Uma pesquisa conduzida por Kian Katanforoosh, professor de Inteligência Artificial em Stanford e cofundador da Workera ao lado de Andrew Ng, chegou a um número que merece atenção: 71% das pessoas avaliam incorretamente suas próprias habilidades em IA. Acreditam ser proficientes porque usam a ferramenta com frequência, quando na prática estão apenas adotando a tecnologia sem dominá-la. O dado foi apresentado em Davos e sintetiza um dos principais equívocos do momento.

Adotar não é o mesmo que dominar

A distinção entre adoção e proficiência é o ponto de partida da análise. Abrir o ChatGPT diariamente é adoção. Proficiência é outra coisa: é a capacidade de construir arquiteturas técnicas que reduzem a fricção de execução e transformam a IA em um recurso de produção real.

O que separa o 1% do restante, segundo Katanforoosh, é o domínio de técnicas específicas. Entre elas, o uso de prompts zero-shot e few-shot, que determinam quando o modelo precisa ou não de exemplos estruturados para performar. O Chain-of-Thought, que força modelos estocásticos a seguir um raciocínio lógico passo a passo. O encadeamento de prompts, que cria fluxos complexos onde a saída de um modelo alimenta a entrada de outro. E o RAG, ou Retrieval-Augmented Generation, que conecta modelos de linguagem a bases de dados privadas, eliminando alucinações e garantindo precisão no ambiente corporativo.

Sobre o ritmo das mudanças, Katanforoosh é preciso: superestimamos a tecnologia no curto prazo e a subestimamos no longo. O exemplo que usa é direto. Há anos circula a previsão de que radiologistas seriam substituídos por algoritmos de imagem. Continuam trabalhando. A Waymo começou a desenvolver carros autônomos em 2014. Onze anos depois, a substituição de motoristas é minimamente visível apenas em São Francisco. A transformação existe, mas opera em outra escala de tempo do que o noticiário sugere.

O que realmente dura numa carreira

O ponto mais relevante para quem pensa em carreira está na distinção entre habilidades duráveis e perecíveis. No Vale do Silício, a meia-vida de uma habilidade técnica é de aproximadamente dois anos. Aprender a sintaxe de uma ferramenta do momento é, portanto, um investimento de prazo curto. As habilidades duráveis, aquelas que funcionam como um diferencial de longo prazo, são outras: pensamento crítico, resolução de problemas complexos, comunicação eficaz e letramento em IA, entendida aqui como a capacidade de identificar onde a inteligência artificial está incorporada a um produto e como ela opera. As habilidades perecíveis são o kit de ferramentas do presente: sintaxe de programação e plataformas de IA generativa, que mudam a cada semestre.

No topo dessa hierarquia está a autonomia. Usar a ferramenta para ampliar o próprio output sem permitir que ela dite o fluxo de trabalho ou comprometa a capacidade de julgamento crítico. É a diferença entre liderar o sistema e ser operado por ele.

Novas estruturas, novos parâmetros

As mudanças também afetam a estrutura das organizações. Empresas como a própria Workera trabalham com o conceito de contexto como memória: a IA acessa diretrizes de marca, documentos de engenharia e padrões de comunicação internos, o que reduz a dependência de camadas de gestão intermediária. A proporção clássica de oito engenheiros para um gerente de produto está cedendo lugar a um modelo com dois engenheiros nativos em IA para um gerente, já que a autonomia técnica substitui boa parte da supervisão tradicional.

Para quem quer sair dos 71%, Katanforoosh propõe três pilares práticos. Primeiro, investir nos fundamentos: entender o que torna um modelo determinístico ou estocástico não é detalhe técnico, é base. Segundo, autoavaliação rigorosa, medida com relação ao padrão do Vale do Silício. Quem não sabe onde está em relação aos melhores já está em desvantagem. Terceiro, o hábito de curadoria: acompanhar pesquisadores como Andrew Ng ou Richard Socher para separar o que importa do que é apenas ruído de momento.

A progressão que o professor descreve é linear e exige consistência. Um dia de foco coloca o profissional acima da média desinformada. Uma semana, no top 10%. Um mês de dedicação real chega ao top 1%. Entre cinco e dez anos de hábito contínuo, ao 0,1% da elite global. A maestria em IA não é um evento pontual. É o resultado de filtrar sinal e ruído todos os dias, por tempo suficiente para que o acúmulo faça diferença.