O que milhões de conversas com IA dizem sobre o futuro do seu trabalho
Esqueça futurologia. Entre o Anthropic Economic Index, o experimento com 758 consultores da BCG e o Future of Jobs do Fórum Econômico Mundial, já existe um corpo de dados sobre como a IA muda o trabalho de verdade. A resposta é menos 'substituição' e mais 'quem colabora melhor, ganha'.
O debate sobre IA e trabalho costuma oscilar entre dois extremos igualmente inúteis: o pânico ("metade dos empregos vai sumir") e a negação ("é só mais uma ferramenta"). O que falta nas duas pontas é o que qualquer boa decisão exige: dados. E eles já existem — em escala, com metodologia e com conclusões surpreendentemente convergentes.
Três corpos de evidência merecem a atenção de qualquer líder: a telemetria real de uso da própria IA, um experimento de campo com centenas de consultores, e a maior pesquisa global com empregadores. Vamos a eles.
1. A telemetria: mais colaboração do que automação
A Anthropic publica periodicamente o Economic Index, uma análise agregada e anonimizada de milhões de conversas reais com o Claude — o mais próximo que existe de um censo de como a IA é usada no trabalho.
Dois achados estruturam tudo:
- A colaboração supera a automação no uso direto. Nas conversas do Claude.ai, os padrões de augmentation — em que a pessoa itera com a IA, aprende, pede feedback, refina — respondem por cerca de 52% do uso, contra ~45% de automation (delegação direta de tarefa completa). As pessoas não estão sendo substituídas pela IA que usam; estão trabalhando com ela.
- A automação domina onde não há humano no circuito. No tráfego de API — sistemas chamando a IA programaticamente — a automação prevalece com folga. A fronteira entre "IA como colega" e "IA como infraestrutura" já está desenhada: a primeira vive no chat, a segunda nos bastidores dos processos.
Há um terceiro dado menos comentado e mais importante para quem gerencia gente: o uso é concentrado. Embora o índice identifique milhares de tarefas distintas, as 10 mais comuns respondem por cerca de um quarto de todo o uso. Traduzindo: a maioria das pessoas usa IA para pouquíssimas coisas — um sintoma clássico de repertório raso, não de limite da tecnologia. É o mesmo padrão que o relatório de março de 2026, Learning curves, explora: a curva de aprendizado do usuário, não a capacidade do modelo, é o que determina a profundidade do uso.
Os dados de uso contam uma história incômoda para o discurso da substituição: o gargalo não é o que a IA consegue fazer — é o que as pessoas sabem pedir.
2. O experimento: a fronteira dentada
Se a telemetria mostra o que as pessoas fazem, o experimento mais citado da área mostra o que acontece quando fazem. Em Navigating the Jagged Technological Frontier, pesquisadores de Harvard, Wharton, MIT e Warwick deram a 758 consultores da BCG dezoito tarefas realistas de consultoria, com e sem GPT-4.
Nos resultados, dois lados da mesma moeda:
- Dentro da fronteira de competência da IA, quem usou a ferramenta completou 12,2% mais tarefas, foi 25,1% mais rápido e produziu resultados com qualidade 40% superior aos do grupo de controle. Não é ganho marginal — é um degrau.
- Fora da fronteira — em tarefas desenhadas para enganar a IA —, quem confiou nela foi 19 pontos percentuais pior do que quem trabalhou sozinho. A ferramenta que multiplica também induz ao erro com a mesma convicção.
Os autores cunharam a imagem que define a era: a fronteira da IA é dentada (jagged). Ela é sobre-humana em algumas tarefas e falha em outras aparentemente idênticas — e não vem com mapa. Saber onde a fronteira passa, para o seu trabalho, é hoje uma competência profissional em si. É exatamente a diferença entre o profissional proficiente e o iniciante: ambos têm a mesma ferramenta; um sabe quando confiar nela.
3. A demanda: as competências mudam mais rápido que os empregos
O terceiro corpo de dados vem dos empregadores. O Future of Jobs Report 2025 do Fórum Econômico Mundial, com mais de mil empresas globais, projeta para 2030:
- 39% das competências centrais dos trabalhadores vão mudar — e o número só não é maior (era 44% na edição anterior) porque as empresas que treinam continuamente conseguem absorver a mudança com menos ruptura.
- IA e big data são a competência que mais cresce em demanda, seguida de perto por letramento tecnológico — à frente de qualquer competência técnica tradicional.
- O saldo líquido de empregos é positivo (criação de ~170 milhões de postos contra ~92 milhões deslocados), mas o churn é brutal: quase um quarto dos empregos atuais será transformado de alguma forma.
A mensagem dos empregadores é a mesma da telemetria e do experimento, vista de outro ângulo: o jogo não é humano contra IA — é profissional atualizado contra profissional desatualizado.
A síntese: três dados, uma conclusão
Coloque os três corpos de evidência lado a lado e o padrão fecha:
| Fonte | O que mostra | Implicação |
|---|---|---|
| Economic Index (telemetria) | Uso real é majoritariamente colaborativo e concentrado em poucas tarefas | O teto do valor é o repertório de quem usa |
| Jagged Frontier (experimento) | +40% de qualidade dentro da fronteira; −19 p.p. fora dela | Fluência = saber onde confiar; sem ela, a IA piora o trabalho |
| Future of Jobs (demanda) | 39% das competências mudam; IA é a skill que mais cresce | Quem não desenvolve fluência no time, importa o gap pela porta da contratação |
A pergunta estratégica deixou de ser "a IA vai substituir meu time?" e passou a ser "meu time está do lado certo da fronteira dentada?".
O que um líder faz com isso na segunda-feira
Mapeie a fronteira para cada função. As tarefas de alto ganho (dentro da fronteira) e as de alto risco (fora dela) são diferentes para o jurídico, o comercial e a engenharia. Esse mapa — casos de uso e anticasos — é o artefato mais valioso do seu programa de IA, e nenhum fornecedor entrega pronto.
Treine a colaboração, não o clique. Se 52% do valor está na iteração humano-IA, o treinamento precisa ensinar a iterar: dar contexto, pedir crítica, refinar, validar. É uma habilidade de conversa e de critério — não de interface.
Trate a diversidade de uso como métrica. O dado de concentração do Economic Index dá um KPI de graça: quantos casos de uso distintos cada pessoa domina? Repertório crescente é o sinal mais honesto de fluência crescente — e é mensurável.
Proteja o lado de fora da fronteira. Defina onde a IA não decide sozinha (parecer final, número que vai ao cliente, decisão de pessoas) e torne isso política explícita. Os 19 pontos negativos do experimento são o custo de não ter essa linha.
O futuro do trabalho, ao que os dados indicam, não chega como uma onda que leva os empregos. Chega como uma régua que reordena as pessoas — pela capacidade de colaborar com a máquina. Régua, aliás, que já dá para medir hoje.
A Atena mede exatamente essa régua — da maturidade individual ao painel de adoção do time — e treina a colaboração com IA por função, com prática real. Fale com a gente.