O primeiro degrau quebrado: como a IA está corroendo o jeito como os profissionais juniores aprendem a virar especialistas

Por Victor Hoang · Atualizado em 22 de setembro de 2026

O "primeiro degrau quebrado" descreve o que acontece quando a IA absorve a pesquisa de primeiro rascunho, o código de rotina, a análise básica e o trabalho de resumo que os colaboradores de nível inicial costumavam fazer. Esse trabalho nunca foi apenas uma entrega barata para repassar. Era assim que os juniores construíam julgamento, por meio de repetição, correção e contato com o jeito de pensar de gente experiente. Quando a IA tira essas repetições, ela não encolhe apenas uma linha de contratação: elimina um mecanismo de formação que ninguém ainda substituiu.

Esta não é uma história resolvida. Os dados de contratação de nível inicial são, de fato, contestados, e uma leitura justa precisa sustentar duas coisas ao mesmo tempo: algo real está acontecendo com os jovens profissionais em funções expostas à IA, e o quadro é mais confuso e mais concentrado do que sugerem as manchetes de que "os empregos de nível inicial estão desaparecendo".

O que o trabalho braçal realmente ensinava

Por décadas, os dois primeiros anos de um trabalho de conhecimento funcionaram como um aprendizado pouco glamouroso. Um analista júnior montava o primeiro rascunho de um modelo para que um analista sênior o corrigisse, e a correção era a lição. Uma associada de primeiro ano resumia jurisprudência para que um sócio dissesse o que ela deixara passar, e a diferença entre o resumo e a leitura do sócio era a formação. Um engenheiro júnior escrevia código-padrão e rodava testes unitários, não porque a base de código precisasse disso, mas porque escrever código ruim e vê-lo revisado é como engenheiros aprendem a escrever código bom.

Nada disso parecia formação em um organograma. Parecia trabalho de centro de custo: mão de obra barata fazendo tarefas que ninguém sênior queria fazer. Mas a entrega era um efeito colateral. O produto real era um júnior que, dezoito meses depois, havia internalizado milhares de pequenas correções em algo mais próximo do instinto. Os economistas chamam isso de conhecimento tácito: o saber-fazer que não se consegue registrar por completo, só adquirir executando a tarefa mal vezes suficientes para notar o padrão. O economista do MIT David Autor e Neil Thompson, em seu artigo de 2025 sobre expertise, constroem um arcabouço justamente em torno disso: o efeito da automação depende de ela eliminar as tarefas de rotina que constroem a expertise ou as tarefas especializadas que a utilizam, e os dois casos têm efeitos opostos sobre salários e quadro de pessoal.

Agentes de IA e copilotos de IA agora fazem diretamente boa parte desse trabalho de rotina que gerava correção: redigem o memorando, escrevem o código-padrão, resumem a transcrição, sinalizam os erros óbvios, antes que um humano veja um rascunho bruto. É um ganho genuíno de capacidade. É também, sem querer, a remoção do mecanismo exato que transformava um jovem de 22 anos em alguém de 30 em quem se pode confiar para decisões de julgamento.

A contratação de nível inicial está mesmo em colapso? O que as evidências mostram

Três fontes de dados independentes apontam na mesma direção, embora não na mesma magnitude, e é importante ser preciso sobre o que cada uma mede.

O relatório State of Talent 2026 da SignalFire, construído a partir de dados de contratação de milhares de empresas de tecnologia, grandes e financiadas por venture capital, constatou que a contratação de nível inicial e de recém-formados em grandes empregadores de tecnologia caiu cerca de 65% em relação a 2019, e cerca de 76% em startups em estágio inicial. O relatório nomeia o mecanismo diretamente: os doze a dezoito meses que um engenheiro júnior passava "escrevendo código-padrão, rodando testes unitários e fazendo depuração de rotina" agora são cobertos por assistentes de programação, então as empresas deixaram de contratar para a tarefa, e não para a pessoa.

A evidência acadêmica mais rigorosa vem do Digital Economy Lab de Stanford. Em uma análise de agosto de 2026 com dados de folha de pagamento da ADP que cobre milhões de trabalhadores, os economistas Erik Brynjolfsson, Bharat Chandar e Ruyu Chen constataram que o emprego entre trabalhadores de 22 a 25 anos em ocupações altamente expostas à IA está cerca de 19% abaixo do que estaria se tivesse acompanhado o emprego de trabalhadores da mesma faixa etária em ocupações menos expostas. Essa distância aumentou, de 15% em julho de 2025 para 19% um ano depois, sinal de que isso parece uma tendência em aceleração, e não um ajuste pontual.

