Agentes de IA, robôs e nós: parcerias tecnológicas na era da IA

• O trabalho do futuro será reorganizado como uma parceria entre pessoas, agentes e robôs; com a tecnologia atual, cerca de 57% das horas de trabalho podem ser automatizadas, mas isso é apenas potencial técnico, não uma previsão de redução de empregos
• Mais de 70% das habilidades exigidas hoje pelos empregadores são usadas tanto em tarefas automatizáveis quanto não automatizáveis, então a maioria das habilidades continua válida, embora a forma de aplicá-las mude
• A demanda por fluência em IA (capacidade de usar e gerenciar ferramentas de IA) cresceu 7 vezes em dois anos, tornando-se a habilidade com crescimento mais acelerado nos anúncios de emprego
• Até 2030, pode gerar cerca de US$ 2,9 trilhões em valor econômico apenas nos Estados Unidos, mas isso exige redesenhar o fluxo de trabalho como um todo, e não tarefas individuais
• Segundo o Skill Change Index, habilidades digitais e de processamento de informação passarão pelas maiores mudanças, enquanto habilidades de cuidado e apoio devem sofrer as menores mudanças

---

Visão geral principal

• O trabalho do futuro está migrando para uma parceria baseada em IA entre pessoas, agentes e robôs
• Com a tecnologia atual, cerca de 57% das horas de trabalho nos EUA podem, em teoria, ser automatizadas, mas isso representa potencial técnico, e a adoção real deve levar décadas
• Alguns papéis devem encolher, outros crescer ou mudar, e novos papéis devem surgir
• Mais de 70% das habilidades exigidas pelos empregadores são usadas em tarefas automatizáveis e não automatizáveis, então a maioria das habilidades continua válida, mas o contexto de aplicação muda
• O Skill Change Index mede, nos próximos cinco anos, o nível de exposição de cada habilidade à automação; habilidades digitais e de processamento de informação serão as mais afetadas, enquanto habilidades de cuidado devem passar por mudanças mínimas
• A demanda por fluência em IA aumentou quase 7 vezes em dois anos, registrando o crescimento mais rápido nos anúncios de emprego dos EUA
• Até 2030, pode gerar cerca de US$ 2,9 trilhões em valor econômico nos EUA, mas isso exige que as organizações preparem a força de trabalho e redesenhem o fluxo de trabalho inteiro, não tarefas isoladas

A IA redefine as fronteiras do trabalho

• Maior autonomia e capacidade de agentes e robôs

  • No passado, as máquinas eram projetadas para seguir regras e operar apenas de forma pré-determinada
  • Com a chegada da IA, agentes e robôs que executam trabalho cognitivo e físico passaram a aprender com grandes conjuntos de dados e ganhar mais capacidades
  • Eles conseguem responder a vários tipos de entrada, incluindo linguagem natural, e se adaptar ao contexto em vez de depender de regras prévias
  • Com a tecnologia atual, cerca de 57% das horas de trabalho nos EUA podem, em teoria, ser automatizadas, mas a adoção real depende de políticas, custo do trabalho, custo de implementação e tempo de desenvolvimento
  • A eletrificação levou mais de 30 anos para se disseminar, os robôs industriais seguiram um percurso semelhante de décadas e, em 2023, apenas cerca de um quinto das empresas operava a maioria das aplicações na nuvem

• A IA afeta todos os tipos de trabalho

  • Trabalho não físico representa cerca de dois terços das horas de trabalho nos EUA
  • Cerca de um terço do trabalho não físico exige habilidades sociais e emocionais que a IA ainda não alcançou
  • O restante envolve tarefas adequadas à automação, como raciocínio e processamento de informação, e representa cerca de 40% dos salários totais nos EUA
  • Trabalho físico responde por cerca de 35% das horas de trabalho nos EUA; embora os robôs tenham avançado, a maior parte desse trabalho ainda exige habilidades motoras finas, destreza manual e percepção situacional que a tecnologia ainda não consegue replicar com confiabilidade
  • Em cerca de 40% da força de trabalho dos EUA, o trabalho físico responde por mais da metade da jornada (motoristas, operários da construção, cozinheiros, auxiliares de saúde etc.)
  • Com o avanço dos robôs, são esperadas mudanças em ocupações como manufatura e preparo de alimentos, inclusive em alguns cargos de menor remuneração
  • Robôs também continuarão executando tarefas perigosas ou impossíveis para humanos, como trabalho subaquático, busca e resgate e inspeção em ambientes de risco

