Empresas investem bilhões em inteligência artificial e falam em revolução do trabalho. Só que os estudos mostram algo diferente: os agentes de IA ainda falham na maioria das tarefas reais.
A promessa é sedutora. A inteligência artificial vai transformar escritórios, eliminar funções repetitivas, turbinar a produtividade e gerar lucros sem precedentes. Só tem um problema: ninguém consegue explicar direito como isso vai acontecer.
Há um abismo entre o que as grandes empresas de tecnologia prometem e o que os estudos independentes revelam quando colocam os sistemas de IA à prova em tarefas do mundo real. Esse abismo tem nome e endereço, e ignorá-lo está custando caro.
A boa notícia é que a conversa finalmente começou a mudar de tom.
O plano que ainda tem uma lacuna no meio
Em fevereiro deste ano, uma marcha anti-IA nas ruas de Londres distribuiu um panfleto que resumiu o momento atual com precisão desconcertante. O texto fazia uma referência ao episódio clássico de South Park em que gnomos roubam cuecas com um plano de negócios simples: Fase 1, arrecadar cuecas. Fase 2, ponto de interrogação. Fase 3, lucro.
A analogia com a IA é direta. As empresas construíram a tecnologia. Prometeram a transformação. O que acontece no meio ainda é uma incógnita.
Os entusiastas costumam passar reto por essa lacuna. Falam em “tecnologia economicamente transformadora” com a convicção de quem já chegou ao destino sem ter saído do ponto de partida. Jakub Pachocki, cientista-chefe da OpenAI, usou exatamente essa expressão em uma entrevista recente, sem pausar para explicar o caminho.
O que os estudos realmente mostram
Dois levantamentos publicados este ano jogam luz sobre o problema com clareza.
O primeiro, conduzido pela Anthropic, tentou mapear quais categorias profissionais seriam mais afetadas pelos modelos de linguagem de grande escala. As conclusões apontaram para gestores, arquitetos e profissionais da mídia como os mais vulneráveis a mudanças. Jardineiros, trabalhadores da construção civil e profissionais de hospitalidade aparecem com menor exposição.
O problema é que esse estudo se baseia no que os modelos parecem capazes de fazer, não no que realmente entregam quando testados em condições reais de trabalho.
O segundo estudo vai além. Publicado em fevereiro pela startup de contratação Mercor, ele testou múltiplos agentes de IA alimentados por modelos de ponta da OpenAI, da Anthropic e do Google DeepMind. As tarefas simulavam funções cotidianas de banqueiros, consultores e advogados. O resultado foi revelador: todos os agentes testados falharam em concluir a maioria das tarefas.
Por que existe tanta divergência nas previsões
Há razões concretas para esse descompasso, e elas precisam ser ditas sem eufemismos.
- Interesse direto: A Anthropic publica estudos sobre impacto no trabalho enquanto vende produtos de IA. Prever que muitas profissões serão afetadas não é neutro. É também estratégia de mercado.
- Viés de programação: Boa parte das projeções otimistas se apoia na velocidade com que ferramentas de codificação estão evoluindo. Só que nem todas as tarefas profissionais envolvem escrever código. Julgamentos estratégicos, negociações, interpretação de contexto social: tudo isso ainda desafia os modelos atuais.
- O problema dos fluxos reais: Uma ferramenta de IA não entra em uma empresa como num laboratório controlado. Ela precisa funcionar dentro de processos já existentes, com pessoas, hierarquias, sistemas legados e resistências culturais. Às vezes, inserir IA em um fluxo mal estruturado simplesmente piora tudo.
O vácuo de informação que move os mercados
Quando não há clareza sobre o que vai acontecer e como, o espaço é ocupado por afirmações mirabolantes.
Um único post em rede social consegue sacudir mercados financeiros inteiros. A ausência de evidências sólidas cria um ambiente onde cada nova declaração de um CEO do setor vira manchete, independentemente do que os dados mostram.
Esse é o verdadeiro Passo 2: não um processo técnico, mas um vácuo de transparência.
Preencher esse vácuo vai exigir três movimentos que ainda não estão acontecendo na velocidade necessária:
- Transparência das empresas que desenvolvem os modelos sobre como e onde eles realmente funcionam
- Coordenação entre pesquisadores independentes e setor privado para produzir evidências comparáveis
- Novos métodos de avaliação que meçam desempenho em condições reais de trabalho, não em benchmarks controlados
O que muda quando a IA encontra o mundo real
Há uma diferença fundamental entre desempenho em laboratório e desempenho no trabalho cotidiano.
Modelos de linguagem se saem bem em tarefas com escopo definido, dados estruturados e um critério claro de sucesso. O problema aparece quando a tarefa exige julgamento, contexto, improvisação ou lidar com informações ambíguas e incompletas, que é exatamente o que a maioria dos trabalhos complexos exige.
Pesquisas independentes já documentaram que LLMs têm dificuldades específicas em julgamentos estratégicos. O modelo pode redigir um relatório impecável sobre uma decisão de negócios e ao mesmo tempo errar ao avaliar qual decisão tomar.
Isso não significa que a IA seja inútil. Significa que o caminho entre o que ela faz bem hoje e a transformação econômica prometida ainda tem muitos passos não mapeados.
O que esperar dos próximos anos
A economia tecnológica global está apoiada em uma promessa que ainda não foi cumprida. Isso não é catastrofismo. É uma descrição precisa do estado atual.
A IA vai impactar o trabalho. Já está impactando. Mas a magnitude, o ritmo e a forma como isso vai acontecer continuam sendo objeto de especulação muito mais do que de análise rigorosa.
Da próxima vez que uma grande empresa anunciar que a inteligência artificial vai transformar completamente determinada profissão, vale perguntar: onde estão os dados de desempenho real? Quem testou, em quais condições, com quais critérios?
A pergunta mais importante sobre o futuro da IA no trabalho não é se ela vai mudar tudo. É quando e como a Fase 2 vai finalmente ganhar um nome.