O que os dados não mostram

Lido com atenção, o artigo de Stanford é mais preciso, e mais limitado, do que as manchetes sobre ele. Os pesquisadores são explícitos ao dizer que não encontram evidência de "deslocamento generalizado de empregos em toda a economia associado à IA". O efeito se concentra em ocupações específicas e altamente expostas à IA, entre elas desenvolvimento de software e atendimento ao cliente, e não no mercado de trabalho como um todo. O mecanismo é a redução da contratação de jovens, e não uma onda de demissões. Os profissionais mais velhos e experientes nas mesmas ocupações não estão vendo a mesma queda, e, onde a IA complementa em vez de substituir as tarefas humanas, o emprego entre os mais jovens está estável ou até crescendo.

A liderança do LinkedIn apontou o mesmo padrão por outro ângulo. Em um artigo de opinião no New York Times, de maio de 2025, muito comentado, Aneesh Raman, chief economic opportunity officer do LinkedIn, escreveu que vê "o primeiro degrau da escada da carreira se quebrando", citando programadores juniores cujo trabalho de depuração migrou para ferramentas de IA e paralegais de primeiro ano vendo a revisão de documentos passar para fluxos de trabalho assistidos por IA. Os próprios dados de força de trabalho do LinkedIn mostram a contratação geral ainda mais de 20% abaixo dos níveis de dezembro de 2019, um mercado de trabalho em geral mais lento que dificulta isolar o efeito específico da IA do enfraquecimento macroeconômico comum. Parte do que parece uma história de IA também é uma história de congelamento de contratações, e separar as duas com clareza continua sendo uma questão em aberto.

O resumo honesto: algo específico e real está acontecendo com a contratação de jovens em um conjunto definido de funções expostas à IA, a tendência parece estar se ampliando, e não se estabilizando, e ela não se tornou um colapso generalizado no mercado de trabalho. Planeje-se para a primeira afirmação. Mantenha o ceticismo com a segunda.

O problema da transferência de conhecimento tácito

Mesmo que os números de contratação se estabilizem, resta um segundo problema, mais silencioso: o que acontece com a qualidade dos empregos de nível inicial que continuam existindo, depois que as tarefas dentro deles são esvaziadas.

O filósofo Michael Polanyi descreveu isso como "sabemos mais do que conseguimos dizer". O julgamento especializado muitas vezes é impossível de articular por completo como uma regra. Um subscritor sênior olha um processo de empréstimo e sente que há algo errado antes de conseguir explicar por quê. Um sócio lê o memorando de um júnior e percebe que está raso antes de apontar o argumento que falta. Esse instinto é o resíduo comprimido de milhares de correções anteriores, a maioria esquecida como memória explícita e retida apenas como reconhecimento de padrões. Não dá para baixar esse resíduo. Ele se acumula por meio das tarefas específicas e tediosas que a IA agora faz mais rápido e melhor.

Isso cria um problema real de desenho, e não apenas de contratação. Um júnior que ainda é contratado, mas cujo trabalho inteiro é revisar e aprovar rascunhos gerados por IA, sem nunca produzir ele mesmo um primeiro rascunho ruim, perde a etapa em que a correção se internaliza. Revisar o trabalho de outra pessoa ensina a identificar erros. Ensina muito menos sobre o raciocínio que evita o erro desde o início, aquele que só se constrói penando na tarefa por conta própria. Esse é um dos motivos pelos quais o desenho do onboarding precisa ser reconstruído de propósito agora: o antigo padrão, entregar o trabalho braçal e deixar que se virem, não sobrevive quando não resta trabalho braçal para atribuir.

O que os juniores aprendiam, o que a IA faz hoje e como repor o aprendizado

O padrão em todas as linhas é o mesmo: o aprendizado nunca esteve em produzir o artefato. Estava na distância entre a primeira tentativa do júnior e a correção do especialista. Se a IA fecha essa distância fazendo ela mesma a primeira tentativa, a solução é reabri-la de forma deliberada, como um exercício desenhado, e não como um subproduto acidental de atribuir trabalho barato.