• As pessoas são indispensáveis

  • No nível atual de capacidade, agentes podem executar 44% das horas de trabalho nos EUA, e robôs, 13%
  • Para ampliar ainda mais a automação, seriam necessárias capacidades hoje exclusivas dos humanos, como interpretar intenções e emoções (agentes) e controle motor fino (robôs)
  • Com o avanço tecnológico, alguns papéis devem encolher, outros se expandir ou mudar de foco, e novos papéis devem ser criados
  • Caso da radiologia: entre 2017 e 2024, o emprego de radiologistas cresceu cerca de 3% ao ano apesar do avanço da IA; enquanto a IA melhora precisão e eficiência, os médicos se concentram em decisões complexas e cuidado com o paciente
    • A Mayo Clinic ampliou sua equipe de radiologia em mais de 50% desde 2016, ao mesmo tempo em que implantou centenas de modelos de IA
  • A IA está criando novos tipos de trabalho e funções (engenheiros de software criando e aprimorando agentes, designers e criadores produzindo novos conteúdos com ferramentas generativas etc.)

Sete tipos de trabalho

• Cerca de 800 ocupações foram analisadas e classificadas em sete tipos conforme o potencial de automação física e não física
• As ocupações com menor potencial de automação foram classificadas como centradas em pessoas (people-centric), enquanto aquelas com alta proporção de tarefas automatizáveis foram classificadas como centradas em agentes (agent-centric) ou centradas em robôs (robot-centric)
• Funções em que duas ou três formas se combinam de maneira equilibrada foram classificadas como tipos mistos ou híbridos

• Funções centradas em pessoas

  • Encontradas em áreas como saúde e manutenção predial, representam cerca de um terço dos empregos nos EUA
  • Salário médio anual de cerca de US$ 71 mil
  • Atividades físicas impossíveis de replicar com a tecnologia atual ocupam cerca de metade da jornada

• Funções centradas em agentes e centradas em robôs

  • São as funções com maior potencial de automação e representam cerca de 40% de todos os empregos
  • A maioria são funções centradas em agentes em serviços jurídicos e administrativos, com salário médio anual de cerca de US$ 70 mil, incluindo grande volume de trabalho cognitivo, como elaboração de documentos, que sistemas de IA podem processar tecnicamente
  • As funções centradas em robôs (motoristas, operadores de máquinas etc.) têm maior exigência física e às vezes são perigosas, com salário médio anual de cerca de US$ 42 mil
  • As funções agente-robô representam cerca de 2% de todos os trabalhadores, com salário médio anual de cerca de US$ 49 mil; o trabalho físico responde por 53% da jornada e essas funções aparecem principalmente em ambientes produtivos como manufatura automatizada e operações logísticas, onde a inteligência de software dirige sistemas físicos

• Funções híbridas

  • Reúnem várias ocupações que combinam humanos, agentes e robôs, empregando cerca de um terço da força de trabalho
  • Remuneração, intensidade física e potencial de automação variam bastante, mas em todos os contextos as pessoas são essenciais
  • Funções pessoa-agente: professores, engenheiros e profissionais de finanças, entre outros, podem melhorar o trabalho com ferramentas digitais e de IA; salário médio anual de US$ 74 mil e cerca de um quinto dos trabalhadores dos EUA
  • Funções pessoa-robô: encontradas em manutenção e construção, nas quais máquinas acrescentam força e precisão ao esforço humano; o trabalho físico representa cerca de 81% da jornada, com salário médio anual de US$ 54 mil, e abrangem menos de 1% dos trabalhadores dos EUA
  • Funções pessoa-agente-robô: encontradas em transporte, agricultura e serviços de alimentação, combinam quase igualmente as três formas de trabalho; o trabalho físico representa cerca de 43% da jornada, com salário médio anual de US$ 60 mil, e correspondem a cerca de 5% dos trabalhadores dos EUA

