Todos os dias, um volume incalculável de texto, código e imagens é produzido por máquinas. Pode parecer que a revolução industrial liderada pela IA já chegou, mas nem os seus maiores entusiastas conseguem ignorar as barreiras sérias que a limitam.
Os obstáculos são tecnológicos e também biológicos. Nossa capacidade finita de validar o trabalho das máquinas enfraquece a ideia de um milagre econômico iminente e expõe o cenário oposto: um futuro emperrado, em que empresas sem gente suficiente se afogam em pilhas de trabalho inútil gerado por IA. A distância entre o que os humanos conseguem entender, auditar e respaldar e o que as máquinas conseguem produzir pode crescer mais rápido do que a capacidade humana de supervisão. Essa é a variável que precisamos gerenciar.
Essa distância tem nome. Em “Some Simple Economics of AGI“, working paper do MIT Sloan publicado em fevereiro de 2026, os pesquisadores a batizam de Lacuna de Mensurabilidade e sustentam que a largura de banda de verificação, a capacidade humana finita de validar resultados, auditar comportamento e responder pelo que foi produzido, pode se tornar a restrição que define o valor real da IA em escala. Christian Catalini, fundador do MIT Cryptoeconomics Lab, pesquisador do MIT Sloan School of Management e um dos autores, aprofundou o argumento em entrevista à revista Farsight, do Copenhagen Institute for Futures Studies. Dessa variável dependem dois cenários opostos: uma economia aumentada, em que a verificação humana escala junto com a produtividade das máquinas, e uma economia oca, marcada por volume nominal alto e controle humano em queda.
Duas curvas de custo em rota de colisão
O estudo modela a transição para a AGI como o encontro de duas curvas de custo. O Custo de Automatizar cai de forma exponencial, empurrado por compute e conhecimento acumulado. O Custo de Verificar permanece preso ao tempo biológico e à experiência incorporada de pessoas. À medida que a primeira despenca e a segunda resiste, a Lacuna de Mensurabilidade se alarga, e a parcela verificável da economia passa a funcionar como teto: a geração bruta de agentes escala de forma exponencial, mas o valor efetivamente realizado fica limitado pela banda de verificação disponível.
A implantação, enquanto isso, avança rápido. Segundo relatório do IBM Institute for Business Value publicado em 2026, com mais de 2 mil executivos de nível C ouvidos em 16 países e 17 setores, 55% das organizações desenvolvem ou implementam um modelo operacional baseado em agentes, e 60% planejam estruturas em que agentes coordenam fluxos integrados em finanças, cadeia de suprimentos, RH, compras, operações e atendimento. A IBM comercializa ferramentas de governança para esses sistemas, o que recomenda ler o dado com essa ressalva. O número não mede a capacidade de verificação, mas dá a dimensão da velocidade com que a adoção avança.
Esse ritmo muda o eixo da disrupção. A divisão que passa a importar corre entre mensurável e não mensurável, não entre rotineiro e não rotineiro. Qualquer tarefa redutível a uma métrica torna-se industrializável, independentemente do prestígio ou das credenciais historicamente exigidas. Software aparece primeiro, por ter os ciclos de feedback mais rápidos e a maior densidade de testes automatizados. Na sequência, segundo Catalini, vêm diligência jurídica, modelagem financeira, triagem médica, jornalismo e partes da pesquisa científica. Argumentos que apelam a escopo, gosto ou julgamento como barreira, afirma ele, são em boa parte autoconsolo, porque a fronteira do que se pode medir não é fixa, e a IA é o motor que a expande.
A erosão de quem audita as máquinas
Se a fronteira do mensurável avança, o gargalo se desloca para quem valida o resultado. Essa oferta de verificadores humanos, aponta o estudo, é corroída por duas forças simultâneas. A primeira é o Missing Junior Loop: ao automatizar o trabalho cognitivo de entrada, as empresas rompem a trilha de aprendizado que forma especialistas, reduzindo o estoque futuro de quem poderá auditar as máquinas. A segunda é a Maldição do Codificador: ao corrigir a saída de um sistema, o profissional sênior converte seu conhecimento tácito em sinal de treinamento e acelera a própria substituição.
