Quando a IA não basta

Empresas recontratam o conhecimento que tentaram substituir

A adoção acelerada da inteligência artificial nas empresas foi acompanhada por uma promessa simples, sedutora e perigosa: substituir pessoas, reduzir custos e manter, ou até ampliar, a capacidade produtiva das organizações.

Essa promessa orientou discursos empresariais, decisões de investimento, reorganizações internas e cortes de pessoal em diferentes setores. Em muitos casos, a IA foi apresentada não como uma ferramenta de apoio, mas como uma alternativa direta ao trabalho humano, especialmente em áreas consideradas repetitivas, administrativas, técnicas ou de atendimento.

No entanto, a realidade operacional começa a impor uma correção importante: automatizar tarefas não equivale a substituir conhecimento, experiência, julgamento e responsabilidade profissional.

Esse ponto aparece com clareza no caso recente da Ford. Em junho de 2026, a empresa passou a ser citada como exemplo de reversão parcial da confiança excessiva em sistemas automatizados e ferramentas de IA. Segundo reportagens baseadas em informações da própria companhia e em relatos divulgados inicialmente pela Bloomberg, a Ford contratou, promoveu ou trouxe de volta cerca de 300 a 350 engenheiros experientes, incluindo antigos funcionários e profissionais vindos de fornecedores, após constatar que sistemas automatizados de qualidade e ferramentas de IA não entregavam, sozinhos, o nível de confiabilidade esperado.

Esses profissionais passaram a atuar em revisões de projeto, identificação antecipada de falhas, orientação de equipes mais jovens e melhoria dos próprios sistemas automatizados (Ha, 2026).

O caso é relevante porque não indica abandono da inteligência artificial. Ao contrário, mostra algo mais importante: a IA passou a funcionar melhor quando foi recolocada sob supervisão de profissionais experientes. A Ford não concluiu que algoritmos, visão computacional e testes automatizados eram inúteis. A conclusão foi outra: ferramentas automatizadas dependem de dados, critérios, validação, contexto e conhecimento acumulado.

Quando a empresa reorganizou seus processos, contratou engenheiros veteranos e fortaleceu a integração entre engenharia, manufatura, cadeia de suprimentos e qualidade, os resultados começaram a aparecer.

Em 2026, a Ford alcançou a liderança entre marcas de massa no estudo de qualidade inicial da J.D. Power, depois de anos de desempenho inferior. A própria empresa associou essa melhora a uma combinação de colaboração interna, revisão técnica, contratação de engenheiros experientes e uso de sistemas automatizados de apoio (Ford, 2026; J.D. Power, 2026).

Recontratação técnica

O primeiro aspecto importante do caso Ford é a recuperação do valor da experiência técnica. Durante anos, parte do discurso empresarial sobre IA tratou o conhecimento profissional como algo facilmente capturável por dados, documentos, requisitos e modelos estatísticos. Essa visão é limitada. Em setores industriais complexos, como o automotivo, a qualidade de um produto não depende apenas de verificar se uma peça atende a uma especificação isolada.

Ela depende da interação entre projeto, material, montagem, software, fornecedores, uso real, manutenção, histórico de falhas e decisões acumuladas ao longo de ciclos sucessivos de desenvolvimento.

Por isso, a recontratação de engenheiros experientes não deve ser lida apenas como um movimento de recursos humanos. Ela representa uma correção epistemológica. A empresa reconheceu que parte do conhecimento necessário para produzir qualidade não estava plenamente formalizada em bases de dados, nem podia ser substituída por ingestão de requisitos em sistemas de IA.

Charles Poon, vice-presidente de engenharia de hardware veicular da Ford, afirmou que a IA é uma ferramenta importante, mas depende da qualidade da informação usada em seu treinamento. Também reconheceu que a empresa não havia dado atenção suficiente à experiência de seus engenheiros mais conhecedores, que haviam passado por muitos ciclos de produto (Ha, 2026).