Mudança nos requisitos de habilidades

• A análise de vagas mostrou que cerca de 6.800 habilidades são mencionadas com frequência em mais de 11 milhões de anúncios de emprego
• Em quase todas as ocupações, há pelo menos uma habilidade altamente transformada no quartil superior até 2030
• Em um terço das ocupações, espera-se grande mudança em mais de 10% das habilidades

• Maior detalhamento e especialização dos requisitos de habilidades

  • O número de habilidades exclusivas associadas a cada ocupação aumentou, em média, de 54 para 64 em dez anos, tornando mais específica a forma como os empregadores descrevem as funções
  • Áreas de alta remuneração tendem a exigir mais habilidades e maior especialização
    • Anúncios para cientistas de dados e economistas listam mais de 90 habilidades exclusivas
    • Motoristas de automóveis listam menos de 10
  • Ocupações de alta remuneração enfatizam habilidades gerenciais, informacionais e digitais
  • Funções de baixa remuneração se concentram em trabalho operacional, operação de equipamentos e oferta de cuidado e suporte

• Habilidades transferíveis e 8 habilidades de alta frequência

  • Cada onda de mudança nas habilidades vem alterando a forma como os trabalhadores executam seu trabalho, mas a diferença de hoje é a velocidade
  • Até 2023, a demanda por habilidades relacionadas à IA crescia em ritmo semelhante ao de outras habilidades digitais, como computação em nuvem e cibersegurança
  • Após a ascensão da IA generativa, houve forte aceleração: nos últimos dois anos, cerca de 600 novas habilidades apareceram em anúncios de emprego (aproximadamente um terço do total adicionado na última década), muitas delas ligadas à IA e tecnologias relacionadas
  • A mudança acelerada aumenta o valor das habilidades transferíveis
  • Apesar da maior especialização, 8 habilidades de alta frequência — comunicação, relacionamento com clientes, redação, resolução de problemas, liderança, gestão, operações e atenção aos detalhes — continuam válidas em diferentes setores e faixas salariais
  • Essas habilidades formam o tecido conectivo do mercado de trabalho e são centrais para o desenvolvimento da força de trabalho
  • Muitas outras habilidades também são transferíveis entre ocupações: por exemplo, mais da metade das habilidades exigidas para Account Executive também aparece em 175 outras ocupações

• Crescimento explosivo da demanda por fluência em IA (AI Fluency)

  • A demanda por fluência em IA (capacidade de usar e gerenciar ferramentas de IA) cresceu quase 7 vezes em dois anos, até meados de 2025
  • Hoje, ela surge como requisito em ocupações que empregam cerca de 7 milhões de trabalhadores
  • A demanda por habilidades técnicas de IA (construção e implantação de sistemas de IA) também está crescendo, mas em ritmo mais lento
  • 75% da demanda por habilidades de IA está concentrada em três grupos ocupacionais: computação e matemática, gestão e negócios e finanças
  • O restante vem de 10 outros grupos ocupacionais, como arquitetura e engenharia, instalação, manutenção e reparo, e educação
  • Em 9 grupos ocupacionais — como construção, transporte e serviços de alimentação — (cerca de 40% da força de trabalho, com renda mediana igual ou inferior à média), a demanda por habilidades relacionadas à IA é limitada
  • Os empregadores também estão aumentando a demanda por competências adjacentes à IA, como otimização de processos, garantia de qualidade e treinamento
  • Em contrapartida, as menções em anúncios de emprego a áreas que as máquinas já executam bem ou melhoram bastante — pesquisa, redação e matemática simples — estão diminuindo, embora essas habilidades ainda sejam essenciais para a maior parte da força de trabalho

