Autor: TT3LABS, plataforma de recrutamento remoto Web3/AI/SaaS
26 de fevereiro de 2026, o gigante de tecnologia financeira Block anunciou a redução de mais de 4000 empregos, passando de uma equipa de mais de dez mil para menos de seis mil pessoas. O CEO Jack Dorsey mencionou numa carta aos acionistas:
“Ferramentas inteligentes já mudaram o significado de criar e gerir uma empresa… Uma equipa significativamente menor, usando as ferramentas que estamos a desenvolver, consegue fazer mais e melhor.”
Dorsey também fez uma previsão bastante fria:
“Acredito que a maioria das empresas já chegou tarde. No próximo ano, a maioria chegará à mesma conclusão e fará ajustes estruturais semelhantes.”
Nesse mesmo dia, após o fecho do mercado, as ações da Block dispararam mais de 20%. Esta é a resposta do mercado de capitais com dinheiro de verdade: pagar pelo aumento do leverage e eficiência através de IA nas empresas.
Um indivíduo comum, que não entende de programação, já consegue, com modelos de grande escala, desenvolver de forma independente uma aplicação funcional completa numa única noite. E o mercado de capitais certamente fará uma pergunta aguda: qual é o valor real de uma gigante tecnológica que emprega dezenas de milhares de programadores para manter um superapp em funcionamento, considerando os seus enormes custos de mão de obra?
A tendência de substituir mão de obra por IA certamente será seguida por mais grandes empresas. A ansiedade é inevitável, mas só de se preocupar não resolve nada. Devemos começar pelo grande contexto de mudança, voltando passo a passo às estratégias de sobrevivência do indivíduo.
IA não é apenas uma ferramenta, está a tornar-se um meio de produção
No mercado, algumas pessoas começam a usar o termo “Web4” para definir a fase atual. Para esclarecer, vamos rever as diferentes fases da evolução da internet:
Web2
O núcleo é a interação entre software e pessoas. Plataformas diferentes atraem a atenção dos utilizadores através de algoritmos, numa verdadeira batalha pela captura de tráfego.
Web3
Procura resolver questões de propriedade e distribuição de valor de ativos digitais. Muitos simplesmente associam isto às criptomoedas, mas, na essência, ainda se trata de um jogo de regras de distribuição de riqueza, sem tocar na relação de “produção” de produtos digitais.
Noite anterior ao Web4
A IA começou a tocar na mudança das próprias relações de produção. Deixou de ser apenas uma ferramenta de aumento de eficiência e está a transformar-se numa nova forma de meio de produção. Quem souber usá-la melhor, poderá ampliar exponencialmente o limite de produção.
No trabalho em equipa tradicional, há muitos custos ocultos: a intuição e o julgamento de líderes talentosos são difíceis de replicar pelos subordinados; na execução em grupo, desvios de compreensão e retrabalhos são inevitáveis. Estes representam uma “taxa oculta” na operação organizacional, sem uma solução clara até agora. A IA reduziu drasticamente essa “taxa oculta”: não tem curva de aprendizagem, basta fornecer comandos claros para executar com alta qualidade, além de poder processar várias tarefas em paralelo. A combinação do julgamento estratégico de uma pessoa com o efeito de alavanca da IA pode gerar uma produção que antes exigia uma equipa inteira.
Claro que, por agora, a IA ainda às vezes “fala bobagens com toda a seriedade”, o que torna imprescindível a revisão e o julgamento humanos. Mas a fiabilidade dos modelos melhora a cada mês, e a janela de oportunidade para tarefas puramente executivas é muito mais curta do que a maioria pensa.
Igualdade de eficiência e crise profunda: quando as barreiras de entrada desaparecem
No curto prazo, pessoas comuns podem beneficiar de ganhos de eficiência ao usar IA. Mas, ao retroceder, quando a IA eliminar as diferenças básicas de eficiência e reduzir drasticamente as barreiras de entrada profissional, as empresas perceberão que, após um aumento exponencial na produtividade individual, se o volume de negócios não crescer proporcionalmente, manter a mesma força de trabalho será uma carga negativa.
O atual nível de disparidade salarial mostra isso claramente. Segundo dados de monitorização de posições do TT3LABS, desde 2025, o mercado de trabalho em IA já oferece pacotes salariais superiores a dezenas de milhões de dólares, sobretudo para jovens engenheiros de IA, que geralmente não possuem habilidades avançadas de gestão de equipa. Quando a Meta recrutou investigadores principais da OpenAI, o bônus de assinatura ultrapassou 100 milhões de dólares; a média de remuneração em ações na OpenAI atingiu 1,5 milhões de dólares; na Anthropic, o salário base de engenheiros de pesquisa sénior chega a 690 mil dólares por ano (sem contar ações).