Esse reconhecimento é central, porque expõe uma falha comum nas estratégias de automação: a confusão entre informação e competência. Uma base documental pode conter requisitos, desenhos, padrões e registros de falha. Isso não significa que ela contenha julgamento técnico.

O profissional experiente não apenas consulta informação. Ele interpreta sinais incompletos, reconhece padrões fracos, antecipa efeitos indiretos, identifica incompatibilidades entre áreas e percebe riscos que ainda não apareceram como defeitos mensuráveis. A IA pode apoiar esse processo, mas não substitui automaticamente a capacidade de formular o problema correto.

Nesse sentido, a experiência da Ford é uma resposta prática ao discurso de que basta implantar IA para substituir profissionais qualificados. O próprio resultado de qualidade da empresa sugere o contrário.

A melhoria ocorreu quando o sistema técnico foi reorganizado em torno de colaboração, auditoria interna, revisão de engenharia, integração com fornecedores e uso de ferramentas automatizadas como apoio ao trabalho humano. A empresa não melhorou porque escolheu entre pessoas e IA. Melhorou porque deixou de tratar IA como substituta suficiente e passou a usá-la dentro de uma arquitetura organizacional mais madura.

Atendimento e qualidade percebida

O mesmo tipo de correção aparece em outro setor: atendimento ao cliente. A Klarna, empresa sueca de serviços financeiros, tornou-se um dos exemplos mais conhecidos de aposta agressiva em IA para redução de pessoal.

Em 2024, a empresa divulgou que seu assistente de IA realizava trabalho equivalente ao de 700 agentes de atendimento. A narrativa era forte, pois associava chatbot, redução de custos e ganho de produtividade. No entanto, em 2025, a empresa voltou a contratar pessoas para funções de atendimento e reconheceu a necessidade de reequilibrar a estratégia.

Segundo a Reuters, o CEO Sebastian Siemiatkowski afirmou que a empresa havia “ido longe demais” na ênfase sobre corte de custos e estava tentando corrigir o rumo. A companhia também voltou a ter vagas abertas, depois de reduzir o quadro de 5.000 para 3.800 funcionários no ano anterior (Mukherjee; Wang, 2025).

Os casos da Klarna e da Ford são distintos, mas apontam para o mesmo limite estrutural. Em atendimento ao cliente, rapidez não é o único critério de valor. Uma resposta automatizada pode reduzir o tempo médio de resolução, padronizar procedimentos e diminuir o custo por contato. Porém, a experiência do cliente envolve confiança, empatia, negociação, exceções, ambiguidade, frustração e percepção de cuidado. Quando um cliente procura suporte em uma situação simples, um sistema automatizado pode ser suficiente.

Quando o problema envolve conflito, perda financeira, erro recorrente, urgência ou interpretação contextual, a ausência de atendimento humano pode gerar deterioração da qualidade percebida.

Em maio de 2025, a Customer Experience Dive informou que a Klarna estava voltando a recrutar pessoas para atendimento ao cliente e que a empresa passou a defender a existência de uma opção humana disponível. A própria comunicação da companhia indicou uma mudança de ênfase: a IA ofereceria velocidade, enquanto o talento humano ofereceria empatia.

A formulação é relevante, porque abandona a tese da substituição total e adota uma lógica de complementaridade. Automatizar o que é rotineiro pode ser eficiente. Eliminar a possibilidade de intervenção humana em situações complexas pode ser um erro estratégico (Doerer, 2025).

Esse movimento desmonta outra simplificação frequente: a de que a qualidade pode ser reduzida a indicadores operacionais de curto prazo. Um chatbot pode responder mais rápido; um sistema pode encerrar mais chamados; um painel pode mostrar redução de custo, mas nada disso garante que o cliente teve o problema resolvido de forma satisfatória, que a relação com a marca foi preservada ou que o sistema não apenas deslocou o custo para reclamações futuras, perda de confiança, cancelamentos e desgaste reputacional. A IA pode otimizar métricas locais e, ao mesmo tempo, piorar o resultado global.

