou: ser visto por alguém que pode genuinamente julgá-lo muda como você trabalha. O olhar funciona nos dois sentidos — o humano lê o time através da experiência vivida, e o time trabalha para um humano cujo julgamento carrega peso sentido.

É também por isso que, numa organização híbrida bem desenhada, as máquinas podem rodar a medição, mas o veredito permanece humano. Uma avaliação assinada por uma pessoa diante de quem você pode se orgulhar é um instrumento diferente de uma nota computada sobre você.

Alguém precisa conseguir acompanhar o trabalho

Ponha as peças em fila e elas formam uma estrutura só. A IA não pode temer consequências → então não pode carregar responsabilidade → então não pode ser o juiz → então o humano fica com a assinatura, a avaliação e o olhar.

A teoria da gestão tem um nome para o que quebra quando essa estrutura falta: o problema principal–agente. Sempre que alguém (o principal) delega a outro (o agente), existe uma lacuna de informação — o principal não vê tudo o que o agente faz, e o desalinhamento cresce nessa lacuna. A humanidade já resolveu esse problema uma vez, para agentes humanos. A solução se chama gestão: planos acordados antes, trabalho tornado visível, prestação de contas, avaliação, consequências.

A mesma solução está sendo reusada agora para a IA — e essa é a forma prática de tudo o que está acima. Se os humanos vão manter a direção e garantir o alinhamento de interesses, o trabalho da IA precisa ser legível para humanos: acompanhado e reportado em artefatos que as pessoas de fato entendem — planos, prazos, ciclos, avaliações — e não em traces e logs. Quando humanos não conseguem acompanhar o trabalho, eles não delegaram; eles se renderam. (Como construímos essa legibilidade — para agentes de IA de qualquer fornecedor — é o assunto do primeiro artigo desta série, Supervisão de agentes de IA do jeito que humanos entendem; o que ela faz com o papel do gestor é o segundo, Gestores não estão ficando obsoletos. A gestão manual está.)

Híbrido por desenho, não por consolo

Então: o futuro do trabalho humano não é um prêmio de consolação, e não depende de a IA bater num teto.

Humanos especificam o que vale a pena querer, porque as vontades são deles. Humanos ligam os pontos que vivem fora do registro, porque estavam na sala. Humanos carregam a responsabilidade, porque só alguém com algo a perder pode. Humanos julgam, porque só um juiz que sente pode conferir orgulho. E mesmo no caso-limite em que a IA nos supera em tudo, a vantagem comparativa ainda entrega a decisão final às pessoas — aritmética, não sentimento.

A IA vai fundo em cada ponto. Humanos os ligam, os escolhem, respondem por eles. Esse não é um papel menor do que o que tínhamos. Bem feito, é o papel que sempre dissemos querer — cada lado jogando com o seu superpoder, por desenho.

Referências

• Jeff Dean (ex-Chief Scientist do Google; cofundador do Google Brain), The 1% Rule for Building in AI — Y Combinator Startup School, 2026 (citação aos 32:26; tradução nossa).
• James Bessen, pesquisa sobre caixas eletrônicos e emprego de caixas de banco (resumo no AEI) — caixas por agência caíram de ~21 para ~13, agências urbanas cresceram 43%, o emprego total de caixas subiu por décadas; o declínio só veio com a automação quase total, depois de 2010.
• Dan Davies, The Unaccountability Machine (2024) — "accountability sinks": sistemas em que decisões são delegadas a procedimentos de modo que nenhum indivíduo possa ser responsabilizado.