O jeito mais rápido de descobrir que trabalho a inteligência artificial não vai tomar é perguntar a ela. Foi o que fiz. Eu queria saber quais atuações resistem à substituição, as óbvias e principalmente as menos óbvias, aquelas em que trocar uma pessoa por um modelo de linguagem ou um robô não faria sentido. Uma IA escreveu os pedidos de pesquisa, ferramentas de pesquisa profunda devolveram três relatórios e outro modelo leu esses relatórios contra as fontes originais.
A conferência achou doze problemas. Um relatório punha 300 milhões de empregos em risco nos Estados Unidos e na Europa; a fonte falava em exposição à automação, no mundo inteiro. Outro tratava a radiologia como caso de encolhimento, e nos Estados Unidos falta radiologista, com remuneração média de US$ 571 mil em 2025. O pior veio antes de tudo isso. Entre o meu pedido e o texto entregue à ferramenta, “menos óbvias e resistentes” virou “menos óbvias de alto risco”. A pergunta trocou de sinal antes de a pesquisa começar.
Nenhuma outra pessoa passou pelo processo. Anos atrás, seria trabalho de um analista em início de carreira: abrir o PDF, achar a tabela, descobrir que o número citado não é o da fonte, ter o relatório devolvido por alguém mais velho. É um serviço chato e, até onde sei, uma das melhores escolas de desconfiança que existem. Desta vez ninguém passou por essa escola.
A lista de profissões vem logo abaixo, com nomes e motivos. Mas a conferência me deixou outra pergunta, mais urgente que a primeira: se o trabalho de quem começa é o primeiro a sair, de onde vêm as pessoas que estamos supondo indispensáveis? Daqui a dez anos, quem vai saber conferir?
A unidade errada
Quase toda lista de profissões protegidas erra na unidade. A Microsoft mediu, em conversas reais do Copilot nos Estados Unidos, quais ocupações têm tarefas que a IA generativa já alcança. É medida de aplicabilidade, não previsão de emprego. Historiador aparece em segundo lugar e escritor em terceiro, dois ofícios que costumamos imaginar protegidos pela autoria. No fim da tabela, ao lado de telhadista e camareira, está o supervisor de bombeiros, um cargo de gestão. A diferença é que a ordem dele é dada diante do fogo.
O caso que mais me ensinou foi o do editor. Ele aparece em 16º na lista da Microsoft e, numa pesquisa de Stanford com 1.500 trabalhadores, é a única ocupação em que predomina o pedido de envolvimento humano máximo. Os dois dados só brigam se você pensa em profissão. Redigir, ajustar e resumir são tarefas expostas. Decidir o que sai não é.
Para quem veio pela lista, a resposta. A resistência óbvia é a que se imagina: ofício de campo, cuidado direto do corpo, resgate, quem responde legalmente pelo ato. A menos óbvia, que era o que eu queria saber, mostra um padrão quando se olha o motivo em vez do nome do cargo. Um grupo trabalha onde o erro não volta atrás: quem opera estação de água e esgoto, quem colhe sangue, quem prepara o material da cirurgia, quem remove material perigoso, quem faz a engenharia de sistema crítico.
O outro grupo decide quando há interesses em conflito: o editor, o comando de crise, a coordenação que arbitra, em oposição à que só repassa status. No mesmo setor de tecnologia, os especialistas ouvidos por Stanford põem o programador no grau mais automatizável e o gerente de projetos de TI quase no oposto. O padrão é leitura minha, sobre dados americanos de exposição, e não medida de emprego.
Seis proteções
O que separa uma cadeira da outra é o motivo da resistência, e cada motivo segura uma coisa diferente. Os relatórios trabalhavam com quatro, porque o pedido fixava quatro. Somando as que faltavam, são seis. Faça a cada uma a mesma pergunta: ela vale no primeiro dia de trabalho?
