A Reserva de Critério: o ativo que ninguém mede na era da IA

Há uma pergunta que nenhum conselho de administração está fazendo ainda e que, no entanto, decidirá quais empresas sobreviverão a esta década: quantas pessoas permanecem dentro da organização capazes de afirmar, com conhecimento real do assunto, se o que a inteligência artificial acaba de entregar está correto. Não quantas pessoas usam IA. Quantas conseguem auditá-la.

Chamo essa capacidade de Reserva de Critério. E, como tudo o que não é medido, hoje ela não aparece em nenhum relatório trimestral, balanço ou plano de recursos humanos. Só é percebida no dia em que algo falha e já não resta ninguém com a experiência necessária para explicar por quê.

O que é a Reserva de Critério e por que ela está em risco agora

Defino a Reserva de Critério como a quantidade de talento formado e em formação que uma organização mantém disponível para exercer controle de qualidade sobre seus processos, otimizar o consumo de recursos e garantir a validade operacional do que produz. Não é o mesmo que quadro total de pessoal nem orçamento de capacitação. É a profundidade real de pessoas capazes de detectar um erro que a ferramenta não consegue identificar sozinha, justificar uma decisão e manter o rumo quando um processo automatizado se desvia sem aviso.

Essa reserva está sob a pressão de três curvas que convergem na mesma janela temporal, entre 2027 e 2029. Vale compreendê-las separadamente antes de ver por que, juntas, são muito mais perigosas do que isoladas.

A primeira curva é financeira. A projeção é que o investimento dos hyperscalers relacionado à inteligência artificial se aproxime de US$ 800 bilhões em 2026. Analistas da PIMCO calculam que essa onda de investimentos poderá absorver 94% do fluxo de caixa operacional dos hyperscalers nos dois anos seguintes. A Oracle, por sua vez, declarou fluxo de caixa livre negativo de US$ 23,7 bilhões no exercício de 2026 após captar US$ 43 bilhões em dívida. Não é preciso atribuir má-fé a ninguém para observar que o setor está assumindo compromissos cujos retornos esperados continuam extraordinariamente exigentes.

A segunda curva é humana e já foi medida; não é intuição. A revisão mais recente do Digital Economy Lab de Stanford conclui que o emprego de trabalhadores entre vinte e dois e vinte e cinco anos em ocupações expostas à IA está 19% abaixo do nível que teria alcançado se tivesse acompanhado seus pares menos expostos; profissionais experientes não apresentam uma lacuna comparável. A curva de aprendizagem antes financiada por tarefas rotineiras está sendo automatizada antes que o júnior consiga construí-la. E o fenômeno da saída adiada, em que profissionais seniores permanecem nos cargos por mais tempo sob pressão financeira, não resolve o problema: apenas o adia por alguns anos.

A terceira curva é a que realmente importa, porque não depende de nenhuma decisão de mercado nem de empresa alguma: o relógio demográfico. Em 2030, todos os baby boomers terão pelo menos sessenta e cinco anos, e estima-se que 30,4 milhões de integrantes do trecho mais numeroso dessa geração alcançarão a idade tradicional de aposentadoria durante esse período. O adiamento tem um limite biológico. O critério sênior deixa o sistema dentro de uma janela conhecida, queira alguém ou não.

O risco não é que essas três curvas existam separadamente. É que compartilham o mesmo calendário. Se a correção financeira do setor chegar entre 2027 e 2029, coincidirá quase exatamente com o trecho mais denso de saída dos seniores e com uma geração que nunca aprendeu a trabalhar sem a ferramenta que, justamente nesse momento, poderá se tornar menos confiável ou menos acessível. Não é necessário um colapso espetacular. Basta que as três curvas se cruzem na mesma janela. É isso que quero dizer quando afirmo que a Reserva de Critério está em risco agora, não em algum futuro abstrato.

A falha silenciosa do modelo de aquisição de talentos

O recrutador de hoje trabalha com uma métrica implícita que ninguém discutiu abertamente: preencher a vaga o mais rápido possível e pelo menor custo. Essa métrica fazia sentido quando o mercado de trabalho funcionava como uma escada: o júnior entrava, assumia tarefas de baixo risco, cometia erros baratos e, com o tempo, construía o critério que lhe permitia subir um degrau. A inteligência artificial rompeu esse mecanismo sem que ninguém redesenhasse o processo que dependia dele. As tarefas de baixo risco que treinavam o júnior agora são executadas pela máquina, e o júnior entra em uma função na qual já não existe o degrau inferior para aprender da maneira tradicional.

