A Lacuna de Conhecimento que a IA Está Criando é a Nova Lacuna de Segurança. Aqui está Como Fechá-la.

As empresas de tecnologia estão fazendo uma aposta familiar: que a IA pode fazer o trabalho mais rápido e mais barato do que as pessoas. Embora, em muitos casos, isso possa ser verdade, também está sendo utilizado como um botão fácil para demissões.

Em um relatório da PwC compartilhado no início deste ano, 56% dos CEOs disseram que não viram nenhum benefício financeiro significativo de seus investimentos em IA até agora, e apenas 12% relataram ver economia de custos e crescimento de receita com a IA. Além disso, um estudo de fevereiro do National Bureau of Economic Research encontrou que quase 90% das empresas disseram que a IA não teve impacto no emprego ou produtividade nos últimos três anos. Isso destaca uma verdade reveladora: muitas organizações ainda não viram os retornos de receita e produtividade prometidos inicialmente pela IA, e para cobrir suas perdas, continuam a cortar milhares da força de trabalho.

Mas aqui está o que as chamadas de earnings não estão dizendo: quando você elimina o gerente de conta que carrega dez anos de contexto de relacionamento em sua cabeça, ou o engenheiro de QA cujo conhecimento institucional é a única coisa que captura defeitos antes que eles atinjam os clientes, você não está cortando gordura. Você está cortando paredes de carga. Os custos de rework, a perda de clientes, os fracassos de qualidade que seguem raramente aparecem no mesmo slide deck que comemorou a redução de headcount. Eles são absorvidos silenciosamente em trimestres futuros, atribuídos a condições de mercado e esquecidos. A lacuna entre o que a reestruturação impulsionada por IA promete e o que ela realmente entrega é real, está crescendo e, para muitas organizações, permanece completamente não reconhecida.

Os custos reais deste ciclo não aterrissam em um lugar. Eles se espalham por todas as equipes que sobram após os cortes. Desenvolvedores absorvem a carga de trabalho de engenheiros que se foram, enquanto simultaneamente recebem ferramentas de IA que ainda são muito imaturas para compensar a perda de headcount. Equipes de produto perdem o contexto que manteve os roadmaps fundamentados na realidade do cliente. Organizações de suporte são esticadas e a qualidade de resposta degrada à medida que os clientes reconhecem respostas “slop” aos seus tickets. O fardo não é concentrado, é distribuído, e essa difusão é parte do que o torna tão fácil de ignorar em um relatório trimestral. Mas dentro dessa dispersão mais ampla, as equipes de TI enfrentam uma versão distinta e composta do problema. Elas não estão apenas fazendo mais com menos. Estão sendo solicitadas a gerenciar infraestrutura que foi construída rapidamente, sem o conhecimento institucional que lhe deu coerência, enquanto simultaneamente executam a saída de colegas de trabalho e a entrada de seus substitutos, à medida que as empresas silenciosamente revertem os cortes que celebraram publicamente.

À medida que continuamos pelo ano, e as organizações buscam cumprir as promessas da IA, é hora de perceber que há muito mais do que receita que se perde quando você corta a expertise humana em nome da eficiência habilitada por IA. A boa notícia? Você pode ter o melhor de ambos os mundos. Mas isso requer adotar uma abordagem mais prática e pragmática à IA. Uma que mantém os humanos no centro de sua estratégia.

O que se perde quando o conhecimento sai pela porta

Conhecimento operacional crítico vive nas pessoas e é aplicado por meio do julgamento humano, não sistemas. Quando essas pessoas saem, esse conhecimento sai com elas. Não importa quão sofisticado seja o modelo, a IA não pode preencher essa lacuna hoje.

Mesmo à medida que as capacidades de IA se expandem, a automação sem contexto nuanciado cria pontos cegos perigosos em áreas críticas:

• Julgamento e estratégia: Intuição, conhecimento institucional e consciência de mercado não vivem neatamente em conjuntos de dados, mesmo os não estruturados.
• Contexto e consciência situacional: Humanos reconhecem nuances, intenção e podem navegar pelas áreas cinzas onde regras rígidas podem quebrar.
• Empatia e confiança: Momentos de alto impacto ou carregados emocionalmente (especialmente aqueles envolvendo clientes ou funcionários) exigem uma resposta centrada no ser humano.
• Supervisão e responsabilidade: Alguém tem que ser encarregado de identificar falhas, viés ou antecipar desinformação. Simplesmente dizer, “Você está certo, deixe-me tentar novamente”, após fornecer informações completamente incorretas não é suficiente.
• Memória institucional e contexto de sistema: Entender por que as equipes construíram infraestrutura de uma certa maneira (ou não), o que elas tentaram antes, e quais casos de borda existem que ninguém documentou.
• Liderança e governança: Definir política, tolerância ao risco e manter limites éticos permanece uma responsabilidade fundamentalmente humana.