| Proteção | O que ela segura | Vale no primeiro dia? |
|---|---|---|
| O corpo e o lugar imprevisível | O posto de quem faz o serviço no local | Sim |
| Demanda que cresce quando o preço cai | O total de vagas, enquanto durar | Sim |
| A assinatura | Quem responde, não a equipe que preparava | Só no papel |
| O vínculo | Quem tem clientela que paga pela pessoa | Não |
| A autoria | O nome já conhecido | Não |
| O saber tácito | Quem aprendeu fazendo | Não |
Dois casos dão o tamanho da coluna do meio. A Garfield.Law foi autorizada pelo regulador inglês a operar com IA na cobrança de dívidas em pequenas causas, e advogados nomeados seguem respondendo por tudo. A assinatura ficou; ninguém sabe quantas pessoas restam atrás dela. Na venda, quando o cliente foi avisado antes da conversa de que falava com um robô, a compra caiu 79,7%, num experimento de 2019 com mais de 6.200 clientes, anterior aos modelos atuais.
Agora leia a última coluna. Corpo e demanda são propriedades do trabalho e do mercado, e valem para quem chega hoje. As outras quatro são de outra natureza. A lei dá a assinatura a quem tem o registro, mas saber o que se está assinando leva anos. Clientela, nome e faro não vêm com o diploma. Na minha tabela, quatro das seis são tempo de casa com outro nome. Quando alguém diz que o julgamento humano vai proteger médicos, advogados e vendedores, está dizendo que vai proteger os médicos, advogados e vendedores que já existem.
A porta
Até aqui falei de exposição, que é o que a ferramenta alcança. Quando se olha para quem foi de fato contratado, a história muda de lugar. O estudo Canaries, de Stanford, acompanha a folha de pagamento de milhões de americanos pela ADP até junho de 2026. Não acha demissão em massa. Acha isto:
| Grupo | Variação aproximada |
|---|---|
| 22 a 25 anos, nas ocupações mais expostas à IA | −11% |
| 22 a 25 anos, nas ocupações menos expostas | +10% |
| 22 a 25 anos, no total | −2% |
| 35 a 40 anos, no total | +11% |
A distância entre as duas turmas jovens é de 21 pontos percentuais, e as ocupações mais expostas reuniam cerca de 57% do emprego da faixa. Quem tem mais experiência não mostra diferença comparável. E o ajuste vem pela porta: a queda está em contratar menos, e as saídas não explicam a diferença. Os autores não chamam isso de efeito causal e dão três motivos para cautela: parte da divergência começou antes do ChatGPT, ela enfraquece quando se controla a escolaridade e é mais forte na base deles do que nas pesquisas nacionais. Registram também que estudos com outros dados chegam a resultados variados.
O padrão reaparece nos currículos. Nas empresas que adotaram IA generativa, Hosseini e Lichtinger, de Harvard, acham o emprego júnior cerca de 9% menor em seis trimestres, em relação às demais, e o sênior como vinha.
Os resultados variados existem, e um deles é recente. Em setembro, Robert Fairlie e Jane Wu olharam a pesquisa domiciliar americana e não acharam alta fora do normal no desemprego de recém-formados: 7,3% de junho a agosto de 2026, contra 7,2% em 2025 e 7,8% em 2024. Folha de pagamento conta quem está na empresa. Essa pesquisa conta quem ficou sem trabalho. As duas coisas podem ser verdade ao mesmo tempo, se quem não entrou na vaga exposta foi parar em outra.
No Brasil, três estudos olharam a mesma porta, e ela parece outra.
| Estudo | Base | O que achou |
|---|---|---|
| Duque, FGV Ibre | PNAD Contínua até 2025 | 18 a 29 anos nos perfis mais expostos: cerca de 5% menos chance de emprego e cerca de 7% menos renda, pela imprensa. 30 a 59 anos: perto de zero |
| Aguirre e Meloni, preliminar | PNAD e Caged até 2024 | 16 a 21 anos nas ocupações expostas: 4,7% menos renda. 30 anos ou mais: sem efeito. Volume de contratação: sem conclusão |
| Scintilla | Novo Caged, 2022 a 2025 | Jovens de 18 a 24 nas admissões expostas: de 35,2% para 35,0%. Salário de entrada: cerca de 4% acima da inflação. Saldo de 25 a 64 anos nas mesmas ocupações: de +27 mil para −202 mil vínculos |
Os dois primeiros veem o jovem perder renda em relação aos demais. A terceira, uma pesquisa descritiva, vê o jovem com a mesma fatia das admissões e o saldo negativo em quem já estava dentro, e não atribui isso à IA: os juros subiram no mesmo período. A manchete americana não atravessa a fronteira inteira.
