Eu rodo sete IAs na mesa todo dia e o meu trabalho mudou de lugar sem eu perceber. Antes eu passava a maior parte do tempo fazendo, e hoje passo a maior parte do tempo conferindo o que elas me devolvem. Um paper de fevereiro deu nome pro que eu já estava vivendo, e ele mostra que a coisa não é um problema meu: a IA aprendeu a fazer o trabalho e ninguém aprendeu a conferir na mesma velocidade.
Duas curvas que não andam juntas
O paper se chama Some Simple Economics of AGI, é de três pesquisadores, Christian Catalini, Xiang Hui e Jane Wu, e saiu em 24 de fevereiro de 2026. A tese cabe numa frase. Existem duas curvas de custo correndo lado a lado e elas não andam juntas, porque o custo de automatizar cai de forma exponencial, que é uma máquina ficando mais barata, enquanto o custo de conferir fica travado, já que conferir depende de gente e gente tem um teto.
A distância entre as duas curvas eles chamam de measurability gap, que em português é o buraco entre o que a máquina consegue executar e o que a gente consegue checar por um preço que fecha a conta.
O exemplo mais fácil é o código. O MIT Sloan escreveu sobre o paper em junho e trouxe um número que assusta: num benchmark famoso de programação, o acerto das ferramentas foi de 4,4% para 71,7% em um ano. Escrever mil linhas hoje leva minutos, só que achar a falha escondida dentro delas continua levando o mesmo tempo de sempre, porque quem acha é alguém que entende do assunto e testa. Vale igual para contrato, análise financeira e diagnóstico médico.
O degrau que está sendo cortado
E aqui aparece o adversário, porque tem um. As empresas que estão automatizando começam quase sempre pelo mesmo lugar, que é a tarefa inicial: pesquisa, revisão, primeira versão do relatório, o código simples. É o pedaço mais fácil de automatizar e o mais barato de cortar.
O problema é que essa tarefa nunca foi só produção, ela também era treino, e era assim que o júnior virava sênior. Os autores batizaram o risco de missing junior loop, e a conta é direta.
Quem corta o degrau hoje está cortando o especialista que ia conferir a máquina daqui a dez anos.
O número que mostra que já começou é do Stanford. Em 12 de agosto deste ano o Digital Economy Lab atualizou um estudo feito com folha de pagamento da ADP, e o emprego de gente de 22 a 25 anos em ocupações muito expostas à IA está cerca de 19% abaixo da trajetória de quem tem a mesma idade em ocupações pouco expostas. Na safra de julho de 2025 essa diferença era 15%. E não foi onda de demissão, porque o que caiu foi contratação. Vale dizer que o estudo é descritivo, ou seja, ele mede a diferença e não prova que ela toda veio da IA.
A maldição de quem codifica
Tem uma segunda volta que eu acho a parte mais desconfortável. Quando o especialista corrige a IA, explica onde ela errou e devolve o certo, essa correção vira dado. O critério que morava na cabeça dele, aquilo que ele nunca tinha conseguido escrever, sai da cabeça e entra no modelo. Os autores chamam de codifier's curse, a maldição de quem codifica.
Eu vivo isso todo dia, porque ensinei a minha máquina a ler gráfico do meu jeito, e cada vez que discordo dela e explico o porquê eu escrevo dentro dela um pedaço do que levei anos para aprender.
A objeção que eu levo a sério
Por que a IA não aprenderia a conferir também? Em parte ela aprende, e já existe modelo revisando modelo. Só que conferir não é uma tarefa só, são quatro coisas que quase todo mundo mistura:
- De onde veio.
- Se foi alterado depois.
- Se está certo.
- Quem paga a conta quando dá errado.
Tecnologia resolve bem as duas primeiras, ajuda na terceira e não fecha sozinha, e a quarta nem é técnica, porque alguém assina embaixo.
Quem acha que isso é futurologia devia olhar quem já está construindo. O NIST abriu em fevereiro uma iniciativa de padrões de identidade e segurança para agentes, e a Visa lançou com a Cloudflare um protocolo para o lojista reconhecer se o agente que está comprando é legítimo e o que ele tinha autorização de fazer. Nenhuma das duas prova que uma resposta é verdadeira, mas as duas fazem origem e autorização virarem coisa auditável.
O dia em que a execução correu mais que a conferência
O mercado já viveu isso. 6 de maio de 2010, 14h32. Uma casa grande mandou vender 4,1 bilhões de dólares em futuros do S&P por um algoritmo de execução, o Dow caiu 998 pontos em 36 minutos e depois voltou. Levou meses até a SEC e a CFTC publicarem o que tinha acontecido. Não faltou inteligência na máquina, faltou alguém conseguindo conferir na velocidade em que ela operava, e os próprios pesquisadores usam esse dia como aviso.
A minha opinião
E é aqui que dá para discordar de mim: o nome do cargo não importa. Vão inventar dez títulos bonitos e metade some em dois anos. O que importa é que o pedaço do trabalho que não dá para terceirizar é o de olhar o que a máquina entregou e dizer se presta. Catalini resumiu numa frase que eu anotei: sem investir em conferir a gente acumula risco escondido, e uma hora essa dívida vence.
Então a pergunta que cabe em qualquer mesa é essa: na sua área, quem confere o que a IA produziu, e quem responde quando ela erra?
O que levar pra mesa
- Toda resposta de IA que vira decisão precisa de alguém com nome que confere e assina. Se não tem, o risco está escondido, não resolvido.
- Separe as quatro perguntas da conferência. Origem e alteração a ferramenta resolve. Certo ou errado e quem responde continuam sendo gente.
- O que você corrige na IA vira o critério dela. Corrija por escrito e guarde a correção, porque isso é o seu método saindo da cabeça.
- Não corte o degrau de entrada da sua equipe, ou da sua própria rotina, achando que é só produção. É ali que se aprende a conferir.