Habilidades complementares à IA: o que contratar e desenvolver agora

Por Victor Hoang · Atualizado em 22 de setembro de 2026

Habilidades complementares à IA são as capacidades humanas que ganham valor, e não o perdem, à medida que a IA produz cada vez mais o primeiro rascunho: formular o problema certo antes que alguém comece a gerar respostas, exercer julgamento quando as evidências são incompletas, verificar e flagrar uma resposta errada que soa plausível, aplicar profundidade de domínio suficiente para perceber quando algo está fora do lugar, definir contexto e delegar a agentes de IA como se faria com um novo contratado, e fazer o trabalho de relacionamento que determina se tudo isso será adotado.

"Soft skills importam mais agora" é verdade e, ao mesmo tempo, quase inútil como instrução de contratação. Não diz ao recrutador o que avaliar, não diz ao gestor o que desenvolver em um membro da equipe e não distingue um candidato realmente bom em julgamento de um que apenas demonstra confiança. Este artigo tenta ser mais específico: como essas habilidades se apresentam na prática, o que as evidências indicam que está mudando, o que pedir na hora de contratar e um exemplo honesto de uma habilidade que foi vendida como durável e não é (prompt engineering).

Fatos principais

• O pensamento analítico é a habilidade essencial mais demandada pelos empregadores em 2025, com cerca de sete em cada dez empresas considerando-o indispensável, enquanto IA e big data lideram a lista das habilidades de crescimento mais rápido que os empregadores esperam precisar até 2030. Fonte: World Economic Forum, Future of Jobs Report 2025
• Os empregadores esperam que 39% das habilidades essenciais exigidas no mercado de trabalho mudem até 2030, evidência de que o conjunto de habilidades está se transformando, e não desaparecendo em um único balaio de "habilidades de IA". Fonte: World Economic Forum, Future of Jobs Report 2025
• Perguntados sobre quais habilidades humanas mais importam à medida que a IA assume mais trabalho, os profissionais colocaram o controle de qualidade da saída da IA em primeiro lugar (50%) e o pensamento crítico, ou seja, raciocinar sobre as informações e formar um julgamento, em segundo (46%). Fonte: Microsoft Work Trend Index 2026
• 86% dos profissionais dizem tratar a saída da IA como ponto de partida, e não como resposta final, e que continuam responsáveis pelo raciocínio por trás dela, o que mais se aproxima de uma norma de verificação em uso que os dados mostram hoje. Fonte: Microsoft Work Trend Index 2026
• Os dados de Skills on the Rise 2026 do LinkedIn mostram que as habilidades técnicas de IA e as habilidades humanas baseadas em relacionamento (colaboração entre áreas, liderança, comunicação executiva) estão acelerando em demanda praticamente no mesmo ritmo, sem que uma substitua a outra. Fonte: LinkedIn, Skills on the Rise 2026
• Um estudo de 2024/2025 do Stanford RegLab constatou que as principais ferramentas comerciais de pesquisa jurídica com IA, vendidas como livres de alucinações, ainda inventaram ou descaracterizaram citações em 17% a 33% das consultas testadas, um lembrete concreto de que a profundidade de domínio é o que flagra um erro que um generalista deixaria passar. Fonte: Stanford RegLab, "Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools"
• Um estudo randomizado de 2026 com 1.339 professores gregos constatou que eles aceitavam com muito mais probabilidade uma nota injustamente severa quando lhes diziam que ela vinha de um algoritmo do que quando lhes diziam que a mesma nota severa vinha de um colega humano, ampliando em cerca de 22% a lacuna de equidade resultante, evidência de que até profissionais treinados mostram viés de automação diante de resultados rotulados como de IA. Fonte: PNAS Nexus, Goulas, Megalokonomou & Sotirakopoulos, 2026

As habilidades que realmente se sustentam

Estas seis aparecem, de formas diferentes, nas evidências acima. Nenhuma delas é uma virtude nova inventada para a era da IA. O que muda é o quanto elas passaram a valer, agora que gerar um primeiro rascunho com aparência plausível ficou barato.

