O Abismo da Automação por IA Já Chegou

A tese revisada de David Shapiro sobre o automation cliff soa verdadeira: não se trata de um colapso único em toda a economia, mas de uma cascata de quedas individuais, um value stream de cada vez. Ele projetou inicialmente um ponto de inflexão amplo até 2030, mas agora esclarece que o deslocamento acelera drasticamente, não em toda a economia, mas dentro de funções de negócios específicas. O abismo é real; sua chegada é simplesmente mais granular.

A distinção entre um workflow e um value stream é crítica. Um workflow representa o processo voltado para o funcionário — a fila de tickets de clientes, por exemplo. Um value stream, no entanto, é o resultado de negócio subjacente: garantir que cada cliente receba uma resposta. A automação tem como alvo essa camada mais profunda e orientada a resultados.

Essa precisão digital explica as mudanças repentinas e massivas que observamos. Shapiro, um ex-engenheiro de automação de infraestrutura, aponta que ferramentas como Terraform permitem que engenheiros escalem de 10 para 10.000 servidores alterando um único número em um arquivo. A Amazon, por exemplo, implantava novos códigos a cada 11,6 segundos em 2011, atualizando 30.000 servidores simultaneamente no pico.

Este princípio de arbitrary scalability significa que, uma vez que um processo de automação digital funciona de forma confiável, sua implantação pode mudar de teste para escala enorme quase instantaneamente. O abismo não é uma ladeira gradual; é uma queda repentina para cada value stream aperfeiçoado.

A automação comprime os cronogramas de trabalho com uma rapidez que torna a gestão de projetos tradicional obsoleta. Considere o Departamento de Trabalho e Pensões do Reino Unido: 12 robôs de software eliminaram um backlog de mais de 30.000 pedidos de pensão em apenas duas semanas. Isso não é uma melhoria gradual; é a exclusão instantânea de uma fila inteira.

O Airbnb experimentou uma aceleração semelhante durante uma migração de arquivos de teste assistida por IA. Os engenheiros estimaram que o trabalho levaria 18 meses manualmente, mas a IA completou 75% da tarefa em quatro horas. Essa compressão rápida, apoiada por validação humana e supervisão de engenharia, destaca a capacidade da IA de colapsar cronogramas de anos para horas.

O assistente de IA da Klarna exemplifica ainda mais essa mudança "da noite para o dia". Em seu primeiro mês, ele lidou com 2,3 milhões de conversas de clientes. A Klarna atribui isso ao equivalente a 700 agentes em tempo integral, com o tempo médio de resposta caindo de 11 minutos para menos de dois. Isso não é apenas eficiência; é uma redefinição fundamental da customer service capacity.

O fio condutor não é o ganho incremental, mas a discontinuous transformation. Quando um workflow ou value stream é totalmente automatizado, a demanda por trabalho humano nessa área específica não diminui — ela desaparece. Isso não é um declínio lento; é um cliff event, repetido em todos os setores, um processo de cada vez.

A prova do abismo é real — e mais confusa do que o discurso. Os sinais de trabalho são cada vez mais desiguais, não uniformemente sombrios. O emprego em call centers e atendimento ao cliente caiu, juntamente com menos vagas para redação e programação freelancer, e os empregadores citam cada vez mais a IA em anúncios de demissão.

Crucialmente, as tendências agregadas de emprego não estabelecem a IA como a única causa. A contratação excessiva na era da pandemia, as taxas de juros e as greves também moldaram os cortes recentes. Até mesmo o "AI-washing" — culpar a IA por demissões pré-planejadas — pode distorcer os dados, como o próprio Sam Altman observou.

A confiabilidade da automação também apresenta um obstáculo significativo. O Commonwealth Bank da Austrália, por exemplo, cortou 45 vagas de call center após implementar um bot de voz, apenas para reverter a decisão semanas depois, admitindo que os cargos não eram redundantes, afinal. Da mesma forma, a Klarna, inicialmente elogiada por seu assistente de IA, logo renovou seu foco no suporte humano, com seu CEO descrevendo-o como "tratamento VIP" após a qualidade sofrer quedas.

Essas reversões destacam o trabalho árduo para alcançar sucessivos "noves" de confiabilidade. Como observa o cofundador da OpenAI, Andrej Karpathy, uma demonstração que funciona 90% do tempo é "apenas o primeiro nove". Alcançar 99% ou 99,9% — o tipo de automação perfeita visto em ferramentas como Terraform (leitura adicional sobre infraestrutura como código: Introduction to Terraform - HashiCorp Developer) — exige um esforço significativo. Alguns fluxos de valor atingirão seu limite em meses; outros levarão anos.

Estatísticas nacionais, agregadas e suavizadas, podem facilmente obscurecer os impactos agudos e localizados da automação. Cada limite de fluxo de valor (value-stream cliff) chega em seu próprio cronograma; o deslocamento muitas vezes se manifesta como rotatividade silenciosa ou contratações adiadas, não como demissões públicas. Essa mudança oculta mascara o verdadeiro ritmo da mudança.

O Federal Reserve relatou recentemente que empresas em cinco de seus doze distritos cortaram pessoal por meio de rotatividade ou adiamento de contratações após investimentos em IA. Simultaneamente, um estudo de Stanford revelou uma queda de 11% no emprego para jovens trabalhadores (idades de 22 a 25 anos) em ocupações altamente expostas à IA desde o final de 2022, enquanto seus pares em funções menos expostas viram um crescimento de 10%. Correlação não é causalidade, mas o sinal é claro.

Isso nos leva à economia pós-trabalho de David Shapiro: se as máquinas realizam mais trabalho, os salários vinculados exclusivamente ao trabalho humano encolherão. As questões críticas então giram em torno da propriedade e da distribuição de riqueza mais ampla. Shapiro prevê essa reavaliação econômica fundamental dentro dos próximos cinco anos, um cronograma que exige nossa atenção urgente.

O que David Shapiro quer dizer com um limite de automação (automation cliff)?

Uma tarefa ou fluxo de valor pode permanecer liderado por humanos até que a automação se torne confiável, então mudar rapidamente para software em escala.

Por que Shapiro diz que existem milhares de limites de automação?

As empresas automatizam fluxos de trabalho e resultados de negócios distintos em velocidades diferentes, em vez de substituir todo o trabalho de uma só vez.

A automação por IA sempre elimina empregos?

Não. Ela pode reduzir contratações ou carga de trabalho sem demissões, e algumas empresas reverteram cortes quando a qualidade do serviço automatizado ficou aquém do esperado.

O que é um fluxo de valor?

Um fluxo de valor é o trabalho de ponta a ponta que produz um resultado que os clientes ou a empresa valorizam, além do fluxo de trabalho individual de um funcionário.