Tive uma profunda discussão com minhas IAs nesta semana, com o pretensioso objetivo de prever o futuro do trabalho, da renda, do propósito humano e principalmente do futuro dos meus filhos na era da IA. Afinal, pela primeira vez temos que competir cognitivamente com ferramentas de automação, e isso é disruptivo.

A discussão começou com um artigo acadêmico de título inquietante: The AI Layoff Trap. O trabalho, de Brett Hemenway Falk e Gerry Tsoukalas, descreve uma armadilha econômica possível. Cada empresa tem motivos para substituir trabalhadores por inteligência artificial, porque captura integralmente a economia de custos. A perda de renda do trabalhador, porém, reduz a demanda agregada e se distribui entre todas as empresas. Cada companhia recebe todo o benefício privado da demissão, mas sente apenas uma fração do prejuízo coletivo.

O resultado matemático se parece com um dilema do prisioneiro. Automatizar pode ser racional para cada empresa e excessivo para o conjunto da economia. Se muitas organizações fizerem isso ao mesmo tempo, a produtividade cresce enquanto a renda do trabalho e o consumo perdem força. Os autores chamam esse mecanismo de externalidade de demanda.

O modelo é interessante. O uso que se fez dele nas redes sociais foi menos cuidadoso. A tese virou uma previsão de que a IA produzirá "produtividade infinita e demanda zero", como se dois economistas tivessem provado matematicamente a destruição da economia. Não provaram. O artigo identifica uma vulnerabilidade condicionada a premissas específicas, entre elas a de que os trabalhadores deslocados não consigam recuperar integralmente a renda em novas atividades.

Essa ressalva abre uma questão muito maior. A Revolução Industrial também substituiu trabalho humano em massa. Máquinas agrícolas reduziram drasticamente a necessidade de pessoas no campo. Teares mecânicos eliminaram ofícios. Motores, linhas de montagem, computadores e softwares extinguiram tarefas que sustentavam milhões de empregos. A sociedade, apesar dos conflitos e de transições dolorosas, criou setores, necessidades e profissões que antes nem sequer podiam ser descritos.

Por que a IA não produziria o mesmo efeito?

A resposta honesta é que pode produzir. Novas demandas certamente aparecerão. O problema é que a IA talvez consiga aprender a atendê-las quase tão rapidamente quanto elas surgirem. Pela primeira vez, a máquina não automatiza apenas uma tarefa conhecida. Ela automatiza parte da capacidade de aprender novas tarefas.

Este texto é um ensaio especulativo sobre essa diferença. Não pretendo prever o futuro com precisão. Quero organizar possibilidades que já começam a aparecer na economia, nos laboratórios e nos produtos atuais. Minha hipótese é otimista: o destino mais interessante não está na competição entre humanos e máquinas, mas numa simbiose capaz de combinar propósito e responsabilidade humanos com memória, velocidade e capacidade produtiva artificiais.

A história favorece a adaptação, mas não garante a velocidade

A história da tecnologia oferece bons motivos para desconfiar de previsões definitivas sobre o desaparecimento do trabalho. David Autor, no ensaio clássico Why Are There Still So Many Jobs?, explica que a automação normalmente substitui algumas tarefas e complementa outras. O caixa eletrônico reduziu determinadas operações bancárias, mas também barateou a abertura de agências e transformou o trabalho dos funcionários. Computadores assumiram cálculos, registros e rotinas administrativas enquanto aumentavam a demanda por profissionais capazes de projetar, operar e aplicar sistemas.

Daron Acemoglu e Pascual Restrepo descrevem esse processo como uma disputa entre deslocamento e reinstalação. A tecnologia retira tarefas dos trabalhadores, mas pode criar novas tarefas nas quais o trabalho humano volta a ser necessário. O resultado não depende apenas da quantidade de automação. Depende da velocidade com que a economia cria atividades complementares, prepara pessoas e distribui os ganhos de produtividade.

O próprio AI Layoff Trap contém esse mecanismo. No modelo, um parâmetro chamado eta ('η', a sétima letra do alfabeto grego e importante função na teoria analítica dos números) representa quanto da renda perdida é recuperada pelo trabalhador por reemprego ou outras formas de renda. Se eta é menor que um, a recuperação é incompleta e aparece a externalidade. Se eta chega a um, a externalidade desaparece. Se ultrapassa um, porque o trabalhador migra para uma atividade mais produtiva e melhor remunerada, o resultado se inverte: a economia pode automatizar menos do que deveria.