O problema do pipeline de seniores: o que acontece em cinco a dez anos

Esta é a parte que a maior parte da cobertura sobre IA e empregos pula, porque é uma projeção, e não uma medição, e projeções merecem mais ressalvas do que as manchetes lhes dão. Mas o mecanismo é simples o bastante: os engenheiros, analistas e associados seniores de hoje foram formados, em sua maioria, pelo trabalho braçal de nível inicial de ontem. Se esse trabalho braçal realmente rareou para a turma contratada de 2024 a 2026, quem se tornaria detentor de julgamento no início dos anos 2030 não está acumulando as repetições que antes o produziam.

O relatório da SignalFire nomeia isso diretamente, chamando de "risco sistêmico" o que surge "quando uma indústria inteira deixa de investir em talentos no início de carreira", e alertando para uma possível lacuna de liderança daqui a cinco a dez anos. É uma afirmação de uma gestora de venture capital com seu próprio incentivo para manter as empresas do portfólio contratando talentos juniores, então trate-a como hipótese, não como fato. Mas a lógica de fundo não depende de quem a diz: a expertise leva anos para se construir, esse tempo hoje fica sem contabilização quando as tarefas que a construíam são automatizadas, e nenhum mecanismo substituto comprovado opera em escala ainda. Uma organização que esvazia seu pipeline de juniores por três anos seguidos sem substituir deliberadamente o ciclo de aprendizado faz uma aposta sobre seu banco de reservas de 2032 que provavelmente não precificou. A mesma lógica explica por que a estratégia de talentos em IA agora precisa incluir uma decisão genuína de construir ou comprar a própria expertise, e não só a conta de quadro de pessoal: comprar talento sênior de um grupo cada vez menor, ou formá-lo internamente com um aprendizado redesenhado. O que uma empresa deve aos juniores que contrata, já que o antigo acordo de formação por acidente não vale mais, é exatamente o tipo de pergunta que o contrato social da IA no trabalho pede que os empregadores respondam com honestidade, em vez de por omissão.

A IA também pode transferir conhecimento tácito? A evidência em contrário

O quadro não é puramente de subtração, e um artigo justo precisa dizer isso. Há evidência real de que, implantada de um modo específico, a IA pode encurtar a distância entre um novato e um especialista, em vez de apenas remover as repetições de prática do novato.

O exemplo mais claro é um estudo em larga escala dos economistas Erik Brynjolfsson, Danielle Li e Lindsey Raymond, publicado no Quarterly Journal of Economics, com mais de 5.000 agentes de atendimento ao cliente que receberam um assistente de IA generativa. A produtividade média subiu 14%, mas o ganho foi desigual: os agentes novatos e de menor qualificação melhoraram 34%, enquanto os mais experientes quase não se mexeram. A explicação importa: a ferramenta havia aprendido os padrões dos melhores agentes da empresa e levava essa expertise destilada a todos os outros em tempo real, funcionando menos como um atalho que contorna a curva de aprendizado e mais como um coach ao lado do ombro do novato.

Essa distinção, a IA como mecanismo de transferência de conhecimento versus a IA como mecanismo de remoção de tarefas, é em grande parte uma escolha de desenho, e não um fato sobre a tecnologia. Uma ferramenta que mostra "veja como alguém de alto desempenho formularia isto" ensina. Uma ferramenta que simplesmente responde ao cliente diretamente não ensina. A maioria das empresas adota por padrão a segunda opção, mais rápida, porque é a que aparece numa métrica de produtividade no próximo trimestre. David Autor defende um argumento relacionado, e mais otimista, em seu artigo de 2024 no NBER, sustentando que a oportunidade real da IA é estender o apoio à decisão de nível especialista a trabalhadores sem credenciais formais, em medicina, direito e ofícios qualificados, democratizando de fato uma versão da expertise que antes exigia anos de aprendizado para ser conquistada. Ele a apresenta como o que é possível, e não como uma previsão do que as empresas escolherão construir.

O que os líderes podem fazer de fato

Nenhuma das soluções abaixo é exótica. São substitutos deliberados de um mecanismo de aprendizado que antes acontecia automaticamente, como efeito colateral de um trabalho humano caro, e que agora precisa ser desenhado de propósito.

Trate a prática deliberada como um item de orçamento, não como um luxo

A pesquisa do psicólogo Anders Ericsson sobre expertise constatou que as horas brutas no trabalho não constroem habilidade; a prática estruturada, com feedback rápido e específico, constrói. Antes da IA, o trabalho braçal dos juniores entregava as duas coisas por acidente. Agora os líderes precisam recolocar as repetições de propósito: dar aos juniores uma tarefa que a IA poderia fazer, deixá-los tentar sem ajuda primeiro e depois comparar. Isso custa um tempo que antes era de graça. Faça o orçamento como de qualquer outro investimento em capacidade, porque é isso que ele é.

