Quando começámos a falar com as Big Four sobre IA, as conversas avançaram de forma surpreendentemente rápida. Não houve uma longa introdução, nem foi preciso explicar por que razão a IA era importante. Quase de imediato, partners e consultores seniores começaram a falar sobre onde o seu tempo estava realmente a ser gasto. Não na tomada de decisões nem na geração de insights, mas na preparação. Extrair dados de sistemas diferentes. Alinhar números. Garantir que as análises cumpriam os padrões internos antes de alguém poder sequer começar a pensar no que os resultados significavam.
O que nos impressionou foi que nada deste trabalho tinha pouco valor. Era necessário. Mas também era extenuante. Pessoas altamente experientes estavam a passar grande parte do seu dia apenas a tentar chegar a um ponto em que o verdadeiro pensamento pudesse começar.
À medida que as conversas continuaram, foram mapeando mais de dezenas de processos em que a IA poderia desempenhar um papel. Reporting, compliance, controlos financeiros, análise fiscal, revisões internas. À superfície, parecia um problema clássico de automação. Não era.
A maioria destes processos já tinha ferramentas, templates e automação parcial em funcionamento. O que atrasava tudo estava entre as etapas. Mudar de contexto. Conciliar outputs. Aplicar juízo de forma consistente sobre informação fragmentada. O verdadeiro custo não era apenas o tempo, era a carga cognitiva.
Foi aí que o enquadramento mudou.
Em vez de perguntarmos como é que a IA poderia fazer o trabalho de ponta a ponta, começámos a perguntar como poderia apoiar as pessoas que fazem o trabalho. E se a IA pudesse tratar das partes que drenam energia, sem retirar controlo? E se pudesse preparar rascunhos estruturados, sinalizar inconsistências e tornar visível o seu raciocínio, para que os especialistas se pudessem concentrar no juízo em vez da preparação?
Assim que esta abordagem entrou em produção, o impacto tornou-se tangível.
Entre equipas, os tempos de ciclo caíram 80 a 90 por cento no trabalho analítico recorrente. Os erros manuais, especialmente em processos com forte componente de reconciliação, diminuíram acentuadamente. Tão importante quanto isso, os outputs tornaram-se mais consistentes entre equipas que antes abordavam o mesmo trabalho de formas 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.
Estava na forma como as pessoas falavam sobre o seu trabalho. As revisões tornaram-se mais calmas. As discussões tornaram-se mais focadas. Os revisores seniores passaram menos tempo a verificar se tudo estava correto e mais tempo a discutir o que os resultados realmente significavam.
Com o tempo, o sistema deixou de parecer uma ferramenta que as pessoas tinham de usar. Começou a parecer uma forma partilhada de trabalhar, absorvendo discretamente a forma como as decisões eram tomadas e refletindo isso em análises futuras.
Esta 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 a fricção em torno do pensamento especializado e o amplificam.
Nestes projetos, a IA criou valor não por ser autónoma, mas por ser colaborativa. Não tomou decisões pelas pessoas. Ajudou-as a tomar melhores decisões, mais depressa.
Se há um sinal precoce de onde os sistemas semelhantes à AGI terão primeiro relevância, é aqui. Não na automatização total, mas no apoio ao julgamento humano em escala.
Essa mudança, da automatização para a alavancagem, foi o que fez a diferença.
