Construindo expertise na era da IA: quem treinará a próxima geração?

Durante décadas, as organizações dependeram de profissionais em início de carreira para realizar as tarefas rotineiras, de baixo risco, que dão sustentação aos negócios e funcionam como um campo de formação para futuros líderes. Pense na trajetória de Peggy Olson, na série Mad Men, que começou como auxiliar de escritório, foi apadrinhada por Don Draper e tornou-se enfim a confiante chefe de redação de uma grande agência de publicidade – uma escalada que começou porque seu trabalho de rotina a colocava onde o discernimento era exercido e onde o seu próprio discernimento podia ser reconhecido.

Na vida real, os avanços em automação e inteligência artificial estão modificando a própria composição do trabalho de nível inicial. Atividades como pesquisa, documentação, limpeza de dados, codificação básica e análise preliminar estão sendo simplificadas ou absorvidas por sistemas de IA. Essas são precisamente as atividades por meio das quais jovens funcionários sempre desenvolveram seus instintos, aguçaram seu senso crítico e conquistaram o direito de assumir mais responsabilidades.

Ao mesmo tempo, crescem os receios com o impacto da IA nos empregos. Segundo Mulheres no Local de Trabalho, relatório de 2025 da McKinsey e da LeanIn.Org, os funcionários de nível inicial (em especial, as mulheres), de todas as faixas etárias, mostraram ser os mais apreensivos com a probabilidade de a IA afetar seu emprego. A preocupação é generalizada: entre formandos universitários pensando em iniciar uma carreira, o pessimismo subiu de 46% para 62% em apenas dois anos, e três quartos dos pessimistas apontaram como motivo o fato de as empresas estarem oferecendo menos vagas de nível inicial.

As perspectivas de contratação para cargos de nível inicial permanecem indefinidas, mas os primeiros indicadores sugerem um mercado em retração crescente. Nos Estados Unidos, o desemprego entre universitários recém-formados vem aumentando desde 2019, enquanto o número de vagas de nível inicial tem diminuído, especialmente nas profissões mais suscetíveis à IA. No primeiro trimestre de 2026, a taxa de desemprego para recém-formados estava em torno de 5,Em outras palavras, mais vale 7% – sendo que aproximadamente quatro em cada dez estavam subempregados, ocupando cargos que não exigem diploma superior. Uma pesquisa do Laboratório de Economia Digital da Universidade de Stanford verificou que os trabalhadores com idade entre 22 e 25 anos, que atuavam nas profissões mais suscetíveis à IA, “sofreram um declínio relativo de 16% no nível de emprego, mesmo levando em conta choques no nível da empresa”.

Permanece altamente controverso em que medida esse enfraquecimento pode ser atribuído à IA: economistas do Federal Reserve Bank de Nova York estimam que o aumento do trabalho remoto – que torna mais difícil formar estagiários à distância – seja responsável por grande parte do aumento do desemprego entre jovens recém-formados, e o Budget Lab da Universidade de Yale ainda não identificou nenhuma influência inequívoca da IA na economia como um todo – embora sinalize que a divergência crescente entre os recém-formados atuais e os formados há mais tempo é consistente com esse tipo de efeito sobre o início da carreira profissional.

Não importa se o percurso tradicional de estágio ou aprendizagem está sendo corroído por algoritmos ou pela distância, a implicação para os empregadores é a mesma: os mecanismos informais que outrora transformavam novatos em especialistas já não estão garantidos e talvez sequer existam. Essa mudança aponta para um conjunto cada vez mais restrito de pontos de entrada tradicionais, justamente quando a natureza do trabalho em início de carreira está sendo redefinida.

Para as organizações, este é um momento de escolhas e incertezas. À medida que a IA reconfigura como o trabalho é realizado, a questão deixa de ser quantos cargos de nível inicial preencher e torna-se qual deve ser o propósito desses cargos. As empresas podem utilizar essa fase de transição para repensar o trabalho em início de carreira como o alicerce que permitirá construir expertise em um ambiente impulsionado pela IA – assegurando que, no início de sua vida profissional, todos saibam desenhar, desenvolver e orientar sistemas de IA, e não apenas atuar dentro deles.

