Durante a Revolução Industrial, máquinas substituíram tarefas manuais repetitivas. Muita gente imagina esse período como uma simples troca: o trabalhador saiu e a máquina entrou. Na prática, foi mais sofisticado — e mais cruel. O que desapareceu primeiro não foi “o emprego”, mas o modelo de trabalho baseado em repetição previsível. Quem apenas apertava parafusos perdeu espaço. Quem aprendeu a operar, manter e melhorar as máquinas prosperou.

Agora estamos no início de um fenômeno semelhante, só que no território do trabalho intelectual. A diferença é que, desta vez, a “máquina” não tem braços de ferro: ela tem linguagem, memória operacional e capacidade de executar rotinas digitais. Chamamos isso de Inteligência Artificial — e, mais especificamente, de modelos de linguagem.

Como programador com mais de três décadas de estrada, eu vi ondas tecnológicas indo e vindo: PCs, internet, cloud, mobile. Quase todas aumentaram a produtividade. Mas a IA generativa é a primeira que, de forma consistente, muda o jogo na velocidade e na abrangência. Hoje, eu produzo muito mais do que produzia há poucos anos — não porque virei um gênio repentinamente, mas porque passei a trabalhar com uma “força auxiliar” capaz de escrever, revisar, testar, documentar e sugerir soluções quase sem descanso.

A pergunta inevitável é: por que a IA cresceu tanto, tão rápido, justamente na programação?

Porque programação é o ambiente perfeito para treinar esse tipo de sistema. Existe uma abundância absurda de conteúdo público: documentação, repositórios, fóruns, exemplos, perguntas e respostas. Além disso, código tem uma propriedade rara no mundo real: ele é verificável. Ou funciona, ou não funciona. Dá para rodar testes, compilar, medir desempenho. Em outras palavras: o mundo do software oferece feedback rápido e objetivo — uma academia ideal para “ensinar” uma IA.

E há um segundo motivo, ainda mais importante: treinar IA em programação é uma estratégia. Programar é, no fundo, transformar linguagem em ação. Quem domina isso está a um passo de automatizar qualquer processo que tenha regras, passos e entradas/saídas. Por isso, quando uma IA aprende bem a “pensar” em termos de instruções, verificações e ferramentas, ela se torna útil em muitos outros domínios: finanças, jurídico, RH, atendimento, compras, auditoria, análise de documentos, controle de processos.

É aqui que entra o ponto que muita gente ainda subestima: a automação não vai ficar restrita a “escrever texto” ou “fazer resumo”. O salto real acontece quando a IA passa a agir — ler e-mails, preencher sistemas, abrir chamados, gerar relatórios, cruzar dados, conferir inconsistências, criar rotinas. Quando você combina um modelo de linguagem com ferramentas (APIs, automações, integrações), surge algo muito parecido com uma linha de montagem — só que para tarefas de escritório.

Isso nos leva a uma previsão desconfortável: muitos empregos de colarinho branco serão substituídos ou drasticamente comprimidos. Talvez não como “100% substituição”. Em muitos casos, será um efeito mais silencioso: uma pessoa equipada com IA fazendo o trabalho que antes exigia três, cinco ou dez. A vaga não “some” de um dia para o outro; ela deixa de ser aberta, deixa de ser reposta, vira exceção. A estrutura muda por baixo do piso.

Mas a história não é só de perda. Na Revolução Industrial, uma nova classe de profissionais se tornou indispensável: manutenção, operadores qualificados, engenheiros de processos, especialistas em qualidade. Hoje, o equivalente está surgindo: quem sabe orquestrar sistemas de IA com confiabilidade.

E aqui vai uma distinção decisiva. O futuro do trabalho não será dividido entre “quem usa IA” e “quem não usa IA”. Será dividido entre:

quem usa IA para repetir e acelerar rotinas,

e quem sabe construir, integrar, controlar e avaliar sistemas com IA.

Porque o grande problema do mundo real não é gerar texto. É garantir qualidade, evitar erros graves, impor limites, medir desempenho, registrar decisões, cumprir regras, criar auditoria e governança. Sistemas sem freio viram risco.

Por isso, acredito que o caminho mais seguro — especialmente para quem trabalha com tecnologia — é migrar da execução para a orquestração. Em termos práticos, isso significa:

Ferramentas e automação: saber conectar IA a sistemas reais (CRM, ERP, BI, bancos, workflows).

Dados e avaliação: entender que “qualidade” não é opinião; é métrica, teste, regressão, monitoramento.

Orquestração de agentes: organizar tarefas em etapas, com validações, logs, permissões e revisões humanas quando necessário.

Pensamento de processos: transformar objetivos nebulosos em regras claras e fluxos executáveis.

O ponto mais curioso — e mais filosófico — é que, quanto mais a IA avança, menos valioso fica o “conhecimento enciclopédico” isolado. Saber “de cor” tende a perder diferencial. Em contrapartida, ganham valor coisas que a máquina ainda não assume com facilidade: julgamento, responsabilidade, ética, definição de prioridades, interpretação do contexto humano, sensibilidade para impacto.

Na Revolução Industrial, o músculo virou commodity. Agora, o “trabalho cognitivo padrão” está virando commodity também. A pergunta não é se a mudança virá. Ela já veio.

A pergunta é: quem vai continuar apertando parafusos — e quem vai aprender a manter as novas máquinas?