Há um sinal empírico compatível com o primeiro mecanismo. Um estudo do Stanford Digital Economy Lab, Canaries in the Coal Mine?, de Erik Brynjolfsson, Bharat Chandar e Ruyu Chen, baseado em folhas de pagamento da ADP, registrou queda relativa de cerca de 13% no emprego de trabalhadores de 22 a 25 anos nas ocupações mais expostas à IA Generativa, ante estabilidade ou alta entre os mais velhos nas mesmas funções. Dados atualizados até outubro de 2025 elevaram essa queda para cerca de 16%. O efeito é contestado quanto à causa, com parte dos economistas apontando juros e contratação no setor de tecnologia; os autores sustentam que o padrão persiste após controlar esses fatores. Ainda assim, converge com a dinâmica descrita por Catalini.
A escassez futura tem um espelho no presente. Mesmo onde a supervisão existe, ela costuma constar do organograma, não da operação: com agentes que planejam, decidem e executam, a janela de intervenção pode encolher a segundos, e o humano formalmente responsável passa a apenas homologar decisões que a máquina já tomou.
Em artigo para o IBM Think, Phaedra Boinodiris, Líder Global de IA Confiável da IBM Consulting, chama isso de lavagem de responsabilidade: uma pessoa é designada para supervisionar a IA sem que as condições de supervisão real tenham sido criadas, ou seja, sem transparência arquitetural, treino, autoridade para interromper e canal de feedback. Nesse arranjo, a responsabilidade vira processo de fachada. Na mesma publicação, Maryam Ashoori, vice-presidente de Produto e Engenharia do IBM watsonx.governance, afirma que o teste que importa é se o humano detém o controle da decisão, e não se apenas participa dela. As duas falas vêm de uma empresa que vende governança de agentes, ressalva que vale registrar, mas descrevem um modo de falha independente do fornecedor.
Daí a importância de distinguir graus de envolvimento. No modelo human-in-the-loop, o sistema pausa e aguarda aprovação humana antes de agir, adequado a decisões de alto risco e irreversíveis. No human-on-the-loop, a IA age sozinha e a pessoa monitora, cabível quando o erro é reversível. Com agentes que executam ações de risco variável dentro de um mesmo fluxo, o nível de supervisão precisa ser propriedade de cada decisão, definido por risco, contexto e política, e não fixado uma vez para todo o processo.
A aviação oferece um paralelo, citado tanto por Catalini quanto pelo material corporativo. Depois de uma série de acidentes, o setor transformou supervisão, comunicação e tomada de decisão em competências treinadas, com briefings estruturados, listas de verificação e treino em simulador. É a mesma direção que Catalini propõe pela via dos ambientes de prática sintética: treinar o julgamento sob pressão antes da produção. O paralelo sugere que supervisão sem treino tende a ser formulário, não controle.
O valor migra, o risco se socializa
Quem resolve essa equação de verificação capta o valor que sobra. Para as empresas, a implicação do estudo é reposicionar a verificação: de função de conformidade a tecnologia de produção e ao ativo mais defensável da organização. A arquitetura sugerida é uma topologia em sanduíche: intenção humana, execução por máquina, verificação e responsabilização humanas. O modelo de receita migra de vender acesso a software para vender resultados, o Software-as-Labor, e o valor das empresas passa a depender da capacidade de absorver risco de cauda, precificando e garantindo saídas autônomas via Liability-as-a-Service.
