Mais humano do que nunca: por que a era da IA exige mais experiência e menos especialização

Uma das minhas lembranças mais nítidas da infância é a de passar horas observando os aviões que decolavam e pousavam perto de casa. Eu queria saber para onde iam, como máquinas tão pesadas conseguiam permanecer no ar e se os pilotos conversavam com as nuvens. Um simples “não sei” raramente encerrava o assunto. Eu insistia: “Mas por que você acha que eles voam? Inventa alguma coisa”.

Eu queria uma resposta, mesmo provisória, que me permitisse continuar pensando.

Na época, não sabia se os adultos tratavam minha persistência como virtude ou incômodo. Provavelmente havia um pouco dos dois. Tampouco poderia imaginar que aquela curiosidade, anos mais tarde, se tornaria parte importante da maneira como trabalho com inteligência artificial.

O que a IA desarrumou

Durante muito tempo, a promessa profissional parecia relativamente estável: escolher cedo uma especialidade, acumular domínio técnico e transformar esse conhecimento em vantagem. A experiência contava, mas com frequência aparecia associada à capacidade de repetir com segurança aquilo que já havia funcionado.

A inteligência artificial desarrumou essa equação. Sistemas generativos passaram a executar partes de tarefas que exigiam leitura, redação, programação, análise e domínio de repertórios especializados. Isso não significa que as profissões desaparecerão em bloco. A Organização Internacional do Trabalho estimou, em 2025, que um em cada quatro empregos no mundo apresentava algum grau de exposição à IA generativa, mas ressaltou que a transformação das funções era mais provável do que sua substituição integral.

Essa distinção importa. Um emprego é composto por tarefas, decisões, relações, responsabilidades e conhecimentos tácitos. A IA pode assumir algumas dessas partes, alterar outras e criar novas exigências ao redor de todas elas. O efeito não será igual em cada profissão, empresa ou país.

O que já se torna difícil sustentar é a ideia de que basta dominar um procedimento técnico e repeti-lo por muitos anos. Quando parte da execução pode ser acelerada por máquinas, ganham peso a definição do problema, a escolha dos critérios, a leitura do contexto e a avaliação do resultado.

Experiência examinada

É nesse ponto que a experiência e o repertório podem adquirir outro valor. Uma pessoa que atravessou situações variadas, observou consequências, errou, reviu decisões e aprendeu a reconhecer nuances dispõe de material para formular problemas que não chegam prontos.

Mas idade, sozinha, não garante essa capacidade. O tempo também pode endurecer certezas. Há pessoas mais velhas que preservam curiosidade e flexibilidade, assim como há jovens capazes de reunir repertório, atenção e maturidade incomuns. A vantagem não está no número de anos, e sim no trabalho realizado sobre aquilo que se viveu.

Experiência útil é experiência examinada. Ela permite perceber quando um caso não cabe no padrão, quando uma resposta tecnicamente correta fracassa diante do contexto ou quando o problema apresentado não é o problema real. Essa percepção orienta tanto o trabalho humano quanto a interação com sistemas de IA.

Por isso, “menos especialização” não significa desprezo pela competência técnica. Significa recusar a especialização isolada, incapaz de conversar com outros campos e de compreender as consequências do que produz. O especialista continua necessário. O especialista que só enxerga o interior da própria disciplina, porém, encontra mais dificuldade para definir o que deve ser feito com ferramentas capazes de operar em várias linguagens e domínios.

Uma síntese publicada pela OCDE em 2026 ajuda a dimensionar essa mudança: menos de 1% dos trabalhadores precisaria de competências avançadas específicas de IA, como desenvolver modelos, enquanto a maioria necessitaria de habilidades digitais, capacidade de usar e interpretar dados e competências como resolução de problemas, criatividade e inovação. O desafio não se resume a formar mais programadores. É preparar mais gente para pensar com sistemas que programadores ajudaram a construir.

