A IA generativa é uma tecnologia transformadora que tem o potencial de redefinir a natureza do trabalho. Compreender seu papel no local de trabalho, e o que a diferencia da automação do passado, requer uma mudança do que a IA “consegue” fazer para o que ela “deveria” fazer.
As análises típicas do impacto da GenAI nos trabalhadores focam em saber se a tecnologia consegue realizar trabalhos específicos. Tais estudos frequentemente decompõem um trabalho e avaliam a parcela das tarefas constituintes que a tecnologia pode executar.
Por exemplo, tarefas comuns para um representante de atendimento ao cliente em um call center incluem interagir com clientes, registrar interações e resolver ou ampliar preocupações. A GenAI pode lidar com essas tarefas, o que implica que poderia substituir tais trabalhadores.
Mas considere uma ocupação que pode inicialmente parecer equivalente: um operador de telefone de serviços de emergência. Os dois trabalhos compartilham muitas tarefas semelhantes. Devemos esperar que enfrentem níveis iguais de risco de automação?
A resposta é mais complexa do que apenas a capacidade técnica. Além das considerações éticas, automatizar tais funções introduz trocas complexas envolvendo economia, design de tarefas e interdependência operacional.
Acreditamos que as organizações devem considerar quatro questões fundamentais ao contemplar a automação.
Primeiro, a tarefa é complexa? A complexidade é um fator chave tanto para os custos do trabalho humano quanto para os da IA. Serviços de emergência resolvem uma ampla variedade de problemas, envolvendo um nível de complexidade que supera as interações repetitivas de um representante de atendimento ao cliente.
Em geral, quanto mais complexa a tarefa, menos provável é que seja automatizada, já que os humanos são —por enquanto— melhores do que as máquinas em lidar com complexidade aumentada.
Segundo, com que frequência a tarefa ocorre? Quanto maior a frequência, mais provável é que seja automatizada. As máquinas têm uma clara vantagem em manter a velocidade por períodos prolongados. Interações frequentemente repetidas com clientes fortalecem o argumento econômico para a substituição de representantes de atendimento ao cliente por IA.
Terceiro, as tarefas estão interconectadas? Ao fornecer um serviço ou criar um produto, muitos trabalhos estão envolvidos em uma cadeia de tarefas interconectadas, frequentemente completadas por diferentes trabalhadores e máquinas. O que acontece durante a transição entre tarefas é frequentemente negligenciado. Custos de fragmentação surgem de ineficiências e erros no processo de transição.
A tarefa inicial de um representante de atendimento ao cliente envolve conversar com o cliente, enquanto a tarefa final é resolver seu problema. Quando diferentes trabalhadores ou máquinas estão envolvidos, a transição entre essas tarefas pode ser custosa. Se o trabalhador que lida com a resolução final não interagiu inicialmente com o cliente, seria necessário tempo adicional para revisar todas as informações previamente coletadas.
Altos custos de fragmentação devem desencorajar as empresas de dividir tarefas entre humanos e IA generativa, mesmo que tecnicamente viável. Automatizar a chamada de triagem inicial em serviços de emergência pode parecer econômico, mas informações cruciais podem ser perdidas durante a transição de IA para um humano.
Quarto, ao executar uma tarefa, qual é o custo do erro? Erros cometidos por funcionários de emergência representam riscos significativos, particularmente em situações de vida ou morte. E a GenAI pode ser menos precisa do que algumas formas passadas de automação.
Essas questões devem guiar as empresas que consideram a automação e ajudar a explicar por que a GenAI afeta certas ocupações mais do que outras. Considere, por exemplo, programadores de computador.
Exemplos extensos e bem documentados de codificação permitem que a GenAI forneça soluções eficazes mesmo para tarefas complexas. A alta frequência e repetitividade de muitas tarefas de codificação se encaixam bem com a GenAI.
Muito antes da GenAI, programadores dividiam grandes projetos de programação, e inovações como plataformas de desenvolvimento distribuído e design modular reduziram os custos de fragmentação. Ambientes de teste seguros mantêm o custo do erro baixo, já que muitos erros no código produzido pela GenAI podem ser detectados de forma econômica.
Dentro do nosso quadro, essas características ajudam a explicar por que programadores, tradicionalmente beneficiários da automação, estão enfrentando uma maior disrupção com a GenAI.
As quatro questões acima destacam o que torna a IA generativa única como tecnologia de automação. À medida que evolui, a GenAI está demonstrando sua capacidade de gerenciar tarefas complexas em alta velocidade, tornando-a mais versátil do que a automação tradicional.
Ao oferecer uma interface contínua e capacidades de processamento de linguagem natural, a GenAI reduz progressivamente os custos de fragmentação em comparação com a automação tradicional. No entanto, a incerteza em torno do resultado da GenAI potencialmente aumenta o risco de falha em uma tarefa.
A IA generativa é uma tecnologia transformadora com o potencial de remodelar os mercados de trabalho. Seu impacto final e sua probabilidade de adoção são moldados pela estrutura das tarefas dentro de uma ocupação específica.
A complexidade das tarefas, sua frequência, os custos de fragmentação e o custo do erro, tomados em conjunto, influenciam o equilíbrio entre economias de custo evidentes e custos ocultos.