A Escada Quebrada: O Degrau Que Sumiu (Parte I)
Quem vai formar o profissional sênior de 2032? A inteligência artificial não está demitindo — está deixando de contratar no primeiro degrau. E isso é um problema de confiabilidade organizacional, não de recursos humanos.
1. A decisão que parece boa
Imagine a reunião de orçamento do próximo ciclo. Alguém apresenta uma proposta simples: não abrir as vagas de estágio e de analista júnior. O argumento é bom e vem com números. As ferramentas de inteligência artificial já cobrem a maior parte daquele trabalho — a planilha de conciliação, a minuta padrão, o levantamento preliminar, o relatório de rotina. A economia é imediata. Ninguém precisa ser demitido. Os gerentes aprovam com alívio, porque também ganham tempo: não terão de supervisionar quem está aprendendo.
É uma decisão defensável em todas as dimensões que aquele comitê consegue medir. Reduz custo sem aumentar risco aparente, melhora o indicador de produtividade por colaborador e não produz nenhum passivo trabalhista. Em quase toda empresa brasileira de médio e grande porte, essa conversa já aconteceu ou está prestes a acontecer.
E é exatamente por isso que ela merece atenção. O custo dessa decisão não aparece em nenhuma linha do orçamento do ano, porque ele não vence no ano. Vence por volta de 2032, quando a organização precisar de um profissional sênior que ela deveria ter começado a formar agora e descobrir que não formou — e, pior, que ninguém mais formou.
O primeiro degrau da carreira nunca foi apenas um posto de trabalho barato. Era o mecanismo pelo qual a organização fabricava os próprios seniores. Ao automatizá-lo, a empresa não eliminou um custo: desativou uma linha de produção sem perceber que ela existia.
Este artigo trata desse problema pelo que ele é: uma questão de projeto de sistema.
Não de recursos humanos, não de responsabilidade social, não de gentileza com a nova geração. Uma organização que perde a capacidade de repor suas próprias competências críticas é, em termos técnicos, um sistema que perdeu redundância. Quem vem da engenharia de confiabilidade reconhece o padrão de imediato: o equipamento continua operando normalmente, os indicadores continuam verdes, e a falha só se manifesta quando o componente que não tinha sobressalente finalmente falha.
Na Parte I, examino o diagnóstico: o que os dados brasileiros e internacionais já mostram, por que esse efeito específico ocorre e qual é a conta que chega depois. Na Parte II, tratarei do que o líder pode fazer — e da pergunta que nenhuma empresa, sozinha, consegue responder.
2. O que os dados já mostram
Comecemos pelo Brasil.
2.1 A evidência brasileira
Em abril de 2026, o Blog do IBRE, da Fundação Getúlio Vargas, publicou a primeira avaliação sistemática dos efeitos da IA generativa sobre o mercado de trabalho brasileiro, a partir de estudo conduzido por Paulo Peruchetti, Fernando de Holanda Barbosa Filho e Janaína Feijó. A metodologia é cuidadosa: diferenças-em-diferenças dinâmicas com dosagem contínua de exposição, usando microdados da Pesquisa Nacional por Amostra de Domicílios (PNAD) Contínua do primeiro trimestre de 2022 ao segundo trimestre de 2025, com as medidas de exposição congeladas no terceiro trimestre de 2022 — isto é, antes da difusão pública das ferramentas generativas, justamente para evitar que a realocação ocupacional posterior contaminasse o resultado.
Os números centrais: cerca de 30 milhões de trabalhadores brasileiros, equivalentes a 29,6% da população ocupada, estão em ocupações com algum grau de exposição à IA generativa.
Além disso aproximadamente 5,2 milhões concentram-se no gradiente mais alto de exposição. Cerca de 20% dos ocupados combinam alta exposição com baixa complementaridade — o grupo mais vulnerável à substituição — enquanto um contingente semelhante combina alta exposição com alta complementaridade, posição em que a tecnologia tende a ampliar produtividade e rendimento em vez de eliminar postos.