• A maioria das habilidades humanas continua válida, mas a forma de uso muda

  • Cerca de 72% das habilidades são necessárias tanto para tarefas que a IA pode executar quanto para tarefas que as pessoas precisam realizar
  • Um pequeno grupo de habilidades deve continuar sendo unicamente humano, enraizado em empatia, criatividade e compreensão contextual, como resolução de conflitos interpessoais e design thinking
  • No outro extremo do espectro, há habilidades com alta probabilidade de se tornarem majoritariamente guiadas por IA, como entrada de dados, processamento financeiro e controle de equipamentos
    • Nessa área, as pessoas se afastam da execução prática para se concentrar em design, validação de resultados e tratamento de exceções
  • Na ampla zona intermediária entre os extremos, pessoas e IA colaboram lado a lado
    • Forma-se uma parceria tecnológica: as máquinas cuidam das tarefas rotineiras, enquanto as pessoas enquadram problemas, dão instruções a agentes de IA e robôs, interpretam resultados e tomam decisões
    • Os humanos fornecem o julgamento e a compreensão contextual que ainda faltam às máquinas, combinando colaboração e supervisão

Skill Change Index (SCI)

• O SCI é um índice ponderado no tempo que mede a exposição potencial de cada habilidade à automação em diferentes cenários de adoção
• Entre as 100 habilidades mais demandadas, o efeito da IA varia muito
  • Habilidades centradas nas pessoas, como coaching, têm a menor exposição à automação
  • Habilidades manuais e rotineiras, como processamento de faturas, têm a maior exposição
  • Habilidades como garantia de qualidade ficam no meio da distribuição, em uma zona em que a IA muda a forma de uso da habilidade em vez de substituí-la

• Exposição de 7.000 habilidades

  • Habilidades digitais e de processamento de informações aparecem no topo do SCI, refletindo a melhora da capacidade da IA de processar e analisar dados
  • Habilidades de cuidado e suporte são as que devem sofrer menos mudança

• Três caminhos da evolução das habilidades

  • Habilidades de alta exposição (quartil superior): têm maior probabilidade de ver a demanda cair; incluem principalmente habilidades especializadas que a IA já executa bem, como processos contábeis e programação em linguagens específicas
  • Habilidades do quartil intermediário: têm maior probabilidade de evoluir em sua natureza e forma de aplicação do que de simplesmente subir ou cair em demanda; incluem principalmente habilidades transferíveis que combinam julgamento humano e ferramentas digitais, além da fluência em IA; pessoas passam a aplicar habilidades como redação e pesquisa de novas maneiras
  • Habilidades de baixa exposição (quartil inferior): têm maior probabilidade de persistir; incluem principalmente habilidades baseadas em conexão humana e cuidado, como liderança e competências de saúde

Valor econômico e redesenho de workflows

• A automação baseada em IA pode gerar, até 2030, cerca de US$ 2,9 trilhões em valor econômico anual nos Estados Unidos, em um cenário de adoção intermediária
• Para realizar esses ganhos, é necessário não automatizar tarefas isoladas, mas sim redesenhar workflows inteiros para que pessoas, agentes e robôs possam colaborar de forma eficaz

• A maioria das empresas ainda não alcança ganhos concretos

  • Cerca de 90% das empresas dizem ter investido em IA, mas menos de 40% relatam ganhos mensuráveis
  • A origem da lacuna: muitos projetos ainda estão em fase piloto/de demonstração, ou as organizações estão aplicando IA a tarefas isoladas em vez de redesenhar workflows completos
  • Exemplo: em um banco, oferecer aos funcionários um chatbot de uso temporário versus implantar agentes personalizados em um processo repensado com humanos para aprovação, processamento e gestão de empréstimos

• Distribuição dos ganhos de produtividade

  • Análise de 190 processos de negócios em toda a economia dos EUA
  • Cerca de 60% dos ganhos potenciais de produtividade se concentram em workflows ligados a domínios específicos de setores (as atividades centrais de cada indústria)
    • Manufatura: gestão da cadeia de suprimentos
    • Saúde: diagnóstico clínico e cuidado do paciente
    • Finanças: conformidade regulatória e gestão de riscos
  • Ganhos adicionais surgem em funções transversais que dão suporte a todos os setores, como TI, finanças e serviços administrativos

Estudo de caso: workflows com IA embarcada

• Confira 80 casos de implementação de redesenho de workflows centrados em IA
• Gestores e especialistas estão migrando gradualmente do papel de executores para o de orquestradores e validadores
• Especialistas de domínio, como analistas de dados, underwriters e engenheiros, fazem parceria com agentes que realizam a análise inicial ou geram rascunhos
• As habilidades humanas mais valiosas estão migrando para fluência em IA, adaptabilidade e avaliação crítica dos resultados, permitindo que as pessoas se concentrem em trabalhos de maior valor

