Quando o resultado já não prova a competência: a IA muda o valor do saber-fazer humano

Durante décadas, utilizamos o resultado do trabalho como um dos principais meios de avaliar a competência de uma pessoa. Um desenvolvedor produzia código, um analista preparava uma análise, um gestor redigia um relatório, um engenheiro realizava cálculos e um candidato apresentava trabalhos que demonstravam o que sabia fazer. O resultado raramente constituía uma prova perfeita de competência, mas geralmente permanecia um indicador razoável do saber-fazer necessário para produzi-lo. A inteligência artificial começa a fragilizar essa relação.

Uma pessoa pode agora produzir um excelente relatório sem dominar inteiramente o assunto, gerar código que seria incapaz de explicar em detalhe, realizar uma análise sofisticada sem conhecer certos métodos utilizados ou preparar uma apresentação convincente a partir de um raciocínio amplamente construído por uma inteligência artificial. O resultado pode ser perfeitamente válido e útil à organização. Ele, contudo, nos informa cada vez menos sobre as competências realmente possuídas pela pessoa que o apresenta.

O meio universitário já enfrenta essa dificuldade. O MIT constata que a inteligência artificial pode produzir respostas críveis a praticamente todas as formas tradicionais de trabalhos escritos, dos ensaios aos problemas matemáticos, passando pelas provas e pelos trabalhos de programação. Essa evolução leva a instituição a refletir sobre outras maneiras de avaliar o domínio real dos estudantes, em particular por meio de demonstrações, interações, avaliações de competências e situações nas quais o estudante deve explicar e defender sua compreensão.

O mundo do trabalho deveria observar essa transformação com muita atenção, pois o mesmo fenômeno começa a instalar-se nele. Quando a qualidade de uma entrega já não permite deduzir diretamente o nível de competência de quem a produziu, as empresas devem repensar a maneira como recrutam, formam, avaliam e desenvolvem suas equipes.

Surge então uma questão ainda mais importante: à medida que a IA realiza uma parcela crescente do trabalho, quais competências humanas devemos absolutamente continuar a desenvolver e a preservar?

A inteligência artificial já amplia a capacidade de produção de numerosos trabalhadores do conhecimento. Um funcionário pode redigir mais rapidamente, analisar mais informação, programar com assistência, preparar cenários, sintetizar documentos e obter quase instantaneamente uma primeira resposta a problemas que antes exigiam várias horas de pesquisa.

Esse aumento de capacidade constitui uma formidável possibilidade para as organizações. Ele permite às pessoas dedicar mais tempo aos problemas complexos, às decisões, à criatividade, às relações humanas e às atividades em que sua experiência produz mais valor. O desafio certamente não é, portanto, preservar artificialmente todas as tarefas que as máquinas podem realizar com eficiência. É preciso, contudo, distinguir a tarefa que podemos delegar da competência que devemos conservar.

Tomemos um desenvolvedor que utiliza diariamente a inteligência artificial para produzir código. Esse uso pode aumentar consideravelmente sua produtividade. Se ele conservar uma compreensão suficiente da arquitetura, dos algoritmos, das dependências, da segurança e do funcionamento do código gerado, a IA amplia sua capacidade profissional. Ela lhe permite trabalhar mais rapidamente utilizando ao mesmo tempo sua expertise para orientar, verificar e integrar aquilo que é produzido.

A situação torna-se diferente se, com o tempo, o desenvolvedor perder progressivamente a capacidade de compreender suficientemente o código que aceita. O mesmo ganho de produtividade pode então mascarar uma diminuição da capacidade humana disponível na organização.

