Em 1965, um jovem primeiro-oficial da Pan Am sentou-se no assento da direita de um 707, na sua milésima centésima hora, e fez o que sempre fazia: observou. Observou as mãos do comandante. Observou os mostradores. Observou o tempo se formar sobre o Atlântico e aprendeu, no próprio corpo, como era uma corrente descendente seis segundos antes de os instrumentos confirmarem. Ninguém chamava isso de treinamento. Chamavam isso de voar. Mas o que ele realmente fazia, absorvendo milhares de microdecisões sobre quando confiar na máquina e quando intervir, era o investimento mais caro e menos visível que a indústria aérea fazia.
Em 1970, havia aproximadamente 34.000 pilotos de transporte aéreo nos Estados Unidos. O piloto automático já conseguia voar o avião. A previsão era óbvia: a profissão estava acabada.
Em 2020, havia mais de 164.000. Um aumento de quase cinco vezes.
A automação não acabou com o piloto. Ela tornou as viagens aéreas tão baratas e tão seguras que o mercado explodiu, e os pilotos simplesmente subiram na cadeia. Eles passaram da execução física, do manche e do leme, para a gestão de sistemas, o julgamento e a intervenção em crises.
Mas aqui vai o detalhe que mais importa, e é o menos discutido: o funil de treinamento sobreviveu. A FAA ainda exigia 1.500 horas de voo antes que um piloto pudesse se sentar em um cockpit comercial. Copilotos juniores ainda registravam milhares de horas no assento da direita, aprendendo quando confiar na máquina e exatamente quando intervir. O aprendizado, o processo lento e pouco glamouroso de transformar um novato em alguém cuja experiência justificaria apostar a própria vida, permaneceu completamente intacto.
Cada onda anterior de automação seguiu exatamente este modelo. As máquinas absorvem a execução rotineira. Os humanos sobem na cadeia de valor. A rampa de entrada para a expertise continua aberta.
Desta vez, a própria rampa está desaparecendo.
Ninguém Quer Pagar pela Prática
A IA está tornando a execução abundante e quase gratuita. Código, diagnósticos, pareceres jurídicos, modelos financeiros, o que antes exigia anos de treinamento humano caro para ser produzido, um modelo agora consegue gerar em segundos. Mas, como estamos aprendendo rapidamente, gerar um resultado e confiar em um resultado são problemas econômicos fundamentalmente diferentes.
O recurso escasso em uma economia inundada por trabalho gerado por IA não é produção. É verificação, a capacidade humana de checar se o resultado está realmente certo, capturar os erros sutis e saber quando a máquina, com confiança, saiu da sua área de competência.
A verificação exige algo que não pode ser baixado: experiência tácita. Uma radiologista sênior identifica uma leitura errada, porém confiante, da IA porque já analisou milhares de exames e desenvolveu uma intuição visceral para o que não se encaixa. Um engenheiro veterano aponta uma falha de projeto gerada por IA porque já depurou sistemas suficientes em produção para saber exatamente como as coisas quebram no mundo real. Esse tipo de experiência não é ensinado em sala de aula. Ele é construído, lentamente, ao longo de anos fazendo o trabalho, cometendo erros, enfrentando casos-limite e desenvolvendo o reconhecimento de padrões que os livros deixam de fora.
O que levanta uma pergunta desconfortável e estrutural: de onde virão os próximos verificadores?
O Degrau Mais Baixo Não Existe
Usando dados de folha de pagamento de alta frequência do maior provedor de folha de pagamento dos EUA, pesquisadores de Stanford, Erik Brynjolfsson, Bharat Chandar e Ruyu Chen, documentaram recentemente um declínio relativo de 16% no emprego de trabalhadores de 22 a 25 anos em ocupações expostas à IA. Trabalhadores experientes exatamente nessas mesmas funções? Estáveis ou em crescimento.
A IA está serrando metodicamente o degrau mais baixo da escada de carreira. No nosso novo artigo, “Some Simple Economics of AGI” (“Algumas noções simples de economia da IA geral”, em tradução livre), meus coautores Xiang Hui, Jane Wu e eu chamamos isso de Missing Junior Loop. Argumentamos que essa é a dinâmica específica que torna esta onda de automação estruturalmente diferente de todas as anteriores.
Aqui está a matemática subjacente. A expertise humana não é uma credencial que você conquista uma vez e guarda para sempre em uma gaveta. Ela é um estoque que precisa ser construído e mantido ativamente por meio da execução. Um residente de medicina não vira especialista em diagnóstico apenas lendo, um engenheiro de software júnior não aprende a destrinchar código legado apenas com o curso. A educação fornece o mapa abstrato, mas o mapa só se torna útil com o atrito de fazer trabalho real.
Quando a IA torna a execução de nível inicial mais barata do que o trabalho humano júnior, as empresas, de forma racional, param de contratar juniores. Por que pagar a um analista de primeiro ano para construir um modelo financeiro se a IA faz isso instantaneamente? No curto prazo, isso é um ganho puro de eficiência. Mas, no longo prazo, isso rompe o funil de aprendizado. Destrói exatamente o mecanismo pelo qual os juniores acumulam a experiência que, mais adiante, os transforma em seniores capazes de verificar o resultado da IA.
A capacidade da economia de executar está escalando rapidamente, ao minerar e codificar o conhecimento dos especialistas de hoje, enquanto sua capacidade de verificar essa execução se deteriora em silêncio, porque o funil que produz os especialistas de amanhã foi cortado. As curvas se cruzam e, do outro lado, você tem uma economia gerando produção infinita que cada vez menos humanos estão qualificados para checar. Este é o equivalente, em IA, de desmatar uma floresta para vender a madeira enquanto você se convence de que as árvores vão voltar a crescer.