Este artigo descreve uma abordagem em quatro partes, que abrange gestão do conhecimento, desenho de cargos, aprendizagem no fluxo de trabalho e treinamento gerencial. As organizações que agem com deliberação podem acelerar a rapidez com que os funcionários se tornam capazes de exercer discernimento efetivo e de resolver problemas de maior valor, fortalecendo tanto a experiência individual como o desempenho de longo prazo.

Sempre haverá um pipeline de talentos

Funcionários em início de carreira trazem novas perspectivas e soluções criativas para as organizações, impulsionando o crescimento e a inovação. Eles são aprendizes orientados por mentores mais experientes, estabelecendo relações que fortalecem a cultura para todos. Com o tempo, tornam-se gerentes de nível médio e líderes seniores, assegurando a continuidade desse pipeline de talentos no futuro.

Como formar a próxima geração de talentos não é uma questão nova, mas está se tornando cada vez mais premente, visto que hoje a IA já permeia vários níveis de trabalho intelectual simultaneamente. Dois engenheiros seniores da Microsoft, Mark Russinovich e Scott Hanselman, descrevem sem rodeios essa dinâmica: os assistentes agênticos de codificação são um “empuxo de IA” para engenheiros seniores, multiplicando sua produtividade; mas constituem um “arrasto dEm outras palavras, mais vale e IA” para desenvolvedores em início de carreira, que ainda não possuem o discernimento necessário para direcionar e validar as respostas da ferramenta. Discretamente, o incentivo resultante – contratar seniores e automatizar juniores – desmonta a base da pirâmide de talentos da qual todo cargo superior depende. Mas a recomendação deles é notável por sua franqueza: continuem contratando profissionais em início de carreira; aceitem que, no início, eles reduzem a capacidade produtiva da organização; e tornem o seu desenvolvimento uma meta organizacional explícita.

Dados de uma pesquisa da McKinsey mostram que, em algumas organizações, a IA generativa começa a reduzir a necessidade de certos cargos de nível inicial (Quadro 1).

Embora essa seja uma tendência que merece ser monitorada, os líderes com quem conversamos mostram-se comprometidos em contratar e capacitar a próxima geração de especialistas, ainda que em menor número do que antes. Outras organizações estão mantendo estáveis seus níveis de contratação. O Bank of America, por exemplo, planeja contratar em 2026 cerca de 4 mil estagiários de verão e recém-graduados em tempo integral – igualando o volume do ano passado – provenientes de mais de 500 instituições de ensino. Mas, ao mesmo tempo, estará explicitamente redesenhando esses cargos de modo a incorporar a IA desde o primeiro dia. O diretor de pessoal da organização descreve a abordagem como “intencional e duradoura”.

Em uma pesquisa realizada em março de 2026, com cerca de 1.500 executivos e líderes deEm outras palavras, mais vale  talentos, o número dos que previam que a IA aumentaria as contratações de nível inicial naquele ano era quase três vezes superior ao dos que esperavam uma redução. Contudo, a mesma pesquisa também traz um alerta: um terço dos empregadores relatou que a IA já reduziu o número de tarefas fundamentais que ajudam a desenvolver habilidades e que servem de aprendizado para profissionais em início de carreira.

As organizações buscam contratar indivíduos que possuam as habilidades embrionárias necessárias para interpretar os dados detalhados gerados pela inteligência artificial e que saibam trabalhar em colaboração com agentes de IA. Para criar uma estratégia que oriente esses colaboradores, os líderes devem se concentrar em quatro áreas.

O alicerce: gestão do conhecimento

As organizações precisam aproveitar seus melhores conhecimentos para desenvolver fluxos de trabalho baseados em IA. Se não souberem como mobilizar sua expertise atual para gerar dados de alta qualidade, terão dificuldade em formar a próxima geração de especialistas. O objetivo é tornar essa expertise funcional, confiável e integrada aos fluxos de trabalho do dia a dia.