A narrativa apocalíptica depende, portanto, de uma transição malsucedida. Ela não é uma conclusão inevitável das equações.

Ainda assim, a experiência histórica não autoriza tranquilidade automática. A Revolução Industrial ocorreu ao longo de muitas décadas. Mesmo assim, produziu urbanização precária, exploração, desemprego regional, perda de poder dos artesãos, conflitos trabalhistas e gerações que pagaram os custos antes que os benefícios se disseminassem. Dizer que "a sociedade se adaptou" comprime muito sofrimento numa frase confortável.

A IA pode comprimir em poucos anos mudanças que antes levavam décadas. Sistemas digitais atravessam fronteiras e chegam simultaneamente a escrita, programação, atendimento, análise, design, educação, administração e pesquisa. Robótica e modelos multimodais ampliam essa fronteira para o mundo físico. A educação, a legislação e a reorganização das empresas não evoluem no mesmo ritmo.

O risco mais plausível não é uma economia sem nenhuma nova atividade humana. É um descompasso entre a velocidade da substituição e a velocidade da reinstalação.

Novas demandas aparecerão, mas precisarão de trabalho humano?

As necessidades humanas não são fixas. Quando a produtividade aumenta e os preços caem, passamos a consumir coisas que antes pareciam supérfluas ou impossíveis. A internet não apenas tornou cartas mais rápidas. Criou redes sociais, streaming, comércio eletrônico, serviços em nuvem, aplicativos, influenciadores, cibersegurança e mercados digitais que não cabiam no vocabulário econômico anterior.

A mesma lógica sugere que a IA criará demandas difíceis de imaginar. Educação personalizada, medicina preventiva, entretenimento interativo, simulações, ciência automatizada, serviços individuais, novos formatos de relacionamento e ambientes digitais persistentes são apenas exemplos visíveis a partir do presente. Os setores realmente novos talvez pareçam tão estranhos para nós quanto um desenvolvedor de aplicativos pareceria para um trabalhador de 1970.

Mas há uma diferença incômoda. Uma nova profissão pode nascer e, pouco depois, agentes aprenderem a executá-la. A criação de atividades econômicas não garante a criação proporcional de empregos.

Precisamos separar três perguntas:

1. Novas necessidades continuarão surgindo?
2. Essas necessidades gerarão mercados e produção?
3. Esses mercados exigirão uma quantidade significativa de trabalho humano remunerado?

Tenho confiança nas duas primeiras respostas. A terceira permanece aberta.

Podemos imaginar uma economia muito rica, com enorme variedade de produtos e empresas, operada por uma fração da força de trabalho atual. Uma pessoa apoiada por centenas de agentes poderá criar software, campanhas, contratos, pesquisas e operações que hoje exigem uma organização inteira. A função humana não desaparece, mas a quantidade de posições pode cair.

Algumas atividades continuarão valorizando a origem humana: cuidado, presença, representação política, liderança, relações, experiências compartilhadas e obras cujo valor depende de sabermos quem as produziu. Entretanto, parte dessa proteção é cultural. Uma geração criada com agentes desde a infância poderá aceitar professores, médicos, conselheiros, artistas e gestores artificiais com muito menos resistência.

A cultura não apenas abre novos espaços para humanos. Também pode remover barreiras que hoje preservam esses espaços.

Renda sem emprego pode deixar de ser uma contradição

Nossa economia usa o emprego para cumprir duas funções diferentes. A primeira é organizar a produção. A segunda é distribuir poder de compra.

Durante a maior parte da história industrial, as duas funções estiveram conectadas. As empresas precisavam do trabalho de muitas pessoas, pagavam salários, e esses salários sustentavam o consumo. Se a produção passar a depender cada vez menos do trabalho humano, a primeira função do emprego diminui, mas a segunda continua necessária.

É nesse ponto que a renda básica universal (Universal Basic Income, ou UBI) deixa de parecer apenas uma política assistencial. Ela pode tornar-se parte da infraestrutura econômica de uma sociedade altamente automatizada.