A arte de formular o problema

Fala-se muito em “fazer as perguntas certas”, expressão que pode soar vazia se não explicarmos o que ela exige. Não se trata apenas de escolher entre perguntas abertas e fechadas nem de descobrir uma fórmula perfeita de prompt.

Uma boa pergunta contém contexto suficiente, explicita o objetivo, estabelece limites e indica como reconhecer uma resposta útil. Também sabe o que não deve ser delegado. Para formular tudo isso, é preciso compreender o problema antes de pedir que a IA participe de sua solução.

É muito mais fácil responder a uma pergunta já definida do que encontrar a pergunta que organiza um território confuso. Como costumo dizer aos meus alunos de pós-graduação em storytelling e inovação: “Toda boa pergunta já traz em si a semente da resposta, mas nenhuma resposta nasce sem a pergunta”.

Essa formulação não significa que a resposta esteja escondida, inteira, dentro do enunciado. Significa que o modo de perguntar seleciona caminhos, pressupostos e critérios. Uma pergunta genérica tende a produzir uma resposta genérica. Uma pergunta precisa revela que alguém já observou o problema, distinguiu suas partes e decidiu o que importa investigar.

Com IA, isso se torna ainda mais visível. A ferramenta pode oferecer velocidade, variações e conexões. Ainda cabe a quem a utiliza reconhecer inconsistências, conferir fatos, perceber ausências e decidir se o resultado serve ao propósito. Perguntar bem não elimina o trabalho; muda o lugar onde parte dele acontece.

Ligar os pontos olhando para trás

Minha aproximação com a inteligência artificial não nasceu de uma formação linear em tecnologia. Ela veio da curiosidade e de uma trajetória que reuniu consultoria, palestras, storytelling, inovação e resolução de conflitos. Esses campos me ensinaram, por caminhos diferentes, a prestar atenção à linguagem, às narrativas e às ambiguidades do comportamento humano.

Hoje me dedico também à criação de personas, chatbots e sistemas de IA capazes de sustentar interações mais complexas e, em alguns casos, executar ações dentro de limites definidos. Nesse trabalho, meu repertório heterogêneo não é um adorno ao conhecimento técnico. Ele participa da definição das perguntas, dos comportamentos esperados, dos riscos e dos critérios pelos quais avalio uma resposta.

Essa colaboração atravessa outras áreas da minha atuação. Pode ajudar a estruturar uma consultoria em storytelling ou ampliar as possibilidades examinadas num processo de resolução de conflitos. Em nenhum desses casos a IA substitui o julgamento necessário. Ela me permite trabalhar o material de outra maneira.

No discurso de formatura que fez em Stanford, em 2005, Steve Jobs contou como um curso de caligrafia, escolhido sem utilidade aparente, influenciou anos depois a tipografia do Macintosh. Sua formulação ficou conhecida: “Você não consegue ligar os pontos olhando para a frente; só consegue ligá-los olhando para trás.”

Há algo dessa lógica na experiência profissional. Nem todo interesse precisa justificar imediatamente sua utilidade. Filosofia, história, sociologia, psicologia, arte e literatura podem parecer laterais numa cultura que valoriza competências diretamente aplicáveis. Quando as máquinas passam a executar com rapidez uma parcela maior do trabalho técnico, essas áreas reaparecem não como ornamento, mas como fontes de contexto, distinção e imaginação.

Olhando para trás, vejo uma continuidade entre a criança que observava aviões, a trajetória profissional pouco linear e o trabalho que hoje realizo com IA. Não diria que eu estava me preparando conscientemente para este momento. Os pontos só se tornaram visíveis depois.

O profissional que ganha relevância nessa transição não é simplesmente o mais jovem, o mais velho, o mais técnico ou o mais generalista. É aquele que consegue combinar domínio, curiosidade e responsabilidade: sabe usar a ferramenta, mas também sabe de onde vem a pergunta, o que pode estar ausente da resposta e quais consequências não cabem à máquina assumir.