IA no trabalho: por que uma boa demonstração ainda não é uma solução

Resumo: A nova Claude Frontier Academy, da Anthropic, coloca em destaque uma dificuldade da adoção de inteligência artificial: transformar possibilidades em processos confiáveis. O anúncio permite discutir quais competências desenvolver, como medir resultados e por que conhecer o trabalho continua sendo decisivo para usar IA com responsabilidade.

Uma ferramenta recebe documentos, produz um resumo e monta uma apresentação em poucos minutos. A demonstração impressiona. Na segunda-feira, porém, aparecem as perguntas que o vídeo não respondeu: qual documento está atualizado? Quem confere os números? O que acontece quando falta uma informação? E quem assume o trabalho quando a ferramenta erra?

A diferença entre esses dois momentos ajuda a interpretar uma notícia recente. Em 2 de outubro de 2026, a Anthropic anunciou a Claude Frontier Academy, com compromisso de US$ 100 milhões e meta de formar 10 mil engenheiros até o fim de 2027.[1] São valores e objetivos anunciados pela empresa, não resultados já alcançados.

Minha leitura do anúncio é que a implantação merece tanta atenção quanto a escolha do modelo. Para quem trabalha, ensina ou lidera uma equipe, a questão prática é identificar o que precisa mudar para que uma experiência interessante se torne um serviço confiável.

O que foi anunciado e quem pode participar

A formação combina uma etapa presencial, com simulação de implantação empresarial, e uma residência de 12 semanas em um projeto real da organização. Há avaliações práticas. O público são engenheiros de software com experiência em grandes modelos de linguagem, ou LLMs: sistemas treinados em grandes volumes de linguagem para produzir e interpretar conteúdo.[1]

A participação ocorre por indicação das organizações. As primeiras turmas estão em São Francisco, Nova York e Londres. Portanto, o anúncio não representa uma inscrição aberta para qualquer profissional brasileiro. A McKinsey confirmou, também em publicação de 2 de outubro, a participação de uma equipe de sua área QuantumBlack.[2]

Essa confirmação sustenta a presença de um participante, mas vem de uma parceira comercial. Os materiais consultados não demonstram, por avaliação independente, a eficácia da formação. A proposta é verificável; seu impacto ainda precisa ser acompanhado.

O problema começa antes de abrir o chatbot

Imagine uma escola que queira responder mais rapidamente às dúvidas dos estudantes sobre matrícula. Antes de escolher uma ferramenta, seria necessário reunir orientações vigentes, identificar exceções e definir quem resolve os casos incomuns. Se dois documentos trazem prazos diferentes, uma resposta bem escrita pode apenas apresentar a contradição com mais confiança.

Esse exemplo é hipotético, mas permite enxergar quatro perguntas que proponho para qualquer projeto: qual problema será resolvido, de onde vêm as informações, como reconhecer uma resposta adequada e quem poderá intervir? Se a equipe não consegue respondê-las, a contratação da tecnologia não resolve a indefinição.

Também vale verificar se a tarefa exige IA. Um formulário melhor, uma base organizada ou uma regra simples podem resolver parte do problema. Essa comparação ajuda a reservar a ferramenta para situações em que sua capacidade de interpretar linguagem oferece uma contribuição necessária.

Produtividade depende da tarefa e de como o uso é medido

Erik Brynjolfsson, Danielle Li e Lindsey Raymond estudaram a introdução de um assistente de IA entre 5.172 profissionais de atendimento. Na versão publicada em maio de 2025 no Quarterly Journal of Economics, o aumento médio de produtividade foi de 15%, medido por problemas resolvidos por hora. Os efeitos variaram entre trabalhadores.[3]

Em outro contexto, Joel Becker, Nate Rush, Elizabeth Barnes e David Rein investigaram 16 desenvolvedores experientes em 246 tarefas. Com ferramentas do início de 2025, o tempo de conclusão aumentou 19%. O artigo foi submetido ao arXiv em 12 de julho daquele ano.[4]

Esse resultado não deve ser tratado como retrato definitivo da programação atual. Em atualização de 24 de fevereiro de 2026, a METR informou que sua investigação posterior apresentava problemas de seleção dos participantes e das tarefas, limitando a estimativa de produtividade.[5]

Os trabalhos não avaliam a nova academia e não são diretamente comparáveis. Servem para lembrar que uma medida obtida em determinado cenário não se transfere automaticamente para outro. Uma avaliação local precisa considerar a tarefa, a experiência de quem a executa e a qualidade exigida.

Meça o caminho completo, incluindo a revisão

Para uma equipe que produz relatórios, proponho acompanhar o tempo desde a coleta de informações até a aprovação. Medir apenas a geração do primeiro texto deixa de fora conferência, correção, ajustes e devoluções. Um rascunho rápido pode ser útil, mas precisamos saber o que aconteceu com o trabalho inteiro.

Considere um exemplo numérico ilustrativo. Sem IA, um relatório leva 40 minutos para ficar pronto. Com IA, o rascunho aparece em cinco minutos, mas exige outros 45 de correções. O total passa a 50. A ferramenta acelerou uma etapa, enquanto a entrega ficou mais demorada.

