Se a IA gera padronização, será que o talento está sumindo?

Há uma ironia silenciosa se instalando nas organizações que adotaram inteligência artificial com mais entusiasmo. Elas ficaram mais rápidas. Mais produtivas. Mais consistentes. E, em muitos casos, mais parecidas entre si — e consigo mesmas.

A padronização que a IA oferece é real e valiosa em contextos onde variação é risco: compliance, segurança, processos operacionais, documentação clínica. O problema começa quando essa lógica migra para onde variação é a própria fonte de valor — inovação, estratégia, criação, tomada de decisão em ambientes de alta incerteza. E essa migração está acontecendo, muitas vezes sem que ninguém na organização tenha decidido que era isso que queria.

O que a pesquisa encontrou

Em setembro de 2025, pesquisadores da Wharton, UCL, Universidade de Exeter e Universidade de Washington se reuniram para apresentar resultados de estudos independentes sobre um mesmo tema: o impacto da IA na qualidade e diversidade das ideias criativas. O que encontraram não era exatamente tranquilizador.

A pesquisa de Kartik Hosanagar, da Wharton, mostrou que quando humanos geram as ideias iniciais e a IA apoia na avaliação ou refinamento, a diversidade é preservada. Mas quando a IA é usada na ideação inicial, os outputs convergem. A implicação é direta: líderes deveriam estruturar os fluxos de trabalho de forma que humanos conduzam as etapas criativas mais iniciais, enquanto a IA auxilia na escala, edição ou seleção.

É uma distinção pequena no processo e enorme no resultado. A ordem de entrada da IA no fluxo criativo determina se ela amplifica diversidade ou a comprime.

Os painelistas alertaram contra tratar a IA como um “copiloto” total. A dependência excessiva arrisca enfraquecer a criatividade humana — assim como pilotos que perdem habilidades manuais quando o piloto automático é usado em excesso. A analogia é precisa e perturbadora: a habilidade que não é exercida atrofia. Em aviação, isso se chama risco de segurança. 

Nas organizações, chama-se erosão de talento — e é mais difícil de medir.

Os modelos que pensam igual

O fenômeno não está só nos humanos que usam IA. Está nos próprios modelos.

Quando pedidos para escrever uma descrição de produto para capas de iPhone, DeepSeek-V3 e GPT-4o usaram frases idênticas: “Elevate your iPhone with our”, “sleek, without compromising” e “with bold, eye-catching”. A similaridade média entre os dois modelos ficou em 81% — apesar de terem sido desenvolvidos por empresas diferentes, em continentes diferentes.

Isso tem implicações que vão além da curiosidade técnica. Os autores do estudo alertam para as implicações sociais, advertindo sobre uma homogeneização gradual do pensamento humano por exposição repetida a outputs similares de diferentes sistemas de IA. Quando todos os modelos pensam parecido, e todos os profissionais usam esses modelos para pensar, o risco não é abstrato — é a erosão da diferenciação cognitiva que torna uma equipe, uma empresa ou uma estratégia genuinamente distinta.

Pesquisas mostram que modelos de linguagem convergem para conjuntos mais estreitos de ideias a menos que os prompts encorajem explicitamente variedade. Apenas quando usuários adicionam orientações estruturadas — como raciocínio passo a passo — emerge diversidade significativa. Em outras palavras, a IA tende ao médio não por má fé, mas por design: ela foi treinada para ser útil para a maioria das pessoas na maioria dos casos, e a maioria dos casos não é onde as melhores ideias vivem.

O que os trabalhadores já sentem

A percepção sobre perda de talento não é acadêmica — está presente na força de trabalho.

57% dos trabalhadores americanos dizem que a redução de habilidades humanas causada pela IA será o maior problema de força de trabalho em 2026 — ranking acima do desemprego, que preocupa 49%. Entre as preocupações pessoais, a perda de criatividade e pensamento crítico aparece em terceiro lugar, atrás apenas de perda de emprego e violações de privacidade.

É uma virada de perspectiva relevante. O debate público sobre IA e trabalho gravitou durante anos em torno do emprego — se os postos vão existir ou não. A percepção que está emergindo nos trabalhadores é mais sutil e, de certa forma, mais preocupante: os postos podem continuar existindo, mas o que se faz dentro deles pode ir esvaziando de complexidade, julgamento e originalidade — até que o que resta seja uma função de supervisão do que a máquina já decidiu.

À medida que a IA assume tarefas analíticas e operacionais em escala, habilidades como criatividade, curiosidade, julgamento ético, resiliência, inteligência emocional e influência passam a ser centrais para a estratégia de talentos. O paradoxo é que essas são exatamente as habilidades que atrofiam quando são menos exercidas — e são menos exercidas quando a IA faz mais.

A questão que as organizações ainda não fizeram

Existe uma pergunta que a maioria das empresas que adotaram IA não fez de forma explícita: o que queremos que nossos profissionais sejam capazes de fazer que a IA não faz?

Não é uma pergunta retórica. É uma decisão de design organizacional com consequências que se acumulam ao longo do tempo. Porque a adoção de IA sem essa âncora tende a um caminho específico: gradualmente, as tarefas que os humanos mais exercitavam migram para a máquina, e o que sobra é a supervisão do output — uma função que exige menos das capacidades que tornavam aquele profissional valioso.

Pesquisas da Harvard Business School sugerem que a questão não é apenas quais ferramentas usar, mas como as organizações orquestram essas ferramentas e se os avaliadores permanecem cognitivamente engajados. O formato da IA molda os resultados tanto quanto suas recomendações: interfaces dinâmicas, como chatbots, aumentam a exploração mas podem reduzir a qualidade. Interfaces estáticas melhoram resultados mas podem estreitar a solução. A escolha de como a IA é apresentada ao profissional já é, em si, uma escolha sobre que tipo de cognição se quer cultivar.

O que isso significa na prática

A questão do talento e da padronização não é um debate sobre ser a favor ou contra IA. É um debate sobre sequência, design e intenção.

A Wharton é clara: coloque a IA depois do humano na ideação, não antes. Use-a para refinar, escalar e selecionar — não para gerar o ponto de partida criativo. Essa inversão simples preserva a diversidade sem abrir mão da produtividade.

Mas isso exige que as organizações tenham clareza sobre onde a padronização é ganho e onde é perda. Padronizar um processo de onboarding é diferente de padronizar como a equipe pensa sobre um problema estratégico. Padronizar um relatório financeiro é diferente de padronizar como um produto é concebido. Tratar as duas situações com a mesma lógica de eficiência é o erro que ninguém percebe enquanto está acontecendo — e que só aparece quando a empresa olha para trás e percebe que suas últimas dez ideias grandes foram todas variações da mesma ideia.

O talento não some de uma vez. Ele se acomoda. Encontra o atalho. Aprende que a IA entrega “algo aceitável mais rápido do que o pensamento original entregaria algo excelente”. 

E vai, pouco a pouco, delegando o que mais o definia.

A padronização que a IA oferece pode ser uma ferramenta. O que as organizações fazem com ela é uma escolha.