O que o capital investe é numa capacidade escassa: tornar a IA mais forte. Quem impulsiona a evolução dos modelos básicos tem um valor que pode ser amplificado geometricamente na rede de negócios. Outros, cujo trabalho pode ser coberto por IA a custos menores, podem ver o seu valor diminuir.
Isto também revela uma crise potencial mais profunda: cada vez mais, a primeira reação às dificuldades é pedir respostas à IA, pulando o processo de raciocínio, validação e tentativa-erro. Com o tempo, isso pode levar à perda da capacidade de pensar. O problema é que é exatamente esse “trabalho burro” que molda a sua sensibilidade para identificar problemas. Dependendo excessivamente da IA para fazer esse trabalho, o seu papel no trabalho vai encolher a uma função de “tradutor de necessidades”: transformar pedidos de outros em comandos de IA e depois passar as respostas adiante. E essa etapa de mediação é justamente a mais fácil de ser ignorada pela próxima geração de IA.
Mapa de impacto: onde estás?
Se o medo não tiver um ponto de referência, é apenas ansiedade. Antes de discutir estratégias, precisamos traçar um “mapa de impacto”. Não para criar pânico, mas para que cada um possa se posicionar.
Posições de alto risco, cujas tarefas podem ser claramente instruídas
Programação básica, análise de dados simples, geração de relatórios padronizados, design baseado em modelos, revisão de traduções. Essas posições têm em comum a possibilidade de serem desmembradas claramente em “entrada → processamento → saída”. Entre os mais de 4000 despedidos na Block, uma parte significativa está nesta categoria. As suas competências não são fracas, mas as tarefas que realizam são exatamente aquelas que os grandes modelos podem fazer.
Um critério para reflexão: se toda a sua atividade puder ser resumida numa instrução de IA, isso indica que a máquina já está pronta para substituí-lo. A questão é só quando a empresa decidirá fazê-lo.
Camadas intermédias de experiência que estão a ser “comprimidas”
Gestores de projetos, responsáveis de operações, engenheiros de nível médio. O seu trabalho envolve julgamento e coordenação. A IA não consegue substituí-los a curto prazo, mas está a “comprimir” essas funções. Antes, uma cadeia de negócios exigia cinco gestores a cada etapa, cada um coordenando uma parte, alinhando-se mutuamente. Agora, a IA assume a execução de toda a cadeia, com uma ou duas pessoas a gerir tudo.
Este grupo enfrenta a situação de “menos posições”. As suas competências não diminuíram, mas a procura por esse papel no mercado caiu drasticamente. A saída é usar a IA para ampliar a capacidade de execução, enquanto se assume maior controlo na definição dos problemas.
Gestores de incerteza de valor acrescentado
Existem tarefas cujo núcleo não é “fazer certo”, mas “tomar decisões em condições de informação incompleta e assumir a responsabilidade pelos resultados”. Negociações complexas, gestão de crises, coordenação intercultural, avaliação de investimentos de alto risco. A IA pode fornecer análises e recomendações, mas não assina por elas, não assume responsabilidades, e não consegue interpretar sinais não verbais numa reunião.
Estas funções não perdem valor; pelo contrário, com custos de execução mais baixos graças à IA, podem mobilizar projetos maiores com o mesmo orçamento, aumentando o poder de decisão dos gestores.
Na prática, muitas pessoas desempenham funções que cruzam várias dessas camadas. Um teste simples: pense nas suas tarefas diárias. Quantas podem ser claramente definidas por uma instrução? Quantas dependem de sua interpretação subjetiva? Quanto maior a proporção de tarefas bem definidas, mais urgente é fazer mudanças.
Acabe com a ansiedade pelas ferramentas, transforme o poder computacional público em barreira privada
No final de janeiro, surgiu o OpenClaw (“Lagostim”), com mais de 170 mil estrelas no GitHub em poucos dias. Vários fornecedores de modelos seguiram rapidamente: Alibaba Cloud lançou uma implantação com um clique, Tencent lançou o CoPaw como alternativa, MiniMax e Kimi também apresentaram soluções compatíveis.