O fenômeno pode surgir em praticamente todas as funções intelectuais. Um analista pode produzir mais análises praticando ao mesmo tempo menos certos métodos fundamentais. Um profissional de cibersegurança pode obter rapidamente recomendações sem desenvolver a mesma profundidade diagnóstica. Um gestor pode receber sínteses extremamente bem estruturadas sem percorrer ele mesmo as informações que antes teriam contribuído para sua compreensão do assunto. Um novo funcionário pode tornar-se rapidamente produtivo graças a um copiloto e ao mesmo tempo adquirir mais lentamente os conhecimentos que lhe permitirão eventualmente exercer seu julgamento de maneira autônoma. Poderíamos chamar esse fenômeno de dívida de competências.

Como uma dívida técnica, ela pode ser perfeitamente racional quando é compreendida e gerenciada. Uma organização não tem nenhuma razão para manter manualmente uma competência para cada tarefa automatizável simplesmente porque ela antes era necessária. As tecnologias sempre transformaram as profissões e tornaram certos conhecimentos menos importantes, enquanto outros ganhavam mais valor. A dívida surge quando a organização deixa progressivamente de saber quais competências está perdendo.

Uma empresa pode então observar um aumento de sua produtividade e concluir que sua capacidade operacional aumenta nas mesmas proporções. As duas coisas, no entanto, não são necessariamente equivalentes. Ela pode produzir mais e ao mesmo tempo tornar-se mais dependente de certos modelos, fornecedores, agentes ou sistemas automatizados.

Essa distinção merece entrar nas reflexões sobre a adoção da IA. Os indicadores tradicionais medem facilmente o número de casos tratados, o tempo economizado, o volume de código produzido ou o aumento de produtividade. É muito mais difícil medir a compreensão que não foi desenvolvida, a experiência que não foi adquirida ou a competência que se erodiu progressivamente.

O desafio torna-se particularmente importante para os novos funcionários. Uma pessoa experiente que adota um copiloto possui frequentemente vários anos de conhecimentos que lhe permitem reconhecer uma resposta estranha, compreender os compromissos propostos e detectar um erro sutil. Um iniciante que aprende sua profissão diretamente com a mesma ferramenta pode obter resultados comparáveis muito mais rapidamente sem necessariamente construir as mesmas fundações.

Essa situação cria um paradoxo organizacional. A inteligência artificial pode acelerar consideravelmente o ganho de produtividade e ao mesmo tempo complicar o ganho de competência.

Será preciso, portanto, repensar uma parte da formação profissional. O objetivo já não deveria ser unicamente ensinar aos funcionários a realizar as tarefas que atualmente compõem sua profissão. Será preciso também determinar quais conhecimentos fundamentais lhes permitirão compreender, supervisionar e contestar o trabalho realizado pelos sistemas que utilizarão.

O MIT enfrenta uma versão muito semelhante dessa questão no ensino. Alguns cursos continuam voluntariamente a exigir que os estudantes desenvolvam eles mesmos suas fundações antes de apoiar-se mais na inteligência artificial. Em programação, por exemplo, o objetivo continua sendo construir independência suficiente para permitir em seguida aos futuros profissionais avaliar corretamente o trabalho de outras pessoas e o das ferramentas de IA.

Essa reflexão pode ser diretamente transposta para a empresa. Não precisamos necessariamente que cada profissional continue a realizar manualmente todas as operações que a IA pode assumir. Precisamos, contudo, determinar o nível de compreensão abaixo do qual a delegação se torna uma dependência difícil de supervisionar. Isso transforma também a avaliação das competências.

Se um candidato apresenta um excelente documento preparado com a ajuda da IA, esse documento pode demonstrar que ele sabe utilizar a ferramenta com eficácia, o que constitui hoje uma competência pertinente. Ele não demonstra necessariamente que domina todos os conhecimentos presentes no documento. As empresas deverão, portanto, aprender a distinguir a capacidade de produzir com a IA, a compreensão do domínio e a capacidade de exercer um julgamento quando a máquina se engana.

