Ethan Mollick: a IA faz tarefas, o risco é o PowerPoint infinito

Ethan Mollick, professor da Wharton e autor do blog One Useful Thing, é uma das vozes mais lidas sobre uso prático de IA, justamente porque testa antes de opinar. No ensaio "Real AI Agents and Real Work", ele defende uma tese que soa modesta e é radical: a IA já atravessou um limiar e faz, agora, trabalho de valor econômico real. O detalhe que muda tudo é a unidade de medida. O trabalho que ela faz se conta em tarefas, não em empregos. E é aí que mora tanto a oportunidade quanto o desastre.

Tarefas não são empregos

O argumento parte de um teste novo da OpenAI, o GDPval, que fugiu do formato de prova de matemática e trivia. A OpenAI reuniu especialistas com média de 14 anos de experiência em setores como finanças, direito e varejo e pediu que desenhassem tarefas realistas, do tipo que levaria de quatro a sete horas para um humano concluir. Depois, IA e outros especialistas fizeram as mesmas tarefas, e um terceiro grupo avaliou os resultados às cegas, sem saber o que era máquina e o que era gente.

Os humanos ainda venceram, mas por pouco, e com margens que variavam muito por setor. O achado mais interessante, nas palavras de Mollick, é o motivo das derrotas da IA: "the major reason for AI losing to humans was not hallucinations and errors, but a failure to format results well or follow instructions exactly." Ou seja, a máquina não perdeu por inventar fato, perdeu por não formatar direito e não seguir a instrução ao pé da letra. São exatamente as áreas em que os modelos melhoram mais rápido.

Daí a conclusão que dá título à seção do ensaio: isso significa que a IA vai substituir empregos? "No (at least not soon)", ele responde, "because what was being measured was not jobs but tasks. Our jobs consist of many tasks." O emprego de professor dele não é uma coisa só: é dar aula, pesquisar, escrever, preencher relatório, orientar aluno, ler, administrar. A IA fazer uma dessas não apaga o cargo, desloca o que ele faz.

A tarefa que muda um campo inteiro

Mollick não fica na abstração. Ele conta que deu ao Claude Sonnet 4.5 o texto de um artigo sofisticado de economia e o arquivo completo de dados de replicação, com uma instrução curta: replique os achados a partir do conjunto de dados. Sem mais orientação, o modelo leu o paper, abriu o arquivo, converteu o código estatístico de uma linguagem (STATA) para outra (Python) e percorreu metodicamente os achados até reportar uma reprodução bem-sucedida. Ele conferiu por amostragem e ainda pediu a outro modelo que reproduzisse a reprodução. Bateu.

O ponto não é o tempo economizado. É que a crise de replicação, que abalou campos inteiros da ciência porque checar resultados exige esforço humano caro e não escala, de repente ganha uma via de solução parcial. "Reproducing research may be an AI task, not a job, but it is also might change an entire field of human endeavor dramatically." Uma tarefa, não um emprego, e ainda assim capaz de mudar uma área inteira.

O pesadelo do PowerPoint infinito

E então vem o alerta que dá nome ao ensaio e que deveria estar colado no monitor de todo mundo que opera IA. Como prévia do risco, Mollick deu ao Claude um memorando corporativo e pediu que virasse um PowerPoint. Depois outro, de outra perspectiva. Depois outro. Até acumular 17 apresentações. "That is too many PowerPoints", ele escreve, com o humor seco de quem viu o abismo.

Se não pensarmos bem em POR QUE fazemos o trabalho, e em como o trabalho deveria ser, vamos todos nos afogar numa onda de conteúdo de IA. As palavras são dele.

Esse é o segundo risco, o menos comentado e talvez o mais provável: não a IA substituir o humano, e sim o humano usar o agente para fazer, sem pensar, mais do mesmo de sempre. Gerar relatório que ninguém lê, deck que ninguém abre, e-mail que ninguém queria, só que agora em escala industrial. É o oposto exato do que a AI Boutique defende quando diz IA em produção, não em PowerPoint: o volume não é resultado, é ruído com esteroides.

A saída é o julgamento, não o modelo

A alternativa que Mollick propõe é o mesmo fluxo que o paper da OpenAI sugeriu: delegar a tarefa à IA como primeira tentativa, revisar o que voltou e, se não estiver bom, dar uma ou duas correções melhores, como você faria com uma pessoa. Se ainda assim não servir, fazer você mesmo. Especialistas que seguem esse ciclo, estima o estudo, terminam o trabalho cerca de 40% mais rápido e 60% mais barato, e, mais importante, mantêm o controle sobre a IA.

Repare no que sustenta o método: julgamento humano em dois pontos. Na entrada, decidir o que vale a pena fazer. Na saída, revisar se o que voltou presta. É a mesma disciplina que defendemos ao tratar cada feature de IA como hipótese a validar e ao insistir que descobrir o problema vem antes de construir a solução. A capacidade da máquina é dada. O que continua escasso, e portanto valioso, é o critério de escolher o que merece ser feito.

Nossa leitura, para o time que coloca IA em produção no Brasil, fecha onde Mollick fecha: "the difference between these futures isn't in the AI, it's in how we choose to use it." Os agentes chegaram, fazem trabalho real e crescente, e a mesma tecnologia que replica um paper em minutos gera 17 decks que ninguém pediu. Qual dos dois futuros você vai operar depende menos do modelo que você contrata e mais da pergunta que você faz antes de apertar o botão: isso precisa existir?

Se a sua equipe está produzindo mais conteúdo de IA do que consegue usar, fale com a gente no WhatsApp para separar a tarefa que muda resultado do PowerPoint que só faz volume.