Em três anos, a IA já virou infraestrutura de trabalho, seja escrevendo, resumindo, analisando, traduzindo, codificando ou fazendo outras funções que economizam nosso valioso tempo de trabalho. Não à toa, de acordo com o Federal Reserve, estima-se que os usuários regulares de IA generativa economizem, em média, 5,4% das horas de trabalho, o equivalente a um dia inteiro por mês.
Já sabemos a importância e o potencial que a ferramenta tem para nos oferecer, portanto seria um erro ignorá-la. Porém, o risco agora está no fato de que a IA executa o que recebe sem se perguntar se deveria, e isso acontece porque, quando o custo de execução cai, o atrito que nos forçava a pausar também cai.
Num mundo sem a IA generativa, antes de commitar código ruim, o desenvolvedor precisava digitar mais, pensar mais. Antes de lançar uma feature sem validação, o time levava semanas, tempo suficiente para alguém perceber que não fazia sentido. Antes de escalar um processo falho, era preciso construí-lo manualmente. Enfim, a fricção costumava expor o problema. Agora, o código sai em segundos, a feature sai em dias e o processo escala antes de ser testado. E o erro, que antes custava uma semana, agora custa um trimestre, porque foi executado com mais velocidade e mais confiança.
O MIT (Massachusetts Institute of Technology), com o projeto NANDA, evidenciou isso ao analisar mais de 300 iniciativas corporativas de IA generativa e chegar a um número que desconforta: 95% não geraram retorno financeiro mensurável. Foram US$ 30 a 40 bilhões investidos, e só 5% produziram impacto real. Na maioria dos casos, faltou alguém perguntar antes de começar qual problema aquilo resolvia. A McKinsey encontrou um padrão parecido: 88% das empresas já usam IA em alguma função, mas só 6% são consideradas de alto desempenho.
O que fica claro, para mim, é que eficiência sem estratégia e sem governança vai apenas amplificar o problema. Governança envolve definir quem aprova, quem audita e, principalmente, quem responde quando a IA erra. Sem isso, a empresa automatiza o que não deveria, escala o que não funciona e descobre o problema tarde demais.
Agora que o custo para executar caiu, ficou mais fácil lançar um produto que ninguém precisa, porque o MVP sai em dias; ficou mais fácil contratar a pessoa errada, porque o processo ficou mais rápido e ninguém revisou o perfil; ficou mais fácil escrever código que o time vai passar dias desbugando, porque o modelo não conhece o contexto, o histórico da base ou as decisões de arquitetura tomadas há três anos. Porém, o preço que pagamos é que, quando errarmos, será em uma escala muito maior.
Enfim, o potencial é enorme, mas ele só se realiza com a condição de que alguém faça as perguntas certas antes de apertar o botão. Qual é o problema? Como vamos medir se resolvemos? Onde está o julgamento humano que a ferramenta não tem? A IA executa o que você manda, ela não questiona se você deveria ter mandado – essa responsabilidade continua sendo sua.
