Depois da pirâmide: o que muda no trabalho quando a IA executa mais

Uma imagem circula com uma promessa sedutora: antes da inteligência artificial, a carreira era uma pirâmide; depois dela, a pirâmide vira um diamante. A IA assume a base, pessoas sobem para decidir, liderar e gerar resultados. Menos tarefa. Mais propósito.

Como direção, a imagem é poderosa. Como previsão, é incompleta.

Ela acerta ao mostrar que executar uma tarefa deixou de ser a única unidade de valor. Erra se sugerir que a base simplesmente desaparece, que todo profissional se torna líder ou que propósito surge automaticamente quando uma ferramenta executa mais. A transição real é menos geométrica e mais exigente: tarefas, responsabilidades e caminhos de aprendizagem estão sendo recombinados.

O dado mais importante não é a média

Um dos estudos de campo mais citados sobre IA generativa no trabalho acompanhou 5.172 agentes de suporte. Na versão final publicada no Quarterly Journal of Economics, o acesso a um assistente aumentou em 15% a quantidade média de problemas resolvidos por hora. O efeito foi heterogêneo: o quintil de menor habilidade teve ganho de 36%, e os ganhos se concentraram entre profissionais menos habilidosos e menos experientes. Isso não significa que todo iniciante tenha melhorado 36% — habilidade e experiência são dimensões relacionadas, mas não equivalentes. [CAREER-A18-C1]

Em desenvolvimento de software, três experimentos randomizados realizados na Microsoft, Accenture e uma empresa Fortune 100 reuniram 4.867 profissionais. A Microsoft Research reportou aumento de 26,08% nas tarefas concluídas no conjunto dos experimentos, com maior adoção e ganhos entre desenvolvedores menos experientes. [CAREER-A18-C2]

Esses resultados não provam que iniciantes deixaram de ser necessários. Eles apontam algo quase oposto: em contextos delimitados, a IA pode distribuir parte do conhecimento dos mais experientes e reduzir a distância inicial de desempenho. O efeito não é uniforme, nem transfere automaticamente a responsabilidade pelo resultado.

A média, portanto, esconde a decisão mais importante. A pergunta não é apenas “quanto a IA produz?”, mas quem aprende, quem verifica, quem responde e em qual sistema de trabalho.

Exposição de tarefas não é desaparecimento de empregos

O índice global refinado da Organização Internacional do Trabalho parte de tarefas, não de títulos de cargo. O estudo analisou uma amostra representativa de 29.753 tarefas ocupacionais, coletou 52.558 avaliações sobre 2.861 tarefas e combinou esse material com validação de especialistas.

O resultado estimado é relevante: uma em cada quatro pessoas ocupadas está em uma profissão com algum grau de exposição à IA generativa, enquanto 3,3% do emprego global está no nível mais alto de exposição. A própria OIT ressalta que, como a maioria das ocupações combina tarefas automatizáveis com tarefas que exigem contribuição humana, transformação é mais provável do que substituição integral. [CAREER-A18-C3] [CAREER-A18-C4]

Exposição indica capacidade técnica potencial. Não determina adoção, qualidade, custo, regulação, demanda, reorganização do trabalho ou perda de vaga. Converter exposição em destino é trocar uma medida por uma profecia.

A forma mais útil é um diamante com andaimes

Se a pirâmide tradicional representava muita execução na base e pouca decisão no topo, a nova forma não deveria ser uma pirâmide invertida. Uma representação mais honesta seria um diamante com andaimes de aprendizagem e controle.

Na parte inferior, sistemas de IA ampliam a capacidade de pesquisar, sintetizar, programar, testar, documentar e operar. No centro, profissionais combinam contexto de domínio, critérios de qualidade, comunicação e revisão. Na parte superior, decisões de risco, prioridade, investimento e direção permanecem explicitamente atribuídas a pessoas.

Os andaimes conectam tudo:

• intenção clara antes da execução;
• contexto e restrições que a IA não pode inventar;
• contratos, testes e critérios de aceite;
• revisão proporcional ao risco;
• trilha de evidência e possibilidade de correção;
• mentoria para que velocidade também produza aprendizagem;
• responsabilidade humana pelo efeito sobre clientes, equipes e sociedade.

