Três amostras de uma união de madeira em um estojo, ao lado de uma peça montada e de outra amostra presa por um grampo azul.

Quem aprenderá a decidir quando automatizarmos o trabalho de início de carreira

Automatizar tarefas de início de carreira também muda a formação do discernimento profissional. Renovar essa capacidade exige criar e testar percursos de aprendizagem.

Alejandro Mayorga9 min de leitura

A promessa de liberar as pessoas do trabalho rotineiro para que se concentrem em decisões de maior valor contém uma suposição que convém explicitar: haverá pessoas capazes de tomar essas decisões. Em uma equipe de profissionais experientes, essa condição pode parecer garantida. Eles conhecem o contexto, reconhecem resultados estranhos e sabem quando uma resposta tecnicamente correta é insuficiente. Se parte desse discernimento se formou em um trabalho que a organização está prestes a eliminar, é preciso pensar também em quem chegará depois da automação e nunca percorrerá esse caminho.

Um profissional experiente e alguém que está começando podem usar a mesma ferramenta, receber a mesma recomendação e chegar a resultados semelhantes. Isso não permite concluir que tenham desenvolvido uma capacidade equivalente de avaliar a situação. O primeiro talvez reconheça uma omissão porque já viu suas consequências; o segundo pode aceitar a resposta porque ainda não sabe o que falta. Também é possível que a ferramenta ajude o iniciante a compreender algo que levaria muito mais tempo para descobrir sozinho. A diferença depende do que acontece durante o trabalho: quais problemas chegam às suas mãos, que parte precisa resolver, o que pode observar e como descobre se sua interpretação era adequada.

Por isso, chamar certas tarefas de “trabalho de início de carreira” diz menos do que parece. A expressão descreve seu lugar em uma trajetória profissional, mas não explica a função que cumprem nela. Classificar solicitações, preparar uma análise inicial ou investigar um incidente pode produzir um resultado útil e, ao mesmo tempo, permitir que alguém aprenda a distinguir situações, formule uma hipótese e receba correções (abre em uma nova aba) antes de assumir consequências maiores. Ou pode se resumir a uma repetição sem aprendizagem relevante. O fato de uma tarefa ter sido historicamente atribuída a iniciantes não faz dela uma boa escola, nem obriga a preservá-la quando existe uma forma melhor de realizá-la.

As evidências disponíveis tampouco justificam equiparar automação a perda de capacidade. No estudo de Erik Brynjolfsson, Danielle Li e Lindsey Raymond (abre em uma nova aba), publicado no The Quarterly Journal of Economics, a introdução de um assistente de IA no atendimento ao cliente gerou ganhos de produtividade especialmente expressivos entre os trabalhadores menos experientes e aqueles com desempenho anterior mais baixo. Os autores também encontraram indícios de aprendizagem: durante interrupções do assistente, quem já o havia utilizado mantinha tempos de atendimento menores do que antes de adotá-lo. Trata-se de um indício limitado de aprendizagem: as interrupções foram pouco frequentes, as estimativas foram imprecisas e o indicador era o tempo de atendimento. A evolução do discernimento profissional no longo prazo permanece em aberto. Em conjunto, os resultados sugerem que a tecnologia pode aproximar o iniciante de práticas antes concentradas em pessoas com mais experiência.

O que muda na experiência de aprender

A melhora imediata deixa outra pergunta em aberto: que aprendizagem a nova forma de trabalhar passa a proporcionar e qual deixa de ocorrer? Respostas corretas podem ensinar; também podem ocultar as decisões que permitiram chegar a elas. Para quem está aprendendo, receber uma solução pronta, examinar por que ela funciona e construir uma interpretação que depois será verificada são experiências diferentes. Se observarmos apenas a qualidade da entrega (abre em uma nova aba), essas diferenças podem permanecer invisíveis justamente quando os resultados estão melhorando.

Em sua pesquisa sobre aprendizagem em cirurgia robótica (abre em uma nova aba), Matthew Beane descreveu como uma reorganização tecnológica podia reduzir a participação dos residentes na prática da qual dependia sua formação. O trabalho continuava sendo realizado, mas mudava a relação entre quem sabia fazê-lo e quem precisava aprender. Embora se trate de outra tecnologia e de uma prática profissional distinta, esse antecedente ajuda a reconhecer um mecanismo relevante: o acesso a experiências formativas pode diminuir sem que essa mudança apareça como uma falha na operação.

Isso não torna necessário devolver todas as solicitações simples às pessoas. Exige perguntar como alguém poderá aprender a reconhecer uma exceção se quase não tiver acesso às situações que a tornam excepcional. Poderia, por exemplo, examinar casos já resolvidos com a ajuda da IA e confrontar seus próprios diagnósticos com as evidências do caso. O decisivo é que exista uma progressão clara entre a entrada na equipe e a responsabilidade que se espera assumir; atribuir de imediato “trabalho de maior valor” não cria, por si só, a capacidade que esse trabalho exige.

