Em agosto de 2025, pesquisadores do Stanford Digital Economy Lab (Erik Brynjolfsson, Bharat Chandar e Ruyu Chen) publicaram "Canaries in the Coal Mine?", análise de folha de pagamento americana com um dado que não voltou dos noticiários: nas profissões mais expostas à IA, o emprego de pessoas entre 22 e 25 anos caiu 19% em relação ao que seria esperado. O emprego de profissionais experientes ficou inalterado.
Em junho de 2026, o SignalFire divulgou seu levantamento sobre contratação de tecnologia. Novos graduados: 65% menos vagas nas grandes empresas, 76% menos nas startups em relação a 2019. O dado não é um acidente. É a manifestação de um problema que as empresas ainda estão tentando nomear: se a IA faz a tarefa de entrada que ensinava o iniciante, a empresa que quer crescer amanhã precisa desenhar de propósito como alguém aprende o ofício hoje.
Para o Brasil e América Latina, o número de 2025 do Stanford é um aviso. Aqui, a maioria das empresas ainda experimenta. Lá, a mudança já aconteceu.
O risco de não ter onde aprender
Quando a IA absorve os pedidos de entrada — resumir, conferir dados, montar a primeira versão de um documento — a empresa perde o caminho que usava há décadas para formar analistas. Era uma pessoa fazendo resumos ruins que iam melhorando a cada rodada, com uma equipe revisando cada envio, dando feedback, e o iniciante levando para casa a lição do dia.
A McKinsey rastreou isso em 2026. Bancos, consultorias e fundos financeiros redesenharam entrada de propósito: simulação em computador, rotinas comentadas, mentorado concentrado. A razão é simples: sem isso, quem vai revisar uma decisão de concessão de crédito daqui a dois anos? Quem vai questionar a sugestão da máquina quando ela estiver errada? O Bank of America, por exemplo, manteve sua turma de estagiários e recém-formados em cerca de 4 mil pessoas em 2026, no mesmo patamar do ano anterior, mas redesenhou os cargos ao redor da IA e passou a usar simulação para acelerar o julgamento que antes só vinha da rotina real, ano após ano. Porque o atalho existe. O desafio é construir.
O problema não é ético. É de risco. Segundo pesquisa da Gartner divulgada em julho de 2026, em 22% das organizações pelo menos um líder de negócio já parou de contratar para vagas de entrada por causa da IA. O que não disseram é que essas mesmas empresas vão descobrir, daqui a alguns anos, que não têm quem qualifique para o meio-termo: não há mediadores entre o automatizado e o executivo sênior. Só trabalho complexo e ninguém com a profundidade para questionar se a máquina errou. Um cenário perigoso: quanto mais a máquina acerta sozinha, mais confiança cega ela recebe. Quanto menos gente a testou enquanto aprendia, menos gente sabia que ela errava em situações raríssimas — que, quando acontecem, causam danos grandes.
Por que as soluções comuns não funcionam
Três coisas que empresas tentam fazer:
Primeira: "Vamos contratar mais sênior". Resultado: sênior de mercado custa mais caro e a área não tem orçamento para triplicar o time. Além disso, sênior que só sabe revisar o trabalho de máquinas nunca vira sênior de verdade.
Segunda: "Vamos oferecer treinamento on-line". Resultado: boa parte da turma não termina o curso, porque um vídeo genérico não substitui a prática real de um processo que a empresa levou anos para ajustar.
Terceira: "Deixa o iniciante aprender com a IA". Resultado: aprender com quem erra de vez em quando e ninguém corrige? Aprender qual é o padrão da casa se o padrão é invisível? O iniciante que só conversa com máquina vira especialista em fazer perguntas de máquina, não perito do seu negócio.