A expertise, quando codificada, captura o modo de pensar dos profissionais de alto desempenho – sua estrutura mental, suas regras de decisão e premissas, e os julgamentos que fizeram no passado – e organiza todos esses conhecimentos para que grandes modelos de linguagem (LLMs) possam acessá-los. Isso significa dados limpos, materiais de casos selecionados e taxonomias padronizadas.

Por exemplo, considere um advogado associado júnior em um escritório de advocacia trabalhando em um contrato de fusão e aquisição. Em vez de pesquisar milhares de transações anteriores, um sistema de IA é capaz de trazer à tona os precedentes mais relevantes com base nas características do negócio e destacar as cláusulas, os trade-offs e os padrões de negociação que os sócios mais experientes empregaram em situações semelhantes. Isso não apenas acelera a elaboração do contrato, mas também revela o raciocínio por trás de decisões importantes, ajudando o advogado júnior a desenvolver seu próprio discernimento profissional na prática do trabalho.

Um desafio semelhante surge quando se quer determinar qual conhecimento deve ser priorizado. Um funcionário com três anos de casa em uma firma de engenharia é capaz de documentar com clareza e precisão o projeto específico de um cliente. Por sua vez, um líder sênior, com décadas de experiência em inúmeros projetos, pode produzir análises que reflitam padrões e trade-offs mais amplos, bem como implicações de longo prazo. Ambas as contribuições são valiosas, mas não são equivalentes. Para que a gestão do conhecimento seja eficaz em um ambiente habilitado por IA, as organizações precisam saber distinguir entre experiência isolada e discernimento cumulativo.

Essa distinção precisa ficar clara no modo como o conhecimento é selecionado e disponibilizado. Os sistemas devem atribuir pesos a diferentes fontes de informação com base em fatores como a profundidade da experiência, a reprodutibilidade dos resultados e a relevância em múltiplos contextos. Isso garante que tanto as ferramentas de IA como os funcionários em início de carreira sejam orientados não apenas pelo que está documentado, mas também pelo que reflete a expertise subjacente mais sólida e confiável.

Em sua essência, a gestão moderna do conhecimento indexa e prioriza informações de maneiras que refletem como a expertise é construída, incorporando a validação por especialistas, ciclos de feedback e a definição clara das responsabilidades. O sistema evolui à medida que é utilizado, produzindo e integrando novos insights e aprimorando os critérios de “qualidade”. Isso permite que funcionários menos experientes desenvolvam seu senso crítico mais rapidamente e aprendam a resolver problemas complexos desde o início de sua vida profissional.

Desenho dos cargos de nível inicial: o modelo de “gabarito”

À medida que a IA e os fluxos de trabalho agênticos assumem a execução de mais atividades do dia a dia numa empresa, os cargos de nível inicial devem ser redesenhados de tal modo a utilizar, supervisionar e aprimorar os resultados gerados por IA. Cria-se assim a oportunidade de aumentar a produtividade no curto prazo e, ao mesmo tempo, preservar o pipeline de talentos no longo prazo.

Em ambientes em que a IA está presente, a meta é a capacidade de julgar e não apenas a proficiência na execução de tarefas. É saber quando confiar nos resultados gerados pela máquina e quando questioná-los ou descartá-los. Se a gestão do conhecimento e o desenho dos cargos forem robustos, os funcionários em início de carreira terão como acessar toda a expertise institucional muito mais cedo. O único fator limitante passa a ser a capacidade desses profissionais de aplicar contextualmente tal conhecimento.

Como argumenta Matt Beane em O código da habilidade, as habilidades dos profissionais em início de carreira são desenvolvidas por uma combinação de desafios, complexidade e conexão com conhecimentos especializados adquiridos por aprendizado prático [apprenticeship] – condições que tendem a se tornar raras quando a tecnologia absorve o trabalho rotineiro.