• Caso de vendas: empresa global de tecnologia

  • Busca ampliar o alcance e aprofundar o relacionamento com clientes
  • No modelo anterior, a equipe humana de vendas usava métodos inconsistentes de priorização, tinha capacidade limitada de abordagem personalizada para milhares de contas pequenas, e apenas os principais leads recebiam atenção sob medida
  • Introdução de múltiplos agentes de IA para automatizar as etapas iniciais do processo comercial
    • Agente de priorização: pontua e classifica contas com base em dados públicos e proprietários
    • Agente de abordagem: entra em contato com clientes
    • Agente de resposta do cliente: gerencia follow-ups e classifica leads como interessados, desinteressados ou incertos
    • Agente de agendamento: marca ligações e lembretes para leads de alto potencial
    • Agente de handoff: transfere o caso para especialistas quando é necessário julgamento humano
  • Resultado: projeção de aumento da receita anual em 7–12% com crescimento de novas vendas, cross-sell e retenção, além de economia de 30–50% do tempo em funções de vendas
  • Especialistas em desenvolvimento de negócios podem dedicar mais tempo a participação estratégica, como elaboração de propostas, negociação de parcerias e construção de relacionamentos
  • No futuro, podem ser adicionados um agente de coaching (feedback em tempo real para a equipe de vendas) e um agente de gestão (assistente para tarefas administrativas de rotina)

• Caso de operações com clientes: grande empresa de serviços públicos

  • Processa mais de 7 milhões de chamadas de suporte por ano, apesar de ter várias opções de autoatendimento no app e no site
  • O sistema tradicional de resposta audível interativa resolvia apenas cerca de 10% das solicitações, e o restante era encaminhado para atendentes humanos
  • Implantação de IA conversacional agentiva em toda a base de clientes
    • Agente de chamadas de entrada: autentica o cliente
    • Agente de identificação de intenção: identifica o objetivo da chamada
    • Agente de agendamento de chamadas: gerencia compromissos
    • Agente de autoatendimento: integrado aos sistemas de backend
  • Resultado: atualmente processa cerca de 40% de todas as chamadas, e resolve mais de 80% delas sem intervenção humana
    • Quando é necessário escalonamento, encaminha junto os dados validados da conta e o histórico da conversa para garantir um handoff fluido
    • Custo médio por chamada reduzido em cerca de 50%
    • Pontuação de satisfação do cliente aumentou 6 pontos percentuais com menor tempo de espera, tratamento consistente e resolução mais rápida
    • Os atendentes humanos passam a gerenciar questões mais complexas, emocionalmente sensíveis e de maior valor
  • No futuro, podem ser adicionados um agente de identificação de problemas do cliente (detecta interrupções de serviço e monitora contatos proativos com clientes) e um agente de coaching (fornece orientação em tempo real aos atendentes humanos durante as chamadas)
  • A expectativa é que agentes avançados de IA consigam, no fim, lidar com 80–90% das consultas dos clientes

• Caso de redação médica: empresa biofarmacêutica global

  • Busca melhorar o processo de produção de relatórios de estudo clínico que documentam dados de segurança e eficácia de novos medicamentos
  • No modelo anterior, redatores médicos coletavam manualmente os dados do estudo, redigiam relatórios longos e coordenavam vários ciclos de revisão
  • A capacidade limitada e o longo tempo necessário restringiam a habilidade de atender à crescente demanda por submissões
  • Desenvolvimento de uma plataforma de IA que reconfigura o workflow de elaboração dos relatórios
    • Sintetiza dados estruturados e não estruturados do estudo, gera rascunhos abrangentes em minutos, aplica templates de estilo corporativo e conformidade regulatória, e revisa os próprios erros
  • O papel dos redatores médicos mudou de redação manual de rascunhos para colaboração com o sistema de IA e aplicação de julgamento clínico
  • Resultado: redução de cerca de 60% no tempo de toque do primeiro rascunho revisado por humanos, e de cerca de 50% nos erros
    • Quando combinado com outras mudanças relacionadas de processo e tecnologia, o esforço para colocar o produto no mercado pode ser reduzido em várias semanas, com melhorias adicionais previstas
  • No futuro, podem ser usados agentes para apoiar etapas-chave, do planejamento do estudo clínico à submissão: agente de planejamento de estudo clínico (monta o protocolo do ensaio), agente de mapeamento de dados (analisa e sintetiza dados), agente de redação de relatório (gera o rascunho completo), agente de validação (verifica conformidade), agente de revisão (varre erros), agente de rascunho para submissão (gera documentos para envio a órgãos reguladores)
  • Aplicado em todo o ciclo de pesquisa, o cronograma pode ser reduzido em vários meses