As entrevistas podem progressivamente integrar mais resolução de problemas em interação, explicação do raciocínio, defesa de uma recomendação ou crítica de uma resposta gerada. As avaliações profissionais podem pedir a uma pessoa que explique por que uma solução funciona, que identifique o que poderia falhar ou que escolha entre várias propostas produzidas por uma IA. O resultado final continua importante. O processo que permite avaliá-lo torna-se simplesmente mais rico.

Essa evolução pode até melhorar certas práticas de gestão de talentos. Durante muito tempo confundimos a capacidade de produzir uma entrega com o domínio do problema ao qual essa entrega responde. A inteligência artificial nos obriga a olhar mais profundamente e a perguntar quais competências buscamos realmente desenvolver. Essa questão torna-se ainda mais estratégica quando a relacionamos à continuidade das operações.

As organizações já possuem planos para funcionar quando um servidor falha, quando um centro de dados fica indisponível, quando um fornecedor crítico sofre uma interrupção ou quando um incidente de cibersegurança exige o isolamento de uma parte da infraestrutura. Elas preveem backups, mecanismos de recuperação, redundâncias e procedimentos de funcionamento em modo degradado. A integração massiva da inteligência artificial introduz progressivamente uma nova categoria de dependência: a dependência cognitiva.

Imaginemos uma organização na qual uma parte importante da programação, da análise, do suporte técnico, da documentação, da pesquisa interna e da preparação das decisões repousa sobre assistentes e agentes de IA. Essa organização pode tornar-se notavelmente eficiente. O que acontece, contudo, se alguns desses sistemas ficarem temporariamente indisponíveis?

Uma pane é apenas um cenário entre vários. Um fornecedor pode modificar seu serviço, uma vulnerabilidade pode obrigar a empresa a suspender temporariamente um modelo, uma regulamentação pode restringir um uso, um problema de confidencialidade pode impor a interrupção de uma integração ou um incidente de cibersegurança pode exigir o isolamento imediato de vários agentes. A questão da continuidade torna-se então muito concreta: os seres humanos que restam ainda sabem suficientemente como o trabalho funciona para manter as operações essenciais?

Poderíamos falar aqui em continuidade cognitiva: a capacidade de uma organização de preservar os conhecimentos, as competências e o julgamento necessários para prosseguir com suas funções críticas quando certas capacidades de inteligência artificial se tornam indisponíveis, não confiáveis ou inadequadas.

Essa continuidade não significa que seja preciso manter duas organizações paralelas, uma automatizada e outra inteiramente manual. Isso seria custoso e frequentemente inútil. Ela exige antes identificar as competências realmente críticas e determinar o nível mínimo de capacidade humana que deve ser preservado.

Em certas atividades, uma interrupção da IA acarretará simplesmente uma queda temporária de produtividade. Em outras, ela poderia impedir a organização de tomar uma decisão, de diagnosticar um incidente ou de compreender suficientemente um sistema crítico para intervir. Essas situações não apresentam o mesmo nível de risco e não deveriam receber o mesmo tratamento.

A dívida de competências torna-se então mensurável por meio do risco que cria. Uma competência cuja desaparição praticamente não tem consequência pode naturalmente ser abandonada. Uma competência necessária à supervisão de um sistema crítico, à segurança, à continuidade ou à capacidade de retomar o controle merece, ao contrário, ser mantida.

Essa abordagem muda profundamente a conversa sobre o futuro do trabalho. Já não se trata simplesmente de determinar quais tarefas serão realizadas por seres humanos e quais serão confiadas a máquinas. É preciso também determinar quais capacidades humanas devem sobreviver à automação dessas tarefas.

Para os executivos, os responsáveis de TI, o RH e as equipes de transformação, isso implica uma colaboração muito mais estreita. O mapeamento dos processos deveria progressivamente ser acompanhado de um mapeamento das competências e das dependências cognitivas. Quando uma capacidade é transferida para a IA, a organização deveria saber quais conhecimentos passam a ser menos utilizados, quais continuam necessários para supervisionar a máquina e quais ganham mais valor precisamente porque a automação aumenta.