A IA pode surfacear insights, recomendar ações e acelerar a execução, mas não pode substituir a memória institucional que evita desastres, ou oferecer a responsabilidade que os captura antes que eles piorem.

O que as organizações inteligentes estão fazendo de forma diferente

As organizações que têm sucesso com a IA não estão removendo os humanos da equação. Estão usando a IA para simplificar os processos rotineiros e repetitivos que adicionam fricção às operações diárias. Libertando os humanos para dedicar tempo e outros recursos críticos em outro lugar para encontrar novas maneiras criativas de impulsionar maiores benefícios comerciais. Estão utilizando a IA como uma ferramenta “corrida-com” para forçar a amplificação. Considere o mundo das operações de TI. Essas equipes já estão esticadas, gerenciando infraestruturas vastas com meios limitados. A IA, ou mais especificamente, o aprendizado de máquina (ML), pode entregar valor real aqui. A IA/ML pode automatizar tarefas anteriormente consumidoras de tempo, rotineiras, que enterram especialistas valiosos em trabalho operacional: testes de patch e pesquisa, classificação de tickets, geração de fluxo de trabalho, descoberta e mapeamento de risco.

Essas tarefas formam a base das operações de TI, mas consomem quantidades massivas de tempo (especialmente à medida que os patrimônios digitais das organizações se alargam, o panorama de vulnerabilidade muda e os funcionários cada vez mais esperam ter experiências digitais positivas com os dispositivos que usam para trabalhar). Quando as equipes falham em fazer os básicos bem (gerenciando ou monitorando essas capacidades e processos) porque estão submersas, as consequências atingem com força: tempo de inatividade, patches perdidos, vazamentos de dados, violações de segurança.

Por outro lado, quando você usa a IA bem para simplificar o trabalho nessas áreas, você dá ao pessoal de TI tempo para fazer o que a IA não pode: limpar a dívida técnica, melhorar sistemas e processos existentes, reprojeto para resiliência e preservar o conhecimento institucional que mantém os sistemas críticos em funcionamento. Isso é mais do que apenas eficiência. É mitigação de risco. E isso estabelece uma base mais sólida para o crescimento de longo prazo.

Obtendo a adoção de IA certa

As organizações que começam com a aplicação e adoção de IA pensadas, enquanto também priorizam a capacitação segura e eficaz, estão vendo (e continuarão a ver) maiores vitórias em suas estratégias de IA. A otimização não vem de cortar pessoas. Ela vem de investir nelas, redesenhando fluxos de trabalho e educando as equipes sobre como usar a IA da melhor forma.

Isso realmente não é novo. A tecnologia tem avançado por meio de ciclos geracionais por centenas de anos. Cada vez, tendemos a repetir os mesmos erros. Super-rotulamos e tentamos fazer de um avanço específico uma panaceia para tudo o que nos aflige. Não há falta de vendedores de óleo de cobra que tirarão proveito dessa desesperança, super-prometendo e desaparecendo antes que os resultados possam ser medidos. A realidade é que a IA/ML pode fazer o que os computadores sempre fizeram; realizar certas tarefas com mais velocidade e precisão do que um humano. Aqueles que encontram essas oportunidades e aplicam a IA de maneira pragmática, “corrida-com”, verão retornos muito rápidos em seus investimentos. Praticamente, isso significa:

• Utilizar a IA para eliminar tarefas de baixo valor, não julgamento de alto valor
• Projetar fluxos de trabalho com humanos no loop para des-riscar decisões de alto impacto
• Definir caminhos de escalada claros quando os sistemas de IA falham ou produzem resultados incertos
• Atribuir propriedade explícita para decisões impulsionadas por IA
• Treinar as equipes para examinar a saída da IA, não aceitá-la cegamente

O custo real de errar

O ciclo atual da indústria de tecnologia de demissões em massa seguidas de recontratação silenciosa não é uma mudança de talentos. É uma transferência de risco. As organizações estão trocando décadas de memória institucional por alguns meses de velocidade automatizada, e os líderes de TI são os que ficam segurando a bolsa quando se trata de gerenciar a consequência.

A IA oferece ganhos reais, mas esses significam mais quando você usa a IA para preservar e amplificar a expertise, não substituí-la. As empresas que continuarão a prosperar na era da IA não são as que cortam mais fundo ou implantam a maioria das ferramentas de IA. São as que usam a IA de forma pensada para automatizar a monotonia e aumentar a criatividade, colaboração e expertise humana.

Porque quando o próximo sistema falhar, ou o próximo downtime ou incidente de cibersegurança ocorrer, você não quer um robô ou uma máquina na vanguarda da remediação do sistema ou comunicação do cliente. É aí que você quer (e precisa) da pessoa com contexto histórico profundo e conhecimento ainda no prédio.

Se queremos desbloquear o potencial total da IA, é crucial concentrar-se em utilizar a IA para as tarefas atoladas na monotonia e parar de usá-la como desculpa para o mau desempenho comercial.