Para evitar essa desconexão, cargos de nível inicial devem incorporar uma forma mais intencional de aprendizado prático, com a IA integrada. As equipes podem criar cargos dedicados a contribuições de menor risco, ao mesmo tempo em que oferecem treinamento frequente sobre como interpretar e aprimorar os resultados da IA. Algumas organizações estão introduzindo cargos estruturados como um currículo de aprendizado, nos quais os funcionários progridem por meio de tarefas definidas que combinam o trabalho humano com a assistência da IA. Outras criam fluxos de trabalho paralelos, nos quais funcionários iniciantes completam trabalhos de forma independente e comparam-nos com os resultados gerados pela IA, utilizando qualquer divergência como ferramenta de aprendizado.

Podemos chamar isso de modelo de “gabarito”: o funcionário faz a tentativa inicial, a IA avalia essa tentativa e o funcionário discute com um gerente as diferenças de resultados. Nesse modelo, a IA não substitui o aprendizado prático, mas o reconfigura, acelerando o feedback e preservando as condições necessárias para o desenvolvimento da expertise.

Em uma empresa do setor imobiliário, um agente de IA gera avaliações de mercado extremamente detalhadas e mais abrangentes do que um funcionário iniciante conseguiria produzir por si mesmo. Em vez de confiar apenas na ferramenta, a empresa solicita aos funcionários juniores que elaborem “manualmente” suas próprias avaliações — caminhando pelos bairros, estudando a região e os padrões de tráfego e formando um parecer próprio. Em seguida, comparam suas análises com o resultado gerado pela IA. Esse contraste funciona como uma ferramenta de aprendizado estruturada, destacando desacertos, revelando fatores que passam despercebidos e reforçando a capacidade de discernimento. Nesse modelo, o agente acelera o feedback e amplia a perspectiva, enquanto o funcionário continua a desenvolver uma compreensão contextual e os instintos que subjazem à expertise. Utilizada dessa forma, a IA potencializa o aprendizado dos profissionais iniciantes.

Evidências de outras áreas sugerem que é justamente a etapa de comparação que promove o aprendizado. Estudos clínicos mostram que simplesmente disponibilizar um LLM aos médicos pouco contribui para melhorar seus diagnósticos no longo prazo; por outro lado, um fluxo de trabalho que os obriga a comparar e conciliar o próprio raciocínio com o do modelo de IA eleva o desempenho em situações futuras ao mesmo patamar do modelo.

O resultado inverso é igualmente instrutivo. Quando profissionais utilizam a IA generativa para realizar tarefas técnicas que não conseguiam executar por conta própria, a capacidade desaparece tão logo o acesso à IA é removido. Nenhuma habilidade duradoura é consolidada. A dependência passiva gera resultados imediatos, mas a comparação estruturada forma especialistas. Uma ressalva: fluxos de trabalho que exigem esse tipo de engajamento cognitivo são mais complexos e podem desconcertar os iniciantes; portanto, devem ser cuidadosamente planejados e dosados, e não justapostos ao processo.

Para gerenciar riscos, muitas organizações estão ampliando o uso de ambientes controlados [sandboxes] por funcionários em início de carreira. O Bank of America oferece aos estagiários treinamento em IA específico para sua área de atuação desde o primeiro dia e utiliza simulações para acelerar a aquisição de critérios profissionais – algo que, no setor bancário, era adquirido apenas realizando tarefas de rotina.

“Precisamos oferecer às pessoas essas experiências simuladas o quanto antes”, diz Josh Bronstein, diretor global de talentos do banco, “para que desenvolvam o senso crítico que só iriam adquirir executando algumas dessas tarefas em seus primeiros anos aqui, mas que agora a IA ou outras tecnologias já são capazes de executar – ou serão em breve.” Esses funcionários podem praticar em simulações internas ou em contextos externos – como trabalhar com organizações sem fins lucrativos – antes de aplicar tais habilidades em cenários de maior impacto. Isso se torna mais importante à medida que os funcionários juniores passam a configurar ou direcionar agentes de IA capazes de escalar decisões rapidamente.

A consequência é que, cada vez mais, os cargos de nível inicial implicam aprender como trabalhar em um sistema aumentado por IA – desenvolvendo o discernimento, a capacidade de supervisão e a adaptabilidade indispensáveis para atuar com eficácia como colaborador e como supervisor da mão de obra digital.

