Quando começamos a conversar com as Big Four sobre IA, as conversas avançaram de forma surpreendentemente rápida. Não houve uma longa introdução, nem necessidade de explicar por que a IA importava. Quase de imediato, sócios e consultores seniores começaram a falar sobre para onde seu tempo realmente estava indo. Não para tomada de decisão ou geração de insights, mas para preparação. Puxar dados de sistemas diferentes. Alinhar números. Garantir que as análises estivessem de acordo com os padrões internos antes mesmo que alguém pudesse começar a pensar no que os resultados significavam.
O que nos chamou a atenção foi que nada desse trabalho tinha baixo valor. Era necessário. Mas também era exaustivo. Profissionais altamente experientes estavam passando boa parte do dia apenas tentando chegar a um ponto em que o pensamento de fato pudesse começar.
À medida que as conversas avançavam, elas mapearam mais de dezenas de processos nos quais a IA poderia desempenhar um papel. Relatórios, compliance, controles financeiros, análise tributária, revisões internas. Na superfície, parecia um problema clássico de automação. Não era.
A maior parte desses processos já contava com ferramentas, modelos e automação parcial. O que desacelerava tudo estava entre as etapas. Troca de contexto. Reconciliação de saídas. Aplicação consistente de julgamento sobre informações fragmentadas. O custo real não era apenas tempo, era carga cognitiva.
Foi aí que a forma de enxergar o problema mudou.
Em vez de perguntar como a IA poderia fazer o trabalho de ponta a ponta, passamos a perguntar como ela poderia apoiar as pessoas que fazem o trabalho. E se a IA pudesse assumir as partes que drenam energia, sem tirar o controle? E se pudesse preparar rascunhos estruturados, destacar inconsistências e tornar visível seu raciocínio, para que especialistas pudessem se concentrar no julgamento em vez da preparação?
Quando essa abordagem entrou em operação, o impacto se tornou tangível.
Em todas as equipes, os tempos de ciclo caíram de 80% a 90% no trabalho analítico recorrente. Erros manuais, especialmente em processos com forte carga de reconciliação, caíram de forma acentuada. Tão importante quanto isso, as entregas se tornaram mais consistentes entre equipes que antes abordavam o mesmo trabalho de maneiras ligeiramente diferentes. Em média, os consultores recuperaram cerca de 40 a 50 horas por mês, que agora podiam ser dedicadas a pensamento de maior valor.
Mas a mudança mais interessante não estava nos números.
Ela estava em como as pessoas falavam sobre seu trabalho. As revisões ficaram mais tranquilas. As discussões ficaram mais focadas. Revisores seniores passaram menos tempo verificando se tudo estava correto e mais tempo discutindo o que os resultados realmente significavam.
Com o tempo, o sistema deixou de parecer uma ferramenta que as pessoas precisavam usar. Passou a parecer uma forma compartilhada de trabalhar, absorvendo silenciosamente como as decisões eram tomadas e refletindo isso nas análises futuras.
Essa experiência também reforçou algo em que acreditamos há muito tempo. O progresso rumo a uma inteligência mais geral não virá de sistemas que tentam substituir especialistas em domínios complexos. Virá de sistemas que reduzem o atrito em torno do pensamento especializado e o ampliam.
Nesses trabalhos, a IA gerou valor não por ser autônoma, mas por ser colaborativa. Ela não tomou decisões pelas pessoas. Ajudou-as a tomar decisões melhores, mais rápido.
Se há um sinal precoce de onde sistemas semelhantes à AGI terão impacto primeiro, é aqui. Não na automação total, mas no apoio ao julgamento humano em escala.
Essa mudança, da automação para a amplificação, foi o que fez a diferença.