O que precisa existir na prática
O ambiente que forma gente tem quatro pilares verificáveis:
Conhecimento aprovado com fontes. Documentos da empresa não são anotações soltas. São textos com dono, versão vigente, data de validade, e ligação com a fonte (lei, política, tabela de preço, comunicado interno). Quando o iniciante vai pesquisar como se cobra uma renovação de cliente, encontra um documento que diz "segundo a norma X, de Y, publicada em Z". Pode citar ali, pode verificar, pode até questionar se a norma mudou em 2026. Conhecimento visível é conhecimento que ensina. Conhecimento com fonte é conhecimento que não se perde quando a pessoa sai da empresa — continua ali, atualizado, auditado.
Revisão em duas etapas para o crítico. Um contrato, uma comunicação de demissão, um parecer ao cliente, uma exceção de limite: isso não sai da máquina direto para o cliente. Passa por uma pessoa que confere fato, tom e legibilidade. Depois passa por outra que aprova ou devolve. O segundo revisor não é supervisor; é controle de qualidade. E o iniciante que assiste a essa revisão — ou que é revisor — vê exatamente onde estava errando.
Reutilização com permissão. Modelos, roteiros, fluxos e prompts que funcionam ficam guardados para o próximo usar. O iniciante que monta seu primeiro pitch aprende vendo cinco pitches que funcionaram, com permissão definida por quem criou e por quem pode usar, e com registro de quem mudou o quê e quando.
Trilha clara de decisões. Quem pediu, quem aprovou, quando, por quê, qual era a alternativa. Para agentes: qual foi o critério que usaram, qual era o contexto, se um humano revisor entrou no meio. A trilha não é para culpar ninguém. É para que o iniciante que revisa o histórico veja como é que se decide em situação de incerteza — que é onde vira sênior.
É assim que a Skyller foi desenhada: conhecimento da empresa com fontes, revisão e aprovação conforme o risco, reutilização com papéis definidos, e trilha de cada ação.
De quem estuda sozinho para quem reutiliza
O ganho de formar direito não é só ganho de risco. É de produtividade.
Quando o iniciante só estudava, levava três meses para ficar rápido. Quando o iniciante estuda material que tem fonte e passa por revisão, leva um mês — porque não está supondo, está confirmando. Quando reutiliza modelos, leva duas semanas. Quando a empresa inteira reutiliza o que alguém aprendeu, não duplica o treinamento. A máquina não aprende. Gente aprende. Empresa inteira fica mais rápida.
Há um terceiro ganho, menos óbvio. No cenário da IA sombra (cada um resolvendo sozinho), o orçamento de IA vira desperdício: licenças ociosas de um lado, gente batendo em limite do outro. Quando existe conhecimento aprovado e reutilizado, o crédito de IA é compartilhado. Área vê o consumo. Sabe quando ajustar. Aliás, sabe quando não contratar mais máquina porque o que faltava era comunicação sobre o padrão já existente.
Três perguntas para levar à próxima reunião
Antes de decidir se contrata menos entrada ou se redesenha entrada, responda isso com a área de TI e com as lideranças de operação:
-
Se alguém criar um bom modelo de pedido de crédito, quem mais na empresa consegue reutilizar? Se a resposta for "ninguém" ou "só quem souber programação", o modelo não virou conhecimento. Virou arquivo perdido. Teste isso: procure nos últimos três meses quem copiou algo que funcionava e o resultado foi: ninguém sabia que existia, ou não tinha permissão, ou não sabia como adaptar.
-
Quando um analista entra hoje, quanto tempo leva para entregar algo crítico com segurança? Se leva oito meses porque aprende vendo, a empresa está gastando. Se leva oito semanas porque tem documentação com fonte, tem. Ou se leva oito dias porque tem roteiro comentado, melhor ainda. Isso é o que as empresas que estão ganhando com IA estão fazendo: comprimir o tempo de aprendizado, não reduzir quem aprende.
-
Se a máquina errar numa recomendação, quem vai ver? Se a resposta depender de "alguém revisar depois", não vai ter. Se depender de "alguém revisar antes, em dois níveis", tem — uma pessoa que entende a tarefa, outra que entende o risco. E se a trilha de por que foi revisto levar para um documento que explica o critério, o próximo iniciante vê como se questiona a máquina.