Uma pessoa compara um esquema desenhado no caderno com gráficos em uma pasta aberta; um notebook fica ao lado.

O que se aprende enquanto o desempenho melhora

Um assistente que permite explorar alternativas, consultar casos anteriores e verificar uma hipótese pode enriquecer a experiência disponível se mantiver o contato com o problema e ampliar o que o iniciante consegue compreender. Pode até tornar acessíveis situações que antes dependiam de encontrar o especialista certo no momento oportuno. Mas essa possibilidade exige atenção à tarefa que a pessoa efetivamente realiza. Uma interface que oferece explicações não demonstra, apenas por oferecê-las, que alguém as examine, as compreenda ou aprenda a questioná-las.

A distinção entre desempenho assistido e aprendizagem aparece com clareza em um experimento de Hamsa Bastani e seus coautores (abre em uma nova aba) com estudantes do ensino médio que praticavam matemática. O acesso a um assistente baseado em GPT melhorou seus resultados enquanto contavam com a ajuda, mas uma das versões levou a um desempenho inferior ao do grupo de controle na avaliação posterior sem ela. Uma versão concebida para orientar a aprendizagem atenuou esse prejuízo. Naquele contexto escolar e de curto prazo, a forma de oferecer ajuda mudou a relação entre resolver e aprender. Para o desenho do trabalho, o resultado deixa uma precaução útil: examinar separadamente o que uma pessoa consegue fazer com uma ferramenta e o que está aprendendo a fazer por meio dela.

Tampouco faria sentido definir o discernimento de um especialista como a capacidade de reproduzir manualmente tudo o que o sistema faz. O trabalho muda, e as capacidades necessárias para responder por ele também podem mudar. Quem supervisiona uma solução automatizada precisará compreender aspectos que talvez não fossem centrais no procedimento anterior: a origem da informação, as condições em que uma recomendação se aplica ou a diferença entre um resultado plausível e outro que merece confiança. Algumas habilidades perderão importância. Outras se tornarão indispensáveis. Desenhar um percurso de aprendizagem exige decidir quais são essas capacidades e que experiências permitem desenvolvê-las na nova prática.

Renovar o discernimento que sustenta a operação

A defasagem temporal dificulta perceber uma carência desse tipo. Uma implantação pode se apoiar durante anos no discernimento de pessoas formadas antes da mudança no trabalho. São elas que interpretam as exceções, detectam o que o sistema não mostra e decidem quando intervir. Enquanto fizerem isso bem, os indicadores operacionais podem confirmar que a automação funciona. Esse desempenho, porém, não responde à pergunta sobre se quem chega nas novas condições está aprendendo a assumir essa responsabilidade. A organização pode conservar uma capacidade que ainda não demonstrou saber renovar.

Esse é também o limite de resolver o problema contratando profissionais experientes de fora. Para uma empresa específica, essa pode ser uma decisão razoável. Mas ela transfere para outro lugar a formação dessa experiência e mantém a dependência de que alguém continue a produzi-la. Não permite concluir que o novo desenho do trabalho forme especialistas. Se essa for a opção, convém reconhecê-la como uma dependência deliberada e examinar sua viabilidade, em vez de apresentar a disponibilidade atual de profissionais como uma característica permanente do mercado.

A responsabilidade por essa continuidade alcança quem decide sobre a automação. Eliminar tarefas, redistribuir casos e mudar o acesso ao contexto também significa mudar as condições em que as pessoas podem aprender. Pedir depois a uma área de formação que feche a lacuna, sem rever essas decisões, pode deixá-la tentando compensar a falta de experiência com conteúdos. A liderança que aprova o redesenho precisa ser capaz de explicar que percurso oferecerá a quem chega e como saberá que esse percurso está desenvolvendo a capacidade necessária.

Para começar a verificar isso, convém distinguir os resultados de quem se formou antes da automação da evolução de quem chega depois. Um indicador que reúne os dois grupos pode melhorar graças à experiência acumulada e dizer muito pouco sobre o que o novo percurso está produzindo. Acompanhar essa evolução exige observar que situações os novos integrantes da equipe começam a compreender e de quanto apoio precisam para interpretá-las, considerando os casos que de fato chegam às suas mãos. A qualidade das entregas continua importante, mas a continuidade da capacidade exige outra evidência: que haja pessoas aprendendo a assumir decisões que hoje cabem a outras.

Automatizar o trabalho de início de carreira pode abrir uma forma melhor de aprender e exercer uma profissão. Pode retirar uma carga desnecessária, acelerar o acesso ao conhecimento e permitir que alguém participe mais cedo de problemas relevantes. Para que essa promessa seja defensável, a organização precisa assumir a responsabilidade pelo percurso que está criando. A decisão fica incompleta se resolve como o trabalho será executado, mas deixa ao acaso como se formarão as pessoas que deverão responder por ele.