Ethan Mollick: a IA faz tarefas, não empregos (ainda)

Ethan Mollick, professor da Wharton, tem um jeito raro de escrever sobre IA: nem entusiasta de palco, nem cético de plantão. É por isso que o ensaio dele sobre agentes e trabalho real virou referência. A tese é simples e desconfortável para os dois lados do debate. A IA cruzou um limiar e já faz trabalho de valor econômico real. E ainda assim não vai substituir o seu emprego tão cedo, porque emprego não é tarefa. O ponto interessante não é a promessa nem o medo, é o que ele mostra no meio: o maior risco da IA no trabalho talvez não seja a demissão, e sim a mediocridade em escala.

Tarefa não é emprego

Mollick parte de um teste que a OpenAI chamou de GDPval. Em vez do benchmark habitual de matemática ou trivia, a empresa reuniu especialistas com média de 14 anos de experiência, de finanças a direito e varejo, e pediu que desenhassem tarefas realistas, do tipo que levaria de quatro a sete horas para um humano completar. Aí colocou IA e outros especialistas para fazer as mesmas tarefas, e um terceiro grupo avaliou às cegas, sem saber qual resposta era de máquina.

Os humanos venceram, mas por pouco, e a margem variou muito por setor. O detalhe que Mollick destaca é o motivo de a IA perder: não foram alucinações ou erros de conteúdo, foi falha em formatar bem o resultado e seguir instrução à risca, justamente as áreas onde os modelos mais melhoram rápido. Se o padrão se mantiver, a próxima geração passa a bater a média dos especialistas nesse teste.

Isso significa que a IA vai substituir empregos? A resposta de Mollick é não, ao menos não cedo, porque o que o teste mede são tarefas, não empregos. O trabalho de um professor não é uma coisa só: é dar aula, pesquisar, escrever, preencher relatório, orientar aluno, ler, administrar. A IA fazer uma ou outra dessas tarefas não apaga a função, desloca o que a pessoa faz. Enquanto a IA for irregular, boa numa coisa e fraca na de baixo, e não substituir a interação humana complexa, ela muda o emprego em vez de eliminá-lo.

A tarefa que muda um campo inteiro

E, mesmo sendo tarefa, algumas valem ouro. Mollick conta um caso que fez ele mesmo. Deu a um modelo com acesso antecipado o texto de um artigo sofisticado de economia, cheio de experimentos, junto com o arquivo completo de dados de replicação, e o prompt: replique os achados a partir dos dados, faça você mesmo. Sem mais instrução, o modelo leu o artigo, abriu o arquivo, converteu o código estatístico de uma linguagem para outra, de STATA para Python, e percorreu metodicamente todos os resultados antes de reportar uma reprodução bem-sucedida. Ele conferiu por amostragem e ainda pediu a outro modelo para reproduzir a reprodução. Bateu.

O revolucionário aqui não é o tempo economizado, embora fazer isso à mão levasse muitas horas. É que a crise de replicação, que abalou campos acadêmicos inteiros, poderia ser parcialmente resolvida checando muitos artigos publicados, algo que exigia esforço humano caro e impossível de fazer em escala. Vira uma possibilidade real. É tarefa, não emprego, mas é tarefa capaz de mudar um campo do conhecimento.

Por que os agentes passaram a funcionar

Mollick também explica por que a promessa de agentes autônomos, que parecia distante, virou realidade. A intuição antiga dizia que, como a IA erra, um único erro na longa cadeia de passos de uma tarefa derrubaria tudo. Não foi o que aconteceu. Ganhos pequenos de acurácia se traduzem em aumentos enormes no número de tarefas que a IA consegue completar, e os modelos de raciocínio mais novos se autocorrigem, então não travam no primeiro tropeço. O teste da METR, que ele cita, mostra a duração das tarefas que a IA faz sozinha com pelo menos 50% de acerto crescendo de forma exponencial e consistente ao longo de cinco anos. Já chegamos a esse mesmo ponto por outra porta ao cobrir Karpathy falando em Software 3.0 e verificação: o gargalo virou confiar na saída, não produzi-la.

O risco dos 17 PowerPoints

Aqui está a parte que mais interessa a quem opera. Todo mundo fala do risco de usar IA para cortar gente. Mollick aponta um segundo risco, mais provável e mais silencioso: usar agentes para fazer mais do mesmo, sem pensar. Como demonstração, ele pediu à IA para transformar um memorando em PowerPoint. Depois em outro, de outro ângulo. E outro. Até juntar 17 apresentações. Coisa demais.

Se não pensarmos com cuidado por que estamos fazendo o trabalho, e como o trabalho deveria ser, todos vamos nos afogar numa onda de conteúdo de IA.

A frase resume o dilema de qualquer empresa que adota IA por produtividade. Quando ficou barato demais produzir entregável, a tentação é produzir volume, não valor. É exatamente a distância que existe entre IA em produção e IA em PowerPoint, o princípio que dá nome a esta casa. A ferramenta que replica um artigo acadêmico em minutos é a mesma que gera 17 decks que ninguém pediu. A diferença não está na IA, está na decisão de quem a usa.

Nossa leitura

A saída que Mollick oferece é modesta e por isso confiável, e vem do próprio estudo da OpenAI: delegue a primeira versão à IA e revise. Se não estiver bom, tente uma ou duas rodadas de correção e melhores instruções. Se ainda assim não servir, faça você mesmo. Especialistas que seguem esse fluxo entregam o trabalho cerca de 40% mais rápido e 60% mais barato, e, mais importante, mantêm o controle sobre a IA. É o oposto de apertar um botão e aceitar o que sai.

Para quem coloca IA em produção, a instrução prática cabe em uma linha: escolha o que vale a pena fazer antes de escolher o que a máquina consegue fazer. Meça a IA por tarefa, não por promessa de substituir função. E trate julgamento humano como o recurso escasso, não como o obstáculo a ser cortado. Como escrevemos ao falar do paradoxo da produtividade com IA, na leitura de Marty Cagan, ferramenta melhor não gera produto melhor sozinha. Gera mais output. O que vira resultado é o que você decide fazer com ele.

Se a sua empresa está gerando mais entregável de IA do que valor com IA, e você quer desenhar um fluxo de trabalho que use julgamento humano no lugar certo, fale com a AI Boutique no WhatsApp. A gente ajuda a separar a tarefa que muda o jogo da que só enche a caixa de entrada.