A IA está misturando as funções: o que muda no trabalho

Minha leitura é simples. A vantagem não virá de pedir que todos façam tudo. Virá de remover handoffs pequenos sem remover responsabilidade. Para isso, líderes precisam definir alçada, critério de aceite e momento de acionamento de um especialista.

Em uma frase

A IA transforma especialistas em generalistas assistidos, mas o ganho só aparece quando a empresa sabe quais fronteiras podem ser atravessadas e quais precisam continuar protegidas.

Qual pergunta o relatório tenta responder?

O relatório *Work at the Frontier*, publicado pela OpenAI em 27 de julho de 2026, pergunta se a IA muda apenas a velocidade do trabalho ou também o conteúdo das funções. A equipe chama de *task crossover* o uso da IA para executar uma tarefa historicamente associada a outra ocupação.

O exemplo é familiar. Uma pessoa de vendas explora uma base de clientes sem esperar por um analista. Alguém de marketing resolve um problema simples no site sem abrir um chamado para engenharia. Um dono de pequena empresa prepara uma primeira análise financeira antes de conversar com o contador.

Isso é diferente de automatizar uma tarefa dentro do próprio cargo. A mudança está em quem consegue iniciar, avançar e verificar o trabalho. Ela reduz a distância entre perceber um problema e produzir uma primeira solução.

Essa ideia complementa minha análise sobre IA como tecnologia normal. A capacidade do modelo importa, mas o impacto depende de como a empresa redesenha processos, responsabilidades e controles.

Como a pesquisa foi feita?

A OpenAI analisou mais de 800 mil mensagens de usuários do ChatGPT nos Estados Unidos. Primeiro, separou mensagens relacionadas ao trabalho. Depois, retirou atividades genéricas, como escrever, resumir e agendar, porque aparecem em muitas ocupações. Nas mensagens restantes, classificou se a tarefa estava dentro ou fora da ocupação do usuário.

O resultado central foi que 16,8% de todas as mensagens de trabalho e 43,5% das mensagens específicas de uma ocupação estavam associadas a outra ocupação. Entre as mensagens específicas, a proporção chegou a 77% em experiência do cliente, 75% em design, 69% em recursos humanos, 56% no jurídico e 53% em marketing.

Os números parecem fortes, mas precisam ser lidos com cuidado. A base inclui usuários de um produto da própria OpenAI, não uma amostra representativa de todos os trabalhadores. A classificação de ocupação e tarefa envolve inferência. Uma mensagem também não comprova que o trabalho foi concluído com qualidade, economizou tempo ou produziu resultado financeiro.

Portanto, o relatório mostra comportamento dentro da plataforma. Ele não demonstra causalidade no emprego, no salário ou na produtividade.

Qual é o argumento central?

Eu reconstruo o argumento em quatro passos.

• A IA diminui o custo de começar uma tarefa fora da especialidade. A pessoa consegue produzir uma análise, um rascunho ou um protótipo antes de pedir ajuda.
• Algumas tarefas viajam mais do que outras. Engenharia e marketing aparecem com frequência no trabalho de profissionais de outras áreas.
• Empresas menores têm mais incentivo para cruzar fronteiras. Entre usuários médios, a parcela de tarefas externas caiu de 18,9% em espaços com 2 a 5 pessoas para 16,3% em espaços com mais de 100 pessoas.
• A prática pode mudar antes do cargo. O uso cotidiano se reorganiza antes que descrições de vagas, treinamentos e organogramas registrem a mudança.

O ponto mais importante não é que todos virarão desenvolvedores, analistas ou advogados. É que mais pessoas conseguirão atravessar o primeiro quilômetro de uma tarefa sem depender imediatamente de outra área.

Que outras evidências ajudam a testar essa tese?

O AI Index 2026, de Stanford, mostra um contraste útil. A adoção de IA chegou a 88% das organizações pesquisadas em 2025, e 70% usavam IA generativa em pelo menos uma função. Mesmo assim, agentes de IA continuavam em dígitos baixos em quase todas as funções empresariais. Uso amplo não significa autonomia operacional ampla.

Uma pesquisa da Anthropic com cerca de 400 mil sessões interativas e 235 mil usuários do Claude Code, observadas entre outubro de 2025 e abril de 2026, encontrou uma divisão de trabalho interessante. Pessoas tomavam cerca de 70% das decisões de planejamento, enquanto o agente tomava a maior parte das decisões de execução. O sucesso aumentava com o conhecimento do usuário sobre o problema, não apenas com sua capacidade de programar.

Os dois estudos apontam na mesma direção: a tecnologia amplia o alcance de quem conhece o problema. Mas ambos vêm de empresas que vendem os produtos estudados. São fontes primárias valiosas sobre seus próprios sistemas, com incentivo comercial evidente. Por isso, eu não transformaria esses achados em lei geral do mercado de trabalho.