A mesma avaliação deve registrar erros relevantes. Se a produção ficou mais rápida, mas passou a atribuir decisões a pessoas erradas, o ganho de tempo não basta. Defina previamente o que torna a entrega aceitável e compare tarefas semelhantes. Um teste pequeno orienta decisões; não comprova eficácia universal.

A competência de ligar tecnologia e contexto

O nome Frontier Deployed Engineer, usado no programa, identifica o profissional que leva sistemas avançados de IA ao funcionamento dentro de uma organização. Para compreender a função, pense na distância entre construir um protótipo e sustentar seu uso cotidiano.

No exemplo da escola, alguém precisa compreender o atendimento e conectar a solução aos documentos corretos. Também precisa observar dúvidas mal interpretadas, atualizar informações e assegurar que os casos difíceis cheguem a uma pessoa. A competência técnica aparece em decisões que afetam a experiência de estudantes e funcionários.

Não é necessário que todo profissional assuma esse cargo. Para professores, analistas e gestores, uma contribuição concreta é aprender a descrever situações reais: apresentar um pedido típico, uma exceção e um erro que seria importante evitar. Conhecimento do trabalho, traduzido em exemplos verificáveis, ajuda uma equipe técnica a construir algo adequado.

Autonomia da ferramenta exige limites claros

Um agente de IA é um sistema que usa um modelo para executar etapas de uma tarefa, podendo acionar ferramentas. Quanto mais ações ele pode realizar, mais precisamos definir o alcance dessa autorização. Consultar um documento e alterar um registro têm consequências diferentes.

Em uma experiência inicial de atendimento, minha proposta seria permitir que o sistema preparasse respostas, com aprovação humana antes do envio. A equipe examinaria perguntas ambíguas, documentos incompletos e solicitações fora de escopo. O teste precisa incluir situações em que a resposta adequada seja pedir esclarecimento ou encaminhar o caso.

Essa proposta é um critério editorial de implantação, não um resultado experimental. Cada organização deve avaliar suas condições. O objetivo é que o responsável compreenda o que a ferramenta pode fazer, consiga interromper uma ação e saiba recuperar o processo quando algo falhar.

Desenvolvimento pessoal: transforme intenção em uma ação marcada

O tema também alcança a rotina de quem deseja desenvolver novas competências. “Preciso aprender IA” é uma intenção ampla. Podemos convertê-la em um compromisso observável: na terça-feira, depois de uma atividade recorrente, registrar uma dificuldade e preparar um pequeno teste com dados fictícios.

Peter Gollwitzer e Paschal Sheeran analisaram, em pesquisa de 2006, as chamadas intenções de implementação: planos que vinculam uma situação a uma ação definida. A meta-análise, pesquisa que reúne resultados de diferentes estudos, reuniu 94 testes e encontrou benefício médio na realização de objetivos. Ela não estudou capacitação em IA; a aplicação aqui é uma adaptação prática.[6]

Um plano possível é: quando eu concluir o relatório semanal, anotarei a etapa que mais exigiu retrabalho e reservarei 20 minutos para testar uma melhoria. A novidade deixa de disputar atenção apenas no momento de entusiasmo e passa a ter um lugar identificável na agenda.

O que levar para a próxima reunião

Minha sugestão é começar com uma página: problema escolhido, material necessário, responsável, critério de qualidade e medida de tempo. Acrescente dois exemplos comuns e um caso difícil. Depois, realize uma experiência pequena, respeitando as condições de uso e de acesso aos dados definidas pela organização.

Ao final, registre o que melhorou, o que piorou e o que permanece incerto. Se o resultado não compensar, a equipe ganhou uma informação útil para ajustar ou encerrar a tentativa. Se compensar, terá uma base concreta para discutir a próxima etapa.

A nova formação da Anthropic abre uma pauta relevante, mas o valor de uma solução precisa aparecer no cotidiano de quem a utiliza. Uma demonstração conquista atenção. Um processo bem acompanhado permite decidir se vale continuar.

Referências verificáveis

1. Anthropic. Claude Frontier Academy. Anúncio e publicação: 2 out. 2026. Fonte do fornecedor; metas e compromisso financeiro declarados.
2. McKinsey. McKinsey’s QuantumBlack engineers join Anthropic’s Claude Frontier Academy. 2 out. 2026. Confirmação de participante comercial.
3. Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey. Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942, maio 2025. Registro institucional em Stanford. Usada a estimativa de 15% da versão publicada, distinta dos 14% do texto de trabalho anterior.
4. Becker, Joel; Rush, Nate; Barnes, Elizabeth; Rein, David. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. Submetido em 12 jul. 2025; revisão de 25 jul. 2025. Ferramentas e contexto do início de 2025.
5. Becker, Joel; Rush, Nate; Cunningham, Tom; Rein, David; Mahamud, Khalid. METR. We are Changing our Developer Productivity Experiment Design. 24 fev. 2026. Atualização metodológica; ressalvas sobre seleção e mensuração.
6. Gollwitzer, Peter M.; Sheeran, Paschal. Implementation Intentions and Goal Achievement: A Meta-analysis of Effects and Processes. Advances in Experimental Social Psychology, 38, 69–119, 2006. Texto disponibilizado pela Universidade de Konstanz.