O Raciocínio Finalmente Escala.

A remoção de uma barreira de dois séculos exige mais julgamento, não menos.

1. O Gargalo Que Nenhuma Máquina Resolveu

O cognitivo ficou fora de dois séculos de multiplicação econômica.

Imagine a rotina: um analista abre o laptop, passa duas horas consolidando dados de quatro fontes diferentes, formata o relatório, revisa os gráficos, envia para o gestor que lê e depois pede dois ajustes. O analista refaz. Quase quatro horas de trabalho cognitivo qualificado para produzir algo que qualquer pessoa com discernimento suficiente para formular a pergunta certa entrega hoje em minutos por menos de três dólares.

Um milhão de tokens do modelo mais avançado da OpenAI custa 2,50 dólares, o que representa cerca de 750 mil palavras processadas, o equivalente a uma análise competitiva completa que levaria dias para entregar, incluindo coleta, síntese, formatação e revisão.

Por que o raciocínio ficou de fora de dois séculos de multiplicação econômica? A resposta é simples: porque não se consegue que a capacidade de raciocínio e cognitiva seja aumentada pelo aumento de capital ou infraestrutura da mesma forma que força física ou capacidade de transporte. A Revolução Industrial foi feita em cima de descobertas que ampliaram exponencialmente a execução de processos físicos. Era simples: tudo que pode ser transformado via processo repetível pode ser replicado em volume. Máquinas a vapor multiplicaram força, ferrovias integraram mercados inteiros, a eletrificação libertou a manufatura da limitação da matriz pela água e pela força animal. O que ficava fora desse alcance, por óbvia limitação tecnológica, era o raciocínio.

O verdadeiro gargalo dos sistemas produtivos avançados não estava na execução mecânica, mas na capacidade de análise, de decisão na própria coordenação humana. Pois para interpretar informações e formular hipóteses e finalmente tomar decisões dentro de contextos não estruturados são atividades que não podiam ser replicadas em massa. O pensamento, diferente de uma máquina ou de uma ferrovia, não se multiplicava por investimento. Essa assimetria entre execução física escalável e raciocínio não escalável definiu a lógica das empresas desde sempre até aqui.

É exatamente esse limite que começa a ser ultrapassado agora, pela primeira vez. A difusão de sistemas capazes de auxiliar na análise cognitiva não é aceleração dentro do mesmo paradigma, é abertura de uma capacidade de multiplicação que historicamente não existia para trabalho intelectual.

O mecanismo mudou. Antes,a contratação de pessoas era uma forma de crescer a infraestrutura cognitiva das organizações, se contratava mais capacidade de processamento humano. Era a única forma disponível de ampliar a capacidade analítica. Não havia como multiplicar raciocínio por outro meio, concentrar mais pessoas era a única solução. Isso deixou de ser verdade quando o custo de processar milhares de palavras se resumiu a poucos centavos. Agora,o tipo de análise que antes justificava equipes inteiras se tornou acessível, por uma fração do custo de uma hora de uma destas equipes.  

O que antes exigia equipe e dias de trabalho agora exige a formulação da pergunta certa, do “prompt” correto. E essa mudança não distingue entre, por exemplo, um fundador solo de startup com dez mil dólares no banco e a corporação com um grande departamento de inteligência de mercado. Afinal, a questão não era um gap de capacidade intelectual, era um gap de acesso à estrutura, isso foi removido. A queda não foi uniforme em todos os setores nem para toda forma de raciocínio, mas para negócios de conhecimento e serviços digitais a queda, ou recriação, foi estrutural.

  A arquitetura era a solução correta para um problema que mudou.

 Numa hipotética empresa de médio porte, toda segunda-feira, cinco pessoas se reúnem para discutir os números da semana. O relatório foi enviado no sábado de madrugada pela plataforma de vendas. Três dos cinco leram de verdade. Na reunião, a tela é compartilhada e alguém percorre os dados em voz alta. No final, decide-se que seria útil ter um corte diferente, uma análise nova para a próxima semana. A reunião dura pelo menos cinquenta minutos a uma hora. O relatório da próxima semana terá o corte diferente e haverá outra reunião...

Grandes estruturas nasceram dentro das empresas para resolver problemas reais. Departamentos existiam como resposta para especialização das tarefas, hierarquias garantiam responsabilidades em cadeias longas de decisão, e as reuniões resolviam o problema de coordenação. A informação, nestes contextos, geralmente é imprecisa e o custo de alinhamento entre todos é alto e inevitável. Toda essa arquitetura era correta para aquele momento histórico específico. Os problemas mudaram, as ferramentas de IA chegaram, foram implantadas, mas a arquitetura ficou.

O que a IA resolveu que as grandes estruturas empresariais ainda não conseguiram resolver foi a capacidade de processamento sequencial e paralelo ao mesmo tempo, observando sem erro aspectos específicos de análise e produzindo conteúdos auxiliares de decisão com uma precisão impressionante. Hoje é possível processar em paralelo, sem atrito, sem perda de contexto entre etapas, exatamente o tipo de trabalho cognitivo repetível que as estruturas das empresas foram construídas para coordenar. O motivo para manter toda a arquitetura empresarial da forma que conhecemos se extinguiu antes que a arquitetura estrutural das empresas fosse redesenhada.

As organizações adotaram a IA como ferramenta de velocidade dentro do modelo existente. Afinal,a estrutura não mudou, a lógica permanece, assim como o atrito entre pessoas. Ainda são muitas as estruturas econômicas lucrativas que operam com a arquitetura pré-IA. E quem for desmontar a estrutura existente assume um risco visível. Quem a mantém como está assume o custo invisível.

A saída existe. Redesenhar a partir dos processos, não da estrutura. Poucos fazem, pois o custo imediato é certo e o ganho futuro ainda não.