Nesse sentido, o que interessa a este artigo é onde o efeito se concentra: mulheres, pessoas mais escolarizadas, região Sudeste, setores de serviços — particularmente informação, comunicação e serviços financeiros — e, de modo especialmente marcado, os jovens. Segundo a leitura dos pesquisadores do IBRE, jovens de 18 a 29 anos em setores vulneráveis passaram a apresentar chance de ocupação cerca de 5% menor, enquanto as faixas de 30 a 44 e de 45 a 59 anos permaneceram praticamente inalteradas.
Repare no desenho do efeito. De fato, não é uma queda generalizada de emprego. É uma queda concentrada em um grupo etário específico, dentro de setores específicos, no exato momento em que uma tecnologia específica se difundiu. É a assinatura de um fenômeno causal, não de um ciclo econômico.
2.2 A evidência internacional, e o que ela acrescenta
O trabalho de referência internacional é o estudo “Canaries in the Coal Mine?”, do Stanford Digital Economy Lab, conduzido por Erik Brynjolfsson, Bharat Chandar e Ruyu Chen a partir de dados administrativos de folha de pagamento de milhões de trabalhadores norte-americanos. A atualização de agosto de 2026 é mais nítida — e mais preocupante — do que a primeira versão, de 2025.
Jovens de 22 a 25 anos em ocupações altamente expostas à IA acumulam um déficit de emprego de 19% em relação a trabalhadores da mesma idade em ocupações pouco expostas. Esse número era de 15% em julho de 2025: a diferença não se estabilizou, ela se ampliou de modo contínuo. Em termos absolutos, entre novembro de 2022 e junho de 2026, o emprego de jovens em ocupações muito expostas caiu cerca de 11%, enquanto o de jovens em ocupações pouco expostas subiu cerca de 10%.
Além disso, três pontos adicionais do estudo merecem destaque:
- Não há deslocamento generalizado de emprego na economia. O efeito é localizado, não sistêmico — o que explica por que ele passa despercebido nos agregados macroeconômicos.
- O mecanismo é a redução de contratações, não a demissão de quem já está dentro. As empresas não estão cortando pessoas; estão deixando de abrir a porta.
- O ajuste aparece no volume de emprego, não no salário-base. Não se trata de uma pressão sobre remuneração que sinalizaria excesso de oferta: trata-se de postos que simplesmente não são criados.
Em outras palavras, o que está em curso não é uma onda de demissões. É uma porta que deixa de se abrir. Demissão gera manchete, sindicato, negociação e aprendizado coletivo. Uma vaga não aberta não gera absolutamente nada — não há quem reclame de um emprego que nunca existiu.
2.3 O pano de fundo brasileiro
Esses efeitos incidem sobre um mercado de trabalho jovem que já era frágil. O Diagnóstico da Juventude Brasileira, divulgado pelo Ministério do Trabalho e Emprego em 2026 a partir da combinação entre PNAD Contínua, RAIS e eSocial, mostra o quadro do primeiro trimestre de 2026: entre os 32,9 milhões de brasileiros de 14 a 24 anos, a taxa de desocupação é de 13,8% na faixa de 18 a 24 anos e de 25,1% entre 14 e 17 anos, contra uma média nacional de 5,8%. São 6,2 milhões de jovens que não estudam nem trabalham.
Some-se a isso um dado que costuma passar em branco: apenas cerca de 53% das vagas obrigatórias de aprendizagem no país estão preenchidas. Ou seja, antes mesmo de discutir se a IA está fechando o primeiro degrau, é preciso registrar que o Brasil já não ocupava metade dos degraus que a própria legislação obriga a manter abertos.
Por fim, há um último número, talvez o mais importante de todos para quem lidera uma organização brasileira. De acordo com a pesquisa TIC Empresas 2025, do Cetic.br/NIC.br, com 4.174 empresas, a proporção de empresas brasileiras que usam inteligência artificial passou de 13% em 2024 para 17% em 2025. Entre as grandes, de 250 ou mais colaboradores, o salto foi de 38% para 50%.
Assim, metade das grandes empresas brasileiras já usa IA, e o efeito sobre o emprego jovem já é mensurável. A conclusão desconfortável é aritmética: o que estamos observando é o início da curva, não o seu resultado. A adoção que produziu esses números ainda tem a maior parte do caminho pela frente.
