O diretor jurídico que entra hoje em uma reunião sobre a aquisição de um concorrente provavelmente já perguntou a um modelo de linguagem quais são os riscos tributários da operação, quais cláusulas costumam gerar disputa e o que deveria perguntar aos seus advogados. A resposta que obteve deve ter falhas, mas é razoável. Há poucos anos, chegar a esse nível de compreensão exigiria uma tarde de leitura ou um telefonema para alguém da área. O mesmo vale para o associado que acaba de entrar no escritório e recebe um tema que nunca estudou: em uma hora, ele consegue entender os fundamentos, organizar as perguntas certas e produzir um primeiro esboço que, até pouco tempo atrás, dependeria de várias conversas com alguém mais experiente.
Esse é o primeiro efeito importante da inteligência artificial sobre o trabalho intelectual: a redução das assimetrias de poder informacional. Boa parte do valor de um profissional qualificado sempre esteve ligada ao acesso, seja a conhecimento, a referências, a experiências acumuladas ou ao tempo necessário para transformar tudo isso em uma resposta útil. Essa barreira caiu para quase todo mundo ao mesmo tempo, inclusive para o cliente. Os primeiros experimentos controlados sobre o tema, conduzidos em atendimento ao cliente, em consultoria estratégica e com estudantes de Direito, chegam a resultados parecidos, com os maiores ganhos de desempenho concentrados entre os menos experientes. A tecnologia eleva o piso.
Mesma ferramenta, destinos diferentes
A conclusão apressada é que, com o piso subindo, os profissionais tendem a ficar parecidos. Se qualquer pessoa consegue produzir uma análise competente, a distância entre o advogado mediano e o excelente encolheria até perder importância. Essa conclusão ignora um princípio econômico antigo: quando algo fica barato, sobe o valor daquilo que é necessário para usá-lo bem. Ajay Agrawal, Joshua Gans e Avi Goldfarb aplicaram essa lógica à inteligência artificial há alguns anos, ao argumentar que máquinas que barateiam a predição valorizam o julgamento humano que decide o que fazer com ela. O raciocínio vale aqui, com uma ressalva: o recurso que se valoriza é mais amplo do que o julgamento sobre uma predição já pronta. Prefiro chamá-lo de critério.
Critério é a capacidade de decidir o que importa antes, durante e depois de uma resposta. Começa por saber qual problema precisa de fato ser resolvido, que nem sempre coincide com o problema que chegou à mesa. Passa por identificar as informações decisivas e perceber quais ainda estão faltando, por formular perguntas melhores, por saber quando uma resposta convincente merece desconfiança e por entender as consequências de cada alternativa. E inclui uma decisão que se tornou nova: onde a própria tecnologia deve ser aplicada e onde ela atrapalha. É também o que o diretor jurídico da cena inicial passa a buscar no seu advogado. Ele já tem uma primeira resposta e precisa de alguém capaz de dizer o que ela deixou de fora, o que vale para o caso dele e quem responde pelo resultado.
Um experimento divulgado em setembro por David Autor, do MIT, e pesquisadores do Google ajuda a enxergar esse mecanismo. Durante três meses, 133 advogados de patentes de onze escritórios americanos foram divididos em dois grupos, e apenas um deles recebeu um assistente de IA para redação de patentes. Enquanto usavam a ferramenta, a qualidade do trabalho subiu, com ganhos maiores entre os juniores, como em outros estudos. Ao final, os pesquisadores retiraram a IA e pediram a todos uma tarefa de revisão que exige julgamento profissional. Os seniores que haviam trabalhado com a ferramenta superaram os do grupo de controle. Entre os juniores, a média não se alterou, mas a distribuição sim: houve muito menos resultados medianos e, em compensação, mais resultados ruins e mais resultados bons.
Esse detalhe é mais revelador do que qualquer média de produtividade. Entre profissionais com experiência equivalente, a mesma ferramenta produziu desempenhos que se afastaram em direções opostas, o que sugere que o desfecho depende menos do acesso à tecnologia e mais daquilo que cada pessoa faz com o que ela entrega. O piso sobe para todos, e o teto sobe para quem tem estrutura para aproveitar. Democratização na base e diferenciação no topo podem acontecer ao mesmo tempo, e é provável que esse seja o padrão dos próximos anos.
