A discussão sobre inteligência artificial no trabalho costuma começar pela mesma pergunta:
Quantas pessoas a IA consegue substituir? Talvez essa seja a pergunta errada.
Em 9 de setembro, a Gartner publicou uma previsão que coloca um problema interessante nessa discussão: até 2029, 30% dos profissionais demitidos por substituição por IA precisarão ser recontratados, muitas vezes a um custo significativamente maior. O número chama atenção, mas a parte mais interessante não é a previsão de recontratação em si. É o que ela revela sobre como as empresas estão pensando a transformação do trabalho — e sobre a ordem em que estão tomando as decisões.
IA não substitui cargos. Ela transforma o trabalho.
Existe uma diferença importante entre automatizar uma tarefa e eliminar uma função, e boa parte das decisões ruins deste ciclo nasce de confundir as duas.
Imagine uma pessoa que passa boa parte do dia produzindo relatórios. A IA consegue fazer em minutos algo que antes consumia horas. A conclusão mais imediata é: "se a IA faz o trabalho, não precisamos mais dessa pessoa". Mas existe uma segunda possibilidade, que raramente chega à reunião: "se a IA faz essa parte do trabalho, o que essa pessoa poderia fazer agora?".
Essa segunda pergunta muda tudo.
A Gartner chama essa lógica de talent remix — usar a IA para redesenhar funções e deslocar profissionais de atividades menos produtivas para novas oportunidades, em vez de simplesmente eliminar a posição. Uma semana depois, em 15 de setembro, a consultoria voltou ao tema com uma previsão complementar: até 2028, organizações que estabelecerem o redesenho contínuo do trabalho como capacidade central terão o dobro de chance de sustentar a transformação puxada por IA. Redesenho contínuo, na definição deles, é ajustar estratégias de talento para que pessoas e gestores aprendam, se requalifiquem e se adaptem no mesmo ritmo em que o trabalho muda — não em ondas de projeto, com início, meio e relatório final.
Para RH e T&D, isso cria uma consequência direta: se o trabalho muda, as competências necessárias para fazer esse trabalho mudam junto. Não basta ensinar a ferramenta. É preciso preparar as pessoas para o trabalho que aparece depois que a ferramenta assume parte do trabalho anterior — e esse trabalho novo quase nunca se parece com o antigo.
A primeira competência que a IA não resolve por você
Quanto mais informação uma pessoa recebe de sistemas de IA, maior fica a importância de saber avaliar essa informação. A IA pode produzir uma análise em segundos, mas alguém precisa decidir se a análise faz sentido, perceber que faltou um dado, identificar uma premissa equivocada, notar que duas respostas aparentemente boas estão partindo de contextos diferentes e, no fim, decidir o que fazer com aquilo.
É por isso que o avanço da IA não torna o pensamento crítico menos importante — em muitos trabalhos, torna essa competência ainda mais decisiva. O custo de aceitar uma resposta ruim caiu para zero em esforço e subiu bastante em consequência.
No curso Pensamento Crítico, a Descola trabalha justamente essa capacidade de analisar informações e argumentos antes de chegar a uma conclusão, explorando aspectos como clareza, precisão, profundidade e relevância. A questão não é ensinar alguém a desconfiar da IA, o que seria só trocar um automatismo por outro. É desenvolver a capacidade de pensar melhor quando existe muito mais informação disponível e muito menos atrito para aceitá-la.
O trabalho que sobra também precisa ser redesenhado
Existe outro erro comum nessa discussão: imaginar que, depois da automação, simplesmente sobra "mais tempo". Nem sempre.
Se uma pessoa gastava quatro horas produzindo um relatório e passa a gastar 20 minutos, aquelas três horas e quarenta não são automaticamente produtivas. É preciso decidir o que fazer com elas: mais análise, mais relacionamento com clientes, mais experimentação, mais decisões estratégicas, mais inovação — ou simplesmente mais reuniões. Na ausência de decisão, o padrão costuma ser o último.