3. A ironia da automação: o que a confiabilidade já sabia desde 1983
Em 1983, a psicóloga cognitiva britânica Lisanne Bainbridge publicou na revista Automatica um artigo de sete páginas intitulado “Ironies of Automation”. Ele tratava de salas de controle de processos industriais e é, ainda hoje, uma das leituras mais citadas em fatores humanos e engenharia de sistemas. Quem trabalha com confiabilidade o conhece. Quem lidera pessoas raramente o leu — e deveria.
Bainbridge descreve duas ironias centrais. A primeira: o projetista automatiza aquilo que sabe automatizar e deixa ao operador humano o resíduo — precisamente as tarefas que ninguém conseguiu automatizar, isto é, as mais difíceis, ambíguas e imprevisíveis. O humano não fica com o trabalho fácil; fica com o que sobrou depois que todo o trabalho fácil foi removido.
A segunda ironia é mais cruel, e é a que nos interessa. Espera-se que esse operador monitore o sistema automatizado e assuma o controle quando algo sair do previsto. Mas a habilidade necessária para assumir o controle em uma exceção só se constrói e se mantém pela prática rotineira — exatamente a prática que a automação eliminou. A automação suprime o treinamento que ela própria pressupõe.
Quanto mais avançado o sistema de controle automatizado, mais crucial pode ser a contribuição do operador humano. (Lisanne Bainbridge, Ironies of Automation, 1983)
Agora troque “sala de controle” por “organização” e “operador” por “profissional sênior”. A estrutura do problema é idêntica. A empresa automatizou o trabalho de entrada — o mais codificado, o mais repetitivo, o mais fácil de descrever em um prompt. Ficou com o trabalho de julgamento, exceção e responsabilidade, que continua exigindo gente. E eliminou, no mesmo movimento, a única atividade que produzia essa gente.
Nesse sentido, vale observar como os setores que não podem errar lidaram com esse problema.
A aviação comercial opera hoje aeronaves em que o piloto conduz manualmente uma fração mínima do voo. A resposta do setor não foi reduzir o treinamento na proporção da automação; foi o contrário. Pilotos de linha aérea cumprem requisitos regulados de experiência recente e voam manualmente em simulador justamente porque a operação real não oferece mais essa prática. O setor pagou caro para descobrir que competência não sobrevive à ausência de uso, e institucionalizou a prática deliberada como requisito, não como virtude. A medicina fez algo semelhante com a residência.
No entanto, fora da aviação, da medicina e de algumas poucas atividades de alto risco, praticamente nenhuma organização trata a manutenção de competência como requisito formal. Ela é tratada como consequência natural do trabalho — uma premissa que era razoável enquanto o trabalho de rotina existia, e que deixa de ser assim que ele desaparece.
4. Conhecimento codificado e conhecimento tácito: por que o júnior perdeu justamente o que o formava
No estudo de Stanford há algo que costuma passar despercebido e que, na minha leitura, é o mais revelador de todos. A queda de emprego jovem concentra-se em ocupações cujo conhecimento é predominantemente codificado, documentado, presente em manuais, normas e bases de dados. Em ocupações de conhecimento predominantemente tácito, o quadro é diferente: ali, o emprego de trabalhadores experientes chegou a crescer.
Ikujiro Nonaka e Hirotaka Takeuchi construíram toda a sua teoria da criação de conhecimento organizacional sobre essa distinção. O conhecimento explícito é aquele que se escreve, se transmite e se armazena. O conhecimento tácito é o que a pessoa sabe sem conseguir enunciar por completo: a percepção de que um número está estranho antes de saber por que, a noção de quando um cliente está prestes a desistir, a sensação de que aquela cláusula vai dar problema. Ele se transfere principalmente por socialização, convivência, observação, imitação e prática conjunta em tarefas reais.