Se a tese deste ensaio fosse que a IA fecha a porta, ela estaria em apuros. Só que a vaga é a parte fácil de medir. Folha, currículo e Caged contam quem entrou. Nenhum conta o que a pessoa fez lá dentro, quem corrigiu o trabalho dela, o que ela aprendeu. Uma cadeira pode continuar ocupada e parar de ensinar.
O contrato do aprendiz
Por que justo o trabalho de quem começa? A pista do Canaries é que a IA substitui bem o que está escrito em livro, norma e procedimento, e complementa o que só se aprende acompanhando, tentando e recebendo correção. Quem chega vive do primeiro tipo de saber, porque é o único que tem. Quem está há anos vive do segundo. Na base deles, só a parte dos experientes resiste ao controle por escolaridade, e eles a tratam como indício, não como causa.
Lido assim, parece boa notícia para quem tem experiência. O problema é de onde ela vem. Já contei aqui que tentei vender peça branca para o Réveillon em dezembro, quando estava no comercial de uma confecção. Escrita, a regra cabe numa linha: conte os prazos para trás a partir da noite da virada. Um modelo recita isso em um segundo. O que não cabe na linha é o reflexo de lembrar dela na hora do pedido, e esse só vem depois de chegar tarde.
Lisanne Bainbridge viu a dificuldade em 1983, num artigo de cinco páginas sobre salas de controle industrial: a automação da época estava “pegando carona nas habilidades” de antigos operadores manuais, “que não se pode esperar das gerações seguintes”.
O que faltava era a economia da história. Luis Garicano e Luis Rayo descrevem a aprendizagem tradicional como uma troca: o júnior paga a própria formação com o trabalho repetitivo e de pouco valor, e o sênior ensina em troca. Ninguém assina esse contrato, e ele explica por que o estagiário lê pilhas de processo e o analista refaz a planilha do chefe. O trabalho chato era a moeda, na imagem do próprio Garicano. Quando a máquina faz o chato melhor e mais barato, o júnior chega à mesa sem ter com que pagar.
Há um caso observado, num lugar onde ninguém dirá que formação é detalhe, e ele mostra exatamente isso. Matt Beane acompanhou por dois anos a cirurgia robótica em cinco hospitais e entrevistou gente de outros treze. Na cirurgia aberta, o cirurgião precisa de mãos. No robô, opera sozinho, e o residente vira opcional. Os residentes continuaram lá. Segundo Beane, passaram a ter de dez a vinte vezes menos prática, e só uma minoria chegou à competência, aprendendo por fora, em simulador, em vídeo, operando com pouca supervisão. Ele liga isso a menos especialistas do que a demanda pede. É cirurgia robótica, não IA generativa, mas o mecanismo é o que interessa aqui. A vaga ficou. A escola saiu.
A assinatura volta aqui, e no Brasil ela já foi escrita. A Resolução 2.454/2026 do Conselho Federal de Medicina diz que a palavra final “sempre será do médico”. Em abril, uma turma do Tribunal de Ética da OAB de São Paulo aprovou ementa que manda “revisar integralmente todas as saídas geradas pela IA” antes de levá-las ao processo e cobra dos sócios a supervisão de associados e estagiários.
As regras dizem quem precisa saber conferir. Não dizem de onde essa pessoa vem. A proteção traz uma suposição embutida, a de que quem assina sabe olhar, e conferir se aprende fazendo aquilo que agora chega pronto. A assinatura é a única das seis escrita em norma, e depende do degrau que está saindo.
A conta que demora
Por que ninguém reage? Porque a conta chega com atraso e para outra pessoa. Cortar a contratação de entrada aparece na folha do mês seguinte. A falta de gente experiente aparece quando a turma não contratada deveria estar pronta, anos depois. Tirar o aprendizado de dentro da cadeira não aparece em folha nenhuma.