Formulação de problemas: decidir qual pergunta responder

A IA é muito boa em produzir uma resposta para a pergunta que você fez. É bem pior em avisar que você fez a pergunta errada. Alguém pede a um sistema de IA para "reduzir o churn" e recebe uma lista de táticas de retenção, quando o problema real era um plano com preço errado que nunca deveria ter sido vendido àquele segmento. O modelo respondeu com fidelidade; quem formulou o pedido apontou para o alvo errado.

É por isso que o pensamento sistêmico está ganhando valor em vez de perdê-lo. Formular bem significa entender como um problema se conecta aos sistemas ao redor: o que vem antes, o que é sintoma e o que é causa, e o que uma "boa resposta" precisaria incluir para ser útil. A IA consegue executar dentro de um enquadramento. Ela não consegue dizer com confiabilidade que o enquadramento está errado, porque não tem meio independente de saber o que você de fato pretendia resolver.

Julgamento sob incerteza: decidir quando a evidência não é limpa

Os modelos de IA são confiantes por padrão. Eles produzem uma resposta fluida e bem estruturada quer a evidência subjacente seja sólida, escassa ou contraditória, e a fluidez da saída não dá nenhum sinal de qual é o caso. Uma previsão construída sobre três meses de dados ruidosos parece tão polida quanto uma construída sobre três anos de tendência estável.

A tomada de decisão sob incerteza genuína, em que a resposta honesta é "não sabemos ao certo, e é assim que estou pesando isso", é uma habilidade distinta da tomada de decisão com dados limpos. É também uma das duas habilidades que os profissionais mais valorizam à medida que a IA assume a execução, segundo o Work Trend Index 2026 da Microsoft citado acima. Quem consegue dizer "essa recomendação pressupõe X, e X é frágil" faz um trabalho que um sistema de IA, por estrutura, não consegue fazer por si mesmo, porque ele não sabe o que não sabe.

Verificação e detecção de erros: flagrar a resposta errada que parece plausível

Esta é a habilidade mais diretamente implícita em "a IA faz mais da execução": alguém precisa conferir a execução. Mas conferir não é o mesmo que passar os olhos. O estudo do Stanford RegLab citado nos Fatos principais constatou que ferramentas jurídicas de IA vendidas como livres de alucinações ainda inventaram ou distorceram citações em 17% a 33% das consultas testadas. Esses erros não eram obviamente errados. Eram plausíveis o bastante para passar numa leitura rápida, e é exatamente por isso que chegaram a petições antes que alguém os pegasse.

A revisão human-in-the-loop só funciona se o humano no circuito estiver de fato posicionado para flagrar o tipo específico de erro que a alucinação de IA tende a produzir, e não apenas dar uma olhada no formato e no tom. Essa distinção, entre uma revisão que pega erros e uma revisão que só adiciona atraso, é toda a diferença entre essa habilidade ser real ou ser encenação.

Profundidade de domínio: por que a expertise é o que permite flagrar o erro

A verificação só funciona se você souber o suficiente para reconhecer o que está errado. Um generalista que lê uma cláusula contratual, um modelo financeiro ou um resumo clínico gerado por IA consegue conferir se o texto é internamente consistente e bem escrito. Só quem tem profundidade real naquele domínio flagra a cláusula que é consistente, bem escrita e ainda assim errada, porque o erro está no conhecimento de domínio que o modelo errou sutilmente, e não na apresentação superficial.

Este é o argumento mais forte contra a ideia de que a IA achata o valor da expertise. Ela faz o contrário para a fatia específica da expertise que consiste em comparar padrões com "isso parece certo no mundo real", em oposição à fatia que era sobretudo velocidade de digitação ou memória de coisas que você poderia consultar de qualquer maneira. O senso de negócios, construído ao longo de anos observando como um setor ou uma função específica realmente se comporta, é o que lhe diz que a projeção gerada pela IA está errada por uma ordem de grandeza antes que chegue a um cliente. Para muitos especialistas, essa profundidade também fazia parte de como se enxergavam no trabalho, e é por isso que sentido, identidade e ofício na era da IA trata a perda da chance de construí-la como algo maior que uma lacuna de competências.