• Caso de modernização de TI: banco regional

  • Uso de agentes de IA para modernizar um aplicativo bancário para pequenas e médias empresas
  • Objetivo de atualizar várias linguagens de programação para acelerar a velocidade de desenvolvimento interno
  • Abordagem anterior: documentação manual, refatoração de código e testes em milhões de linhas de código exigiam meses de trabalho, grande orçamento e ampla capacidade de engenharia
  • Início de um piloto usando agentes de IA em várias tarefas de modernização
    • Agente de avaliação: faz varredura no codebase legado para identificar dependências
    • Agente funcional: gera a arquitetura do estado-alvo
    • Agente de codificação: migra o código para o novo framework e executa testes automatizados
  • Desenvolvedores trabalham com 15–20 agentes para validar e melhorar os resultados quanto à integridade da arquitetura, conformidade regulatória e precisão funcional
  • Durante a modernização, a aplicação passa de desktop para mobile, de on-premises para cloud, e de arquitetura monolítica para microsserviços
  • Com os agentes de IA assumindo a maior parte da execução repetitiva, o foco do trabalho humano migra para planejamento, orquestração e testes
  • Resultados iniciais: até 70% de precisão do código
  • Após o módulo piloto, o banco planeja ampliar o uso de agentes para todo o esforço de modernização, com estimativa de redução de até 50% no tempo humano necessário
  • No futuro, poderá contar com um agente de planejamento de modernização (coordena o processo), agente de garantia de qualidade e agente de testes

• A IA remodela o trabalho e as habilidades de gestão

  • À medida que a IA assume mais tarefas de análise e apoio à decisão, a natureza do trabalho gerencial muda de supervisão de pessoas para orquestração de sistemas em que pessoas, agentes de IA e robôs colaboram
  • Gestores podem realocar tempo para atividades de maior valor, como influência e mentoria, mas isso também exige maior fluência técnica
    • Ex.: gerente de vendas pode dedicar mais tempo a orientar a equipe para usar insights baseados em IA e fortalecer relacionamentos
    • Ex.: gerente de atendimento ao cliente pode supervisionar uma força de trabalho híbrida de humanos e agentes de IA, treinando tanto os sistemas de IA quanto os funcionários para melhorar o serviço

Perguntas-chave para líderes empresariais

• Reimaginar o negócio para o valor futuro

  • Os esforços iniciais com IA frequentemente se concentram em melhorar o que já existe, em vez de repensar os fluxos de trabalho
  • Os maiores ganhos vêm do redesenho completo dos processos
  • Para construir valor futuro, é preciso olhar vários anos à frente e trabalhar de trás para frente para identificar quais funções, competências e estruturas precisam mudar em relação à IA
  • Os líderes precisam escolher agora onde investir em redesenhos importantes e onde aprimorar o modelo atual para obter ganhos de curto prazo

• Liderar a IA como uma transformação central do negócio

  • A IA afeta praticamente todas as funções
  • Os líderes podem abordá-la como um projeto de tecnologia ou como uma transformação mais ampla do negócio
  • Delegar a responsabilidade ao departamento de TI pode acelerar a implementação, mas a mudança duradoura e a vantagem estratégica real dependem do compromisso visível da alta liderança e da atenção contínua ao impacto da IA sobre as pessoas e o negócio em toda a organização

• Construir uma cultura de experimentação e aprendizado

  • A implementação de IA envolve incerteza, especialmente no início
  • Organizações que testam e se adaptam rapidamente tendem a aprender mais rápido
  • Isso depende de uma cultura que apoie curiosidade, disposição para assumir riscos, aprendizado com falhas e colaboração
  • A mudança cultural é difícil, mas essencial para a escala de transformação que a IA provavelmente exigirá