O que a obra não prova?

O relatório não prova que uma tarefa externa foi feita melhor do que seria por um especialista. Também não mostra quanto retrabalho apareceu depois, nem quantos usuários desistiram antes de concluir.

Ele não prova que cargos desaparecerão. Uma pessoa conseguir revisar um contrato com IA não elimina a necessidade de aconselhamento jurídico em decisões relevantes. Um profissional de marketing conseguir corrigir uma página não substitui arquitetura, segurança ou engenharia de produção.

Por fim, o estudo não mede o custo oculto da expansão de escopo. Sem limites claros, o ganho de autonomia pode virar sobrecarga: cada pessoa acumula mais tarefas, mais ferramentas e mais responsabilidade sem tempo ou reconhecimento correspondentes.

Minha análise: os três A para atravessar fronteiras com segurança

Eu usaria um teste de três A antes de liberar uma tarefa para outra função.

Alçada: qual é o impacto máximo que essa pessoa e a IA podem causar sem aprovação? Preparar uma análise reversível é diferente de enviar dinheiro, alterar um contrato ou publicar uma informação.

Aceite: qual evidência mostra que a tarefa terminou bem? Pode ser uma conciliação sem diferença, um teste automatizado aprovado, uma fonte primária conferida ou uma revisão humana registrada. “A resposta parece boa” raramente basta.

Acionamento: em qual condição o especialista precisa entrar? Valor acima de um limite, dado sensível, baixa confiança, exceção regulatória e falha repetida são exemplos objetivos.

Esse desenho evita dois extremos. No primeiro, a empresa compra IA e mantém todos os mesmos handoffs, portanto ganha pouco. No segundo, elimina especialistas e transfere risco para pessoas sem preparo. O caminho produtivo é permitir avanço autônomo dentro de limites verificáveis.

É a mesma lógica que uso ao falar de agentes em produção: contexto suficiente, evidência observável e alçada explícita valem mais do que uma demonstração impressionante.

Como aplicar essa ideia na próxima semana?

Escolha um handoff recorrente que demore mais do que o trabalho em si. Pode ser pedir um relatório simples, ajustar uma página, organizar dados para uma proposta ou preparar a primeira versão de um documento.

Faça um piloto com dez casos. Registre tempo até o primeiro resultado, tempo total até o aceite, número de correções e quantidade de acionamentos do especialista. Compare com dez casos anteriores feitos pelo fluxo normal.

Continue apenas se o tempo total cair sem aumentar erro ou retrabalho. O objetivo não é provar que a IA funciona. É descobrir se aquela fronteira específica pode ser atravessada com segurança. Para organizar o experimento, vale usar o mesmo princípio de piloto que muda uma decisão.

Perguntas rápidas

A IA vai acabar com os especialistas?

O relatório não sustenta essa conclusão. Ele mostra pessoas executando mais tarefas fora de sua ocupação dentro do ChatGPT. Especialistas continuam essenciais para casos complexos, decisões de alto impacto, padrões de qualidade e exceções.

O que significa *task crossover*?

É quando uma pessoa usa IA para realizar uma tarefa historicamente associada a outra ocupação, como alguém de vendas analisando dados ou alguém de marketing solucionando um problema técnico simples.

Empresas pequenas ganham mais com essa mudança?

O estudo encontrou mais cruzamento entre usuários médios de espaços pequenos, mas isso não prova maior produtividade. Empresas pequenas têm menos especialistas disponíveis, portanto o incentivo para reduzir handoffs é maior.

Como evitar que autonomia vire sobrecarga?

Defina quais tarefas podem atravessar funções, qual evidência comprova qualidade e quando um especialista deve ser acionado. Também acompanhe volume, tempo e retrabalho por pessoa.

Vale a pena ler o relatório completo?

Sim, especialmente para líderes de RH, operação e transformação. A limitação é que se trata de análise observacional da própria OpenAI, não de experimento causal ou retrato completo do mercado de trabalho.

Fontes e data de corte

Dados verificados até 14 de agosto de 2026. Fonte principal: OpenAI, *How AI is expanding what people do at work*, publicado em 27 de julho de 2026. Contexto: Stanford HAI, capítulo de economia do AI Index 2026 e Anthropic, *How Claude Code is used in practice*.

Eu estudo essas mudanças porque elas já estão alterando como líderes distribuem trabalho, autonomia e responsabilidade. Se você quer levar essa conversa para o seu evento, conheça minhas palestras sobre inteligência artificial e futuro do trabalho. Se prefere receber uma análise como esta toda semana, assine minha newsletter no Substack.