©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

IA x PESSOAS

Entenda os padrões de automação e transforme a força de trabalho

A inteligência artificial avança por estágios entre tarefas e funções. Aprender como isso funciona ajuda os líderes a navegar mais estrategicamente pela transformação da força de trabalho

Will Drover e Laura Huang

19 de março de 2026

17 min de leitura

À medida que a inteligência artificial começou a escrever códigos, pilotar veículos e até diagnosticar doenças, narrativas de máquinas começaram a substituir abruptamente humanos. No entanto, a realidade é mais lenta, mais desordenada e muito mais desigual. Em diferentes funções e setores, as capacidades emergentes da IA formam o que muitas vezes se chama de  “fronteira irregular” – um cenário em que ela se destaca em algumas tarefas, enquanto ainda encontra dificuldades em outras.

Com o avanço de suas capacidades, a IA acelera rumo à automação completa de determinadas atividades, enquanto desacelera, até quase parar, travar completamente em outras. Líderes que compreendem os fatores que modelam essa realidade complexa conseguem guiar a estratégia e o talento com clareza e estabilizar suas organizações no processo.

Uma análise de 2024 sobre o progresso da IA feita pela McKinsey & Co. sugere que essa desigualdade aparece não apenas entre funções, mas dentro delas, no nível das tarefas. A consultoria projeta que, até 2030, em seu cenário intermediário, a demanda por algumas profissões deve cair drasticamente, como suporte administrativo e atendimento ao cliente. Isso porque esses papéis se concentram em tarefas que a IA já consegue executar, como inserir dados, processar faturas, receber pedidos e responder a consultas rotineiras dos clientes.

Por outro lado, a demanda tende a permanecer elevada – ou até crescer – para profissionais da saúde e para aqueles ligados às áreas de STEM (sigla em inglês para ciência, tecnologia, engenharia e matemática), cujas atividades envolvem tarefas que a IA ainda tem dificuldade de replicar, como avaliação clínica, cuidado empático e resolução de problemas complexos e não rotineiros.

A linha divisória não está no título do cargo, mas na composição das tarefas. A questão central, portanto, é: o que há em determinadas atividades ou funções que as torna mais ou menos suscetíveis à automação?

Identificamos fatores-chave por trás desses obstáculos – como repetição, regulação, julgamento e checagem humana – que retardam a adoção da IA. Com base nessas evidências, oferecemos uma perspectiva mais detalhada sobre por que a maioria das aplicações evolui em etapas e em diferentes velocidades. O futuro do trabalho não será definido apenas pelas capacidades da IA, mas também vai depender dos fatores de atrito com que ela irá se deparar ao longo do caminho.

O que impede, afinal, que a IA assuma rapidamente um papel por completo?

Em diversos setores, a automação costuma seguir uma progressão intuitiva e relativamente previsível.

• Fase 1: assistência. A IA lida com tarefas repetitivas e estruturadas que consomem tempo, mas com poucas nuances.
• Etapa 2: remodelar. As responsabilidades humanas migram substancialmente para interpretação, supervisão e pensamento de ordem superior, à medida que as máquinas assumem tarefas centrais e a execução.
• Estágio 3: substituir. Automação total acontece, sem nenhum humano no circuito.

Em vez de perguntar se a IA assumirá totalmente um trabalho, uma abordagem mais construtiva é perguntar quais tarefas podem ser facilmente realizadas por ferramentas de IA e quais são mais resistentes à automação. A tabela abaixo oferece uma análise prática – embora não exaustiva – do porquê de a marcha da IA estar longe de ser uniforme ao longo das três etapas. Os pontos de atrito listados ajudam a explicar por que a automação avança rapidamente em alguns domínios, mas permanece teimosamente humana em outros, e como os líderes podem antecipar melhor o próximo desafio nesse caminho desigual.

Por que ainda são dois pilotos na cabine do avião?

Os pilotos estiveram entre os primeiros profissionais a compartilhar responsabilidades críticas com sistemas automatizados. O piloto automático tornou-se padrão desde a década de 1980 e, hoje, a automação executa grande parte das tarefas que antes eram realizadas manualmente, como a navegação em espaços aéreos complexos e até pousos totalmente automatizados em condições de baixa visibilidade. Ainda assim, embora tenha apoiado e redesenhado profundamente a função, a cabine continua contando com dois humanos.