O erro da substituição direta

Por outro lado, a recontratação de profissionais depois de cortes associados à IA não deve ser interpretada como fracasso geral da tecnologia. Essa seria outra simplificação. O problema é mais específico e mais grave: várias empresas parecem ter adotado IA como justificativa para decisões de corte antes de comprovar, em escala, que as ferramentas seriam capazes de sustentar qualidade, continuidade e responsabilidade operacional. Em outras palavras, a IA foi usada como narrativa de eficiência antes de ser validada como infraestrutura de produção.

Essa diferença é decisiva. Uma demonstração de IA pode impressionar em ambiente controlado. Um piloto pode gerar economia pontual. Um chatbot pode resolver perguntas frequentes. Um assistente de código pode produzir trechos úteis. Porém, empresas não operam apenas em demonstrações.

Operam com exceções, clientes reais, sistemas legados, contratos, integração entre áreas, falhas intermitentes, dados incompletos, decisões regulatórias, risco reputacional e responsabilidade jurídica. O trabalho humano que parecia dispensável muitas vezes era justamente o mecanismo que absorvia essas irregularidades.

A Gartner estimou, em fevereiro de 2026, que até 2027 metade das empresas que atribuíram redução de pessoal em atendimento ao cliente à IA voltariam a contratar profissionais para funções semelhantes, embora possivelmente com novos títulos.

A consultoria também ressaltou que a maioria das reduções recentes de força de trabalho não decorreu apenas de automação, mas de condições econômicas mais amplas, e que as organizações teriam de reinvestir em talento humano para sustentar qualidade de serviço e crescimento.

A análise é importante porque evita tanto o alarmismo quanto a propaganda. A IA afeta o trabalho, mas não elimina automaticamente a necessidade de experiência, empatia e julgamento humano (Gartner, 2026).

A Forrester chegou a conclusão semelhante em janeiro de 2026. A empresa projetou que a automação e a IA teriam impacto real, mas menor do que o discurso de substituição ampla sugere. Segundo a consultoria, apenas 6% dos empregos nos Estados Unidos seriam automatizados até 2030, enquanto 20% dos postos seriam aumentados por IA no mesmo período.

O relatório também indicou que mais da metade das demissões atribuídas à IA tende a ser revertida silenciosamente, à medida que as empresas percebem as dificuldades operacionais de substituir talento humano prematuramente. A própria Forrester alertou para o risco de “AI washing”, isto é, atribuir cortes financeiramente motivados a uma automação que ainda não está madura para assumir aquelas funções (Forrester, 2026).

Esse ponto deve ser enfatizado. Nem toda demissão anunciada em nome da IA significa substituição real por IA. Em muitos casos, a tecnologia funciona como justificativa pública para reestruturações que envolvem queda de demanda, pressão por margem, excesso de contratação anterior, custos financeiros ou reposicionamento estratégico. Isso não torna o problema menor. Pelo contrário, torna a situação mais grave, porque a IA passa a ser usada como argumento genérico para decisões que nem sempre correspondem à capacidade técnica efetiva das ferramentas implantadas.

Custo organizacional

A substituição precipitada de pessoas por IA também produz custos que não aparecem imediatamente no orçamento. O primeiro é a perda de memória institucional. Quando uma empresa demite profissionais experientes, não perde apenas horas de trabalho. Perde conhecimento sobre decisões anteriores, problemas recorrentes, fornecedores, clientes, limitações técnicas, atalhos perigosos, exceções e erros já cometidos. Esse conhecimento raramente está totalmente documentado. Mesmo quando há documentação, sua utilidade depende de pessoas capazes de interpretá-la.

O segundo custo é a degradação da capacidade de supervisão. Uma organização que reduz demais seu quadro técnico pode perder a própria competência necessária para avaliar a IA que passou a utilizar. Esse paradoxo é central. Quanto mais a empresa depende de ferramentas automatizadas para produzir, revisar, atender, diagnosticar ou decidir, maior precisa ser sua capacidade interna de validar resultados. Se a organização corta justamente os profissionais capazes de verificar erros, interpretar saídas e corrigir desvios, ela aumenta sua dependência de sistemas que não compreende integralmente.