O resultado é que muitas organizações acreditam estar otimizando quando, na verdade, esvaziam sua Reserva de Critério sem perceber. A economia na folha aparece imediatamente nos resultados. A perda de profundidade da equipe só aparece quando é necessária, e então já é tarde para revertê-la com uma única contratação, porque critério não se compra: cultiva-se durante anos.

Isso exige uma mudança na própria função do recrutador. O recrutador do futuro não pode continuar sendo um gestor de vagas que combina perfis e cargos. Ele deve se tornar o guardião da Reserva de Critério da organização, com uma responsabilidade explícita e mensurável: garantir um fluxo contínuo de talentos em diferentes estágios de formação, distribuído de forma que nenhuma função crítica dependa de uma única pessoa ou geração. Isso significa mudar os indicadores usados para avaliar a área de talentos. Ao lado do tempo e custo de contratação, deve existir um indicador de profundidade de critério por área crítica e outro sobre a idade da Reserva de Critério, mostrando quantos anos de margem restam antes que uma função dependa de pessoas próximas de deixar o sistema.

Contratar sob esse novo paradigma também implica aceitar que algumas posições juniores precisam existir mesmo quando não são rentáveis no curto prazo, porque sua função não é produzir neste trimestre, mas acumular a experiência que sustentará a organização daqui a cinco ou dez anos. É um investimento em capital humano com retorno diferido, exatamente como um investimento em infraestrutura, e deve ser orçado e defendido perante o conselho com a mesma lógica, não como gasto discricionário de treinamento.

Da escola acidental do erro à simulação deliberada

Durante décadas, a formação do critério profissional foi um subproduto quase acidental do trabalho real. O júnior cometia um erro em uma tarefa de baixo risco, um sênior o corrigia e, nesse processo, transmitia-se algo que nenhum manual explica bem: o instinto de perceber que algo não fecha antes de haver uma prova conclusiva. Esse mecanismo orgânico está se apagando justamente porque a tarefa de baixo risco que servia como campo de treinamento já não é realizada por uma pessoa.

A consequência lógica é que a formação do critério não pode mais continuar como subproduto. Ela precisa ser projetada deliberadamente. E aqui a inteligência artificial pode deixar de ser o problema para se tornar parte da solução, desde que receba um papel diferente daquele que a maioria das organizações lhe atribui hoje.

Até agora, o uso dominante da IA no ambiente corporativo tem sido resolver problemas: gerar o relatório, escrever o código, redigir o contrato ou executar a análise. Esse uso, sozinho, é exatamente o que drena a Reserva de Critério, pois elimina a fricção que antes treinava as pessoas. Mas existe um uso simétrico e muito menos explorado: utilizar a inteligência artificial para criar problemas de forma controlada, gerando cenários de tensão e estresse especificamente concebidos para treinar o critério da equipe, em um ambiente onde o custo do erro é zero, mas a aprendizagem é real.

Isso pode ser projetado em vários níveis. O primeiro é simular cenários ambíguos no trabalho cotidiano: a IA introduz, de forma controlada e conhecida apenas por quem desenhou o exercício, uma inconsistência deliberada em um conjunto de dados, uma recomendação com viés oculto ou uma decisão aparentemente correta com uma consequência de segunda ordem pouco óbvia; então se observa a capacidade da equipe para detectá-la e o raciocínio usado. O segundo nível é o exercício de sucessão: modelar o que acontece operacionalmente se uma pessoa sênior específica desaparecer do processo de um dia para o outro, obrigando o restante da equipe a operar sem seu critério para identificar dependências críticas antes que a saída seja real. O terceiro nível é o exercício de crise genuína: recriar com IA a falha de um fornecedor ou um cenário reputacional, financeiro ou regulatório, sob pressão de tempo real, medindo a qualidade da resposta da equipe sob estresse, e não sua capacidade de executar um manual já escrito.

Nenhum desses três níveis exige tecnologia que não exista hoje. Exige uma decisão organizacional: reservar tempo e atenção dos seniores para projetar os exercícios e aceitar que o retorno não aparece na produtividade desta semana, mas na resiliência da organização daqui a três anos.

A IA como orquestradora, não como substituta

O erro de fundo presente em grande parte da adoção corporativa atual de IA é tratá-la como substituta do treinamento, quando seu papel mais valioso é multiplicá-lo, se for projetada com essa intenção desde o início.