Faça da revisão da saída da IA um exercício de formação, não só uma barreira de QA

A maioria das empresas já tem juniores revisando rascunhos gerados por IA antes de eles seguirem adiante. Poucas tratam essa revisão como instrutiva. A solução é de procedimento: peça que o júnior anote, com as próprias palavras, o que mudaria e por quê, antes que um revisor experiente opine, e depois compare os dois. A diferença é a lição, a mesma que uma edição a caneta vermelha costumava ensinar, só que em outro lugar. Ferramentas de workflow que registram quem revisou o quê e por quê transformam isso em um histórico de formação pesquisável, em vez de uma conversa perdida no Slack, e funcionam também como defesa contra o tipo de saída sem revisão e sem fundamento que aparece depois como workslop.

Faça os juniores circularem por tarefas em vez de ficarem numa única fila

Quando todo o trabalho de um júnior passa a ser supervisionar um único workflow de IA, ele ganha profundidade em um ciclo estreito e nenhum contato com as decisões de julgamento adjacentes que um trabalho mais bagunçado e menos automatizado oferecia de graça. Um rodízio deliberado, três meses em apoio à pesquisa, três em revisão de análises, três acompanhando chamadas com clientes, reconstrói essa amplitude de propósito.

Redesenhe a mentoria em torno da explicação, não da atribuição

O modelo antigo de mentoria muitas vezes funcionava pela proximidade: o júnior sentava perto de um sênior, via como ele trabalhava e absorvia as normas passivamente. O trabalho remoto e cada vez mais mediado por IA reduziu esse canal, sobretudo à medida que mais equipes operam como equipes humano-agente dentro do que alguns chamam de a frontier firm. A solução é fazer da mentoria um ato explícito de narrar o julgamento: seniores explicando aos juniores por que sobrescreveram uma recomendação da IA, e não apenas que o fizeram. Isso só funciona onde os colaboradores juniores se sentem seguros para admitir confusão diante de um sênior, uma questão de segurança psicológica tanto quanto de formação, e onde os erros são tratados como informação, a diferença entre uma cultura de culpa e uma cultura de aprendizado.

Nada disso exige frear a adoção da IA. Exige aceitar que o antigo aprendizado funcionava com um subproduto da ineficiência e que, uma vez que a ineficiência acaba, o aprendizado precisa ser reconstruído como um sistema deliberado próprio, dentro de qualquer plano de gestão de mudanças em IA que já esteja levando workflows agênticos e uma cultura nativa de IA ao restante da organização. Pule essa etapa e a lacuna não se anuncia. Ela apenas se acumula em silêncio como dívida cultural de IA que aparece anos depois, num banco de lideranças que não existe.

Fatos principais

• A contratação de nível inicial e de recém-formados em grandes empresas de tecnologia caiu cerca de 65% em relação a 2019, e cerca de 76% em startups em estágio inicial. Fonte: SignalFire State of Talent Report, 2026
• O emprego de trabalhadores de 22 a 25 anos em ocupações altamente expostas à IA está cerca de 19% abaixo do que estaria de outra forma, ante uma diferença de 15% um ano antes, impulsionado pela redução das contratações, e não pelo aumento das demissões. Fonte: Stanford Digital Economy Lab, "Canaries in the Coal Mine," agosto de 2026
• A contratação geral nos EUA permanece mais de 20% abaixo dos níveis de dezembro de 2019, um pano de fundo mais amplo do mercado de trabalho que dificulta isolar um efeito específico da IA. Fonte: LinkedIn Economic Graph Workforce Report, janeiro de 2026
• O acesso a um assistente de IA generativa elevou a produtividade dos agentes de atendimento ao cliente em 14% em média, e em 34% para os agentes novatos, ao levar a eles os padrões de quem tem melhor desempenho. Fonte: Brynjolfsson, Li e Raymond, "Generative AI at Work," NBER / Quarterly Journal of Economics
• O efeito da IA sobre a expertise depende de ela automatizar as tarefas de rotina que constroem o julgamento ou as tarefas especializadas que o utilizam, com efeitos opostos sobre salários e emprego. Fonte: Autor e Thompson, "Expertise," NBER, 2025