Mesmo depois da invenção do piloto automático, copilotos ainda treinavam em cockpits reais. O júnior deslocado pela IA nunca tem essa chance. “Aprender enquanto ganha” vira “pagar para praticar”, se a oportunidade de praticar existir.
Os Especialistas Estão Treinando Seus Substitutos
Seniores estão prosperando agora. Eles têm a experiência, o conhecimento institucional e as cicatrizes de batalha que os tornam verificadores indispensáveis. Mas duas forças estão convergindo para corroer essa vantagem.
Primeiro, as capacidades da IA simplesmente estão melhorando. A fronteira do que os modelos conseguem fazer de forma autônoma se expande a cada trimestre, avançando sobre tarefas que hoje ainda exigem expertise sênior.
Segundo, e de forma mais insidiosa, os próprios seniores estão acelerando esse processo. Chamamos isso de Codifier’s Curse. Cada vez que um especialista sênior corrige uma alucinação da IA, rotula dados de treinamento, revisa um pull request gerado por IA ou resolve um caso-limite estranho, ele gera um sinal de treinamento de alta fidelidade. Ele está ensinando o próximo modelo a lidar exatamente com o que acabou de lidar. Sua intuição, conquistada com esforço fora da distribuição, simplesmente vira dado de treinamento dentro da distribuição do modelo. O especialista está encolhendo constantemente a própria área de incerteza que justifica seu prêmio.
Isso é um clássico dilema do prisioneiro, mas com currículos. Cada especialista, de modo racional, monetiza seu conhecimento tácito antes que ele se deprecie, consultando para laboratórios de IA, ajustando modelos, sendo pago para auditar lixo. Mas, como outros farão o mesmo se um indivíduo se recusar, a automação coletiva da expertise avança de forma inevitável, impulsionada pelas escolhas altamente racionais das mesmas pessoas que ela desloca.
A Boeing Pulou o Treinamento. 346 Pessoas Morreram.
Quando a Boeing desenvolveu o 737 MAX, ela fez uma escolha corporativa deliberada de encurtar o funil de verificação. Para economizar dinheiro dos clientes, companhias aéreas, em custos de transição, a empresa ocultou dos pilotos o comportamento do novo sistema de controle de voo MCAS e convenceu a FAA de que um treinamento intensivo em simulador era desnecessário.
Trezentas e quarenta e seis pessoas morreram em duas quedas com menos de cinco meses de diferença.
Uma investigação do Congresso determinou mais tarde que tratar o tempo em simulador como despesa desnecessária não apenas comprometeu a segurança, como também desvalorizou ativamente a expertise humana e deu à empresa uma desculpa para evitar corrigir as falhas de engenharia subjacentes.
A Boeing eliminou a infraestrutura de treinamento e simulação que tornava aqueles pilotos verificadores eficazes de um sistema automatizado. O paralelo com o Missing Junior Loop é exato: você pode manter humanos na cadeira, mas, se você destrói o funil que desenvolve a experiência deles, a verificação vira teatro.
Construa o Simulador ou Perca o Cirurgião
A economia está consumindo um recurso finito, a expertise humana acumulada, para alimentar um boom de execução movida a IA, sem investir nos mecanismos para repô-la. Isso não é um ajuste padrão de mercado de trabalho. É uma queima de capital intelectual.
Mas a mesma IA que ameaça o funil de aprendizado oferece a contramedida mais poderosa. A solução exige uma reorientação radical de como o treinamento humano funciona.
A aviação resolveu isso décadas atrás: pilotos treinam em simuladores de alta fidelidade antes de voar com passageiros reais. A IA agora pode gerar ambientes de simulação equivalentes para trabalho cognitivo, comprimindo anos de experiência tradicional no trabalho em meses. Juniores poderiam fazer exercícios adversariais contra sistemas de IA, encontrar casos-limite raros sob demanda e receber feedback rápido em uma densidade impossível em qualquer aprendizado corporativo tradicional. Precisamos disso para medicina, cibersegurança, finanças e mais.
Além disso, quando o custo de execução colapsa, a economia pode migrar de um mercado de credenciais para um mercado de descoberta. Hoje, o funil de talentos filtra sobretudo por privilégio e persistência: quem pode pagar pela escola certa e conseguir o primeiro emprego certo. Quando o custo de experimentar se aproxima de zero, a economia pode filtrar por aptidão bruta e demonstrada. Um estudante em qualquer lugar do mundo, com um dom natural para modelagem molecular, pode descobrir esse dom sem atravessar uma década de barreiras institucionais.
A Rampa de Volta para Cima
O prêmio econômico durável daqui para frente não pertence a quem consegue produzir resultado, isso agora é commodity. Ele pertence aos diretores, aqueles que conseguem traduzir metas em restrições, conduzir enxames de agentes, perceber o momento em que a máquina sai do rumo e assumir a responsabilidade quando ela falha.
A questão não é se os humanos conseguem subir na cadeia. Nós sempre conseguimos. A questão é se construiremos aprendizados sintéticos e mercados de descoberta rapidamente o suficiente para garantir que a próxima geração realmente saiba o que está vendo.
Cinquenta anos atrás, aquele jovem primeiro-oficial sobre o Atlântico aprendeu a voar observando as mãos do comandante. Ele estava absorvendo a experiência exata da qual a economia acabaria dependendo quando as máquinas assumissem o trabalho rotineiro. O aprendizado era estruturalmente essencial. Talvez devêssemos perceber isso antes de terminarmos de desmantelá-lo.
Christian Catalini