Além disso, Jean Lave e Etienne Wenger deram nome ao mecanismo concreto dessa transferência: participação periférica legítima. O novato não começa assistindo a uma aula sobre a profissão. Começa executando tarefas verdadeiras, periféricas, de baixo risco e de valor real para o grupo, e vai se deslocando gradualmente para o centro da prática. A tarefa periférica não é um desperdício tolerado por generosidade. É o currículo.
Portanto, a IA generativa é excepcionalmente boa exatamente naquilo que é codificado e as tarefas de entrada eram a interface pela qual o novato manipulava o conhecimento codificado para, por meio dele, absorver o tácito.
Preparar duzentas conciliações não ensina a conciliar: ensina a reconhecer, de relance, quando um número não faz sentido. Redigir cinquenta contratos simples não ensina redação jurídica: ensina onde as cláusulas costumam falhar. Levantar dados para dezenas de relatórios não ensina a fazer relatórios: ensina de quais fontes se pode desconfiar. Depurar o código trivial dos outros não ensina programação: ensina como os erros se parecem.
A tarefa de entrada produzia dois resultados simultâneos: um entregável e um profissional. A automação entrega o primeiro com enorme eficiência e presume que o segundo continuará aparecendo sozinho. Não continuará.
Nesse sentido, é importante ser preciso aqui, para não cair no diagnóstico fácil de que a IA “está destruindo empregos”. Não é isso o que os dados dizem. Os dados dizem que a IA substituiu com muita competência a camada codificada do trabalho — e que essa camada, além de produzir entregáveis, funcionava como o sistema de formação profissional de fato existente na economia. O currículo estava escondido dentro da tarefa. Ao remover a tarefa, removemos o currículo sem nunca tê-lo escrito em lugar nenhum.
5. A conta que chega depois
O corte do primeiro degrau produz ganhos reais e imediatos. É importante reconhecê-los, porque um argumento que ignora o lado positivo da decisão não convence ninguém que precisa tomá-la. O que proponho é olhar para o balanço completo, e não apenas para o lado que aparece no trimestre.
5.1 A pirâmide que se inverte
Se a base deixa de entrar, a organização passa a depender inteiramente do mercado externo para repor seus profissionais experientes. O problema é que os concorrentes fizeram exatamente o mesmo cálculo, no mesmo período, pelas mesmas razões. Estamos diante de um caso clássico de falácia da composição: uma decisão individualmente racional que, adotada por todos ao mesmo tempo, destrói o recurso do qual todos dependem.
O resultado previsível é que o preço do profissional sênior escasso suba justamente quando a demanda por ele for maior e que o prêmio salarial pago na disputa por esses profissionais consuma, com juros, a economia obtida anos antes. A diferença é que a economia foi contabilizada como mérito de uma gestão e o prêmio será contabilizado como “pressão de mercado” por outra.
5.2 O profissional sênior que vira revisor em tempo integral
Há um efeito de segunda ordem que já começou a ser documentado. Um estudo divulgado pela Harvard Business Review em 2025 cunhou o termo workslop para designar o conteúdo gerado por IA que aparenta estar pronto, mas não está: plausível na forma, insuficiente no conteúdo, e que transfere silenciosamente o trabalho de verificação e correção para quem o recebe.
Em uma equipe com juniores, parte dessa verificação é absorvida e, mais importante, se converte em aprendizado para quem revisa e para quem é revisado. Em uma equipe sem juniores, ela recai integralmente sobre o profissional sênior — precisamente o recurso escasso que a automação prometia liberar para trabalho de maior valor. Não é raro que a empresa termine com o profissional sênior fazendo, em tempo integral, a revisão do trabalho que antes era feito pelo júnior, com a diferença de que agora não há ninguém aprendendo no processo.
5.3 A memória organizacional que sai pela porta
Conhecimento tácito não é documentável — essa é a sua definição. Ele reside em pessoas e se transfere por convivência. Quando um profissional experiente se aposenta ou muda de empresa em uma organização que manteve seu fluxo de entrada, parte relevante do que ele sabia já migrou para quem trabalhou ao lado dele. Quando isso acontece em uma organização que interrompeu esse fluxo, o conhecimento simplesmente sai pela porta. Não há repositório, wiki ou base vetorial que resolva isso, pela razão simples de que aquilo que se consegue escrever já não é a parte tácita.