Definição de contexto e delegação: gerenciar agentes como você gerenciaria um novo contratado

À medida que os sistemas de IA passam de responder perguntas isoladas para atuar como agentes de IA que planejam e executam trabalho em várias etapas, surge uma habilidade que passa a sustentar tudo: definir limites, metas e regras de escalonamento antes de o trabalho começar, porque muitas vezes você não está presente enquanto o agente o executa. Isso é uma habilidade de delegação, não de prompting. Está mais perto de redigir uma descrição de cargo e um conjunto de salvaguardas para um novo funcionário do que de formular bem uma busca.

As empresas que já operam equipes humano-agente estão descobrindo que a qualidade do resultado depende muito de como alguém definiu o escopo inicial, do que o agente pode decidir por conta própria e de quando ele é obrigado a voltar para consultar. Se isso for mal feito, ou o agente fica travado em aprovações triviais, ou segue sem supervisão rumo a um erro que ninguém percebe até ficar caro.

Trabalho de relacionamento: o que determina se algo disso será adotado

Nenhuma das cinco primeiras habilidades importa se ninguém confia em quem as aplica, ou se a recomendação morre numa reunião porque não foi apresentada de um jeito que as partes interessadas pudessem agir. O desenvolvimento de relacionamentos, a capacidade de conquistar confiança, ler o ambiente e negociar apoio entre áreas, nunca esteve sob ameaça de substituição pela IA, e a mudança para mais conteúdo gerado por IA o tornou mais visível, não menos. Alguém precisa ser a pessoa em quem um VP cético acredita quando diz "eu conferi isso, e está certo". Essa confiança é conquistada ao longo do tempo, pessoalmente, e não se transfere para um modelo, que é exatamente a lógica por trás do prêmio humano: alguns pontos de contato continuam a cargo de uma pessoa porque as evidências mostram que um humano se sai melhor ali, e não por hábito.

Há também uma versão mais discreta disso: pesquisas sobre confiança quando seu colega de equipe é uma IA mostram que as pessoas concedem ou retiram confiança em trabalhos tocados por IA em parte conforme quem os endossa. A habilidade de relacionamento e a de verificação se reforçam mutuamente. Verificação sem a credibilidade para ser acreditada não muda uma decisão.

O que não se sustenta: prompt engineering como estudo de caso

Vale falar com honestidade do prompt engineering porque é o exemplo mais claro de uma habilidade que foi vendida como aposta durável de carreira e se revelou transitória. No início de 2023, aprender a formular instruções com cuidado para um modelo de linguagem parecia uma especialidade genuinamente escassa e bem remunerada. Em 2026, essa habilidade específica, criar a redação exata para compensar o literalismo de um modelo, foi em grande parte absorvida por outros cargos em vez de sobreviver como título próprio. A razão de fundo é simples: à medida que os modelos melhoraram em lidar com instruções simples e imprecisas e em fazer perguntas de esclarecimento por conta própria, o valor de ser um "tradutor" especializado entre humanos e modelos diminuiu. O que continua útil, entender do que um sistema de IA precisa para fazer bem uma tarefa, estruturar o contexto, dar a ele os exemplos certos, não desapareceu. Apenas deixou de ser um trabalho independente e virou uma expectativa básica incorporada a cargos como gestão de produtos de IA, engenharia de IA aplicada e posições de especialista de domínio que usam IA intensamente.

A lição vai além do próprio prompt engineering: qualquer habilidade cujo valor dependa inteiramente de compensar uma limitação específica e atual das ferramentas de IA corre risco no momento em que essa limitação for resolvida por engenharia. Esse é um bom filtro para avaliar a próxima afirmação de "habilidade essencial de IA" que aparecer numa vaga. Pergunte se a habilidade ainda importaria caso o modelo subjacente melhorasse drasticamente naquilo que ela compensa. Formulação de problemas, julgamento, verificação, profundidade de domínio, delegação e trabalho de relacionamento passam nesse teste. Um paliativo estreito de ferramenta, em geral, não passa.