De onde vem o critério
Circula hoje uma leitura perigosa: a de que, como os modelos sabem muito, o profissional pode saber menos e se dedicar a coordenar agentes. Ocorre o oposto. O conhecimento técnico é o que permite avaliar uma resposta, perceber a exceção que ela ignorou, saber onde aprofundar e reconhecer quando uma conclusão bem escrita está simplesmente errada. Sem ele, a tendência é julgar a resposta pela fluência, e fluência é justamente o que os modelos de linguagem fazem melhor. Em um experimento com 758 consultores do Boston Consulting Group, os participantes que usaram IA em uma tarefa propositalmente posicionada fora do alcance do modelo acertaram 19 pontos percentuais a menos do que os que trabalharam sem ela. Eram profissionais qualificados, convencidos por uma resposta que parecia boa. Quanto mais poderosa a ferramenta, mais caro fica usá-la sem dominar o assunto.
O conhecimento especializado, porém, resolve só parte do problema, porque a realidade empresarial tem pouca consideração pelas fronteiras entre disciplinas. Uma reorganização societária pode parecer impecável até que alguém pergunte o que ela provoca nos covenants dos contratos financeiros da companhia. Uma economia tributária pode exigir uma mudança operacional que a empresa não tem condições de executar. Uma solução juridicamente segura pode ignorar a dinâmica competitiva do setor. Nenhum desses riscos exige que o advogado seja também banqueiro, contador ou executivo. Exige repertório, entendido aqui como a posse de modelos mentais suficientes para perceber que um problema talvez não pertença apenas à disciplina pela qual chegou. Nada disso equivale a uma defesa da superficialidade. A ideia é combinar profundidade onde ela é necessária com amplitude suficiente para saber quando a análise precisa sair do próprio campo.
Com a IA disponível, o repertório ganha uma utilidade adicional. A qualidade do que se extrai de um modelo depende das perguntas que se faz a ele, e ninguém pergunta sobre uma dimensão que não sabe que existe. Quem conhece um pouco de finanças pergunta sobre fluxo de caixa; quem entende o setor do cliente pergunta como os concorrentes vão reagir; quem tem alguma sensibilidade para comportamento humano pergunta como cada sócio vai receber a proposta. Uma máquina capaz de responder a quase qualquer pergunta continua dependendo de alguém que perceba que uma pergunta precisava existir.
Antes dos dados
Existe ainda uma parte da realidade que nunca chega aos documentos. Toda inteligência artificial trabalha sobre alguma representação do mundo: contratos, planilhas, e-mails, transcrições, aquilo que o usuário decide informar. Grande parte do que importa em uma decisão empresarial, no entanto, é percebida antes de virar dado. Em uma negociação, o incômodo de um sócio com uma cláusula aparece na postura, muito antes de aparecer na ata. Ler pessoas, incentivos, vaidades e receios é um conhecimento em grande parte tácito, no sentido que Michael Polanyi deu ao termo quando observou que sabemos mais do que conseguimos dizer. Um caso hipotético, mas familiar a quem assessora empresas, mostra o tamanho disso.
Pense em um empresário de setenta anos, fundador de uma indústria e dono de um patrimônio imobiliário relevante, que procura um escritório para planejar a sucessão. Ele tem três filhos. O mais velho trabalha na empresa há quinze anos e hoje ocupa a diretoria-geral; os dois mais novos seguiram outras carreiras. O pedido é o de sempre: proteger o patrimônio, reduzir o custo de um futuro inventário e evitar disputas entre os herdeiros. Com o contrato social, as matrículas dos imóveis e as declarações de imposto em mãos, um bom modelo de IA chegará a uma proposta muito parecida com a que faria um especialista em planejamento patrimonial e sucessório: uma holding familiar, doação das quotas aos filhos com reserva de usufruto, cláusulas protetivas e a administração entregue ao primogênito, que conhece o negócio melhor do que ninguém.
Diante dos documentos, é uma boa resposta. O advogado que acompanha a família há anos, no entanto, sabe duas coisas que não aparecem em nenhum deles. Os irmãos mais novos não falam com o mais velho desde uma briga sobre distribuição de dividendos. E o fundador já lhe confidenciou que uma das razões para planejar a sucessão agora, ainda em vida, é justamente impedir que o primogênito concentre o controle. A estrutura tecnicamente correta colocaria dois irmãos ressentidos sob a gestão do terceiro e transformaria um planejamento feito para evitar o litígio na sua causa mais provável. Informada desse contexto, a própria IA provavelmente ajudaria a redesenhar a solução, com administração profissional, regras claras de governança e mecanismos de desempate. A contribuição decisiva do advogado acontece antes disso, no momento em que ele percebe que a relação entre os irmãos faz parte do problema e precisa entrar na análise.
Isso coloca o profissional a montante da máquina. A qualidade do que a IA produz depende do contexto que ela recebe, e boa parte desse contexto é construída por quem conhece as pessoas envolvidas, esteve na sala e sabe o que ficou sem ser dito.
