Superinteligência vai substituir empregos? O que muda por função

Superinteligência, no sentido usado em debates técnicos, seria um sistema que superasse as capacidades humanas na maioria dos campos. Ninguém consegue prever com segurança se nem quando isso acontecerá, e nenhuma data desse tipo deve entrar no planejamento de uma empresa. O que dá para decidir hoje é como cada função muda com os sistemas de IA que já existem: quais tarefas podem ser delegadas, quais precisam de supervisão humana e quais papéis continuam dependendo de julgamento, responsabilidade e relação com pessoas.

Principais pontos

• A pergunta útil não é se a superinteligência vai acabar com empregos, e sim quais tarefas de cada função mudam agora.
• Funções raramente desaparecem de uma vez, costumam ser redesenhadas tarefa por tarefa.
• Tarefas repetitivas, com entradas e saídas claras, tendem a ser automatizadas primeiro, mas ainda exigem controles.
• Tarefas que afetam dinheiro, clientes ou dados pessoais pedem supervisão humana e registro de decisões.
• Papéis de julgamento, negociação e responsabilidade tendem a ganhar peso quando a execução fica mais barata.

Por que a pergunta sobre empregos fica vaga demais

Quando alguém pergunta se a superinteligência vai substituir empregos, a resposta honesta é que depende de um futuro que ainda não existe. Esse tipo de pergunta gera manchetes, mas pouca orientação para quem precisa contratar, redistribuir equipe ou definir o que pode ser automatizado no próximo trimestre. Uma função não é um bloco único. Ela é um conjunto de tarefas com riscos, volumes e exigências diferentes.

Por isso, a análise útil começa de baixo para cima. Pegue uma função, liste o que as pessoas fazem de fato ao longo da semana e avalie cada tarefa separadamente. Esse exercício costuma mostrar que a mesma pessoa executa coisas muito diferentes: um pouco de rotina, um pouco de decisão, um pouco de conversa com cliente e um pouco de conferência. Cada uma dessas partes responde de forma diferente à IA.

Vale também separar o que é fato documentado do que é hipótese. Os princípios de gestão de risco em IA, como os do NIST AI Risk Management Framework, tratam de governança, mensuração e controle dos sistemas que já estão em uso. Projeções sobre o futuro do trabalho são outra categoria, e devem ser tratadas como cenários para discussão, não como base para decisões de hoje. Para um aprofundamento sobre o termo, vale ler o que é superinteligência e o que ela não é no caso do ChatGPT e a diferença entre AGI, superinteligência e agentes de IA.

Tarefas que mudam: o que tende a ser automatizado

As tarefas que mudam primeiro costumam ter três características: são repetidas, seguem regras razoavelmente claras e produzem um resultado que pode ser verificado. Responder dúvidas frequentes sobre horário, status de pedido ou documentos necessários é um exemplo. Preencher um cadastro a partir de um formulário também. Classificar mensagens recebidas por assunto e encaminhar para a fila certa é outro caso comum.

Nessas tarefas, a IA pode executar a maior parte do trabalho, mas a mudança não é apenas trocar uma pessoa por um sistema. Quem desenhava o processo precisa decidir o que o sistema pode responder sozinho, o que deve ser encaminhado e o que nunca deve ser tentado por ele. Sem essas fronteiras, a automação cria retrabalho e erros que alguém precisa corrigir depois.

Um bom critério é perguntar: se esta tarefa der errado, qual é o tamanho do estrago e quem percebe? Respostas sobre horário de funcionamento têm baixo risco. Alterações de cobrança, negociações de desconto ou respostas sobre saúde e direitos têm risco alto e pedem outro desenho.

Tarefas que ganham supervisão humana

Existe uma faixa intermediária, talvez a mais importante para gestores. São tarefas em que a IA produz um rascunho, uma recomendação ou uma ação, e uma pessoa confere antes que o resultado chegue ao cliente, ao fornecedor ou ao sistema financeiro. Propostas comerciais, respostas a reclamações públicas, comparação de cotações e análises de concorrentes entram nessa categoria.

A supervisão só funciona quando é concreta. Não basta dizer que "alguém revisa". É preciso definir quem revisa, com que critério, em quanto tempo e o que acontece quando a revisão encontra um problema. Também é preciso registrar as decisões, para saber depois por que uma resposta foi enviada e quem a aprovou. Sem esse registro, a empresa não aprende com os erros e não consegue responder a um cliente que questiona uma decisão.

Sobre dados pessoais, a supervisão ganha ainda mais peso. Decisões automatizadas que afetam o cliente exigem atenção ao que a LGPD prevê sobre revisão, e isso é tratado com mais detalhe em decisões automatizadas e o direito de revisão no artigo 20 da LGPD. Antes de entregar uma tarefa a um agente, vale também olhar as fontes de dados e o tratamento que serão usados, especialmente quando a ferramenta roda fora do Brasil.