O AI Layoff Trap faz uma distinção útil. Durante a transição, os autores defendem um imposto marginal sobre automação porque a decisão de substituir o próximo trabalhador produziria uma externalidade de demanda. Depois de uma automação quase completa, tentar impedir a máquina de produzir deixa de fazer sentido. O problema passa a ser distribuir a renda gerada pelo capital, e os autores propõem tributação de lucros combinada com renda básica.

Isso não significa que uma UBI seja inevitável ou simples. Seu financiamento, valor, impacto sobre preços, relação com serviços públicos e legitimidade política exigiriam decisões difíceis. Experimentos existentes avaliam transferências em economias nas quais o trabalho continua central. Eles não reproduzem uma sociedade pós-trabalho.

Mas o princípio é coerente: se as máquinas produzem a abundância e a propriedade dessas máquinas fica concentrada, a distribuição de renda não pode depender exclusivamente da venda de horas humanas.

Há várias possibilidades além de uma UBI tradicional:

• imposto de renda negativo;
• dividendos sociais;
• fundos soberanos de tecnologia;
• participação acionária universal;
• propriedade coletiva de infraestrutura computacional;
• serviços públicos ampliados;
• distribuição de licenças, dados ou capacidade de processamento.

A política correta talvez combine vários instrumentos. O objetivo não seria pagar pessoas para não fazer nada. Seria desacoplar a dignidade material da necessidade de convencer uma empresa de que uma hora humana ainda custa menos que uma hora artificial.

Isso pode libertar trabalho que hoje não recebe remuneração adequada: cuidado familiar, produção cultural, ensino comunitário, pesquisa independente e empreendedorismo. Uma sociedade produtiva o suficiente pode permitir que parte das atividades humanas exista por propósito, não por sobrevivência.

Propósito e responsabilidade não são detalhes técnicos

Uma IA pode receber uma meta, um orçamento e ferramentas. Pode manter memória, decompor problemas, contratar serviços e executar planos. Ainda assim, uma meta operacional não é o mesmo que propósito humano.

O propósito nasce de história, valores, vínculos, necessidades e compromisso com consequências. A responsabilidade inclui a possibilidade de responder moral, jurídica e socialmente pelos resultados. Um modelo não sente culpa, não perde reputação da mesma forma que uma pessoa, não cria espontaneamente obrigações com uma comunidade e não sofre uma punição como experiência subjetiva.

Isso não impede a sociedade de construir propósito funcional e responsabilidade institucional ao redor de agentes. Já fazemos algo parecido com empresas. Uma empresa não possui consciência, mas recebe missão, estatuto, patrimônio, direitos e deveres. Pode assinar contratos, pagar multas, perder licenças e ser dissolvida.

Agentes autônomos poderão operar com:

• identidade criptográfica;
• permissões limitadas;
• memória auditável;
• registros assinados;
• orçamento próprio;
• seguro;
• caução financeira;
• entidade jurídica patrocinadora;
• regras constitucionais;
• mecanismos de interrupção;
• limites para decisões irreversíveis.

A responsabilidade seria distribuída entre desenvolvedor, operador, proprietário, seguradora e instituição. Isso cria responsabilização, mas não consciência moral.

Também existe o risco de transformar o humano num responsável apenas simbólico. Madeleine Clare Elish chamou esse fenômeno de moral crumple zone: quando um sistema automatizado falha, a pessoa mais próxima absorve a culpa apesar de não possuir informação, tempo ou autoridade para controlar a decisão. Um humano no circuito não garante responsabilidade real.

Para que a responsabilidade permaneça humana, é preciso preservar controle significativo. A pessoa deve compreender o suficiente, poder interromper, escolher entre alternativas e ter tempo compatível com a decisão. Responsabilidade sem autoridade é apenas transferência de culpa.

A terceira possibilidade: simbiose

O debate costuma oferecer duas opções: a IA substitui pessoas ou continua sendo uma ferramenta subordinada. Existe uma terceira possibilidade mais interessante. Humanos e sistemas artificiais podem formar unidades produtivas integradas.

