A IA chega às empresas antes de chegar ao trabalho de todos

A adoção pode crescer antes da transformação

Em 1º de setembro de 2026, economistas do Federal Reserve Bank de Nova York publicaram uma análise baseada nas pesquisas empresariais regionais realizadas em agosto. Entre as empresas de serviços consultadas em Nova York e no norte de Nova Jersey, 61% disseram ter usado inteligência artificial em seus processos nos seis meses anteriores. Entre fabricantes, a proporção foi de 51%.

Os números mostram crescimento em relação às edições anteriores, mas a mesma pesquisa revela uma diferença importante entre adoção organizacional e uso cotidiano. Entre as empresas que adotaram IA, a parcela mediana de trabalhadores que utilizava a tecnologia era de 17% nos serviços e 7% na indústria. A ferramenta pode, portanto, estar presente na empresa sem ter alcançado a maior parte do trabalho.

Essa distância muda a pergunta que a liderança deveria fazer. Saber quantas áreas têm acesso é menos útil do que compreender quais tarefas foram alteradas, quem aprendeu a trabalhar de outra forma e que decisões continuam dependendo de processos antigos. A transformação não acontece no momento da compra. Ela começa quando tecnologia, função e responsabilidade são redesenhadas em conjunto.

Uma pesquisa regional não é uma previsão universal

Os autores deixam claro que os dados representam empresas de uma região específica dos Estados Unidos. Setores intensivos em conhecimento, como informação, serviços empresariais e finanças, apresentaram as maiores taxas de uso. A amostra não autoriza concluir que toda economia, todo setor ou toda empresa esteja no mesmo estágio.

Também importa a definição adotada. Empresas que usavam IA exclusivamente como ferramenta de busca de informação não foram classificadas como usuárias. O critério procura identificar integração com processos, mas ainda reúne práticas muito diferentes, desde criação de conteúdo até automação financeira com supervisão humana.

O valor da pesquisa não está em oferecer uma regra para o Brasil. Está em revelar um padrão que merece investigação local: a adoção declarada pode ser ampla enquanto investimento, intensidade de uso e mudança organizacional permanecem limitados. Antes de copiar uma tendência, cada empresa precisa medir sua própria distância entre disponibilidade e transformação.

Demissões limitadas não significam impacto ausente

Na pesquisa, 4% das empresas de serviços que utilizavam IA relataram demissões associadas à tecnologia nos seis meses anteriores, enquanto nenhuma fabricante informou demissões por esse motivo. Ao mesmo tempo, 15% das empresas de serviços disseram ter contratado menos pessoas do que contratariam sem o uso de IA. Outras 13% afirmaram ter contratado mais para conseguir aproveitar a tecnologia.

Os três movimentos podem coexistir. Uma organização preserva o quadro atual, reduz vagas futuras em algumas funções e cria novas necessidades em outras. Observar apenas demissões visíveis pode esconder mudanças em contratação, distribuição de tarefas, experiência exigida e caminhos de entrada na profissão.

Por isso, a liderança não deve transformar o resultado em tranquilidade automática nem em previsão alarmista. Ele descreve o estágio observado naquele período. Os próprios autores alertam que aplicações e padrões de adoção continuam mudando. A responsabilidade empresarial é acompanhar o trabalho real, inclusive as oportunidades que deixam de ser criadas.

Requalificar é diferente de ensinar a usar um chatbot

A resposta mais comum das empresas usuárias foi treinar trabalhadores existentes. Pouco mais de um terço das empresas de serviços e mais de um quinto das fabricantes disseram ter realizado requalificação relacionada à IA. Os conteúdos citados incluíram alfabetização básica, ferramentas específicas, automação de tarefas repetitivas, elaboração de instruções e aplicações ligadas a funções profissionais.

Esse repertório é um começo, mas um curso de ferramenta pode deixar intacta a forma de trabalhar. A pessoa aprende a produzir uma resposta e retorna para um processo que não define quando usá-la, como verificar sua qualidade, que informação pode ser enviada ou quem responde pelo resultado. A habilidade individual cresce sem que a organização consiga absorvê-la.

Capacitação útil conecta tecnologia a um fluxo. O trabalhador precisa entender o objetivo da tarefa, os critérios de uma boa entrega, os riscos da automação e o momento de interromper o sistema. Precisa também praticar com exemplos reais, receber retorno e participar da revisão do processo.

O mapa de tarefas deve vir antes do catálogo de cursos

Uma função profissional reúne atividades com naturezas diferentes. Há tarefas de busca, síntese, comunicação, julgamento, negociação, cuidado, controle e aprendizagem. Dizer que uma profissão usa IA não explica quais partes foram assistidas, automatizadas ou preservadas para decisão humana.

A empresa pode começar descrevendo uma jornada de trabalho. Para cada etapa, registra entrada, resultado esperado, conhecimento necessário, exceções, dados sensíveis, pessoas afetadas e responsável final. Em seguida, identifica onde a IA pode sugerir, executar, verificar ou apenas organizar informação.

Esse mapa orienta a formação. Se o sistema cria uma primeira versão, o profissional precisa aprender critérios de revisão. Se recomenda uma decisão, precisa reconhecer limites e evidências ausentes. Se executa uma ação, precisa compreender permissões, registros e reversão. O curso deixa de ensinar comandos genéricos e passa a desenvolver competência para um papel redesenhado.

A revisão humana também precisa ser projetada

A pesquisa do Fed de Nova York encontrou empresas que ensinavam trabalhadores a verificar saídas, compreender vieses, seguir protocolos de segurança de dados e evitar dependência excessiva. Esses temas mostram que supervisão humana não é apenas colocar uma pessoa depois da IA.