Papéis que exigem julgamento e responsabilidade

Há funções em que o valor central está em decidir em situações ambíguas, assumir responsabilidade pelo resultado e manter uma relação de confiança. Gerentes que definem prioridades, profissionais que dão parecer técnico, líderes de atendimento que lidam com crises, consultores que orientam uma mudança de processo e profissionais de saúde que tomam decisões clínicas são exemplos. A IA pode preparar informações e acelerar a análise, mas a decisão e a responsabilidade permanecem com a pessoa.

Esses papéis não ficam automaticamente protegidos. Eles mudam de forma: quem antes gastava horas juntando dados passa a gastar mais tempo avaliando, questionando e explicando. Para quem contrata, isso significa revisar descrições de cargo, critérios de avaliação e formação interna, em vez de presumir que a função se mantém igual.

Em áreas reguladas, como advocacia, o exercício da função impõe deveres próprios que não desaparecem com a ferramenta. Esse é o caso discutido em o que advogados devem observar ao usar inteligência artificial, e o princípio vale para qualquer profissão com responsabilidade técnica.

Como mapear uma função em quatro passos

Para transformar essa discussão em decisão, a sequência abaixo funciona bem com uma equipe pequena ou com uma área inteira:

• Liste as tarefas reais da função a partir de uma semana típica, incluindo as interrupções e os retrabalhos, não apenas o cargo escrito.
• Classifique cada tarefa pelo risco: se errar, o dano é pequeno, médio ou grande, e quem percebe o erro.
• Marque o tipo de controle necessário: execução automática, rascunho com revisão humana ou decisão exclusivamente humana.
• Escolha uma tarefa de risco baixo ou médio para piloto, defina uma métrica de sucesso acordada antes e registre o que o sistema fez em cada caso.

O último passo é o que separa a análise de um plano. Sem piloto e sem métrica, qualquer conclusão sobre a função continua sendo opinião. Com um piloto de uma tarefa, a empresa aprende onde a IA acerta, onde erra e quanto de supervisão é realmente necessário.

Cenário ilustrativo: atendimento e vendas no WhatsApp

Cenário ilustrativo: uma loja de materiais de construção recebe perguntas pelo WhatsApp sobre disponibilidade, prazo de entrega e formas de pagamento. Uma atendente responde a essas dúvidas o dia inteiro e, ao mesmo tempo, negocia orçamentos grandes e resolve reclamações de obra atrasada.

Na análise por tarefa, as perguntas sobre estoque e prazo mudam primeiro, com um agente consultando o sistema de estoque e respondendo dentro de limites definidos. Os orçamentos entram na categoria de supervisão: o agente monta uma proposta preliminar, e a vendedora revisa preço, desconto e condições antes do envio. As reclamações e negociações complexas permanecem com a equipe, com o agente apenas resumindo o histórico e encaminhando o caso.

O resultado para a equipe não é a eliminação do atendimento, e sim a redistribuição do tempo. A atendente deixa de responder as mesmas dúvidas repetidas e passa a dedicar mais energia a negociação e resolução. Para o desenho desse tipo de fluxo no WhatsApp, a janela de 24 horas da API oficial e as regras de mensagem ativa precisam estar claras desde o início.

Onde entra o método de Juan Carlo

Na prática, a análise de funções segue o método que Juan Carlo usa com empresas: mapear o processo atual e a linha de base, limitar os dados e as ações que o sistema pode tocar, pilotar um fluxo real com registros e uma métrica de sucesso combinada, e então transferir a operação e decidir se o projeto será ampliado, ajustado ou interrompido. Essa sequência evita a discussão abstrata sobre empregos e coloca a decisão no nível em que ela realmente acontece, que é a tarefa. A entrega operacional de agentes, monitoramento e manutenção é feita pela Be Human, e a análise inicial costuma começar pelo diagnóstico do processo.

Perguntas frequentes

A superinteligência já substituiu algum emprego? Não existe, hoje, um sistema de superinteligência em operação. O que existe são ferramentas de IA que executam partes de tarefas, e é sobre elas que as empresas precisam decidir. Tratar a superinteligência como fato consumado tende a levar a decisões precipitadas, em vez de decisões baseadas no que a equipe faz de fato.

Minha empresa deve demitir pessoas por causa da IA? Demissão motivada apenas por expectativa de automação costuma ser uma decisão prematura e arriscada. O mais prudente é mapear as tarefas, testar a automação em fluxos controlados e só então discutir mudanças de quadro, com base em resultados medidos. Também vale considerar redistribuição de tarefas e requalificação antes de qualquer corte.

Quais funções são mais protegidas? Funções com forte componente de julgamento, responsabilidade e relação de confiança tendem a manter o núcleo humano, mesmo quando recebem ferramentas de apoio. Ainda assim, nenhuma função é imune por completo, porque partes dela podem ser automatizadas. A pergunta correta é quais tarefas dentro da função permanecem humanas e por quê.

Como começar a discutir esse tema com a equipe? Comece pelo mapeamento das tarefas reais, não por um debate sobre o futuro do trabalho. Explique quais processos serão testados, quais dados serão usados, quem vai supervisionar e como o desempenho será medido. Esse tipo de transparência reduz o medo e cria uma base concreta para decidir o próximo passo.

Fontes

• NIST AI Risk Management Framework
• OECD AI Principles
• Anthropic: Building effective agents