As tarefas que estão sendo automatizadas primeiro são exatamente aquelas pelas quais o julgamento profissional se formava.
Por Davi Pereira Vidoto, executivo do setor financeiro, especialista em gestão de crédito e risco, Diretor de Operações da Sinc Finance.
Precisei contratar analistas de crédito e descobri que o mercado brasileiro não os produz. Existem profissionais de crédito formados em banco, que entendem de fluxo de caixa e garantia e não entendem de ciclo produtivo. Existem profissionais de agronegócio, que conhecem a produção e nunca precisaram transformar isso em decisão de risco. Quem domina as duas coisas existe, está empregado, bem pago, e não vai sair.
Foi essa restrição que me levou a montar formação própria, e foi ali que eu entendi uma coisa que hoje me parece mais urgente do que naquele momento: a automação está removendo exatamente o degrau pelo qual se aprendia.
O que desaparece primeiro
No debate sobre inteligência artificial e emprego, a pergunta de sempre é quantas vagas serão criadas ou destruídas. Acho a pergunta errada. O que importa, em área analítica, é quais tarefas desaparecem antes das outras.
Conferir documento. Cruzar informação entre fontes. Montar planilha de projeção. Refazer o cálculo que saiu errado. Reconciliar números que não batem. São as atividades mais automatizáveis que existem – e são exatamente aquelas pelas quais o analista júnior construía critério.
Elas nunca foram só trabalho operacional. Eram o mecanismo pelo qual o julgamento se formava, um caso de cada vez. O analista que passou dois anos reconciliando números aprendeu, sem que ninguém precisasse ensinar, onde eles costumam não bater e por quê. Essa intuição não é conteúdo que se transmite em treinamento. É sedimento.
Quando o primeiro degrau é removido, a escada não fica mais curta. Fica sem por onde começar.
O dado que dá contorno
Não é impressão isolada minha. O Barômetro de Empregos de IA 2026 da PwC, que analisou mais de um bilhão de anúncios de vagas em seis continentes, mostra que no Brasil a contratação ligada a inteligência artificial quase triplicou entre 2024 e 2025, saltando de 1,1% para 3,6% do total de vagas. O mesmo estudo registra que profissionais em início de carreira nas áreas mais expostas enfrentam trajetórias comprimidas, com exigência de competências de nível sênior muito mais cedo do que no percurso tradicional.
Traduzindo para o que isso significa na prática: pede-se maturidade mais cedo, e retira-se o período em que a maturidade era construída. É uma conta que não fecha, e ela não fecha de forma visível no trimestre – fecha daqui a dez anos, quando faltar quem decida.
O que eu aprendi ensinando
Em novembro de 2025 e em outubro de 2026 ministrei aulas sobre crédito e risco em um MBA de universidade federal. Não para estudantes em formação inicial: para uma turma de gestores em exercício, a maioria com trajetória bem mais longa que a minha. Tenho 25 anos, e a posição é desconfortável – mas tem uma justificativa que eu sustento.
A lacuna de formação de uma área técnica não se fecha esperando que as pessoas aprendam errando por duas décadas. Se o conhecimento que se produz dentro das operações não sair delas, cada geração repete integralmente a curva da anterior enquanto a complexidade das decisões cresce em ritmo que a curva não acompanha.
O efeito colateral que eu não previa foi o mais valioso. Ensinar obriga a explicitar critério. Dentro de uma operação, boa parte do julgamento circula de forma tácita: o profissional experiente percebe que a conta não fecha e, quando pressionado, constrói a justificativa depois. Diante de uma sala que pergunta por quê, essa saída não existe. Ou o critério se sustenta em voz alta, diante de quem opera o assunto profissionalmente, ou ele nunca foi critério – era hábito com aparência de método.
Essa distinção importa muito mais num ambiente de automação crescente. Critério explicitado pode ser ensinado, auditado, parametrizado e contestado. Hábito tácito não pode nada disso, e desaparece junto com a pessoa que o carregava.
Julgamento é o que o modelo não assume
Há uma tentação, no debate atual, de tratar a escassez de profissionais formados como problema que a automação dispensa. Se o modelo decide, por que formar quem decide.
A resposta prática é que modelo não assume responsabilidade e não exerce julgamento diante do caso que escapa ao padrão – que, em qualquer área analítica, é justamente a minoria de casos que concentra a maior parte do impacto. Alguém precisa decidir quando não seguir a recomendação do sistema, e essa é a competência mais difícil de construir e a única que não se obtém por treinamento acelerado. Ela depende de ter visto muitos casos e de ter errado em alguns, com consequência real.
Não escrevo isso como argumento contra a automação. Escrevo como argumento sobre sequência. A inteligência artificial eleva muito o teto de quem já tem critério formado e não produz critério em quem não tem. Organização que automatiza a camada de execução sem construir deliberadamente a camada de formação não está economizando: está consumindo um estoque de julgamento que não sabe repor.
A objeção que eu reconheço
Dirão que é romantismo – que cada geração reclamou da anterior, que o estagiário de hoje aprende de outro jeito, que ferramenta nova sempre assustou quem veio antes. Há verdade nisso, e eu não tenho como provar que desta vez é diferente.
O que eu tenho é uma observação de quem contrata: a fila de profissionais formados para decidir crédito já era curta antes de qualquer modelo entrar em produção. Se eu estiver errado sobre a automação, o custo de ter formado gente a mais é baixo. Se eu estiver certo e ninguém formar, o custo aparece numa safra ruim, quando não houver a quem recorrer.
A pergunta que as áreas analíticas vão ter de responder nos próximos anos não é quanto estão dispostas a pagar por um profissional pronto. É quem vai formá-lo – porque o mecanismo que fazia isso sozinho acabou de ser desligado.
Imagens relacionadas
Davi Pereira Vidoto baixar em alta resolução |
Mariana Seman mariana@dampresscomunicacao.com