O terceiro custo é o retrabalho. A IA pode produzir respostas, textos, códigos, diagnósticos, relatórios e recomendações em alta velocidade. Porém, velocidade de produção não é sinônimo de qualidade entregue. Em muitos contextos, a economia inicial é consumida por revisão humana, correção de erros, descarte de respostas inadequadas, reabertura de chamados, falhas de integração e reconstrução de confiança. A empresa acredita ter reduzido custo porque diminuiu a folha de pagamento, mas parte do trabalho reaparece de forma fragmentada, distribuída e menos visível.

O quarto custo é a recontratação. Recontratar depois de cortar não é simplesmente voltar ao ponto anterior. Há custo de busca, integração, treinamento, perda de continuidade, queda de moral e possível aumento salarial para atrair profissionais que a própria empresa havia dispensado ou desvalorizado.

Além disso, nem sempre os profissionais anteriores estão disponíveis, dispostos a retornar ou interessados em reconstruir processos que foram interrompidos por decisões precipitadas. A correção de um erro de automação pode custar mais do que a economia que o justificou.

Dados de mercado reforçam que o fenômeno não se limita a casos isolados. Em junho de 2026, a Business Insider, com base em relatório da Challenger, Gray & Christmas, informou que a IA havia se tornado a razão mais citada por empresas norte-americanas ao anunciar cortes de pessoal.

Em maio de 2026, a IA foi associada a 40% dos 97.006 cortes anunciados por empregadores dos Estados Unidos. No acumulado do ano, 87.714 cortes já haviam sido atribuídos à IA, acima dos 54.836 registrados em todo o ano de 2025. A própria reportagem, no entanto, destacou que a relação causal é contestada e que parte das empresas pode estar usando a IA como explicação para decisões de ajuste mais amplas (Griffiths, 2026).

Esse conjunto de dados indica um mercado em correção. De um lado, empresas continuam anunciando cortes sob o argumento da IA. De outro, casos como Ford, Klarna e projeções de Gartner e Forrester indicam que uma parcela dessas decisões terá de ser revista. A contradição revela que o problema não está apenas na tecnologia, mas na gestão. Há empresas confundindo ferramenta com estratégia, automação com competência e redução de quadro com aumento de produtividade.

Produtividade e valor real

A dificuldade de converter IA em valor econômico mensurável também aparece em estudos sobre adoção empresarial. O relatório The GenAI Divide: State of AI in Business 2025, associado ao MIT NANDA, apontou que, apesar de investimentos estimados entre US$ 30 e 40 bilhões em IA generativa, cerca de 95% das organizações analisadas não obtinham retorno mensurável.

Segundo a análise divulgada pela Fortune, o problema principal não era apenas a qualidade dos modelos, mas uma lacuna de aprendizado e integração: ferramentas genéricas funcionam bem para indivíduos, mas tendem a falhar quando precisam se adaptar a fluxos corporativos, processos internos, sistemas legados e responsabilidades organizacionais (Estrada, 2025).

Esse diagnóstico é diretamente relacionado ao tema da recontratação. Quando a IA é implantada sem integração real aos processos, ela não substitui trabalho. Ela cria uma camada adicional de produção aparente. As empresas passam a gerar mais documentos, mais respostas, mais código, mais relatórios e mais interações automatizadas, mas não necessariamente entregam mais valor. O aumento da produção simbólica pode esconder a queda da qualidade decisória. Produzir mais não significa resolver melhor.

A produtividade real depende de encaixe entre tecnologia, processo e competência. Uma IA aplicada a uma tarefa bem delimitada, com dados adequados, supervisão humana e critério de avaliação claro pode gerar ganhos relevantes. A mesma IA, aplicada a um processo mal compreendido, com dados ruins, metas vagas e ausência de especialistas, pode produzir apenas ruído em escala. O erro de muitas empresas foi assumir que a presença da ferramenta bastava. Não basta. Ferramentas aumentam capacidades existentes. Quando a capacidade organizacional é frágil, elas também ampliam fragilidades.