Essa ideia não nasceu com os grandes modelos de linguagem. Em 1960, J. C. R. Licklider publicou Man-Computer Symbiosis. Dois anos depois, Douglas Engelbart descreveu uma agenda para aumentar o intelecto humano. O objetivo não era criar uma máquina que imitasse uma pessoa, mas desenvolver sistemas capazes de ampliar a capacidade humana de compreender problemas complexos e agir sobre eles.

A pesquisa atual usa expressões como inteligência híbrida, inteligência aumentada e integração humano-computador. O trabalho de Mohammad Hossein Jarrahi sobre simbiose humano-IA nas decisões organizacionais e o estudo de Sebastian Raisch e Sebastian Krakowski sobre o paradoxo entre automação e aumento mostram que as duas trajetórias convivem. A mesma tecnologia pode substituir uma tarefa ou ampliar a pessoa que a executa.

Essa simbiose já começou de forma rudimentar. Um profissional usa agentes para pesquisar, escrever, programar, comparar alternativas e manter memória. O humano escolhe o objetivo e responde pela decisão. A IA amplia sua capacidade de execução.

O próximo estágio não exige implantes. Ele pode surgir de óculos, fones, câmeras, sensores, memória pessoal e agentes persistentes. Um sistema desse tipo conheceria o contexto antes que o usuário formulasse uma pergunta. Saberia quais projetos estão ativos, quem participa da conversa, quais compromissos existem e quais decisões anteriores precisam ser consideradas.

A interação deixaria de ser "abrir um chatbot". A IA se tornaria uma camada cognitiva contínua.

O GazeGPT, desenvolvido por pesquisadores de Stanford, oferece um exemplo experimental. O sistema combina óculos, rastreamento ocular e modelos multimodais para que a IA saiba qual objeto recebe a atenção do usuário. A direção do olhar funciona como contexto. Em vez de descrever longamente "o equipamento ao lado da porta", a pessoa olha para ele e pergunta.

A ampliação também pode ser física. Interfaces cérebro-computador já restauram funções a pessoas com paralisia. Em 2023, um estudo publicado na Nature apresentou uma neuroprótese de fala que decodificou tentativas de fala a 62 palavras por minuto. O sistema alcançou taxa de erro de 23,8% num vocabulário de 125 mil palavras. Ainda está longe da naturalidade de uma conversa comum, estimada no próprio artigo em cerca de 160 palavras por minuto, mas demonstra uma ligação funcional entre intenção neural e linguagem computacional.

Precisamos distinguir restauração de ampliação. Recuperar fala ou movimento perdido já possui demonstrações concretas. Aumentar a inteligência geral de pessoas saudáveis por implantes continua experimental e repleto de riscos. Largura de banda neural, estabilidade, biocompatibilidade, cirurgia, privacidade mental e segurança permanecem grandes obstáculos.

Por isso, a simbiose deve avançar primeiro por software e dispositivos vestíveis. Implantes poderão ganhar espaço em aplicações terapêuticas e, mais tarde, em usos competitivos. As fronteiras culturais também mudarão. Para uma geração que crescer com agentes pessoais e realidade aumentada, a distinção entre ferramenta externa e extensão cognitiva poderá parecer menos importante do que parece hoje.

A simbiose depende de velocidade

Aqui está um ponto que costuma ser subestimado: inteligência não é suficiente. Ela precisa funcionar dentro do tempo da situação.

Os melhores modelos atuais dependem de raciocínio deliberativo. Em avaliações complexas, podem gastar dezenas de segundos antes de responder. Isso é aceitável para uma pesquisa ou um planejamento. É inviável para corrigir um movimento corporal, alertar sobre uma colisão, acompanhar uma negociação ou interpretar continuamente uma cena.

Assistentes de áudio ao vivo expõem essa limitação. Para sustentar uma conversa natural, precisam ouvir, detectar o fim da fala, entender, raciocinar, formular e sintetizar som com pouca demora. Produtos atuais geralmente trocam profundidade por fluidez. Usam modelos menores, contexto comprimido e menos deliberação. A conversa fica rápida, mas o raciocínio erra mais.

O vídeo impõe uma carga ainda maior. Não é uma imagem grande. É um fluxo de quadros, áudio, movimento, relações espaciais, continuidade e causalidade. Amostrar alguns quadros economiza processamento, mas perde eventos. Processar cada quadro com um modelo grande custa tempo, energia e dinheiro. Enviar tudo para um datacenter cria dependência de conexão e riscos de privacidade.

