Ensaio de Silvio Meira e pesquisas recentes mostram que ganhos dependem de revisar tarefas, critérios e formação — não apenas acelerar rotinas antigas
A inteligência artificial pode tornar mais baratas tarefas que antes concentravam parte importante do valor de uma profissão. Isso não significa que experiência deixou de importar. Significa que empresas e profissionais precisam decidir quais competências continuam centrais, quais rotinas devem ser redesenhadas e onde a revisão humana se torna ainda mais necessária.
Esse é o ponto de partida de um ensaio publicado em 24 de agosto pelo cientista e professor Silvio Meira. Ele argumenta que a transição pode ser especialmente difícil para quem se tornou muito bom em uma forma de trabalhar: hábitos, critérios e intuições construídos durante anos não mudam apenas porque uma nova ferramenta apareceu.
Meira aproxima a IA das chamadas tecnologias de propósito geral. O conceito foi sistematizado por Timothy Bresnahan e Manuel Trajtenberg em um working paper do NBER de 1992. Os autores descrevem tecnologias que se espalham por muitos setores, melhoram ao longo do tempo e estimulam inovações complementares. Aplicar essa categoria à IA é uma interpretação sobre o momento atual, não uma conclusão do paper original.
Na prática, adotar uma tecnologia desse tipo exige mais do que encaixá-la na rotina existente. Processos, responsabilidades, formação e controles precisam acompanhar a mudança. Uma empresa que usa um modelo apenas para acelerar a primeira versão de um relatório pode ganhar tempo; se não revisar fontes, critérios e decisões, também pode aumentar a velocidade com que erros chegam ao cliente.
Um estudo de campo com 758 consultores do Boston Consulting Group ajuda a dimensionar esse risco. Nas tarefas escolhidas para ficar dentro das capacidades do GPT-4 usado no experimento, participantes com IA concluíram mais atividades, mais rápido e com qualidade maior. Em uma tarefa deliberadamente selecionada para ficar fora dessa fronteira, porém, o grupo com acesso à IA ficou cerca de 19 pontos percentuais menos propenso a chegar à resposta correta. O resultado pertence àquela tarefa e àquele modelo; não mede toda a atuação profissional.
A lição não é abandonar experiência, mas atualizar como ela é aplicada. Fluência e segurança no texto de uma IA não comprovam que a resposta está correta. Profissionais experientes precisam transformar parte do conhecimento tácito em critérios verificáveis: quais fontes são aceitas, que evidência sustenta a conclusão, onde existe risco irreversível e quem pode interromper o processo.
Os dados de mercado de trabalho também pedem cautela. Em março de 2026, a Anthropic apresentou uma medida de exposição observada que combina tarefas teoricamente realizáveis por modelos com o uso real do Claude. O relatório encontrou cobertura muito abaixo da capacidade teórica e não identificou aumento sistemático do desemprego em ocupações mais expostas desde o fim de 2022. Houve apenas evidência sugestiva de contratação mais lenta de trabalhadores de 22 a 25 anos em áreas expostas. Como a análise usa dados de uma única plataforma e associações ocupacionais, ela não prova causalidade.
Para empresas, um caminho prático é começar pelo mapa do trabalho. Cada tarefa pode ser classificada entre execução humana, apoio de IA e automação limitada. Em seguida, vale testar com exemplos reais autorizados, medir qualidade e tempo, registrar falhas e definir uma saída manual. A revisão deve ser proporcional ao dano possível: uma sugestão interna admite mais experimentação do que um parecer jurídico, uma decisão de crédito ou uma orientação de saúde.
Reaprender, nesse contexto, não é apagar a experiência acumulada. É usá-la para redesenhar o processo, escolher o que delegar e reconhecer quando a máquina cruzou uma fronteira que ela própria não consegue sinalizar. O ganho sustentável aparece quando tecnologia, julgamento e organização mudam juntos.
Imagem de destaque: ilustração original gerada por IA para o Puxando Bit; marca PB oficial aplicada a partir do arquivo mestre.
Fontes
- Ensaio de Silvio Meira — 24/08/2026
- General Purpose Technologies — NBER — agosto de 1992
- Navigating the Jagged Technological Frontier — estudo de campo com 758 consultores
- Labor market impacts of AI — Anthropic — 05/03/2026
