O que os números realmente dizem
A Robert Half entrevistou quase 2.000 gestores de contratação nos EUA e descobriu que 32 por cento tinham eliminado um cargo principalmente por causa da IA e depois recontrataram para a mesma posição ou uma semelhante. A divisão por setor é a parte que vale a pena ler duas vezes. Finanças reverteu o maior número de cortes com 44 por cento, à frente de recursos humanos com 35 por cento e tecnologia com 32 por cento. A Gartner acrescenta um marcador prospetivo: até 2027 espera que cerca de metade das empresas que atribuíram as demissões à IA volte a contratar para cargos comparáveis.
Lido por si só, o título convida à conclusão fácil de que a IA não era boa o suficiente. Essa leitura é incompleta. Uma taxa de reversão de um em cada três entre dois mil gestores não é uma história sobre um modelo fraco. É uma história sobre como a decisão de cortar foi tomada, e com que rapidez foi tomada, antes de alguém medir o que o cargo de facto fazia.
Por que finanças, de todas as funções, liderou as reversões
É tentador supor que a função mais hábil com folhas de cálculo precificaria uma decisão de automação com o maior cuidado. A pesquisa diz que aconteceu o contrário. Finanças liderou as reversões precisamente porque fala fluentemente a língua das economias projetadas. Um número de eficiência do fornecedor aterra num modelo, o modelo mostra uma redução de quadro limpa, e a economia é contabilizada como se já estivesse realizada. O cargo é cortado contra uma previsão, não contra uma carga de trabalho observada.
A lacuna só fica visível em operação. O sistema automatizado despacha o volume de rotina e depois emperra no trabalho residual que carregava o discernimento: os casos limite, as exceções, as decisões que não cabem no guião. Esse resíduo é pequeno como parcela das transações e grande como parcela do risco. Quando aflora, o corte tem de ser desfeito ao pior preço possível, porque agora recontrata-se para um cargo que já se anunciou ao mercado como eliminado.
A taxa base de que deveria ter partido
A disciplina do operador aqui é pensar por taxas base. Antes desta pesquisa, um gestor que ponderava um corte de IA-por-quadro-de-pessoal tinha uma afirmação do fornecedor e uma projeção interna. Depois, esse mesmo gestor tem uma taxa base medida: numa amostra ampla, cerca de um em cada três desses cortes foi revertido, e em finanças mais perto de um em cada dois. Isso não é uma nota de rodapé. É o ponto de partida a que se deve ancorar, e deve situar-se acima de qualquer estudo de caso isolado que um fornecedor lhe ponha à frente.
A Ford é o exemplo de aviso que a cobertura não para de citar. Os seus sistemas automatizados de controlo de qualidade não conseguiram replicar o discernimento de engenheiros veteranos, e a empresa passou três anos a recontratar ou promover cerca de 350 engenheiros experientes para fechar a lacuna, e só então liderou o Initial Quality Study da J.D. Power pela primeira vez desde 2010. Uma única empresa é uma anedota discutível. Trinta e dois por cento de dois mil gestores é uma taxa base contra a qual é preciso planear.
Como precificar uma decisão de quadro com IA
A solução não é congelar a automação. É mudar a forma da decisão. Trate cada movimento de IA-por-quadro-de-pessoal como um piloto reversível e escreva o custo da recontratação no plano de negócio antes de aprovar. Se o modelo só fecha quando se assume que o corte é permanente e a economia imediata, o modelo está a dizer-lhe que a decisão é frágil.
Na prática, isso significa medir a cauda de discernimento antes de cortar, não depois. Identifique a parcela do cargo que é autêntica gestão de exceções, e submeta o sistema a tensão contra esse resíduo em vez do caso médio. Redesenhe o cargo para que a ferramenta assuma o volume e uma pessoa mantenha o discernimento, e depois reduza o quadro ao que a ferramenta prova conseguir sustentar. As empresas que reverteram fizeram a sequência ao contrário: cortaram primeiro, descobriram o resíduo depois, e pagaram o preço de mercado para voltar a montar o que tinham desmontado.
Leia a seguir: A Uber queimou o orçamento de IA de 2026 em quatro meses | Quem gasta 145 mil milhões diz que ainda não funciona