Uma simbiose funcional exige raciocínio avançado em baixa latência, de preferência próximo ao usuário. Para controle motor ou interfaces neurais, poucos milissegundos fazem diferença. Para diálogo e realidade aumentada, centenas de milissegundos podem bastar. Planejamento profundo pode continuar levando segundos ou minutos.

O sistema provavelmente imitará uma hierarquia cognitiva:

1. uma camada reflexiva, pequena e local, acompanha sensores e reage a riscos;
2. uma camada interativa mantém contexto, conversa e recupera memória;
3. uma camada deliberativa executa raciocínio profundo e coordena agentes;
4. processos de fundo pesquisam, organizam memória e antecipam necessidades.

O modelo mais poderoso não precisará reprocessar o mundo inteiro a cada quadro. Sistemas multimodais manterão um estado contínuo do ambiente e chamarão raciocínio caro apenas quando surgir algo relevante.

A antecipação também reduz a latência percebida. Um agente que acompanha agenda, localização, projetos e conversa pode começar a raciocinar antes da pergunta. A resposta parece instantânea porque o processamento não começou do zero.

A hipótese das 100 mil vezes

Em outro artigo, usei uma analogia: em cerca de 30 anos, a velocidade da internet aumentou aproximadamente 100 mil vezes. Não importa aqui fixar um único ponto de partida ou uma única tecnologia de conexão. O valor da analogia está na ordem de grandeza e no que ela fez com nossas possibilidades.

Uma melhoria de 100 mil vezes em 30 anos corresponde a crescimento composto de aproximadamente 46,8% ao ano, com duplicação a cada 21,7 meses. Se a IA alcançar o mesmo fator em 15 anos, a capacidade relevante precisará mais que dobrar anualmente. Em dez anos, o fator equivale a uma duplicação a cada 7,2 meses.

"IA 100 mil vezes mais rápida" não significa uma inteligência única multiplicada por 100 mil. O ganho pode combinar:

• mais tokens processados por segundo;
• menor custo por tarefa;
• modelos menores com capacidade equivalente;
• melhor eficiência energética;
• mais agentes em paralelo;
• memória maior;
• sensores melhores;
• menos latência;
• raciocínio mais eficiente;
• execução local.

Os fatores se multiplicam. Um chip dez vezes melhor, um algoritmo dez vezes mais eficiente e uma arquitetura que reutiliza contexto dez vezes melhor podem produzir um salto muito maior que cada avanço isolado.

O AI Index 2025, de Stanford, fornece um sinal dessa dinâmica. O custo de inferência de um sistema com desempenho equivalente ao GPT-3.5 caiu mais de 280 vezes entre novembro de 2022 e outubro de 2024. No mesmo período analisado pelo relatório, custos de hardware vinham caindo cerca de 30% ao ano e a eficiência energética melhorava em torno de 40% ao ano. Modelos de pesos abertos também reduziram parte da distância em relação aos modelos fechados.

Esses números não devem ser extrapolados indefinidamente. Ganhos rápidos costumam encontrar gargalos. Além disso, quando a computação fica mais barata, os desenvolvedores podem gastar a economia em mais raciocínio, não em respostas mais rápidas. Um sistema dez vezes mais eficiente pode explorar cem vezes mais hipóteses e continuar levando o mesmo tempo.

Ainda assim, a direção é clara. Capacidades que hoje dependem de grandes estruturas online migrarão para dispositivos menores. O que hoje parece um datacenter poderá caber num wearable futuro, assim como recursos que exigiam supercomputadores migraram para telefones.

A internet aumentou a velocidade com que máquinas trocam informações. A IA pode aumentar a velocidade com que uma intenção humana se transforma em ação.

Essa é a melhor formulação da analogia.

O que os experimentos atuais dizem sobre humanos aumentados

A ideia de simbiose não depende apenas de esperança. Já existem resultados empíricos, embora sejam iniciais e restritos a ferramentas atuais.

O estudo Generative AI at Work, publicado no Quarterly Journal of Economics, analisou a introdução gradual de um assistente em uma empresa com 5.172 agentes de suporte. O acesso à IA aumentou a produtividade, medida por problemas resolvidos por hora, em 15% na média. Os ganhos foram maiores entre profissionais menos experientes e menos qualificados. Além de responder mais rápido, eles melhoraram a qualidade. Os trabalhadores mais experientes tiveram ganhos pequenos de velocidade e pequenas perdas de qualidade.