5.4 O que um engenheiro de confiabilidade veria
Traduzo o problema para a linguagem em que ele se torna incontornável. Uma organização que não forma sucessores opera sem redundância de competência crítica. Enquanto o componente estiver disponível, o sistema funciona com desempenho até superior, porque removemos a carga de treinamento. Quando ele falha por aposentadoria, doença, proposta da concorrência ou esgotamento, o tempo de recuperação não é o tempo de contratar alguém: é o tempo de alguém se tornar capaz, que se mede em anos.
Nenhuma operação industrial séria aceita rodar sem estoque de sobressalentes para componentes críticos. No entanto, muitas organizações aceitam, sem discussão, rodar sem sucessores para posições críticas — e a diferença é apenas que a primeira ausência aparece em um relatório de manutenção e a segunda não aparece em lugar algum.
5.5 O balanço
Dimensão | Efeito de curto prazo (1 a 2 anos) | Passivo de longo prazo (5 a 10 anos) |
| Custo de pessoal | Redução imediata e visível na folha e nos programas de estágio | Prêmio salarial na disputa por seniores escassos no mercado |
| Produtividade do sênior | Aumenta: menos tempo dedicado a supervisionar quem aprende | Cai: tempo consumido na revisão de saídas de IA sem apoio intermediário |
| Sucessão | Nenhum efeito visível | Banco de sucessores vazio para posições críticas |
| Conhecimento tácito | Preservado nos profissionais atuais | Não transferido; sai da empresa com quem se desliga |
| Risco operacional | Estável | Sem redundância humana; tempo de recuperação medido em anos |
| Marca empregadora | Neutro | Perda de vínculo com universidades e com a origem do próprio talento |
| Capacidade de inovação | Inalterada | Reduzida: menos diversidade cognitiva e menos questionamento do status quo |
5.6 Por que isso não aparece no radar de ninguém
Se o passivo é tão previsível, por que a decisão continua sendo tomada? Porque ele reúne, de forma quase perfeita, as três características que tornam um custo invisível para a gestão.
É diferido: vence fora do horizonte de qualquer ciclo de planejamento usual. É difuso: manifesta-se como lentidão, retrabalho, dificuldade de contratar e erro de julgamento, sem nunca se apresentar como uma rubrica identificável. E, sobretudo, não tem dono: não existe centro de custo chamado “formação de profissional sênior”, não existe indicador trimestral que piore, e não existe área que seja cobrada quando ele se materializa.
Além disso, há um desalinhamento de horizonte que raramente é dito em voz alta: quem decide hoje cortar o degrau de entrada frequentemente não estará na mesma cadeira quando a conta chegar. Esse é um problema de governança, não de caráter — e problemas de governança se resolvem com desenho de incentivo e de medição, assunto da Parte II.
6. Um contraponto brasileiro
Quero encerrar esta primeira parte com um caso nacional, e deliberadamente não com um caso de fracasso.
O Itaú Unibanco contrata cerca de dois mil estagiários por ano com taxa de efetivação em torno de 65%. Esses números são interessantes, mas não são o dado importante. O dado importante é outro: aproximadamente 25% dos mais de 90 mil colaboradores do banco começaram a carreira ali como estagiários.
Uma organização capaz de afirmar que um quarto de seu corpo atual de colaboradores entrou pelo primeiro degrau não está descrevendo um programa de responsabilidade social nem uma iniciativa de marca empregadora. Está descrevendo uma infraestrutura de formação que funciona e que é medida. E vale notar o setor: serviços financeiros aparecem, no estudo do IBRE, entre os mais expostos à automação cognitiva no Brasil. Não se trata, portanto, de uma organização protegida do fenômeno. Trata-se de uma organização que tem o pipeline como número gerenciado.
A lição não está no tamanho do programa, que poucas empresas conseguem replicar, mas em três perguntas que essa organização sabe responder e que a maioria não sabe: quantas pessoas entram pelo primeiro degrau por ano, qual é a proporção que permanece e que fração do corpo atual de profissionais veio por esse caminho. Uma empresa que não sabe responder a essas três perguntas não tem como avaliar o que está decidindo quando fecha a porta de entrada. Está tomando uma decisão estrutural com base apenas no lado do custo.