A radiologia quase fez esse teste. Em 2016, Geoffrey Hinton disse que era hora de parar de formar radiologistas, porque a IA faria o serviço melhor em cinco anos, dez no máximo. O conselho não foi seguido, o número de profissionais cresceu e ainda assim falta gente. Uma residência leva anos: quem tivesse deixado de entrar em 2016 faria falta agora.
A figura abaixo é uma conta de mesa, sem dado real, feita para mostrar esse atraso. Mexa no corte.
Cenário de exemplo: 20% menos gente formada na entrada, oito anos para formar alguém e nenhuma queda na necessidade de experientes. Por oito anos o quadro não muda. A falta passa de 1 em cada 100 no ano 10 e chega a 10 em cada 100 no ano 20.
Experientes disponíveisExperientes necessários (tracejado)
- Quadro igual por
- 8 anos
- Falta passa de 1 em 100
- ano 10
- Falta no ano 20
- 10 em 100
Ver os números
| Ano | Disponíveis | Necessários | Falta |
|---|---|---|---|
| 0 | 100 | 100 | 0 |
| 5 | 100 | 100 | 0 |
| 10 | 98 | 100 | 2 |
| 15 | 94 | 100 | 6 |
| 20 | 90 | 100 | 10 |
| 25 | 86 | 100 | 14 |
| 30 | 82 | 100 | 18 |
É uma dívida de formação. A economia é de hoje, o vencimento fica para daqui a uma década e o boleto não vai para quem a contraiu. E nenhuma empresa erra ao contraí-la. Gary Becker explicou nos anos 1960 por que a empresa reluta em pagar formação geral: quem foi treinado pode sair e levar o treino ao concorrente. O contrato do aprendiz resolvia isso sem ninguém pensar no assunto, porque quem pagava era o próprio aprendiz. Sem o trabalho barato, o problema de Becker volta. Cada empresa faz a conta certa, e a soma das contas certas é um mercado que para de formar gente.
A telefonista
A objeção mais forte diz que estou defendendo um degrau num prédio em demolição, e ela tem um caso medido. Entre 1920 e 1940, a discagem automática substituiu boa parte das telefonistas americanas, uma cidade de cada vez. James Feigenbaum e Daniel Gross refizeram a história pelos censos. O número de moças de 16 a 25 anos na função caiu de 50% a 80%, “um colapso quase total na contratação de entrada”.
As turmas seguintes trabalharam tanto quanto as anteriores, em funções de salário parecido, como datilógrafa e secretária, e em outras que pagavam menos. Quem perdeu foi quem já estava lá: as telefonistas afetadas ficaram menos propensas a trabalhar e, trabalhando, mais propensas a estar em ocupações mais mal pagas. A porta fechou, as novas acharam outra e a conta foi para as antigas.
A objeção continua. Se a máquina aprender o que hoje é tácito, ninguém precisará subir. E ela ainda ensina. Num estudo de campo com 5.172 atendentes de uma empresa, os menos experientes ganharam cerca de 30% de produtividade com IA, com dois meses de casa rendiam como quem tinha mais de seis sem ela e seguiram melhores nas horas em que o sistema caiu.
Aceito boa parte. A escada pode encurtar, e Garicano e Rayo descrevem esse cenário. Também é falso que a IA sempre estrague o aprendizado. Num experimento com quase mil alunos na Turquia, quem usou a ferramenta livre foi 17% pior na prova sem ela; quem usou um tutor desenhado para não entregar a resposta quase não sofreu esse efeito.
Mas repare em quem está nesses estudos. Os atendentes tinham sido contratados. Os alunos estavam matriculados. A IA pode ser a melhor professora que já existiu, e isso não ajuda quem não entrou na sala. Nos Estados Unidos, o dado de folha fala justamente dessas pessoas.
O que a telefonista não tinha era andar de cima. A função saiu inteira, e ninguém precisava ter passado pela mesa para fazer outro trabalho. As pessoas acham emprego depois que a porta fecha, e talvez achem de novo, embora o escritório que as absorveu seja o que está exposto agora. Só que esse escritório continua de pé, e o que sai dele ainda precisa de quem confira. Sobre isso, o caso da telefonista não diz nada. Aysa Fan, da Universidade de Illinois, põe a questão num lugar útil: a formação de gente nova foi o mecanismo pelo qual a sociedade se recuperou das ondas anteriores, e a sobrevivência desse mecanismo “deveria ser uma quantidade medida, não um artigo de fé”.