Ao mesmo tempo, a própria estrutura dos cargos de nível inicial está mudando. Em vez de restringir os novos contratados a especializações limitadas, baseadas em tarefas específicas, algumas organizações estão redesenhando cargos em torno de uma visão sistêmica de ponta a ponta, com responsabilidades mais amplas. Em vez de contratar um analista de vendas, por exemplo, a empresa talvez contrate alguém para exercer uma função mais abrangente que englobe expertise em vendas, marketing e sistemas comerciais. Como profissionais generalistas agora dispõem de ferramentas para customizar soluções a problemas ou contextos específicos, o trabalho pode ser estruturado mais de acordo com o seu perfil.

Não deixe para depois: aprendendo no fluxo de trabalho

As organizações podem criar agentes e sistemas de aprendizado que ampliam seus conhecimentos especializados e monitoram o desenvolvimento de habilidades em tempo real. O modelo de “gabarito” fornece até mesmo a métrica para isso: como é possível observar a diferença entre o esforço independente de um funcionário e os resultados gerados pelo modelo de IA, qualquer redução dessa diferença ao longo do tempo é evidência direta de que a capacidade de julgar está sendo formada – algo que o modelo de aprendizado prático, apesar de sua longa história, nunca foi capaz de mensurar. A ideia de “aprender no fluxo de trabalho” torna-se mais concreta nesse contexto, pois os funcionários em início de carreira aprendem enquanto produzem resultados reais – tendo os sistemas de IA como guias e revisores incorporados ao processo.

Quando uma empresa redesenha os fluxos de trabalho para incorporar agentes de IA, grande parte das tarefas rotineiras passa a ser realizada pelo sistema. O que resta para os humanos – entre eles os profissionais em início de carreira – são atividades de maior valor: interpretar resultados, avaliar trade-offs e conectar insights de diferentes contextos. A natureza da produtividade muda, pois os trabalhadores novatos passam a contribuir mais desde o início de sua trajetória profissional. Para que isso ocorra, o suporte contínuo é incorporado ao próprio trabalho: ferramentas de IA sugerem os próximos passos, apontam riscos e fornecem feedback imediato, permitindo que o treinamento seja orientado para a aquisição de discernimento e para a tomada de decisões, não para os aspectos mecânicos das tarefas.

Na prática, algumas organizações priorizam o aprendizado logo no início da jornada do funcionário, seja por meio de simulações breves ou de processos estruturados de onboarding. Outras avançam rapidamente para o trabalho real, confiando que os ciclos de feedback e de treinamento da IA acelerarão o desenvolvimento em tempo real. Em ambos os casos, o modelo é o mesmo: os funcionários se tornam produtivos desde o primeiro dia. Eles aprendem na prática, com a IA comprimindo o tempo necessário para que adquiram experiência e conquistem confiança.

Os fundamentos científicos do aprendizado subjacentes ao modelo de gabarito estão sendo comprovados. Em um experimento, estudantes de medicina do primeiro ano que responderam a perguntas sobre casos clínicos geradas por IA, recebendo feedback automatizado e personalizado ao longo de cinco dias, tiveram desempenho superior ao de estudantes do segundo ano – com um ano a mais de treinamento, portanto – em diagnósticos específicos de um exame conduzido por vídeo. Os resultados foram confirmados por uma avaliação de acompanhamento realizada duas semanas depois. O aprendizado persistiu, isto é, foi internalizado, evidenciando que o ciclo de “primeiro tentar, depois conferir” é capaz de desenvolver habilidades duradouras, não apenas competências superficiais ou emprestadas. Um projeto-piloto da Universidade de Stanford leva essa noção ainda mais longe: um chatbot assume o papel do paciente; o estudante entrevista-o, define um diagnóstico e o justifica; somente então o sistema avalia o raciocínio empregado. A sequência é o ponto fundamental: o estudante age primeiro; em seguida, a IA afere a sua tentativa.