A objeção previsível é que as reuniões já são gravadas e transcritas, e que em pouco tempo os modelos interpretarão também tom de voz e expressões faciais. É provável que isso aconteça e, ainda assim, o argumento se mantém. O que o cliente conta no corredor, no telefonema depois da reunião ou em um almoço, ele conta para quem tem a sua confiança, e a confiança funciona como um canal de informação, talvez o mais valioso de todos. Há também um elemento que nenhum avanço técnico elimina: alguém precisa responder pela decisão. É por isso que a tese que defendo neste texto não depende de a IA errar ou continuar limitada. Ela se sustenta diante de modelos muito mais capazes, porque o critério é feito, em boa medida, de acesso, de confiança e de responsabilidade.
O destino do tempo
O teto, no entanto, não sobe sozinho. Profissionais excelentes têm acesso às mesmas ferramentas que todos os outros: executam mais rápido, trabalham com mais dados e dependem menos de tarefas operacionais. O que define a diferença é o uso que fazem da capacidade que sobra, e o destino padrão dessa folga raramente é a reflexão. Pesquisadoras de Berkeley acompanharam por oito meses os funcionários de uma empresa de tecnologia que adotou ferramentas de IA e observaram que o trabalho se intensificou, com mais frentes abertas ao mesmo tempo, mais verificação de resultados e a retomada de tarefas que vinham sendo adiadas. O advogado que economiza quatro horas em uma análise documental tende a ocupá-las com outras análises documentais. Usar essas mesmas horas para estudar as demonstrações financeiras da companhia, entender os incentivos econômicos da operação ou conversar com o diretor responsável e descobrir a variável que nenhum documento mencionava exige uma escolha deliberada, e essa escolha é, ela mesma, um exercício de critério.
Há dois erros simétricos nesse ponto. O primeiro é o de quem acredita que o trabalho dos próximos anos se resume a orquestrar agentes e que estudo e pensamento próprio perderam importância. O segundo é o de quem trata a tecnologia como moda e imagina que a formação e a experiência acumuladas bastarão para preservar indefinidamente o seu diferencial. Cada um aposta em apenas uma das metades. O decisivo é a integração entre capacidade intelectual e tecnologia.
Essa integração não exige que todo bom profissional se torne especialista em tecnologia. O advogado excelente dos próximos anos pode nunca ter escrito uma linha de código nem construído um agente. Precisa, porém, entender como a tecnologia altera a sua função e redesenhar o próprio trabalho a partir disso. Para alguns, isso significará automatizar boa parte da execução; para outros, usar a IA sobretudo para pesquisar, organizar e testar hipóteses. Faz parte desse redesenho saber o que não delegar, porque há tarefas em que revisar o que a máquina produziu custa mais do que fazer. Como essa fronteira se move a cada nova geração de modelos, a divisão do trabalho entre o profissional e a ferramenta precisa ser revisitada de tempos em tempos.
O piso da entrega e o piso do profissional
O estudo com advogados de patentes deixa uma última questão, talvez a mais séria de todas. A IA eleva o piso do que é entregue antes de elevar o piso de quem entrega. Um associado pode produzir hoje um trabalho de boa qualidade sem ter construído a estrutura intelectual que lhe permitiria reproduzir sozinho o raciocínio por trás dele. Para quem já tem essa estrutura, a ferramenta funciona como um multiplicador: cada resposta encontra modelos mentais aos quais se conectar, e cada erro esbarra em algo que o profissional já sabe. Para quem ainda está em formação, o mesmo resultado final pode esconder um aprendizado muito diferente.
As profissões jurídicas sempre formaram seus especialistas pela repetição de tarefas que agora começam a ser automatizadas. Se parte desse trabalho formativo desaparece, escritórios e departamentos jurídicos vão precisar desenhar de propósito aquilo que antes acontecia por acúmulo: o contato direto com o problema real, a revisão comentada, o raciocínio construído sem ajuda antes de ser confrontado com o da máquina. Essa talvez seja uma das responsabilidades mais importantes de quem lidera equipes hoje, porque serão esses profissionais que, daqui a dez anos, vão supervisionar sistemas muito mais capazes do que os atuais.
Quando a resposta fica barata, o que fica caro é saber qual pergunta merece ser feita, perceber a variável que ficou de fora e decidir onde toda essa capacidade nova deve ser aplicada. A excelência profissional continuará exigindo conhecimento, e passará a exigir também a disposição de rever continuamente a forma como ele é usado. Em um mundo cada vez mais abundante em respostas, o critério segue sendo um recurso difícil de escalar.