Habilidade, fator de valor e sinal de contratação

O que pedir de fato na contratação

Descrições de cargo que listam "forte capacidade de comunicação" e "familiaridade com ferramentas de IA" não filtram quase nada. Uma abordagem melhor é pedir evidências ligadas à habilidade específica, usando trabalho real em vez de autodescrição.

Perguntas que realmente testam isso

Em vez de "você é bom em pensamento crítico?", peça ao candidato que relate uma vez em que discordou de uma recomendação, gerada por IA ou não, e teve de decidir se a derrubaria. Em vez de "quanto você se sente à vontade com IA?", peça que revise ao vivo uma saída falha gerada por IA e explique o que verificaria primeiro e por quê. Em vez de "você tem habilidades de liderança?", pergunte sobre um caso específico em que teve de fazer um público cético agir sobre algo que sabia estar correto.

O padrão em todos esses casos: comportamento passado com detalhes vale mais que uma autoavaliação, e um exercício ao vivo vale mais que uma pergunta sobre o passado sempre que você puder organizar um, porque é muito mais difícil fingir uma verificação competente na sala do que descrevê-la de maneira convincente depois.

Como soa uma boa resposta em comparação com uma ensaiada

Uma resposta ensaiada para "como você usa IA?" soa como uma lista de recursos: quais ferramentas, quais prompts, quais atalhos. Uma resposta genuína soa como um processo de decisão: o que a pessoa gera com IA, em que nunca confia sem uma segunda olhada e, especificamente, por que essa fronteira fica onde fica para o tipo de trabalho dela. A segunda resposta revela pensamento crítico de um jeito que a primeira não revela, porque mostra que o candidato de fato pensou em onde o próprio julgamento agrega valor e onde é redundante.

Letramento em IA como sinal de contratação não é "já usou o ChatGPT?". É saber se a pessoa consegue articular, de maneira específica, onde confiaria na saída de um sistema de IA sem revisão e onde não confiaria, para o trabalho que de fato faria. Entusiasmo vago e desconfiança vaga são sinais mais fracos que uma fronteira específica e defensável.

Desenvolvendo essas habilidades em uma equipe que você já tem

A maioria das organizações não contrata gente nova para cada uma dessas habilidades; elas tentam desenvolvê-las nas pessoas que já estão na equipe. A versão prática desse trabalho costuma começar por tornar a verificação uma parte nomeada e visível de um cargo, em vez de uma tarefa de fundo presumida. Se a função de ninguém inclui explicitamente "pegar os erros da IA neste workflow", isso tende a não acontecer com regularidade, porque concorre com um trabalho mais rápido e mais visível.

Também significa dar às pessoas a vivência de domínio que constrói o reconhecimento de padrões descrito antes. Ninguém desenvolve o instinto de "esse número gerado pela IA parece estranho" sem antes se expor o suficiente ao que é o certo, o que argumenta contra entregar à IA todo o trabalho mais pesado em execução e mais leve em julgamento enquanto os profissionais juniores nunca constroem a base de experiência de que precisariam para supervisioná-la depois. Essa troca, entre velocidade hoje e expertise daqui a cinco anos, é algo que os líderes devem decidir de propósito, e não por omissão.

No lado operacional, é também aqui que os dados da força de trabalho se pagam. O app People da Rework existe em parte para isso: combinar o acompanhamento de habilidades e competências com os dados de workflow que mostram quem está de fato construindo julgamento no dia a dia, e não apenas quem concluiu um módulo de treinamento. É uma peça pequena de uma questão muito maior, mas é um bom ponto de partida se você ainda não tem uma visão clara de quem na sua equipe possui as habilidades descritas neste artigo.

Nada disso sugere que a IA esteja tornando as pessoas menos capazes. Ela está redesenhando quais capacidades carregam o peso. Uma equipe que passou a última década otimizando para quem produzia mais resultado mais rápido agora precisa otimizar para quem consegue formular o problema certo, sustentar uma decisão defensável e flagrar o erro que mais ninguém na sala teria percebido. É algo mais difícil de avaliar do que a velocidade de digitação jamais foi, e é exatamente por isso que as organizações que se tornarem boas nisso cedo terão uma vantagem real e cumulativa sobre as que ainda escrevem descrições de cargo para uma força de trabalho que não existe mais.