Contrate pessoas por seu discernimento; treine-as conforme o contexto

As organizações começam a pensar de novas maneiras sobre quem devem contratar. Em vez de contratar um grande número de especialistas juniores, têm enfatizado mais a adaptabilidade do que a especialização restrita. Não perguntam mais: “O que você estudou?”, e sim: “Como você pensa?”

Além da proficiência digital, os empregadores têm priorizado atributos como criatividade, resolução de problemas, resiliência e raciocínio – qualidades associadas a uma elevada capacidade cognitiva genérica. Esse padrão aparece claramente em pesquisas sobre contratação de pessoal: quando um empregador classifica as competências mais importantes para um profissional em início de carreira, são estas que sempre aparecem no topo da lista (Quadro 2).

Em outras palavras, mais vale ter critérios críticos do que destreza com ferramentas. Cargos que exigem competência em IA também tendem a exigir raciocínio analítico, resiliência ou agilidade. O diretor de RH de uma empresa financeira da Fortune 100 explicou que busca contratar não quem tem um diploma específico, mas sim “atletas polivalentes” com vontade de aprender, capacidade de se relacionar com as pessoas e familiaridade básica com IA.

Essa mudança também abre a porta a uma gama maior de trabalhadores, incluindo o que a organização sem fins lucrativos Opportunity@Work chama de “STARs” – Skilled Through Alternative Routes [qualificados por vias alternativas] –, ou seja, indivíduos sem diploma universitário que adquiriram habilidades específicas por meio da experiência. Como o conhecimento está mais acessível, esses trabalhadores são capazes de fazer contribuições significativas, desde que recebam o apoio adequado e oportunidades de desenvolvimento.

Isso marca um abandono do modelo de contratação tradicional, que recompensava quem já possuía especialização profunda. Agora que a IA e os sistemas de conhecimento são cada vez mais capazes de prover expertise sob demanda, o valor dos funcionários reside na eficácia com que aplicam, conectam e ampliam tal conhecimento. Na prática, as empresas têm preferido selecionar indivíduos mais versáteis, mais completos, de alto potencial, confiando que o aprendizado prático e a vivência do mundo real desenvolverão ao longo do tempo a expertise de domínios necessária.

Como os funcionários juniores são direcionados para atividades de maior valor muito mais cedo, o treinamento para habilidades humanas torna-se ainda mais importante. Novos funcionários estão em posição de interagir com executivos seniores antes do que acontecia no passado. Talvez precisem transmitir mensagens amargas, como recomendar uma redução significativa do orçamento, e fazê-lo com discernimento, tato e convicção. Os gerentes podem ensinar um novo analista a conversar sobre questões delicadas, estabelecer credibilidade ou influenciar um profissional experiente.

Sem orientação, um funcionário recém-chegado poderia optar por apresentar “o que os dados dizem” de forma contundente ou desconectada da realidade empresarial. Sem dúvida, os gerentes sempre treinaram seus subalternos mais jovens a fazer perguntas ponderadas e considerar perspectivas alternativas, mas tais características são ainda mais importantes hoje, pois esses funcionários têm de interpretar dados mais potentes e abrangentes do que no passado. Nenhum executivo experiente quer ouvir um jovem MBA recém-titulado lhe dizendo que o seu plano de negócios não é realista. Os funcionários juniores podem contar com o apoio da IA, mas ainda precisam ser treinados para “sentir o clima”.

Ao mesmo tempo, o treinamento deve buscar ajudar os novos funcionários a desenvolver um entendimento contextual. À medida que as análises se tornam cada vez mais automatizadas, o diferencial não são os números produzidos em si, mas a capacidade de explicá-los. Um recém-contratado precisa aprender a interpretar padrões, reconhecer a dinâmica do setor e articular o “porquê” por trás dos dados. Esse tipo de discernimento normalmente vem da experiência, mas no cenário atual, os treinadores podem acelerar o aprendizado por meio de feedback em tempo real, storytelling e “microlições” incorporadas que explicam como o negócio efetivamente funciona. Ajudar um analista a compreender, por exemplo, que um pico de vendas pode ser provocado por ciclos promocionais, não por uma demanda real, é tão importante quanto ensiná-lo a apresentar os números.