Essa leitura é coerente com o DORA 2025: a IA atua principalmente como amplificador das forças e fraquezas já existentes. O retorno não vem apenas da ferramenta, mas do sistema organizacional no qual ela opera. [CAREER-A18-C5]

Em uma organização saudável, a IA pode amplificar clareza, feedback rápido e boas práticas. Em uma organização confusa, pode amplificar volume, dívida, risco e retrabalho.

O paradoxo da formação

As tarefas mais fáceis de automatizar costumam ser também as tarefas usadas para formar alguém: pesquisar um caso simples, escrever a primeira versão, corrigir um bug pequeno, preparar uma análise, observar a revisão de um profissional mais experiente.

Se a empresa automatiza essas tarefas e mantém o modelo antigo de desenvolvimento de pessoas, cria um problema silencioso. O trabalho de entrada diminui, mas a exigência por julgamento cresce. Ao mesmo tempo, faltam experiências graduais para construir esse julgamento.

O risco não é apenas “haver menos juniores”. É interromper a produção dos futuros profissionais sêniores e concentrar contexto em poucas pessoas. Surge um gargalo de revisão: a IA gera mais artefatos, porém os profissionais capazes de avaliar consequências continuam escassos.

O caminho não é preservar trabalho mecânico por nostalgia. É redesenhar a aprendizagem:

• iniciantes produzem com IA, mas explicam decisões e verificam o resultado;
• revisões ensinam critérios, não apenas devolvem uma versão corrigida;
• tarefas reais são divididas por risco e dificuldade, com autonomia progressiva;
• falhas seguras viram material de aprendizagem;
• o progresso é medido por qualidade de julgamento e tempo até autonomia, não por volume de prompts.

O que muda em cada estágio da carreira

Para quem está começando

O diferencial não será digitar mais rápido nem colecionar ferramentas. Será mostrar que você consegue transformar uma intenção ambígua em um resultado verificável.

Aprenda fundamentos do domínio, decomponha o problema, declare o que não sabe, use a IA para explorar alternativas e registre como verificou a resposta. Seu portfólio precisa mostrar raciocínio, evidência, testes, correções e aprendizado — não apenas um resultado polido.

Para profissionais experientes e sêniores

Conhecimento tácito passa a ter uma segunda função: além de resolver problemas, ele precisa ser transformado em padrões, exemplos, critérios, evals e guardrails que outras pessoas e sistemas consigam usar.

O profissional sênior que apenas corrige tudo no final vira gargalo. O que desenha o sistema de qualidade, ensina critérios e define onde a autonomia é segura multiplica capacidade.

Para gestores

Não basta comprar licenças e cobrar adoção. O trabalho é redesenhar o fluxo: onde a IA pode agir, onde precisa pedir confirmação, quem revisa, quais dados podem entrar, qual evidência acompanha o resultado e como iniciantes continuam aprendendo.

Reduzir pessoas antes de entender esse sistema pode produzir uma economia aparente e uma dependência real: menos capacidade interna para julgar o que a própria automação gera.

Para executivos e C-level

A pergunta deixa de ser “qual modelo vamos usar?” e passa a ser “qual capacidade queremos construir, qual risco aceitamos e quem é responsável pelo outcome?”.

Modelos mudam. A arquitetura de decisão, as fronteiras de autonomia, a proteção de dados, os padrões de evidência e a formação de pessoas precisam sobreviver a essa troca.

Liderar não significa virar chefe

A frase “humanos lideram” pode criar outra confusão. Nem toda pessoa precisa liderar equipes. Liderar, neste contexto, é exercer agência sobre o trabalho:

• formular o problema correto;
• escolher critérios e fazer trade-offs;
• reconhecer quando a resposta parece boa, mas está errada;
• comunicar incerteza e limite;
• assumir responsabilidade por uma decisão;
• conectar execução a um resultado que importa.

Uma excelente pessoa engenheira, analista, designer, vendedora ou pesquisadora pode liderar uma decisão sem ocupar um cargo de gestão. A carreira tende a ficar mais parecida com uma rede de responsabilidade do que com uma escada única de cargos.

