A recontratação de funcionários demitidos por causa de inteligência artificial virou uma realidade que muita gente não esperava ver tão cedo.
E o dado que resume esse cenário é bem direto: quase 1 em cada 3 gerentes de contratação nos Estados Unidos admitiram ter dispensado alguém com a justificativa de que a IA assumiria o trabalho — e depois precisaram voltar atrás.
Não é um fenômeno isolado.
Empresas como Ford, Commonwealth Bank of Australia e IBM já passaram por isso na prática, e cada uma delas aprendeu da forma mais cara possível que existe uma diferença enorme entre automatizar tarefas e substituir funções inteiras.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
O que esses casos têm em comum é simples de entender:
- A automação funcionou bem até o momento em que não funcionou mais
- Os problemas que sobraram foram exatamente os mais complexos
- E foi aí que a falta de pessoas qualificadas começou a pesar no resultado
Não tem alarmismo aqui, nem romantização do trabalho humano.
O que tem é um padrão real, documentado, que vale a pena entender antes de tomar qualquer decisão sobre demissões e qualidade do trabalho na era da IA. 🤖
O que os números dizem sobre demissões e IA
Segundo dados citados pela CNBC, a empresa de recrutamento Robert Half constatou que quase 1 em cada 3 gerentes de contratação nos Estados Unidos chegou a cortar uma posição justificando a decisão pela inteligência artificial, apenas para depois trazer alguém de volta para aquela mesma função ou para uma equivalente. O motivo não foi arrependimento emocional. Foi uma questão prática: as entregas pararam de funcionar no nível esperado, o volume de trabalho não caiu como o previsto e os processos internos foram perdendo consistência. O problema não estava na IA em si, mas na forma como a decisão de cortar pessoas foi tomada sem um diagnóstico claro de quais funções podiam ser realmente substituídas e quais apenas se beneficiariam de suporte tecnológico.
Um relatório da consultoria Orgvue, também mencionado pela CNBC, reforçou esse cenário de forma ainda mais direta. Entre os líderes empresariais que eliminaram vagas como parte de uma implementação de IA — um grupo que representava 39% dos entrevistados —, mais da metade, ou seja, 55%, admitiu depois que os cortes tinham sido um erro. Esse número é revelador porque não vem de críticos externos, e sim dos próprios gestores que tomaram a decisão. Quando mais da metade de quem apostou na substituição reconhece publicamente que se equivocou, fica claro que não estamos falando de casos pontuais, e sim de um padrão que se repete em diferentes setores e empresas de portes variados.
Outro ponto que chama atenção é que esse ciclo de demissão e recontratação ganhou força justamente num momento em que os cortes ligados à IA vinham subindo. De acordo com a firma de recolocação Challenger, Gray & Christmas, a inteligência artificial foi a principal razão declarada para demissões em todos os setores dos Estados Unidos por três meses seguidos, e em maio os cortes relacionados à IA chegaram a 38.579 — cerca de 40% de todas as demissões anunciadas naquele mês, o maior total mensal desde que a categoria começou a ser monitorada, em 2023. Ou seja, ao mesmo tempo em que as empresas cortavam com base em promessas de automação, muitas já começavam a perceber que teriam de recontratar. 📊
Casos reais que mostram onde a automação encontrou seus limites
A Ford é um dos exemplos mais claros de quando a automação agressiva precisa de correção de rota. Ao longo dos últimos três anos, a montadora contratou 350 engenheiros veteranos para resolver problemas de qualidade nos veículos que os sistemas automatizados simplesmente não conseguiam identificar. Charles Poon, vice-presidente de engenharia de hardware da Ford, admitiu que a empresa havia partido da suposição equivocada de que bastaria alimentar a IA com os requisitos de projeto para obter um produto de alta qualidade, sem a supervisão de profissionais experientes. Os engenheiros que voltaram reformularam as ferramentas de IA e passaram a liderar as sessões de resolução de problemas. O CEO Jim Farley afirmou que esse esforço já gerou centenas de milhões de dólares em economia, graças à queda nas despesas com garantia e recall.