• Construir confiança e garantir segurança

  • A IA muda a forma como as empresas mantêm responsabilidade e supervisão
  • O foco sai da verificação de resultados individuais e passa para a definição de políticas claras, validação da lógica da IA, tratamento de exceções e decisão de quando a intervenção humana é mais necessária
  • O desafio é manter o equilíbrio certo entre supervisão suficiente para gerenciar riscos e garantir segurança sem limitar inovação e eficiência

• Capacitar gestores para liderar equipes híbridas

  • A IA redefine o significado de gestão
  • Com a automação da supervisão rotineira, os gestores podem se concentrar em coaching, influência e orquestração de equipes híbridas de pessoas, agentes e robôs
  • Os gestores também desempenham papel central em testes de viés, validação de desempenho e preservação da integridade
  • À medida que a automação reduz o controle direto, pode ficar mais difícil manter a responsabilidade pelos resultados
  • Serão necessários novos indicadores de desempenho e sistemas de feedback para avaliar contribuições e interações entre humanos e máquinas

• Decidir como usar a capacidade liberada pela IA

  • As empresas precisam decidir como usar a capacidade liberada pela IA: reinvestir no desenvolvimento da força de trabalho e em tarefas de maior valor ou focar em maior eficiência e redução de custos
  • A maioria fará um pouco de ambos
  • Gerenciar essa transição exige identificar quais funções podem evoluir e oferecer aos funcionários caminhos claros de crescimento baseados em competências
  • Com a IA, aprendizado e treinamento contínuos se tornam ainda mais importantes para a força da organização
  • À medida que mudanças nas profissões e necessidades de competências evoluem mais rapidamente, ajudar os trabalhadores a entender como suas competências podem ser transferidas para novos tipos de trabalho contribui para fortalecer a resiliência tanto das pessoas quanto das empresas
  • A fluência em IA precisa se expandir para todos os níveis da organização
  • As empresas podem desenvolver essas competências por meio de ferramentas digitais, projetos práticos e coaching, e podem ampliar o acesso ao aprendizado e abrir novas oportunidades por meio de parcerias com outras organizações e instituições

Perguntas-chave para instituições

• Evolução da educação e do treinamento

  • À medida que as necessidades de competências evoluem, a educação desempenha um papel central
  • É preciso desenvolver desde o ensino fundamental as bases da fluência em IA — pensamento crítico, questionamento de resultados, desafio de premissas, reconhecimento de vieses e erros etc. — para que as pessoas aprendam a usar e orientar essas tecnologias de forma eficaz
  • É possível redesenhar currículos para combinar conhecimento técnico com competências humanas transferíveis, como adaptabilidade, pensamento analítico e colaboração
  • Universidades podem integrar IA em todas as áreas acadêmicas, e escolas técnicas e community colleges podem expandir a formação em ofícios especializados
  • A IA pode apoiar um aprendizado mais personalizado e contínuo
  • Com o aumento da demanda por requalificação, é necessário investir em aprendizado ao longo da vida
  • Sistemas educacionais e empregadores precisam cooperar mais de perto por meio de programas compartilhados, modelos flexíveis, aprendizagem remunerada e certificação rápida para apoiar a mobilidade das pessoas entre empregos e setores

• Um sistema em que competências transferíveis levem a novas oportunidades

  • À medida que a IA transforma o trabalho, muitas pessoas precisarão migrar para ocupações totalmente novas
  • Nessas transições, as competências transferíveis são essenciais, mas isso só tem valor se o mercado de trabalho puder reconhecê-las e recompensá-las
  • Definições claras de competências, métodos confiáveis para comprovar capacidades (testes ou credenciais verificadas) e plataformas de matching melhores tornam isso possível
  • Construir conexões entre empregadores, escolas e órgãos certificadores pode ampliar o acesso ao trabalho e às oportunidades

• Resposta das economias locais e das comunidades

  • O impacto da IA varia muito conforme o setor e a região
  • Entender essas diferenças por meio de dados é o primeiro passo para medidas eficazes
  • Com uma visão clara de onde as mudanças estão ocorrendo, grupos industriais, educadores, agências de emprego e sindicatos podem colaborar em estratégias de treinamento e transição profissional adaptadas às necessidades locais