Essa reflexão diz respeito também à cibersegurança e à resiliência. Uma organização não pode ser considerada verdadeiramente resiliente apenas porque seus sistemas dispõem de backups e de redundâncias técnicas. Ela deve também conservar conhecimentos humanos suficientes para compreender o que acontece quando esses sistemas funcionam de maneira diferente do previsto.

Em uma perspectiva de Hipersegurança, a resiliência diz respeito assim às infraestruturas, aos dados, às identidades, às tecnologias e às capacidades humanas que permitem à organização conservar sua autonomia decisória. Uma dependência tecnológica pode ser perfeitamente aceitável quando é conhecida, escolhida e acompanhada de um plano que permita gerenciar suas consequências.

A inteligência artificial nos convida, portanto, a ampliar nossa definição de competência. Em várias profissões, ser competente já não significará necessariamente saber realizar sozinho cada etapa do trabalho. A competência poderá incluir a capacidade de formular corretamente um problema, orquestrar ferramentas, compreender seus resultados, identificar seus limites, verificar os elementos críticos, intervir quando falham e assumir a decisão final.

Essa evolução não empobrece necessariamente o saber-fazer humano. Ela pode, ao contrário, elevá-lo de nível, desde que escolhamos conscientemente as capacidades que desejamos desenvolver e aquelas que podemos confiar às máquinas.

A inteligência artificial torna possível um aumento considerável da capacidade humana e organizacional. Pessoas podem produzir mais rapidamente, explorar mais possibilidades e acessar quase instantaneamente capacidades que antes exigiam muito mais tempo ou expertise.

Essa transformação torna, contudo, o resultado menos revelador da competência que está por trás dele. Um excelente relatório, uma análise sofisticada ou um programa funcional podem agora resultar de uma combinação variável de conhecimentos humanos e de capacidades artificiais. Avaliar unicamente o produto final torna-se progressivamente insuficiente para compreender o que uma pessoa ou uma organização realmente sabe fazer.

As empresas deverão, portanto, aprender a gerenciar duas formas de capital simultaneamente: as capacidades tecnológicas que adquirem e as competências humanas que escolhem preservar. Certos conhecimentos poderão naturalmente tornar-se menos importantes. Outros deverão evoluir rumo à supervisão, ao julgamento, à integração e à tomada de decisão. Alguns deverão ser mantidos precisamente porque constituem uma capacidade de reserva quando os sistemas automatizados já não estão disponíveis ou dignos de confiança.

A dívida de competências e a continuidade cognitiva poderiam assim tornar-se dimensões importantes da transformação pela inteligência artificial. Elas permitem ultrapassar a simples medida de produtividade para formular uma questão muito mais estratégica: depois de vários anos de adoção da IA, o que queremos que nossa organização ainda seja capaz de compreender e de realizar por si mesma?

Para a Quantum Beyond, essa reflexão inscreve-se diretamente em uma abordagem na qual a adoção da inteligência artificial visa a fortalecer as equipes e a desenvolver as capacidades organizacionais. O AI Adoption, a AI Organizational Transformation, o AI Workforce e a AI Governance devem permitir às empresas tirar pleno proveito das máquinas, compreendendo ao mesmo tempo como evoluem os conhecimentos, as responsabilidades, as dependências e as competências humanas essenciais.

A próxima etapa da adoção da IA não consistirá, portanto, unicamente em aprender a delegar mais. Consistirá em aprender a delegar conscientemente: saber quais tarefas podem ser confiadas às máquinas, quais competências devem evoluir e quais capacidades humanas devem permanecer suficientemente fortes para compreender, supervisionar e retomar o controle quando a situação o exigir.

Uma organização realmente ampliada pela inteligência artificial não deveria saber apenas o que suas máquinas são capazes de fazer. Ela deveria saber também o que seus seres humanos ainda devem ser capazes de fazer sem elas.