Nesse arranjo, ganham as organizações com dados de qualidade para verificação (casos de borda, registros de falha, trilhas de auditoria), ferramentas de observabilidade e o talento escasso capaz de assinar embaixo do risco. Perdem os papéis cujo pacote de tarefas fica barato de medir, com salários pressionados pela queda do custo de execução por máquina. O custo oculto está em usar IA para verificar IA: se o agente e o auditor sintético partilham os mesmos vieses e pontos cegos, reforçam-se de forma correlacionada, o que pode produzir uma falsa sensação de controle enquanto a atividade medida sobe.
Esse custo oculto tem uma dimensão sistêmica. A falha de mercado central no modelo é a externalidade que os autores apelidam de Cavalo de Troia: implantar agentes não verificados é racional em termos privados, porque as empresas ficam com o ganho e socializam o risco. Sem precificar responsabilidade, o mercado tende à economia oca.
Há limites a registrar. O artigo do MIT é um documento de trabalho publicado no arXiv, um modelo econômico e exercício de cenários, não um estudo empírico; sua projeção de que a economia global será transformada em 12 a 24 meses é uma premissa do autor, sustentada na ideia de que a verificação é o último obstáculo antes do impacto. Catalini também aponta um risco distributivo: como as revoluções tecnológicas tendem a favorecer o capital antes do trabalho, existe a possibilidade de a sociedade se dividir em duas culturas, uma com agência e motivação para construir com as máquinas, outra disposta a consumir o que passou a estar amplamente disponível sem esforço. Essa divergência, avalia ele, pode se tornar a marca cultural do período, acima da própria tecnologia.
O tratamento desse risco divide os governos. A posição de Catalini é contestada: ele critica a preferência europeia por regulação ampla e antecipada, que considera um alvo móvel difícil de legislar, e defende tratar a verificação como oportunidade privada, combinada a infraestrutura pública de dados de referência, requalificação em escala e apoio a modelos abertos. Do outro lado, há lei já vinculante em sentido oposto: o Artigo 14 do AI Act da União Europeia exige que sistemas de IA de alto risco sejam projetados para supervisão humana efetiva, e o termo efetiva exclui a mera homologação e mira o viés de automação, a tendência do operador de confiar demais no resultado da máquina. O texto determina que o supervisor consiga compreender os limites do sistema, interpretar a saída, recusar ou anular a decisão e interromper a operação. Nos Estados Unidos, o NIST AI Risk Management Framework considera a supervisão humana uma boa prática em regime voluntário. Qual arranjo protege melhor sem travar a inovação segue em disputa.
A pergunta agora é se a capacidade de verificação, e o controle humano real sobre ela, escalam no mesmo ritmo da implantação de agentes. Os sinais a acompanhar são a adoção de relato padronizado de incidentes, de trilhas de execução auditáveis e de regimes de responsabilidade que precifiquem o risco; a trajetória mensal do indicador de emprego jovem monitorado pelo painel de Stanford; e se as empresas constroem o treino, a autoridade para interromper e os canais de feedback que separam a supervisão de fato da homologação de fachada. Enquanto a distância entre o que as máquinas produzem e o que as pessoas conseguem auditar continuar a crescer, o volume de saída dirá pouco sobre o valor gerado.
Para continuar navegando como visitante, vá por aqui.
Nenhum cadastro foi encontrado. Verifique os dados inseridos!
Cadastre-se grátis, leia até 5 conteúdos por mês,
e receba nossa newsletter diária.
Já recebe a newsletter? Ative seu acesso
Pronto! Só falta um passo.
Clique no link do e-mail que enviamos para retornar aqui e começar a ler seus 5 conteúdos exclusivos.
Se você já recebe nossas newsletters,
preencha seu e-mail que lhe mandaremos instruções
VoltarOpa! Parece que este e-mail não está cadastrado ainda. Tente novamente ou, se quiser fazer um novo cadastro, clique aqui.
Este e-mail que escolheu já está cadastrado.
Se ele é seu e você já tem uma senha, faça login para prosseguir com a assinatura. Se não tiver ainda ativado seu acesso, clique aqui para criar sua senha, logar e continuar o processo de assinatura.