Alguns falam em buscar inspiração na profissão médica para formalizar o treinamento ao longo do fluxo de trabalho, conferindo-lhe o peso institucional que a mentoria informal perdeu. Molly Kinder, especialista no impacto da IA no trabalho, sugere que os empregadores aprendam com o modelo da residência médica. Se a IA hoje absorve as tarefas rotineiras através das quais os jovens funcionários antes aprendiam informalmente, as empresas precisam redesenhar os cargos de nível inicial como um período protegido e estruturado de desenvolvimento intencional de competências, tendo o avanço rumo à independência como um compromisso explícito.

Mark Russinovich e Scott Hanselman levam essa lógica um passo além ao incorporá-la ao fluxo de trabalho do dia a dia. Eles propõem um modelo de “preceptoria” – um formato clínico pelo qual um enfermeiro ou médico novato atua sob a supervisão de um profissional sênior designado antes de conquistar o direito de trabalhar de forma independente. No exemplo que dão, um engenheiro sênior, com ajuda de ferramentas de IA, orienta formalmente um pequeno grupo de profissionais juniores e observa o que eles aceitam, rejeitam ou desqualificam. Com isso, o papel do mentor deixa de ser o de responder a perguntas e passa a ser o de ensinar a ter senso crítico.

Em última instância, as organizações devem tratar o treinamento como uma competência fundamental para desenvolver talentos em início de carreira, não como algo acessório. Desse modo, os gerentes deixam de simplesmente supervisionar o trabalho e assumem responsabilidade por moldar como os funcionários pensam, se comunicam e se engajam com o negócio. Isso pode ser reforçado por meio de um treinamento mais estruturado, de sistemas aprimorados para compartilhar conhecimentos e da reformulação dos programas para novos funcionários, a fim de expô-los a uma gama maior de funções diferentes. À medida que os cargos de nível inicial evoluem da simples execução de análises para a prestação de aconselhamento ao negócio, o sucesso dependerá de os treinadores conseguirem capacitar os novos contratados nas habilidades humanas de discernimento, comunicação e influência – competências necessárias para atuar nessa nova realidade.

O que os profissionais em início de carreira buscam no trabalho não mudou

Funcionários em início de carreira enfrentam menos oportunidades e uma mobilidade mais lenta; no entanto, suas expectativas de crescimento permanecem inalteradas. Isso cria um descompasso que as organizações precisam gerenciar ativamente, em vez de presumir que seja algo que se resolverá por conta própria. O que esses profissionais buscam no trabalho praticamente não mudou: um cargo significativo, desenvolvimento, flexibilidade – e uma liderança sólida.

Nesse cenário, a requalificação e a retenção estão intimamente ligadas. Retenção significa atender a requisitos fundamentais, como plano de carreira claro, trabalho com propósito, gerentes apoiadores e oportunidade para desenvolver as habilidades de IA mais demandadas. Isso é particularmente crítico, pois os colaboradores mais engajados com a IA são também os mais propensos a deixar a empresa, dado o seu valor de mercado.

A implicação é inequívoca: nenhuma empresa pode se dar ao luxo de tratar os talentos em início de carreira como transitórios. Com a redução da mobilidade, abre-se uma oportunidade para investimentos mais profundos; contudo, surge também o risco de desengajamento caso as expectativas não sejam atendidas. As organizações bem-sucedidas serão aquelas que aliarem o desenvolvimento intencional de habilidades a uma experiência atraente para os funcionários, garantindo que os profissionais em início de carreira não apenas se adaptem às mudanças provocadas pela IA, mas também escolham permanecer e crescer na organização.

A justificativa estratégica de tal investimento responde a uma objeção óbvia: se, no início, os funcionários juniores reduzem a capacidade produtiva da empresa, por que ela deveria arcar com os custos de desenvolver neles critérios profissionais se concorrentes podem acabar atraindo-os – ainda mais que os funcionários envolvidos com IA são os que têm mais mobilidade de emprego? Embora as empresas sempre tenham corrido o risco de treinar talentos para a concorrência, a diferença agora é que a IA tem levado algumas delas a questionar o valor de manter programas de desenvolvimento profissional para novos funcionários.