7. Onde chegamos, e o que vem a seguir
Recapitulo o diagnóstico em quatro frases. A inteligência artificial não está promovendo demissões em massa: está reduzindo a abertura de vagas de entrada, e os dados brasileiros e norte-americanos convergem nesse ponto. O efeito se concentra em jovens e em ocupações de conhecimento codificado, porque é exatamente aí que a tecnologia é mais capaz. Ao mesmo tempo, a tarefa de entrada, além de produzir entregáveis, era o mecanismo real de formação profissional na economia, o currículo escondido dentro do trabalho. E o custo dessa remoção é diferido, difuso e sem dono, o que o torna invisível para a gestão até o momento em que se torna irreversível.
Ainda assim, nada disso é argumento contra a adoção de inteligência artificial, e seria tolice lê-lo assim. É argumento a favor de tratar a formação de pessoas como aquilo que ela sempre foi e que nunca precisou ser declarado: um processo produtivo da empresa, que até agora funcionava como subproduto gratuito de outro processo e que, removido, precisa passar a ser projetado, financiado e medido explicitamente.
Na Parte II, vou apresentar cinco movimentos concretos à disposição de quem lidera equipes, uma tabela de reconstrução da prática para as tarefas mais afetadas e um checklist de dez sinais para avaliar se a sua organização já quebrou a escada sem ter percebido. E, ao final, a parte que não cabe no orçamento de nenhuma empresa: se o degrau de entrada era onde as pessoas se formavam de fato, e ele está desaparecendo, o que exatamente o nosso sistema educacional está formando? E como se aprende, agora que a própria educação passará a ser feita com as mesmas ferramentas que criaram o problema?
Gostou do artigo?
Quer saber como sua empresa pode conciliar os avanços da inteligência artificial com o emprego jovem e a formação do profissional sênior de amanhã? Então entre em contato comigo. Terei o maior prazer em responder.
Até a próxima edição!
Um abraço.
Marcelo Farhat
https://www.meetnetwork.net
https://www.linkedin.com/in/araujomf/
Confira também: O Funcionário Virtual: Quando a Inteligência Artificial Se Torna Parte da Equipe (parte II)
Referências BAINBRIDGE, L. Ironies of automation. Automatica, v. 19, n. 6, p. 775-779, 1983. BRASIL. Ministério do Trabalho e Emprego. Diagnóstico da Juventude Brasileira. Brasília: MTE, 2026. BRYNJOLFSSON, E.; CHANDAR, B.; CHEN, R. Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford: Stanford Digital Economy Lab, atualização de agosto de 2026. CENTRO REGIONAL DE ESTUDOS PARA O DESENVOLVIMENTO DA SOCIEDADE DA INFORMAÇÃO — CETIC.BR. TIC Empresas 2025. São Paulo: NIC.br, 2026. DUQUE, D. Inteligência artificial generativa e mercado de trabalho no Brasil: evidências iniciais sobre ocupação e renda. Blog do IBRE, Rio de Janeiro, 27 abr. 2026. LAVE, J.; WENGER, E. Situated learning: legitimate peripheral participation. Cambridge: Cambridge University Press, 1991. NIEDERHOFFER, K. et al. AI-generated "workslop" is destroying productivity. Harvard Business Review, set. 2025. NONAKA, I.; TAKEUCHI, H. Criação de conhecimento na empresa: como as empresas japonesas geram a dinâmica da inovação. Rio de Janeiro: Campus, 1997.
Palavras-chave: emprego do jovem, inteligência artificial, emprego, futuro do emprego, futuro do trabalho, profissional sênior, formação profissional, formação de profissionais seniores, formação de profissional sênior, primeiro degrau da carreira, ia generativa sobre o mercado de trabalho brasileiro, impacto da ia no emprego do jovem, automação e formação profissional, profissional sênior de 2032, quem formará o profissional sênior de 2032
Participe da Conversa