Essa é uma das discussões mais importantes sobre IA nas organizações, e ela é raramente feita de forma explícita: produtividade liberada só vira valor quando existe uma nova maneira de trabalhar. E isso exige capacidade de adaptação, que não aparece por decreto nem por comunicado interno.
No curso Mentalidade Adaptativa, a Descola trabalha justamente a ideia de que mudanças não exigem apenas novas ferramentas, mas novas formas de interpretar problemas, aprender e agir diante de contextos que continuam mudando. A tecnologia pode mudar em poucos meses; uma organização não consegue esperar que as pessoas desenvolvam novas formas de trabalhar no mesmo ritmo, por acaso.
A conta que não aparece na planilha
Quando uma empresa elimina uma posição porque determinada tarefa foi automatizada, o cálculo costuma ser relativamente simples: salário, encargos, benefícios, headcount, economia anual. Tudo isso cabe numa linha e é fácil de defender em comitê.
O problema é que existe outra conta, muito mais difícil de colocar numa planilha. O que essa pessoa sabia que não estava documentado? Quais decisões ela conseguia tomar sem escalar? Quais clientes confiavam nela? Quais exceções do processo ela conhecia de cor? Quais erros conseguia evitar porque já tinha visto aquele problema dez vezes? Qual contexto ela carregava — e que ninguém percebeu que era ela quem carregava?
Esse é o tipo de conhecimento que desaparece quando uma função é eliminada, e que pode ser muito caro reconstruir depois. A Gartner chama atenção justamente para esse risco: cortes de quadro geram economia no curto prazo, mas reduzem o conhecimento institucional e o estoque de talentos disponíveis — num momento em que o crescimento da força de trabalho está estagnado no mundo todo e a competição por quem sabe fazer só aumenta.
Recontratar depois é uma possibilidade. Desenvolver antes pode ser outra.
E se a função não precisar desaparecer?
Essa talvez seja a pergunta que deveria entrar mais vezes nas reuniões de planejamento de força de trabalho: o que exatamente a IA tornou desnecessário — o cargo inteiro, ou apenas algumas tarefas? A diferença é enorme, e quase nunca é examinada com calma.
Uma pessoa que deixa de produzir análises manualmente pode passar a interpretar cenários. Quem deixa de responder perguntas simples pode assumir problemas mais complexos. Quem deixa de executar uma rotina pode supervisionar um processo automatizado. Quem deixa de pesquisar informações pode dedicar mais tempo à decisão. Em todos esses casos, a IA não diminui o valor daquela pessoa — ela muda onde esse valor é criado.
É uma lógica que aparece também em Inteligência Expandida, da Coleção Next da Descola: a discussão não é simplesmente sobre aprender a usar inteligência artificial, mas sobre ampliar a capacidade humana trabalhando em conjunto com a tecnologia. Essa diferença é importante porque aprender uma ferramenta é relativamente fácil e tem prazo curto. Aprender a trabalhar de uma maneira diferente é outra coisa, leva mais tempo e não se resolve com licença de software.
O problema da IA não é apenas tecnológico
É possível implementar uma ferramenta de IA em algumas semanas. Mudar a forma como uma organização toma decisões pode levar anos. É aí que está um dos maiores desafios para líderes e áreas de desenvolvimento.
As empresas estão colocando IA nas mãos das pessoas muito mais rapidamente do que estão redesenhando processos, responsabilidades e competências. Isso cria uma situação curiosa e bastante comum: pessoas usando ferramentas novas para executar trabalhos antigos. Talvez seja a forma mais silenciosa de desperdiçar o potencial da IA, porque nela tudo parece estar funcionando — a ferramenta foi adotada, o treinamento foi feito, o indicador de uso subiu — e mesmo assim nada muda de lugar.
Em vez de perguntar apenas "qual ferramenta de IA devemos colocar nas mãos dessa equipe?", vale perguntar: "como deveria ser o trabalho dessa equipe se a IA já estivesse disponível?". A resposta pode exigir novas habilidades, novas responsabilidades e até novos modelos de liderança.