O que medir para saber se a mudança é real

Contar prompts, linhas geradas ou usuários ativos mede atividade. Para avaliar transformação do trabalho, a organização precisa de indicadores que conectem velocidade, qualidade e aprendizagem:

• tempo até um resultado aceito, e não apenas até a primeira versão;
• percentual de resultados aprovados sem retrabalho relevante;
• carga de revisão humana por unidade entregue;
• incidentes, regressões e correções depois da entrega;
• tempo para uma pessoa iniciante operar com autonomia em um escopo definido;
• distribuição dos ganhos entre níveis de experiência;
• decisões que permanecem sem owner claro;
• impacto percebido por clientes e pelas pessoas que realizam o trabalho.

Se a produção cresce e a revisão explode, não houve autonomia: houve transferência de fila. Se o tempo cai e os incidentes aumentam, produtividade foi definida de forma incompleta. Se apenas os melhores profissionais melhoram, a organização pode estar ampliando desigualdade de capacidade.

Um experimento de 30 dias

Em vez de reorganizar a empresa com base em uma imagem, escolha um fluxo real, repetido e reversível.

1. Registre o baseline de tempo, qualidade, retrabalho e incidentes.
2. Separe tarefas de baixa, média e alta consequência.
3. Defina onde a IA sugere, onde executa e onde deve parar.
4. Dê a uma dupla formada por uma pessoa menos experiente e uma mais experiente o mesmo contexto e os mesmos critérios de aceite.
5. Exija evidência de verificação para cada entrega.
6. Compare resultado aceito, carga de revisão e aprendizagem, não apenas produção bruta.
7. Registre o que deve virar padrão, o que exige novo guardrail e o que não deve ser automatizado.

Esse experimento produz uma resposta local e auditável. Ela vale mais para a sua organização do que uma previsão genérica sobre o futuro de todos os empregos.

A posição da FORGE

Na FORGE, o princípio “conhecimento humano + IA” não coloca humanos como decoração de uma máquina autônoma. A pessoa define intenção, limites, critérios e responsabilidade. Agentes operam em escopos delimitados. Testes, revisões e evidências observam o trabalho. O resultado pode ser corrigido e a decisão permanece atribuível.

Isso não garante mais propósito. Cria condições para que pessoas gastem menos energia em repetição e mais em compreender, decidir, construir relações e melhorar sistemas. A escolha continua sendo organizacional e humana.

Conclusão

A pirâmide não vira automaticamente um diamante. A IA não remove a necessidade de base; ela muda o que a base faz, acelera algumas curvas de aprendizagem e ameaça outras. Também não promove todas as pessoas a líderes. Ela aumenta o valor de quem consegue conectar execução a contexto, verificação e consequência.

Menos tarefa e mais propósito é uma possibilidade de design — não um efeito automático da IA.

O futuro do trabalho será decidido menos pela forma do organograma e mais pela qualidade do sistema que construirmos entre pessoas, agentes, aprendizagem e responsabilidade.

Fontes e limites desta versão

• Brynjolfsson, Li e Raymond — Generative AI at Work, Quarterly Journal of Economics 140(2). Versão final revisada por pares; estudo de campo em suporte ao cliente que não deve ser generalizado diretamente para toda ocupação. O ganho de 36% refere-se ao quintil de menor habilidade, não a todo profissional iniciante ou menos experiente.
• Cui et al. — The Effects of Generative AI on High-Skilled Work, Microsoft Research. Três experimentos com assistente de código; o resultado agregado é ruidoso e o material é preprint.
• Gmyrek et al. — Generative AI and Jobs, ILO Working Paper 140. Mede exposição potencial de tarefas; não mede demissões realizadas nem prevê uma estrutura organizacional única.
• DORA — State of AI-assisted Software Development 2025. Pesquisa focada em desenvolvimento de software; a ideia de amplificação organizacional é usada aqui como princípio de desenho, não como lei universal de mercado de trabalho.

As referências acima integram um recorte zero-copy com hashes e recibos de aquisição. A revisão factual e a aprovação desta versão foram realizadas pelo próprio autor, Fernando Parreiras, sobre o digest exato. Esta versão não teve revisão humana independente.