Isso sugere que a IA pode funcionar como tecnologia de transferência de conhecimento. Práticas dos melhores profissionais ficam disponíveis aos novatos durante o trabalho, sem depender apenas de treinamento formal.

Outro experimento, realizado com 758 consultores do Boston Consulting Group e publicado na Organization Science, encontrou uma fronteira irregular. Em 18 tarefas dentro das capacidades do GPT-4, participantes com IA concluíram 12,2% mais tarefas, trabalharam 25,1% mais rápido e entregaram soluções de qualidade significativamente maior. Em uma tarefa selecionada fora da fronteira do modelo, porém, os usuários de IA tiveram probabilidade 19% menor de chegar à solução correta.

A ferramenta ampliou o profissional quando sabia fazer a tarefa. Quando não sabia, sua segurança aparente induziu erros.

Uma meta-análise publicada na Nature Human Behaviour examinou 106 estudos experimentais e 370 tamanhos de efeito. Na média, combinações de humanos e IA ficaram abaixo do melhor desempenho obtido pelo humano ou pela IA isoladamente, com efeito Hedges g de menos 0,23. A colaboração produziu ganhos maiores em criação de conteúdo e perdas em tarefas decisórias. Quando o humano já superava a IA, a combinação tendia a ajudar. Quando a IA era superior, a intervenção humana frequentemente piorava o resultado.

A conclusão não é que a simbiose fracassou. É que proximidade não produz complementaridade automaticamente. Precisamos projetar a divisão de trabalho.

Pesquisadores usam duas metáforas úteis. No modelo centauro, humano e IA dividem tarefas. No modelo ciborgue, alternam continuamente dentro do mesmo fluxo. A segunda forma se aproxima da simbiose, mas exige confiança calibrada. O humano precisa saber quando aceitar, contestar ou ignorar o sistema. A IA precisa reconhecer incerteza e transferir a decisão quando necessário.

Uma sociedade mais permissiva

Muitos limites atuais são culturais. Profissões protegem competências, governos exigem assinaturas humanas e consumidores desconfiam de decisões automatizadas. Parte disso responde a riscos reais. Parte protege hábitos e estruturas existentes.

As novas gerações devem aceitar mais delegação. Uma criança que cresce conversando com agentes não verá a interação como artificial da mesma forma que um adulto que conheceu a internet discada. Sistemas poderão acompanhar educação, saúde, finanças e trabalho desde cedo. O agente pessoal acumulará contexto durante décadas.

A aceitação pode seguir uma sequência previsível. Primeiro usamos a tecnologia para restaurar funções perdidas. Depois para corrigir limitações. Em seguida para prevenir problemas. Mais tarde para aumentar capacidades e, por fim, para obter vantagem competitiva.

Óculos e fones serão mais fáceis de aceitar que implantes porque podem ser removidos, atualizados e desligados. Implantes ganharão legitimidade por aplicações médicas. Se demonstrarem segurança e benefícios claros, usos de ampliação deixarão de parecer ficção.

A mudança cultural, porém, pode reduzir alguns nichos que imaginamos exclusivamente humanos. Se pessoas aceitarem relacionamentos, ensino, aconselhamento e gestão mediados por agentes, o "prêmio da autenticidade humana" poderá cair.

O objetivo da simbiose não deveria ser conservar empregos artificiais. Deveria preservar agência, dignidade e participação.

Os riscos de um futuro otimista

Otimismo sério não ignora riscos. Ele identifica escolhas que podem melhorar o resultado.

O primeiro risco é a desigualdade de acesso. Um trabalhador aumentado pode produzir várias vezes mais. Uma pessoa sem acesso à tecnologia, memória, dados ou treinamento competirá em desvantagem crescente. Se a simbiose ficar restrita a elites e empresas, ela ampliará a concentração.

O segundo é a dependência. Memória, percepção e decisão mediadas por uma plataforma criam poder extraordinário. O fornecedor poderá conhecer hábitos, intenções, fragilidades e relações. Trocar de sistema pode significar perder parte da própria memória funcional.