Parte da resposta reside no fato de que o treinamento descrito neste artigo não é genérico. O senso crítico adquirido a partir da expertise codificada, dos estudos de casos e das taxonomias da empresa é, em parte, específico àquela organização, não sendo tão facilmente transferível quanto uma certificação. Há também o custo da inação: debilitação do pipeline sucessório, estagnação na transferência de conhecimentos e adoção mais lenta da própria IA. Líderes que continuam a investir durante essa transição citam esses riscos de longo prazo como evidência de que o trade-off entre talentos iniciantes e eficiência imediata é uma falsa dicotomia.

Embora haja muita incerteza em relação ao quanto a IA transformará a força de trabalho, vale lembrar que o pipeline de talentos não está desaparecendo; está apenas sendo reformulado. As organizações que redesenharem os cargos para direcionar a IA a resultados produtivos estarão mais bem posicionadas para desenvolver a mão de obra qualificada de que necessitam.

A necessidade de desenho intencional

A realização do potencial de funcionários em início de carreira não acontece automaticamente; requer desenho intencional em quatro áreas:

• Gestão do conhecimento. Codifique o modo de pensar dos melhores profissionais – sua estrutura mental, as regras que norteiam suas decisões, seus julgamentos anteriores – e organize o conhecimento de maneira que tanto os sistemas de IA como os funcionários juniores possam acessá-lo diretamente. Incorpore a validação por especialistas, ciclos de feedback e responsabilidades claras, e pondere as informações utilizadas para que o discernimento cumulativo prevaleça sobre a experiência isolada. O sistema deve evoluir com o uso, aprimorando continuamente a definição de excelência.
• Redesenho de cargos e fluxos de trabalho. Ao redesenhar os fluxos de trabalho em torno de agentes de IA, considere os cargos de nível inicial como parte intencional do redesenho, e não como um elemento residual. Reformule-os focando na colaboração, supervisão e aprimoramento dos resultados da IA. Contrate pessoas por seu discernimento, não por sua proficiência técnica em ferramentas – valorizando curiosidade, adaptabilidade, capacidade de resolver problemas e inteligência emocional – e amplie o escopo de recrutamento para incluir candidatos qualificados, mesmo sem formação institucional na área específica. O objetivo é contratar “atletas polivalentes” capazes de aplicar, conectar e expandir o conhecimento ao longo de um fluxo de trabalho, não especialistas restritos a uma única área.
• Desenho do aprendizado baseado em IA. Integre o aprendizado ao trabalho real para que os funcionários desenvolvam seu senso crítico enquanto produzem resultados concretos, tendo a IA como guia e revisora integrada. Baseie o desenho no modelo de “primeiro tentar, depois conferir” e considere que a redução do descompasso entre o trabalho independente do funcionário e os resultados do modelo de IA é evidência direta de que discernimento está sendo desenvolvido. Planeje e dosifique intencionalmente esses fluxos de trabalho em vez de justapô-los ao processo.
• Requalificação de gestores. Trate o treinamento como uma competência essencial, não acessória, visto que hoje funcionários juniores interagem com executivos seniores e interpretam dados valiosos bem mais cedo do que no passado. Capacite os gestores a orientar o exercício de discernimento, a compreensão do contexto e a capacidade de influência, em vez de apenas supervisionar a execução mecânica de tarefas. Considere a possibilidade de formalizar esse cargo adotando um modelo de preceptoria, conferindo à mentoria estruturada o peso institucional que o aprendizado prático informal perdeu.

Organizações que continuam investindo em talentos em início de carreira, ao mesmo tempo em que redesenham os cargos para permitir colaboração com a IA, têm maior probabilidade de desenvolver a força de trabalho qualificada de que precisarão no futuro. De fato, uma das realidades mais notáveis desses primórdios da era da inteligência artificial talvez seja o quanto a hierarquia de competências essenciais permaneceu inalterada, mesmo com a elevação das exigências para trabalhos de nível inicial.