A telefonista corrige a tabela das proteções. Na minha leitura, tempo de casa sem assinatura, clientela, nome ou faro não protege ninguém. Pode ser o que o saldo brasileiro de 25 a 64 anos começa a mostrar, e pode ser só juros.
O erro que aparece sozinho
A objeção tem razão em metade dos casos. Ninguém mais forma datilógrafo, e as cartas continuam saindo. Nem todo saber precisa sobreviver. Quando o trabalho da máquina sai errado e todo mundo vê, a conta que não fecha, a peça que não encaixa, o programa que não roda, a competência antiga pode morrer em paz. O perigo está no erro que só aparece para quem sabe: o laudo plausível, o contrato com a cláusula errada, o relatório que põe 300 milhões de empregos no continente errado. Esse erro não reclama. Ele passa.
Se eu tivesse de jogar fora o resto deste ensaio, guardaria esse corte, e ele é interpretação minha. As fontes chegam perto sem chegar lá: Stanford acha menos necessidade de gente onde a tarefa é rotineira e o resultado é fácil de verificar, e o Canaries suspeita que a IA esteja automatizando justamente as tarefas verificáveis que justificavam a vaga de entrada. Nenhum dos dois mediu o erro que passa.
A abertura deste texto joga contra mim aqui. Quem achou os doze problemas foi outro modelo. Máquina conferiu máquina, e funcionou. Só que doze é o que ela achou. Para saber se é tudo, eu precisaria de alguém que soubesse olhar, e essa é a pessoa de que este texto está falando.
Antes de publicar, rodei um quarto relatório, para cobrir o que os outros três deixaram de fora. Ele citava Fairlie e Wu para dizer que a adoção de IA reduziu a contratação de iniciantes. O estudo diz o contrário: não achou evidência disso entre recém-formados. De novo foi um modelo que pegou. De novo, só sei do que ele pegou.
Experiência sozinha também não resolve. Num experimento com 227 radiologistas, a IA acertava mais que 78% deles em radiografias de tórax, e mesmo assim a ajuda dela não melhorou a média dos diagnósticos: eles combinavam mal a própria leitura com a da máquina. É um experimento só, numa tarefa estreita, mas é o arranjo que as normas pressupõem. Leio nele que conferir a máquina é um ofício próprio, que nem os experientes trouxeram pronto.
O limite da tese é este. Ela vale para trabalho cujo erro não se denuncia sozinho e por cujo resultado alguém precisa responder. Não vale para o ofício de campo, cuja escada de ajudante a oficial o modelo de linguagem não toca. E convém separar as partes. Que a entrada piorou, parte dos dados aponta, de modos diferentes em cada país, sem que nenhum prove a causa. Que a cadeira para de ensinar, há um caso observado e nenhuma medida ampla. Que vai faltar gente experiente, nenhum dado mostra nem poderia mostrar ainda. Essa parte é aposta.
O que me faria recuar
Uma tese sobre o que ninguém mede não vale nada, e esta correu esse risco quando saiu da vaga e foi para a cadeira. Então o teste é este: se quem entrou depois de 2023 em ocupações expostas, provado sem a ferramenta, conferir tão bem quanto quem entrou antes, a cadeira continuou ensinando e eu errei. Esse número amplo não existe. Mas a pergunta dá para medir, e é esse o argumento de Fan: os sistemas atuais “observam o uso da perícia existente com mais facilidade do que a formação da futura”. O artigo não diz que há erosão em escala. Diz que, com o que se mede hoje, ninguém consegue saber.
Os pedaços que existem apontam para os dois lados, e um deles é contra mim. Em programação competitiva, Song Yao não achou perda de habilidade entre quem entrou já na era da IA, medindo dentro das provas presenciais que a proíbem, e ali treinar com jeito de IA até prevê nota maior. Entre quem não se classificou para essas provas, o mesmo sinal prevê ganho menor. É elite selecionada e o uso de IA é inferido, mas fere a versão geral da tese: o que decide é o modo de usar.