O Commonwealth Bank of Australia passou por uma situação diferente, mas com a mesma raiz. No ano passado, o banco cortou mais de 40 posições de atendimento ao cliente e colocou no lugar um assistente de voz baseado em IA, na expectativa de reduzir custos e manter o serviço funcionando. O que aconteceu foi o contrário: a tecnologia não deu conta da carga de trabalho e provocou um aumento no volume de chamadas em vez de diminuí-lo. Diante disso, o CBA reverteu os cortes. A instituição reconheceu, em comunicado oficial, que não havia considerado adequadamente todas as questões relevantes de negócio quando anunciou as demissões. A qualidade do trabalho só voltou aos níveis anteriores depois que o equilíbrio entre humano e tecnologia foi restabelecido.
Já a IBM viveu um capítulo bastante ilustrativo com um sistema de IA implementado para assumir tarefas de recursos humanos. A ferramenta conseguiu resolver cerca de 94% das solicitações recebidas, o que à primeira vista parece um número excelente. O problema estava justamente nos 6% restantes, que incluíam situações envolvendo julgamento ético e decisões sensíveis — exatamente onde a automação completa esbarra em seus limites. Como resposta, a IBM anunciou planos de triplicar as contratações de nível inicial nos Estados Unidos em 2026, em todas as suas unidades de negócio. Nickle LaMoreaux, diretora de recursos humanos da empresa, resumiu o raciocínio em um evento em Nova York: se a companhia não continuar investindo em contratações de entrada, daqui a três ou cinco anos não haverá mais funil de talentos, e o poço simplesmente seca. 🏥
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Por que a qualidade do trabalho é o termômetro mais honesto dessa equação
Quando as empresas avaliam a adoção de inteligência artificial com foco exclusivo em redução de custos, elas costumam medir o sucesso pelo que deixou de ser gasto, não pelo que passou a ser entregue. Esse ponto cego é exatamente onde o problema começa a se formar. A qualidade do trabalho é o indicador que mais demora a aparecer nos relatórios financeiros, mas é o mais honesto sobre o que está acontecendo de verdade dentro da operação. Quando um cliente começa a notar que as respostas estão mais genéricas, que os erros estão aumentando ou que os prazos estão escorregando, isso não aparece de imediato no balanço — mas aparece nos índices de retenção, na reputação da marca e, eventualmente, na receita. As empresas que entraram no ciclo de demissões seguidas de recontratação são, em boa parte, aquelas que demoraram para perceber que o termômetro certo não era o financeiro de curto prazo.
A automação funciona muito bem quando o trabalho que ela assume é repetitivo, previsível e de baixa variação contextual. Processamento de dados estruturados, triagem de documentos padronizados, respostas a perguntas frequentes com scripts bem definidos — essas são áreas onde os modelos de inteligência artificial entregam ganhos reais e consistentes. O problema aparece quando a lógica de corte de pessoal vai além dessas fronteiras e começa a atingir funções que parecem repetitivas na superfície, mas que na prática dependem de adaptação constante. Um redator que escreve relatórios técnicos, um analista que interpreta comportamento de clientes ou um engenheiro que resolve problemas de qualidade em uma linha de produção não estão fazendo trabalho padronizado — estão exercendo julgamento contextual o tempo todo, e é exatamente esse tipo de julgamento que ainda escapa dos modelos atuais quando o nível de exigência sobe.
Vale destacar também que parte das empresas foi criticada por usar a inteligência artificial como explicação pública para demissões que, na verdade, tinham outras motivações — uma prática que alguns especialistas em gestão apelidaram de AI-washing. Isso torna o cenário ainda mais complexo, porque nem todo corte anunciado como consequência da IA foi realmente causado por ela. O que os casos da Ford, do Commonwealth Bank e da IBM mostram, no fim das contas, é que a tecnologia e as pessoas, quando bem posicionadas, entregam mais juntas do que qualquer uma das duas sozinha. As empresas que aprenderam isso da forma difícil estão, hoje, estruturando seus processos de uma maneira diferente: a automação entra onde faz sentido, e as pessoas ficam onde o julgamento ainda não pode ser replicado. 💡