Essa distinção é decisiva para evitar uma leitura equivocada da crítica. A questão não é defender retorno ao trabalho pré-digital, nem negar que a IA pode gerar produtividade. A questão é reconhecer que produtividade não nasce da substituição automática de pessoas, mas da reorganização inteligente do trabalho.

A IA pode reduzir tarefas repetitivas, acelerar análise de dados, reconhecer padrões, automatizar triagens, apoiar diagnósticos e ampliar a capacidade de profissionais qualificados. Porém, quando usada para eliminar conhecimento antes de compreender o processo, ela pode tornar a empresa mais rápida em errar.

Governança do trabalho com IA

A lição principal desse ciclo é que a adoção de IA precisa ser tratada como decisão de governança, não como moda administrativa. Antes de cortar pessoas, a empresa deve demonstrar que a tecnologia sustenta qualidade equivalente ou superior, que os riscos foram mapeados, que há supervisão competente, que os custos indiretos foram estimados e que existe plano para exceções. O critério não deve ser se a IA consegue executar uma tarefa em demonstração, mas se consegue operar de forma confiável dentro do sistema real da organização.

Isso exige uma mudança de pergunta. Em vez de perguntar “quantas pessoas a IA substitui?”, a empresa deveria perguntar “quais tarefas podem ser automatizadas sem perda de qualidade, quais exigem supervisão e quais dependem de julgamento humano especializado?”. A primeira pergunta induz cortes. A segunda induz desenho organizacional. A primeira atende ao entusiasmo de curto prazo. A segunda protege a capacidade produtiva no médio prazo.

Também é necessário distinguir três categorias de trabalho. Há tarefas repetitivas e padronizadas, em que a automação pode ser dominante. Há tarefas semiestruturadas, em que a IA pode preparar, organizar e sugerir, mas a decisão deve permanecer supervisionada. Há tarefas complexas, ambíguas, críticas ou relacionais, nas quais a substituição direta tende a produzir risco elevado. O fracasso empresarial ocorre quando essas categorias são tratadas como se fossem equivalentes.

No caso da Ford, a solução não foi abandonar a tecnologia, mas reintroduzir especialistas para orientar, revisar e melhorar o uso da automação. No caso da Klarna, a correção não foi negar o chatbot, mas restaurar a possibilidade de contato humano e deslocar a estratégia de corte de custos para qualidade e crescimento.

Nas projeções de Gartner e Forrester, o movimento esperado não é o desaparecimento da IA, mas a reversão parcial de cortes precipitados e a criação de novas funções associadas à supervisão, integração e uso responsável da tecnologia.

Diante desse cenário, a crítica necessária é simples: é tecnicamente ingênuo e gerencialmente irresponsável tratar a IA como solução universal para problemas de produtividade. A IA não substitui automaticamente conhecimento tácito, memória institucional, empatia, julgamento profissional, responsabilidade técnica e capacidade de integração. Em algumas situações, ela reduz custo. Em outras, apenas desloca custo. Em outras, aumenta risco. Em outras, revela que a empresa não entendia o próprio processo antes de tentar automatizá-lo.

Em conclusão, o movimento recente de recontratação e correção estratégica mostra que a fase mais ingênua da IA empresarial começa a encontrar limites concretos. Empresas que anunciaram automação como substituição ampla de pessoas passam a enfrentar problemas de qualidade, atendimento, integração, supervisão e retorno econômico. A tecnologia continuará relevante, mas a crença de que ela resolveria tudo começa a se mostrar uma simplificação cara.

O futuro mais provável não será composto por empresas sem profissionais, operadas por sistemas autônomos genéricos. Será composto por organizações capazes de combinar IA com especialistas, processos maduros, dados confiáveis e governança. A empresa que entende isso usa IA para ampliar competência. A empresa que não entende demite pessoas, perde conhecimento, descobre tarde demais o valor do que cortou e depois precisa reconstruir, a custo maior, a capacidade que acreditava ter automatizado.