Mais três coisas me fariam recuar. Se a diferença chegar aos experientes no painel público do Canaries, ou se o saldo brasileiro de 25 a 64 anos se confirmar como efeito da IA, o problema é de profissão, não de entrada. Se a contratação de jovens voltar com o ciclo econômico, era conjuntura. E se seguradora e regulador aceitarem que um sistema responda por um ato, a assinatura deixa de precisar de alguém.
Quem tem trinta anos
As tabelas deste ensaio pulam de 25 para 35 anos, e o conselho que vem depois fala com quem começa e com quem lidera. Quem tem 30 leu até aqui sem se achar em nenhuma linha, e o dado existe. Por desvio-padrão de exposição à automação, o emprego de 22 a 25 anos recuou 8,4% e o de 26 a 30, 4,1%. Depois disso o número cai para perto de 2% e, a partir dos 41, não se distingue de zero. No Brasil, Duque e Aguirre e Meloni param quase no mesmo lugar: até 29 anos há perda, de 30 em diante não acham efeito. Ponha a sua idade.
Quem tem 30 anos e começou aos 22 fez 4 anos de trabalho antes do ChatGPT e 4 com ele no ar. Na folha americana, a faixa de 26 a 30 anos recuou 4,1% por desvio-padrão de exposição à automação, menos da metade da faixa de 22 a 25. No Brasil, 30 anos é a primeira idade em que Duque e Aguirre e Meloni não acham efeito. Os números de todas as faixas estão abaixo.
- Anos antes do ChatGPT
- 4
- Anos com ele no ar
- 4
- Sua faixa no Canaries
- 26 a 30
Estados Unidos: emprego por desvio-padrão de exposição à automação
Diferente de zeroSinal fracoNão se distingue de zero
Brasil: a sua idade nos dois estudos
- Duque, FGV Ibre
- Aguirre e Meloni
Ver os números
| Faixa nos EUA | Emprego | Sinal |
|---|---|---|
| 22 a 25 | −8,4% | p < 0,01 |
| 26 a 30 | −4,1% | p < 0,01 |
| 31 a 34 | −1,8% | p < 0,10 |
| 35 a 40 | −1,8% | p < 0,05 |
| 41 a 49 | −0,8% | sem efeito |
| 50 ou mais | −0,4% | sem efeito |
| Faixa no Brasil | Estudo | Achado |
|---|---|---|
| 18 a 29 | Duque | −5% de emprego, −7% de renda |
| 30 a 59 | Duque | perto de zero |
| 16 a 21 | Aguirre e Meloni | −4,7% de renda |
| 22 a 29 | Aguirre e Meloni | −2,6% na admissão |
| 30 ou mais | Aguirre e Meloni | sem efeito |
Quem tem 30 e começou aos 22 fez quatro anos de trabalho antes do ChatGPT. Quem tem 26 fez zero. Essa é a sua vantagem, e é melhor saber do que ela é feita: um estoque. Você aprendeu os primeiros anos sem a ferramenta, e estoque não se repõe sozinho.
Em quatro centros da Polônia, endoscopistas experientes achavam adenomas em 28,4% das colonoscopias feitas sem IA antes de adotá-la. Nos três meses seguintes à adoção, nas feitas sem ela, em 22,4%. O estudo é observacional e retrospectivo, mas não fala de novato. Fala de quem já sabia.
Sobre o uso de todo dia há uma pista melhor, e convém declarar a origem: um experimento de Judy Hanwen Shen e Alex Tamkin, feito dentro da Anthropic, a empresa do Claude, modelo com que este ensaio foi escrito. O resultado não favorece o produto. Foram 52 programadores, a maioria de 25 a 35 anos, aprendendo uma biblioteca nova. Quem usou IA não ganhou tempo e foi 17% pior na prova sem ela.
Dentro desse grupo está a parte útil: quem delegou fez de 24% a 39% da prova; quem usou para entender, perguntando o conceito ou pedindo a explicação do código, fez de 65% a 86%. São grupos de duas a sete pessoas, uma hora de tarefa e prova no mesmo dia. É pista, não lei, e sai de graça: pergunte o conceito, escreva você, resolva o erro você.