Depois, percebe-se um fenómeno interessante: muitas pessoas gastam mais tempo neste mês a estudar como implantar o Lagostim ou a comparar planos do que a realmente gerar resultados de negócio com IA. Todos procuram ferramentas, mas, após a implementação, a configuração que criaram pode ser copiada por outros em duas horas.
“Todos os grandes modelos de linguagem — OpenAI, Anthropic, Meta, Google, xAI — são treinados com os mesmos dados públicos da internet. Portanto, na essência, são iguais, e é por isso que estão a ser rapidamente comercializados.”
— Larry Ellison, chamada de resultados financeiros da Oracle no Q2 do ano fiscal de 2026
Entender isto ao contrário: se o seu trabalho depende apenas das capacidades públicas de modelos genéricos, a sua produção será homogénea. Mesmo que escreva comandos elaborados, não há uma vantagem competitiva duradoura.
A verdadeira barreira está na transição do público para o privado
Já há uma tendência clara: desde grandes corporações até startups, cada vez mais organizações estão a implementar modelos privados locais. A razão principal é a segurança da informação: ninguém quer entregar dados sensíveis de negócios a APIs de terceiros. Mas há uma reação em cadeia subestimada: quando os principais players do setor colocam os seus dados e conhecimentos em bases privadas, o acesso a informações setoriais públicas que os modelos genéricos podem aprender diminui e fica cada vez mais desatualizado. Por fora, a IA reduz a barreira de conhecimento, mas, na verdade, o conhecimento valioso do setor está a desaparecer rapidamente da rede pública, a ser absorvido pelas bases de dados privadas de cada empresa.
Portanto, o seu conhecimento tácito acumulado ao longo dos anos não está a perder valor, está a valorizar-se. Desde que o utilize.
Organize e estruture as experiências de negócio não padronizadas que estão dispersas na sua mente, nos registros de chat, nos emails antigos, transformando-as num “contexto” que o seu modelo privado possa entender. Dados do backend do TT3LABS mostram que candidatos com mais de dois anos de experiência na Web3 têm uma taxa de aprovação em triagens muito superior à de profissionais de grandes empresas sem experiência setorial. A razão principal é que o know-how do setor tem um peso muito maior do que as competências técnicas gerais. Um gestor de CEX com três anos de experiência conhece bem as regras de conformidade e as regras não escritas de listagem de tokens; alguém que passou por duas fases de governança DAO consegue avaliar propostas e identificar pontos de inflexão na moral da comunidade; um especialista em conteúdo vertical tem uma intuição aguçada sobre o público e o ritmo narrativo. Essas informações não aparecem em dados de treino públicos.
Quando você estrutura essas experiências privadas e as integra no modelo, o seu IA deixa de ser uma enciclopédia genérica e passa a ser um parceiro exclusivo, que trabalha só para si, que conhece profundamente o seu setor. Essa profundidade de produção é algo que outros, usando o mesmo modelo genérico, não conseguirão alcançar.
A lógica central é simples: a IA domina o processamento de conhecimento público, mas na gestão de experiências privadas ela depende totalmente do seu input. Quem consegue combinar profundo know-how setorial com IA é o ativo mais valioso nesta nova divisão de trabalho.
A sua base de experiências é o verdadeiro “modelo”
Os modelos de IA evoluem rapidamente. Hoje, GPT, Claude, Gemini podem ser substituídos por versões mais avançadas em poucos meses. Mas, para si, trocar de modelo é apenas trocar de API. O que realmente não será substituído é o seu conjunto de dados e experiências privadas que alimenta a IA.
O modelo é uma infraestrutura genérica, acessível a todos. Mas o seu conhecimento setorial, as suas avaliações de negócio, os erros que já cometeu — esses são o seu “material de treino” exclusivo. Quanto mais forte for a IA, melhor ela compreenderá esse material, mais protegida estará a sua barreira privada. Portanto, não se preocupe com a obsolescência de uma base de conhecimento ao construir o seu. Essa base é o ativo que nunca se desvaloriza com a evolução do modelo. À medida que a IA avança, a sua barreira de dados só aumenta de valor.
Ao mesmo tempo, a lógica tradicional de competição no mercado de trabalho está a ser reescrita. Antes, um funcionário podia mostrar dedicação com horas extras; agora, uma máquina que funciona 24/7 anula qualquer estratégia de competir apenas por resistência.
