Se a IA fica com o trabalho fácil, quem aprende a parte difícil do ofício?

O texto parte de um caso histórico. O primeiro caixa eletrônico entrou em operação em junho de 1967, numa agência do Barclays em Enfield, ao norte de Londres. Ele ficou com a parte limpa do trabalho: contar notas, descontar cheques, repetir a mesma transação cem vezes por dia. Os caixas de banco que ficaram passaram a cuidar do cliente com problema, do pequeno empresário que precisava de empréstimo e da relação de longo prazo. O autor usa o conceito de custo de separação de tarefas, dos economistas Luis Garicano, Jin Li e Yanhui Wu, no livro Messy Jobs. Quando separar a tarefa rotineira é barato, a máquina leva essa parte e o papel humano encolhe. Quando é caro, a pessoa mantém o pacote inteiro.

A tese central é sobre treinamento. O trabalho fácil era mão de obra barata, mas também a escada: conciliar livros contábeis, revisar documentos, corrigir bugs pequenos. Uma área de compliance de 500 pessoas pode virar uma de 30, e os cortes atingem quem aprendia nessas tarefas. O autor conta como a Wildfire Labs, um startup studio de Rapid City, tenta resolver isso: contrata com base em trabalho real (o engenheiro de IA recebeu um problema de SEO verdadeiro, com stakeholder, para resolver e demonstrar), avança as pessoas por progresso e não por tempo, e deixa a IA fazer a parte limpa. Ele admite o limite: funciona numa equipe de 12 pessoas e não sabe como seria numa empresa de 5.000.

A cobertura anterior do CEVIU já vinha circulando em torno dessa preocupação. Em 27 de abril de 2026, a matéria "O impacto da IA em profissionais de marketing em início de carreira atinge um ponto crítico" mostrou cargos de entrada, focados em execução como copywriting e landing pages, em declínio. Em 25 de março de 2026, "O problema da dívida cognitiva específica da IA" apontava o risco de escassez de engenheiros capazes de entender bases de código. Em 21 de julho de 2026, "O Dilema da IA: Produtividade Acelerada vs. Perda da Maestria Pessoal" tratou da erosão da maestria. A notícia de agora não traz fato novo sobre esses casos. Ela dá um nome ao mecanismo (as degraus de baixo viram a parte automatizada) e uma resposta prática de gestão.

Para quem lidera uma startup, a leitura é incômoda: o júnior que antes aprendia fazendo o trabalho repetitivo agora não tem esse trabalho para fazer. Isso sugere que o desenho de onboarding precisa mudar. Dar a um recém-contratado um problema real, com dono e prazo, e pedir uma demonstração, serve como treino e como seleção. Vale a ressalva do próprio autor: sem apoio, jogar gente na complexidade vira abandono. E o método foi testado só em uma equipe pequena.