Yao explica por que isso não vai aparecer para o seu chefe: quem usa a ferramenta no lugar da prática e quem a usa para aprender mais rápido entregam parecido com ela ligada, e só a prova sem ela separa os dois. Ninguém vai aplicar essa prova em você. Aplique você.
O que dá para fazer, então, sem promessa nenhuma de que baste. Uma vez por mês, faça uma entrega real sem a ferramenta, do início ao fim; a cadência é sugestão minha, o princípio vem dos estudos acima. Arranje quem devolva o seu trabalho com o motivo, ou devolva o de alguém mais novo. E use o estoque enquanto ele vale para construir o que não depende dele: responder por um resultado, ter quem peça por você, ter nome pelo que sabe. Tempo de casa sozinho não segura ninguém. Convertido numa dessas três coisas, ele passa a ser seu.
A sua cadeira
O ensaio inteiro se reduz a duas perguntas sobre o lugar onde você trabalha: ele ainda ensina, e o que protege você nele. Responda com a sua semana real.
Sem JavaScript, a conta fica com você. Correção no último mês vale 2. Saber por que errou vale 2, ou 1 se for às vezes. Ver o resultado semanas depois vale 2, ou 1 se for às vezes. Com 4 ou mais, a cadeira ensina. Duas ou mais das quatro proteções da última pergunta contam como proteção.
Por onde se entra
Para quem está começando, escolher a profissão certa vale menos do que parece, porque as listas envelhecem rápido. Vale mais olhar para a cadeira: quem vai corrigir meu trabalho aqui? Vou saber por que estava errado? Vou ver o resultado do que fiz? A cadeira com a melhor ferramenta e ninguém para corrigir paga e não forma. Use a ferramenta à vontade, depois de ter feito sem ela o bastante para saber quando ela erra.
Para quem lidera gente, cabem duas perguntas antes de cada automação. Quando isso sair errado, quem percebe? Se o erro aparece sozinho, automatize em paz. Se só alguém experiente percebe, vem a segunda: quem aprendia a perceber fazendo isso? Parte do meu trabalho é montar essas máquinas, então as duas perguntas também são para mim.
Quando a resposta é “alguém”, a tarefa não precisa continuar à mão por devoção. Precisa mudar de forma. O tutor da Turquia preservou o aprendizado porque não entregava a resposta: primeiro a pessoa tenta, depois a máquina corrige, e alguém experiente olha o que sobrou. A pista vem de sala de aula e não foi testada em empresa, mas custa pouco experimentar.
Quem paga
Resta quem paga, e aqui o conselho esbarra em Becker: por que a sua empresa bancaria a formação de alguém que pode sair? Para uma parte, há resposta. Becker separava o treino geral do específico, e o específico a empresa tem motivo para pagar. Como os seus clientes compram, onde o seu produto falha, em que ponto o seu processo engasga: isso vale pouco no concorrente e vale muito aí dentro.
O resto, o ofício em si, nenhuma empresa banca sozinha, e o Brasil conhece esse problema. Em 1942, um decreto-lei criou o que viria a ser o SENAI e obrigou as indústrias a uma contribuição mensal “para montagem e custeio das escolas de aprendizagem”. Em 1946 veio o Senac, com 1% sobre a remuneração dos empregados do comércio. Leio isso como solução coletiva para o problema de Becker: se formar é caro para quem pode perder o formado, todo mundo paga um pouco.
O trabalho de escritório quase nunca precisou disso, porque a escola dele se pagava sozinha: o escritório formava o advogado que desconfia da cláusula e o analista que estranha o número com o trabalho do próprio novato. É esse arranjo que a IA desmonta. Não sei se a resposta é outra contribuição na folha, e quem já paga a atual tem bons motivos para desconfiar da ideia. Mas a pergunta de 1942 voltou, agora para o escritório: quem paga para formar o que toda empresa vai precisar e nenhuma quer bancar sozinha?
Continuo sem saber se doze é tudo. Hoje dá para descobrir: existe gente que passou anos abrindo PDF, e posso pedir a uma dessas pessoas que releia os relatórios. Em 2036, quem tem 30 anos hoje terá 40. Se eu precisar da mesma conferência, é a essa pessoa que vou pedir, se ela ainda souber fazer sem a máquina.