Quem revisa precisa ter tempo, contexto e autoridade para discordar. Também precisa saber quais erros procurar e como registrar uma correção. Se o fluxo recompensa somente velocidade, a revisão tende a virar confirmação rápida. A presença humana continua formal, mas sua capacidade de controle desaparece.

O NIST AI Risk Management Framework propõe mapear contexto, medir riscos, administrá-los e manter governança ao longo do ciclo de vida. Aplicado ao trabalho, isso exige definir quem aprova, quais casos recebem verificação ampliada, quando a automação deve parar e como incidentes geram aprendizagem.

A porta de entrada profissional merece proteção

O artigo do Fed cita uma pesquisa revisada pelo Stanford Digital Economy Lab em agosto de 2026. Com dados administrativos de folha de pagamento nos Estados Unidos, os autores não encontraram deslocamento generalizado no conjunto da economia, mas observaram sinais descritivos de redução relativa do emprego de jovens em ocupações mais expostas à IA. Eles ressaltam que os resultados não constituem estimativas causais.

O alerta é relevante porque tarefas iniciais também funcionam como aprendizagem. Pesquisar, preparar uma primeira versão, organizar documentos e acompanhar profissionais experientes ajudam alguém a desenvolver julgamento. Automatizar essas etapas sem criar outro percurso pode preservar a produtividade imediata e enfraquecer a formação de quem assumirá responsabilidades no futuro.

Redesenhar o trabalho inclui redesenhar a progressão. Profissionais iniciantes podem usar IA, mas precisam comparar alternativas, justificar escolhas, observar exceções e receber mentoria. A empresa deve medir não apenas quanto trabalho foi concluído, mas se a pessoa está construindo capacidade para enfrentar problemas que a automação ainda não resolve.

Consulta aos trabalhadores melhora o desenho

A OCDE reúne pesquisas segundo as quais treinamento e consulta aos trabalhadores estão associados a resultados melhores para quem utiliza IA. Isso faz sentido operacional. Quem executa a atividade conhece exceções, atalhos, dependências e sinais de qualidade que raramente aparecem na descrição formal do cargo.

Consultar não significa pedir uma opinião depois que o sistema está pronto. Significa envolver as pessoas na escolha do problema, nos exemplos de avaliação, na definição de limites e na observação dos efeitos. Também significa criar um canal seguro para relatar erro, sobrecarga ou perda de autonomia.

Essa participação reduz uma forma comum de desperdício: automatizar uma tarefa visível sem compreender o trabalho ao redor. Uma etapa pode ficar mais rápida e transferir esforço para conferência, correção ou atendimento. O trabalhador ajuda a revelar o custo que o painel técnico não enxerga.

A métrica deve acompanhar o trabalho concluído

Número de licenças, acessos ou instruções enviadas mede atividade tecnológica. Não demonstra que a empresa melhorou uma entrega. Uma avaliação mais útil acompanha um resultado completo, como resolver uma solicitação, fechar uma análise, preparar uma proposta ou corrigir um problema.

A organização pode observar tempo total, qualidade, retrabalho, exceções, dados expostos, decisões contestadas e necessidade de apoio. Não é necessário transformar toda experiência em uma única nota. O importante é impedir que a velocidade de uma etapa esconda dificuldade criada em outra.

Também convém comparar grupos e períodos com cuidado. Uma equipe treinada pode receber tarefas mais complexas e parecer menos rápida. Um sistema pode melhorar resultados comuns e falhar em situações raras de maior impacto. Métricas precisam ser interpretadas por quem conhece o processo e acompanhadas de exemplos concretos.

Um piloto deve produzir competência organizacional

A empresa pode escolher um fluxo recorrente, reunir profissionais que o executam e definir qual problema pretende resolver. Antes de liberar a ferramenta, cria exemplos de boas entregas, erros aceitáveis, falhas críticas e situações que exigem decisão humana. Depois, treina a equipe dentro desse contexto.

Durante o piloto, registra sugestões aceitas, correções, recusas e etapas que ganharam ou perderam trabalho. Encontros breves de revisão transformam esses registros em mudanças de instrução, permissão, processo e formação. O objetivo não é provar que a IA funciona, mas descobrir sob quais condições ela ajuda.

Ao final, a organização decide se amplia, limita ou encerra o uso. Mesmo um piloto que não escale pode deixar ativos importantes: critérios de qualidade, mapa de dados, exemplos de avaliação e uma equipe mais capaz de formular problemas. Esse aprendizado pertence à empresa, não à ferramenta.

Conclusão

A pesquisa do Federal Reserve Bank de Nova York oferece um retrato mais complexo que a oposição entre adoção e demissão. Muitas empresas já utilizam IA, mas o uso continua concentrado em uma parcela limitada de trabalhadores. Há requalificação, menor contratação em alguns casos e novas contratações em outros. O desenho do trabalho está em movimento.

Essa fase exige liderança próxima do processo. Mapear tarefas, proteger aprendizagem inicial, estruturar revisão humana, consultar trabalhadores e medir resultados completos são decisões organizacionais. Nenhuma delas é resolvida apenas com acesso a um modelo mais capaz.

Na minha visão, uma empresa não se torna preparada para a IA quando distribui licenças. Torna-se preparada quando as pessoas entendem o que mudou em seu trabalho, quais responsabilidades permanecem humanas e como aprender com o sistema sem entregar a ele o próprio julgamento.

A IA com propósito não mede sucesso pela quantidade de gente que abriu uma ferramenta. Mede pela capacidade coletiva de realizar um trabalho melhor, explicar como ele foi feito e continuar formando profissionais capazes de assumir decisões no futuro.