Definições de termos

• Adoção (Adoption): implantação de IA e tecnologias de automação em atividades reais de trabalho e fluxos de trabalho dentro do contexto de uma organização ou da força de trabalho, determinando quanto, com que rapidez e com que amplitude o potencial de automação é capturado
• Agentes (Agents): máquinas que executam atividades de trabalho no mundo digital, ampliando ou substituindo capacidades não físicas humanas (como geração de linguagem natural, raciocínio social e emocional, criatividade etc.)
• Agentes com IA (AI-powered agents): agentes com IA incorporada, capazes de agir com mais autonomia e orquestrar fluxos de trabalho; também chamados de IA agêntica
• Robôs com IA (AI-powered robots): robôs com IA incorporada, capazes de agir com mais autonomia e orquestrar fluxos de trabalho
• Inteligência artificial (Artificial Intelligence, AI): capacidade de software de executar tarefas que tradicionalmente exigem inteligência humana, potencialmente ampliando ou substituindo capacidades humanas
• Capacidades (Capabilities): habilidades físicas ou não físicas que apoiam a aplicação de competências, avaliadas com base no nível de desempenho humano necessário para executar atividades de trabalho; capacidades não físicas incluem capacidades cognitivas (linguagem natural, raciocínio lógico, criatividade, navegação etc.) e sociais/emocionais
• IA generativa (Generative AI): aplicação de IA que recebe dados não estruturados como entrada e gera dados não estruturados por meio de modelos fundacionais (grandes redes neurais artificiais treinadas com enormes volumes de dados diversos)
• Trabalho não físico (Nonphysical work): trabalho que envolve capacidades cognitivas ou sociais/emocionais, e não movimento físico (como resolução de problemas, processamento de informações, criação e colaboração com outras pessoas)
• Ocupações (Occupations): conjunto de empregos que compartilham tarefas ou atividades de trabalho semelhantes, descritíveis em termos de competências, contexto de trabalho e outras qualificações; nos EUA, usa-se o sistema Standard Occupational Classification mantido pelo Bureau of Labor Statistics
• Trabalho físico (Physical work): trabalho que envolve interação direta com o mundo físico e requer capacidades baseadas em movimento, como habilidades motoras amplas, habilidades motoras finas e mobilidade; geralmente inclui manipulação ou movimentação de objetos, ferramentas e máquinas, montagem ou posicionamento de materiais, ou execução de movimentos que dependem de força ou destreza humana
• Robôs (Robots): máquinas que executam atividades de trabalho no mundo físico, ampliando ou substituindo capacidades físicas humanas (habilidades motoras amplas, habilidades motoras finas, mobilidade)
• Competências (Skills): conhecimentos, capacidades e atributos mobilizados pelas pessoas para executar atividades de trabalho, geralmente adquiridos por educação formal, treinamento e experiência profissional; Lightcast e ESCO oferecem sistemas de classificação de competências orientados pelo mercado
• Potencial técnico de automação (Technical automation potential): proporção do tempo de trabalho que, em teoria, pode ser automatizada em determinado nível de capacidade tecnológica; o potencial técnico de automação em toda a economia dos EUA é avaliado por meio da análise detalhada das atividades de trabalho de cada ocupação; usando bases de dados publicadas pelo Bureau of Labor Statistics dos EUA e pela O*NET, cerca de 800 ocupações são decompostas em aproximadamente 2.000 atividades, e são determinadas as capacidades necessárias para cada atividade com base na forma como os humanos a executam atualmente no trabalho
• Atividades de trabalho (Work activities): comportamentos de trabalho observáveis que representam o que as pessoas fazem para alcançar os objetivos de uma ocupação; nos EUA, a O*NET os classifica oficialmente como Detailed Work Activities (DWA)
• Fluxos de trabalho (Workflows): sequências estruturadas de atividades de trabalho que fazem o trabalho avançar coletivamente rumo a um objetivo definido, orientadas por processos (como regras, dependências e fluxo de informações) e envolvendo pessoas e tecnologia