O terceiro é a manipulação. Um assistente que escolhe quais informações mostrar influencia decisões antes que a pessoa perceba. Em interfaces vestíveis ou neurais, a fronteira entre recomendação e direcionamento fica ainda mais delicada.

O quarto é a segurança. Um telefone comprometido expõe dados. Uma interface comprometida que participa de percepção, memória ou movimento pode alterar comportamento e causar dano físico.

O quinto é a concentração produtiva. Mesmo que a simbiose preserve funções humanas, uma pessoa aumentada poderá substituir dezenas ou centenas. A sociedade ainda precisará resolver propriedade e distribuição.

Esses riscos justificam princípios desde cedo:

• portabilidade de memória e identidade;
• interoperabilidade entre agentes;
• processamento local para dados sensíveis;
• direito de desligamento;
• rastreabilidade;
• limites claros de autoridade;
• mercados competitivos;
• acesso amplo à ampliação;
• proteção da liberdade cognitiva;
• responsabilidade proporcional ao controle.

O futuro não será definido apenas pela capacidade dos modelos. Protocolos, leis, propriedade e cultura decidirão quem se beneficia.

Um cenário otimista

Consigo imaginar um futuro no qual a IA reduz a necessidade de trabalho obrigatório sem reduzir o papel humano na sociedade.

Pessoas continuariam criando empresas, ensinando, cuidando, investigando, liderando e produzindo cultura. Fariam isso com uma capacidade antes reservada a grandes organizações. Um pesquisador coordenaria laboratórios artificiais. Um professor atenderia necessidades individuais de centenas de estudantes sem abandonar o vínculo humano. Um médico teria modelos acompanhando literatura e pacientes continuamente. Pequenos empreendedores operariam negócios globais com equipes de agentes.

A produtividade permitiria jornadas menores. Sistemas de renda e propriedade distribuiriam parte da abundância. Educação deixaria de preparar alguém para uma função fixa e passaria a desenvolver autonomia, julgamento, repertório, colaboração e capacidade de formular bons objetivos.

O trabalho não desapareceria. Perderia o monopólio sobre renda, identidade e valor social.

A IA não precisaria adquirir propósito humano. Poderia ampliar pessoas e instituições que já possuem propósito. Não precisaria receber responsabilidade moral completa. Poderia operar dentro de estruturas nas quais seres humanos mantêm autoridade e respondem pelas escolhas.

Esse cenário exige mais que tecnologia. Exige que a ampliação seja acessível, que a produtividade seja compartilhada e que as pessoas preservem liberdade para escolher quanto desejam se integrar.

O avanço técnico torna essa possibilidade plausível. A política determinará se ela será inclusiva.

De ferramenta externa a extensão cognitiva

Hoje usamos a IA sob demanda. Escrevemos um prompt, esperamos o processamento e avaliamos a resposta. Mesmo os melhores modelos ainda se parecem com especialistas distantes: capazes, mas dependentes de grandes estruturas e lentos demais para participar de cada instante.

A mudança decisiva acontecerá quando raciocínio avançado passar de dezenas de segundos para milissegundos ou poucas centenas de milissegundos, com baixo consumo e execução próxima ao usuário. Nesse momento, a IA poderá integrar o mesmo ciclo temporal da percepção e da ação humanas.

Ela verá enquanto vemos, ouvirá enquanto ouvimos e recuperará contexto antes que nossa memória consiga fazê-lo. Agentes deliberativos trabalharão ao fundo. A interface imediata filtrará resultados e apresentará apenas o que merece atenção. O humano continuará sendo a fonte de intenção, compromisso e legitimidade. A máquina ampliará o alcance dessa intenção.

Esse futuro não elimina a possibilidade de agentes totalmente autônomos. Também não resolve sozinho distribuição, controle ou desigualdade. Mas oferece uma alternativa à narrativa simples de substituição.

Talvez a unidade produtiva do futuro não seja o humano nem a IA. Seja o sistema formado pelos dois.

Conclusão

A discussão sobre IA e trabalho costuma oscilar entre duas certezas fáceis. Uma diz que a história sempre cria novos empregos e, portanto, não há motivo para preocupação. A outra diz que a IA automatizará tudo e tornará o ser humano economicamente irrelevante.