Muitos dizem: “Ainda contribuo com valor emocional na equipa.” Certo, essa é uma capacidade única humana, mas o seu valor adicional depende do seu nível hierárquico. Quando uma equipa de dez pessoas se reduz a duas mais uma IA, o papel de “facilitador” desaparece. No topo, a complexidade de negociações comerciais, a construção de confiança em ambientes de alto risco, a mediação de conflitos entre interesses, a conexão profunda entre pessoas — tudo isso torna-se ainda mais valioso, pois os custos de base baixaram. O valor emocional não desaparece, apenas sobe de nível.
No fundo, o que o indivíduo deve investir na era da IA não é em aprender a usar uma ferramenta específica, mas em manter e aprimorar a sua própria base privada de IA. As ferramentas evoluem, mas a sua experiência e conhecimento exclusivo não se desvalorizam.
Três ações que pode começar já
Voltando ao caso do Block, há quem tenha sido despedido, e quem tenha ficado. A diferença é que, após a IA se tornar uma ferramenta padrão de produção, quem permanece insubstituível é aquele que a domina. Não espere que a sua empresa organize formações em IA; a partir de hoje, pode começar por estas ações:
01. De “fazer tudo sozinho” para “construir um fluxo de trabalho”
O erro mais comum de quem trabalha é usar a IA para “fazer mais com menos” (por exemplo, gerar relatórios semanais ou editar emails). Ainda é uma mentalidade de execução. O verdadeiro objetivo é pensar como um “contratador”, reestruturar o seu trabalho mais importante numa linha de produção automatizada com IA.
Não experimente dezenas de modelos ao mesmo tempo. Escolha uma ferramenta madura (como ChatGPT Plus ou Claude) e concentre-se na etapa mais demorada e que exige mais experiência. Transforme o processo de “coletar dados manualmente → analisar e comparar → tirar conclusões” numa sequência de “definir automação de captura → alimentar a IA para análise → intervenção e ajuste manual”. Quando conseguir reduzir uma tarefa que antes levava uma semana para um dia, com qualidade estável, deixou de ser apenas um nó de processamento e passou a ser uma “microempresa” com alto leverage.
02. Transformar experiências tácitas em um “avatar digital” exclusivo
Os grandes modelos aprendem com dados públicos, entendem teoria, mas não conhecem os detalhes específicos do seu cliente mais difícil, nem os limites internos da sua empresa. Essas “informações ocultas” que você acumulou são o seu ativo mais valioso.
Se ficar só na sua cabeça, não gera retorno. Sua tarefa é usar as funções de personalização dos modelos (como Custom GPTs ou projetos no Claude) para transformar sua experiência em comandos de sistema. Alimentar o modelo com casos extremos, análises de falhas, regras não escritas do setor. O objetivo não é criar um repositório estático, mas treinar um assistente pessoal 24 horas, com seu estilo, que só trabalha para você. Quando esse “avatar digital” estiver pronto, ninguém com um modelo genérico conseguirá competir.
03. Reforçar sua “capacidade de definir problemas” e assumir responsabilidade
No seu trabalho, pratique deliberadamente delegar a máquina a tarefa de “buscar respostas”, enquanto mantém para si a “formulação de perguntas” e a tomada de decisão. A IA é um motor de respostas, mas nunca perceberá a motivação real por trás de uma necessidade. Se o seu chefe disser “precisamos de uma nova estratégia de retenção”, a IA pode sugerir dezenas de modelos. Mas só você, com o seu orçamento e recursos, pode dizer: “A solução B é perfeita, mas não é viável agora; a solução C, com metade das funcionalidades, é mais adequada ao nosso ritmo atual.”
E lembre-se: a IA não vai para a prisão, não assume responsabilidades. Quando a empresa paga bem, é porque compra a sua garantia de resultados. Quando entrega um código ou uma proposta gerada por IA, deve estar seguro de que revisou tudo com sua experiência e que assume a responsabilidade final pelo resultado. Essa disposição de assumir riscos e decisões em ambientes ambíguos é uma vantagem que a máquina nunca poderá substituir.
Dorsey disse que “a maioria das empresas já chegou tarde”. Mas, para o indivíduo, essa frase também é válida: a maioria ainda não começou a preparar-se, nem percebeu a velocidade da mudança.
Nem todos precisam ser especialistas em IA, mas todos devem refletir: quais partes do seu trabalho podem ser feitas por máquinas em breve? Quais partes são exclusivas suas? E, a partir daí, realocar seu tempo e esforço do que pode ser automatizado para o que só você consegue fazer.
Se um dia a IA superar completamente os humanos em todos os setores, talvez em 2027 ou 2030, essa não será uma mudança que pode ser apenas observada de fora.
Ela não vai esperar que você esteja preparado.