O Pieter Levels não tem funcionários. Tem 135 mil dólares de receita recorrente mensal. O produto é o Photo AI, e o que o diferencia não é o uso de IA como recurso adicional, mas a posição da IA como núcleo do negócio: onboarding, entrega, suporte, cobrança e manutenção rotineira são executados pelo software. O negócio cresce não pela adição de pessoas, mas pelo refinamento do design do produto. Não sei se esse caso é replicável em setores que dependem de confiança relacional acumulada, consultoria de alto valor, saúde, serviços jurídicos, etc. Para produtos digitais, a lógica se sustenta. Fora desse perímetro, a evidência ainda não está consolidada.

O que diferencia esses modelos não é a metodologia aplicada depois que o negócio já existe. É a concepção de origem: a forma como o negócio foi imaginado desde o início determina se a intervenção humana é componente central da entrega ou gargalo estrutural.

Ampliar julgamento e substituí-lo são coisas diferentes e o curto prazo não distingue as duas.

Delegar execução à IA e delegar pensamento à IA podem parecer a mesma coisa, mas não são. A diferença está no discernimento do que será processado e do que necessita do discernimento humano. A melhor forma de nomear essa diferença é que devemos usar a IA como uma espécie de exoesqueleto que aumenta a capacidade de carga que se consegue carregar; mas se a usarmos como cadeira de rodas para levar a mente, que pode andar por si só, iremos atrofiar o julgamento e a criatividade por falta de uso. A diferença entre os dois modos não é a ferramenta, é a posição que ela ocupa dentro da estrutura empresarial, e por conseguinte no próprio exercício intelectual dos usuários.

Um estudo conduzido pela Boston Consulting Group em parceria com pesquisadores do MIT e Harvard documentou essa dinâmica com precisão relevante. Consultores que utilizaram GPT-4 em tarefas dentro da fronteira de capacidade do modelo performaram significativamente melhor do que o grupo controle sem IA. Mas quando os mesmos consultores trabalharam em tarefas fora dessa fronteira, envolvendo problemas mal definidos, decisões com variáveis não documentadas e julgamentos sobre contextos genuinamente novos, performaram pior do que quem não usou a ferramenta. O modelo ocupou precisamente o espaço onde o julgamento deveria estar sendo exercido, e o resultado foi consistentemente mediano, disfarçado pela eficiência aparente de uma resposta rápida e bem formatada.

O que o estudo revela é simples e não é de natureza técnica. A IA bem utilizada serve para ampliar o que já existe.  Porém, a ferramenta não consegue assumir o papel com qualidade equivalente, nas tarefas de julgamento e discernimento, ela pode substituir com certa plausibilidade, que é uma coisa diferente e mais perigosa porque é indistinguível no curto prazo, os efeitos virão no médio e longo prazo.

Isso estou argumentando contra a IA. É distinção sobre o que ela processa, e sua própria natureza, é um modelo de linguagem treinado em registros do passado. É extraordinariamente competente em contextos parecidos com o que está documentado. Quanto à situação ser inédita, com variáveis que ainda não foram registradas e padrões que ainda não foram catalogados, a força do julgamento humano formado pela experiência real se torna um recurso que nenhuma ferramenta de IA substitui. Ao menos no nível atual dos sistemas disponíveis.

Uma pessoa que trabalha num setor por anos acumula algo que não está registrado em nenhum banco de dados: desde a leitura do que o cliente disse e do que ele não disse, a percepção do que realmente o cliente está se queixando, a percepção quando uma categoria de mercado está se movendo antes mesmo deste dado aparecer em algum relatório de leitura de mercado. Essas inferências chegam antes de qualquer análise e são um conhecimento que só existe para quem viveu e sentiu os fatos.

Nas organizações que adotaram a IA como ferramenta de velocidade, o processo se inicia da forma correta: se automatiza o que é repetível e escalável para liberar tempo para o que necessita de julgamento e discernimento humano. O problema começa quando a pressão por eficiência amplia o uso da ferramenta para delegar também o raciocínio. Deste modo, as análises são geradas por prompt e circulam sem revisão crítica, os relatórios montados por automação e são recitados sem serem realmente lidos e, por fim, decisões são tomadas pelo primeiro executivo que abriu o notebook e fez uma pergunta para o ChatGpt. A mediocridade do raciocínio que se degrada não aparece nos indicadores de curto prazo, mas aparecerá no médio e longo prazo.

Em negócios de especialização e serviços digitais, a infraestrutura que antes exigia organizações inteiras passou a caber na arquitetura de uma mente bem organizada que utilize de forma competente e, por vezes, inovadora, as ferramentas de IA disponíveis. Não porque as pessoas ficaram mais capazes, mas o mecanismo de multiplicação para as tarefas cognitivas finalmente existe. A execução baseada no pensamento ficou repetível e virou commodity. O que permanece como diferencial é o julgamento sobre o inédito, sobre o imponderável, as conexões pouco ortodoxas, o inusitado e o surpreendente, a capacidade de operar com precisão exatamente onde o modelo não consegue.

Qual é o limite de quem começa uma jornada empresarial agora, com a ferramenta disponível desde o início? Essa pergunta não é só o fruto de uma ansiedade e ambição contemporâneas. É a contradição estrutural do momento: o mesmo mecanismo que democratizou o acesso à escala cognitiva pode, se mal utilizado, produzir uma geração que conta com as ferramentas mais sofisticadas criadas na história e com uma inteligência humana, orgânica, não exercitada. A IA bem utilizada pressupõe que exista algo para amplificar. E o que se atrofia por desuso não será corrigido, como um bug, pela simples atualização de modelo. A era da execução escalável começou em 1760. A era do raciocínio escalável começou agora.