E liderança também muda
Quando boa parte da execução pode ser automatizada, liderar deixa de ser principalmente distribuir tarefas e acompanhar entregas. Passa a envolver mais contexto, priorização, tomada de decisão, desenvolvimento e coordenação — e uma responsabilidade nova, que é decidir a fronteira: quais decisões podem ser delegadas à tecnologia, quais precisam continuar humanas e onde a equipe precisa desenvolver capacidades que ainda não tem.
Essa é uma das razões pelas quais a discussão sobre IA precisa sair do departamento de tecnologia e chegar às agendas de liderança, RH e educação corporativa. Não é apenas um projeto de tecnologia. É uma transformação do trabalho — e quem responde por trabalho, nas organizações, não é a área que compra a ferramenta.
O que RH e T&D podem fazer antes de uma demissão por IA
A discussão sobre demissão por IA não deveria chegar ao RH apenas quando a decisão de corte já estiver pronta. Ela deveria começar antes, quando ainda há o que redesenhar.
1. Mapear tarefas, não apenas cargos. Antes de concluir que uma função pode ser eliminada, separar as atividades que compõem aquela função: o que a IA consegue automatizar, o que ela consegue apenas acelerar e o que continua dependendo de julgamento, contexto ou relacionamento. É comum descobrir, nesse exercício, que a automação cobre 40% da função e não 100% — e que os 60% restantes são exatamente a parte difícil de repor.
2. Identificar as competências que ganham importância. Se uma pessoa deixa de executar uma tarefa operacional, qual é o próximo trabalho que ela precisa saber fazer? Pensamento crítico, comunicação, decisão, criatividade, liderança, adaptabilidade? Essa pergunta transforma um debate de redução de headcount num debate de desenvolvimento de capacidade, que é uma conversa bem diferente e com outro tipo de resposta.
3. Investir o ganho de produtividade. A Gartner também aponta que organizações que tratam ganhos de produtividade da IA apenas como redução de custos podem perder espaço para aquelas que reinvestem esses ganhos em inovação, modernização e desenvolvimento de pessoas. O ponto merece atenção: se a IA libera capacidade, para onde essa capacidade vai — reduzir a equipe ou aumentar aquilo que a equipe consegue fazer? Essa escolha costuma ser feita por omissão.
4. Tratar o redesenho como rotina, não como projeto. É o que a previsão de 15 de setembro recomenda, com número: redesenho contínuo instalado como capacidade dobra a chance de sustentar a mudança. Projeto tem data de encerramento; capacidade, não.
A pergunta que fica
Talvez a discussão sobre demissão por IA esteja começando pelo lugar errado. Não deveríamos perguntar apenas "quantas pessoas conseguimos substituir?", e sim "que trabalho a IA permite que essas pessoas façam agora?". A diferença entre essas duas perguntas é a diferença entre usar inteligência artificial para reduzir trabalho e usar inteligência artificial para aumentar a capacidade da organização.
E essa escolha não é feita pela tecnologia. É feita pelas pessoas.
Por isso, preparar uma organização para a IA não significa apenas ensinar ferramentas. Significa desenvolver as pessoas que vão precisar pensar, decidir, adaptar, liderar e trabalhar de novas maneiras — o que é, no fim, o único investimento cujo retorno não depende de qual modelo vai estar em alta no ano que vem.
É aí que a discussão sobre IA deixa de ser uma discussão sobre tecnologia e passa a ser uma discussão sobre desenvolvimento.
Fontes: Gartner, Gartner Identifies 4 Shifts Shaping the Future of Work, 09/09/2026; Gartner, Gartner Predicts by 2028, Organizations That Establish Continuous Work Redesign as a Core Capability Will Be Twice as Likely to Sustain AI-Driven Work Transformation, 15/09/2026.
Cursos relacionados: Pensamento Crítico · Mentalidade Adaptativa · Inteligência Expandida · Navegando na Incerteza · Coleção Next