O fato é que, embora os pilotos tenham evoluído de operadores manuais para gestores de sistemas altamente automatizados, a presença humana continua essencial. À luz dos fatores apresentados em “Fatores de atrito que retardam o progresso da IA”(artigo sobre o futuro do trabalho e automação da McKinsey & Co.), fica mais claro por que a etapa 3 (substituir) permanece fora de alcance.

A barreira à automação completa não é capacidade bruta

A necessidade de garantia humana permanece alta: os passageiros ainda esperam que um humano esteja na cabine porque vidas estão em jogo. O julgamento também continua sendo essencial, já que a função exige decisões rápidas, não roteirizadas e tomadas sob incerteza. Atolerância a erros é zero ou próxima disso, sem margem para falhas técnicas, enquanto a regulação avança de forma inerentemente lenta e cautelosa. A barreira, portanto, não está na capacidade bruta da tecnologia, mas em um amontoado de restrições humanas, legais e culturais. A European Union Aviation Safety Agency, por exemplo, prevê que a autonomia total da aviação comercial dificilmente ocorrerá antes de 2050.

Em contraste, a autonomia total tende a se tornar viável muito antes na aviação de carga e militar: sem passageiros, a regulação é menos rígida, a demanda por garantia humana diminui, a tolerância a erros é um pouco maior e há menos decisões de alto risco a serem tomadas em tempo real. É por isso que drones, operações de carga não tripuladas e caças estão se movendo mais rápido por esses estágios. Por essa razão, empreendedores como Myles Goeller, da Reliable Robotics, defendem começar pelos mercados de carga e defesa, nos quais comprovar a segurança da automação total pode construir a confiança necessária para uma eventual adoção em voos de passageiros.

Portanto, enquanto a aviação comercial de passageiros talvez não alcance o estágio 3 por décadas, outros setores da aviação provavelmente o farão muito antes. Essa diferença reforça a ideia de que, mesmo dentro da mesma categoria profissional, os papéis podem ocupar diferentes estágios e avançar em ritmos distintos.

A mesma evolução desigual está em andamento na medicina, educação, finanças e na maioria dos outros domínios. Compreender os pontos de atrito – tanto técnicos quanto humanos – é fundamental para uma melhor gestão do que vem a seguir.

Médicos, programadores, professores e carros autônomos: caminhos semelhantes?

Quando se aprende a identificar esse padrão, ele passa a aparecer em todos os lugares. Em diferentes setores, o mesmo arco da automação – assistir, remodelar, substituir – surge repetidamente. O ritmo e o desfecho, porém, dependem inteiramente daquilo que o trabalho realmente exige.

Vejamos como isso se dá na medicina. Em radiologia, a IA está plenamente estabelecida no estágio 2. Ferramentas como o Med-PaLM – a IA médica do Google – têm desempenho equivalente ao dos médicos em algumas atividades diagnósticas, incluindo leitura de exames e identificação de anomalias. No entanto, o cuidado na linha de frente conta uma história diferente. Interpretar sintomas complexos, avaliar caminhos de tratamento e comunicar riscos aos pacientes ainda depende da garantia humana, resistência inercial, julgamento e profundidade relacional. Mesmo dentro do campo da medicina, a evolução da IA varia, dado que as tarefas subjacentes e os fatores de atrito que as moldam são profundamente diferentes.

No desenvolvimento de software, o avanço também é expressivo. Ferramentas como Copilot e Replit podem apoiar aplicativos e refatorar código-padrão. Mas passar de trabalhos de menor risco para trabalhos de maior responsabilidade – como lidar com escopos ambíguos, depurar sistemas complexos ou regulados, projetar arquiteturas seguras e responder a demandas de clientes em constante mudança – ainda é algo fortemente condicionado pela tolerância a erros, pela necessidade de garantia humana, pelo julgamento e pela profundidade relacional.  A fase 2 está bem avançada, mas o ritmo para a substituição humana desacelera em áreas mais sofisticadas, onde esses fatores predominam. Não por acaso, até empresas na fronteira da IA, como a Palantir Technologies, continuam a integrar seus próprios profissionais nas operações dos clientes para viabilizar a entrega de valor.

Fatores que retardam o avanço da IA

A IA não consegue automatizar algumas atividades tão rapidamente quanto outras devido a atritos existentes no nível da tarefa. Compreender esses fatores de atrito permite que os gestores vejam quais delas são mais adequadas à automação e onde tais atritos provavelmente retardarão ou limitarão a adoção.