Usada como substituta, a IA absorve a tarefa, o júnior não a aprende e a organização parece mais eficiente no papel enquanto perde silenciosamente sua Reserva de Critério. Usada como multiplicadora, a mesma tecnologia pode orquestrar rotações entre áreas para expor os juniores a diferentes tipos de critério; programar e executar os exercícios de estresse e sucessão descritos; manter em tempo real o painel da Reserva de Critério; e associar automaticamente cada júnior ao sênior cujo conhecimento tácito seja mais urgente transferir segundo o calendário previsto de saídas.

A diferença entre os dois usos não está na ferramenta, mas na intenção por trás da implementação. A mesma plataforma de inteligência artificial pode ser desenhada para maximizar a substituição de tarefas ou a transferência de critério. Hoje, a imensa maioria das implementações corporativas está otimizada para a primeira opção, simplesmente porque é isso que se mede e remunera. Mudar essa lógica exige transformar a Reserva de Critério em objetivo explícito de qualquer projeto de transformação com IA, no mesmo nível da redução de custos ou do ganho de produtividade, e não como preocupação secundária de recursos humanos.

Por que a superinteligência provavelmente não nos salvará

Existe uma expectativa generalizada, e bastante conveniente para quem não quer investir em treinamento hoje, de que tudo isso seja um problema transitório porque, em breve, os sistemas serão capazes de operar sem qualquer necessidade de critério humano. Essa expectativa merece o mesmo escrutínio aplicado às três curvas anteriores.

Os modelos atuais mostram capacidades pontuais extraordinárias, mas isso não equivale a inteligência operacional geral. Há uma diferença relevante entre um sistema capaz de produzir uma solução e outro capaz de responder por sua decisão: justificá-la, reproduzi-la de forma consistente diante do mesmo estado do mundo, indicar quais dados e regras utilizou e permitir que, depois, alguém determine quem tinha autoridade para agir e qual foi o resultado real. Essa camada de governança, verificação e responsabilização não é fornecida hoje pelo modelo de linguagem sozinho. Quando memória, ferramentas, regras, validadores, permissões e supervisão são adicionados para cobrir essa lacuna, o mérito de o sistema funcionar já não pertence apenas ao modelo, mas a toda a arquitetura de governança projetada por pessoas.

Isso tem uma implicação direta para as curvas de desenvolvimento dos próprios sistemas de IA. Se a superinteligência geral for muito mais difícil de alcançar — e, sobretudo, de administrar com as garantias de segurança e governança que setores como bancos, energia ou infraestrutura crítica exigiriam — do que foi vendido nos últimos anos, é razoável esperar que a curva de capacidade se estabilize em um nível alto, porém limitado, que continuará exigindo critério humano indefinidamente para operar com segurança, e não apenas durante uma fase de transição.

Isso não deve ser lido como alívio. Deve ser entendido como a remoção da única desculpa que hoje sustenta a inação de muitas organizações diante da Reserva de Critério: a ideia de que em breve ninguém precisará ser treinado porque a máquina fará tudo sozinha. Se essa máquina não chegar, ou chegar muito mais tarde e muito mais limitada do que o previsto, as políticas de contratação, formação e sucessão descritas neste artigo não são uma precaução razoável diante de um cenário incerto. São a única estratégia sensata diante de um cenário que já é, com alta probabilidade, o real.

O multiplicador, não o excludente

Tudo isso pode ser resumido em uma única distinção, aquela que deveria orientar, a partir de agora, qualquer decisão de investimento em IA dentro de uma organização: a pergunta correta não é quanta tarefa humana a IA pode eliminar, mas quanto ela pode multiplicar a Reserva de Critério disponível se for desenhada com essa intenção. Uma empresa pode parecer mais eficiente em seu balanço trimestral e, ao mesmo tempo, ficar sem ninguém capaz de dizer se o que produz está correto. A organização que sobreviver à convergência dessas três curvas não será a que adotou a inteligência artificial mais rapidamente. Será a que compreendeu que a ferramenta mais poderosa desta década não deve excluir o critério humano, mas multiplicá-lo, e agiu de acordo enquanto ainda havia tempo.

Fontes e notas

1. Reuters: investimento em IA e fluxo de caixa operacional.
2. Resultados da Oracle, exercício de 2026.
3. Stanford Digital Economy Lab: efeitos da IA sobre o emprego.
4. U.S. Census Bureau: baby boomers e 2030.
5. Bank of America: Workforce 2030.

Os dados foram atualizados com as fontes disponíveis na data de publicação. O conceito e as conclusões são do autor.