Não sabemos qual será a velocidade de criação de novas demandas, nem quanto trabalho humano elas exigirão. Sabemos que a IA possui uma abrangência diferente das automações anteriores. Ela pode aprender tarefas novas e acompanhar mercados que ainda nem existem. Isso torna plausível uma redução estrutural da necessidade de trabalho humano e dá seriedade à discussão sobre renda básica e distribuição da propriedade tecnológica.

Também sabemos que substituição não é a única trajetória. A mesma tecnologia pode ampliar pessoas. Agentes, memória persistente, dispositivos vestíveis e interfaces neurais podem unir propósito humano a capacidade artificial. A evidência atual já mostra ganhos, falhas e condições para que essa colaboração funcione.

A velocidade será decisiva. Uma inteligência que demora dezenas de segundos continua sendo uma ferramenta consultiva. Uma inteligência capaz de raciocinar em milissegundos, acompanhar áudio e vídeo continuamente e operar localmente pode tornar-se uma extensão cognitiva.

Minha visão é otimista porque não considero o futuro um resultado automático das máquinas. Tecnologia abre possibilidades. Instituições e pessoas escolhem como organizá-las.

Se conseguirmos ampliar o acesso, distribuir parte dos ganhos, preservar liberdade cognitiva e manter responsabilidade proporcional ao controle, a IA poderá fazer mais que substituir trabalho. Poderá reduzir a distância entre intenção e realização, permitindo que mais pessoas transformem propósito em resultado.

A internet conectou bilhões de pessoas e multiplicou a velocidade da informação. A próxima transformação pode conectar inteligência, percepção e ação. O futuro mais promissor não será aquele em que máquinas se tornam humanas. Será aquele em que humanos, ampliados por máquinas, ganham mais capacidade para realizar aquilo que consideram importante.

Referências

1. Falk, B. H.; Tsoukalas, G. The AI Layoff Trap: Strategic Automation and Demand Externalities. arXiv, 2026. https://arxiv.org/abs/2603.20617
2. Autor, D. H. Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 2015. https://doi.org/10.1257/jep.29.3.3
3. Acemoglu, D.; Restrepo, P. The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review, 2018. https://doi.org/10.1257/aer.20160696
4. Brynjolfsson, E.; Li, D.; Raymond, L. R. Generative AI at Work. Quarterly Journal of Economics, 2025. https://doi.org/10.1093/qje/qjae044
5. Dell'Acqua, F. et al. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838
6. Vaccaro, M.; Almaatouq, A.; Malone, T. When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 2024. https://doi.org/10.1038/s41562-024-02024-1
7. Jarrahi, M. H. Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, 2018. https://doi.org/10.1016/j.bushor.2018.03.007
8. Raisch, S.; Krakowski, S. Artificial Intelligence and Management: The Automation-Augmentation Paradox. Academy of Management Review, 2021. https://doi.org/10.5465/amr.2018.0072
9. Licklider, J. C. R. Man-Computer Symbiosis. IRE Transactions on Human Factors in Electronics, 1960. https://groups.csail.mit.edu/medg/people/psz/Licklider.html
10. Engelbart, D. C. Augmenting Human Intellect: A Conceptual Framework. Stanford Research Institute, 1962. https://www.dougengelbart.org/pubs/augment-3906.html
11. Konrad, R. et al. GazeGPT: Augmenting Human Capabilities using Gaze-contingent Contextual AI for Smart Eyewear. arXiv, 2024. https://arxiv.org/abs/2401.17217
12. Willett, F. R. et al. A high-performance speech neuroprosthesis. Nature, 2023. https://doi.org/10.1038/s41586-023-06377-x
13. Erler, A.; Müller, V. C. AI as IA: The use and abuse of artificial intelligence for human enhancement through intellectual augmentation. arXiv, 2025. https://arxiv.org/abs/2508.16642
14. Elish, M. C. Moral Crumple Zones: Cautionary Tales in Human-Robot Interaction. Engaging Science, Technology, and Society, 2019. https://doi.org/10.17351/ests2019.260
15. Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2025. https://hai.stanford.edu/ai-index/2025-ai-index-report
16. Clark, A.; Chalmers, D. The Extended Mind. Analysis, 1998. https://doi.org/10.1093/analys/58.1.7