A educação primária oferece um contraste igualmente revelador. A IA já consegue fornecer feedback personalizado e criar conteúdo instrucional, tarefas típicas do estágio 1 e do início do estágio 2. No entanto, motivar os alunos, gerir a dinâmica da sala de aula, interpretar os sinais emocionais e sociais, cumprir as políticas estaduais e federais, e cultivar a colaboração e o crescimento social ainda dependem da comunidade, da garantia humana, do julgamento, da regulação e da profundidade relacional.

Além disso, mesmo quando ferramentas de IA estão tecnicamente disponíveis, a resistência por inércia está em jogo e atua como freio. Por exemplo: alguns professores ou escolas podem resistir à adoção da IA em favor de sistemas tradicionais ou do status quo, com o custo das ferramentas e treinamentos de IA representando outra barreira. Esses pontos de atrito continuam a retardar o avanço da automação no coração do ensino.

O papel humano, porém, não permanece estático. Ele se desloca para atividades de maior valor, abandonando tarefas rotineiras, como a transmissão passiva de conteúdo ou o feedback básico. O ritmo dessa transição varia significativamente entre escolas e comunidades, refletindo diferenças de contexto, recursos e cultura organizacional.

O futuro do trabalho será moldado pela realidade da integração da IA

A direção autônoma ilustra esse ponto com clareza. Mesmo quando o estágio 3 é tecnicamente demonstrado, isso não garante adoção em larga escala. A Waymo já opera táxis totalmente autônomos em algumas cidades – um exemplo claro de substituição alcançada em um domínio restrito. Fora desses perímetros geograficamente delimitados, porém, a autonomia continua parcial, supervisionada ou simplesmente inexistente. Casos extremos complexos, como zonas de construção e comportamento humano imprevisível, ainda exigem supervisão humana.

Além disso, os custos internos e a logística de escalar a produção limitam ainda mais o ritmo da implantação em larga escala. Como disse o CEO da Uber, Dara Khosrowshahi, a autonomia total ainda está a uma ou duas décadas de distância. Tolerância a erros, garantia humana, resistência, julgamento e regulação continuam a atrasar uma implementação mais ampla. E mesmo assim, o ritmo varia conforme a cidade, o estado e a infraestrutura.

Nesses domínios, o fio condutor é claro: a automação raramente chega para substituir pessoas de maneira abrupta. Ela emerge para reconfigurar responsabilidades, uma tarefa por vez, em ritmos que variam conforme o papel, o contexto e a densidade dos fatores de atrito envolvidos.

E, por fim, o que você realmente deveria fazer?

O futuro impulsionado pela IA não vai chegar. Já está aqui. A questão agora é como esse futuro se desenrolará em diferentes profissões e indústrias. Para liderar de modo eficaz, os executivos devem trocar o pânico causado pela ideia de adquirir IA da noite para o dia pela ação mais realista da integração gradual da inteligência artificial.

A IA já está remodelando a maioria das carreiras gradualmente, tarefa por tarefa e etapa por etapa. Fatores como julgamento, confiança, regulação, comunidade, tolerância a erros e profundidade relacional podem travar, desacelerar ou acelerar a mudança. Por isso, funções como atendimento ao cliente rotineiro e digitação de dados estão se aproximando da etapa 3. Outros, como aplicar ao ensino fundamental, realizar jornalismo investigativo e investir capital de risco, nunca chegaram a esse ponto e provavelmente não chegarão.

Esses fatores ajudam a explicar por que alguns empregos desaparecem rapidamente enquanto outros permanecem profundamente humanos por décadas – se não para sempre. Como a The Economist observou, mesmo em áreas consideradas vulneráveis, demissões em larga escala têm demorado a se materializar porque a IA tende a reconfigurar tarefas mais do que substituir trabalhadores.

Essa estrutura pode ajudar os líderes a antecipar onde a mudança provavelmente ocorrerá rapidamente – e onde deverá avançar de maneira mais gradual. Ela pode orientar decisões sobre onde investir, quando priorizar a requalificação e como redesenhar papéis e responsabilidades ao longo do tempo. Também pode ajudar os líderes a se manter à frente das tendências, sem cair no hype ou exagerar nas suas reações às manchetes. Em um momento cheio de barulho e alarme, uma das maiores forças que os líderes podem mostrar é a capacidade de manter a calma e os pés no chão.