A tese de que só quem dominou um ofício consegue avaliar o que a IA entrega desloca o debate de produtividade para supervisão qualificada. Para empresas, o recado é direto: sem especialistas no circuito de revisão, ganhos de escala viram risco operacional, jurídico e de segurança.
Introdução contextual
A adoção corporativa de inteligência artificial chegou a um ponto de inflexão em que a pergunta relevante deixou de ser "podemos usar?" e passou a ser "como sabemos que está funcionando bem?". A coluna de Pedro Doria publicada em O Globo em 3 de novembro de 2026 sintetiza essa tensão com uma formulação simples e desconfortável: é preciso experiência humana para ver se a IA trabalha bem, porque o veterano reconhece a qualidade do que a ferramenta produz justamente por ter passado anos executando aquele mesmo trabalho.
A observação não é nostálgica nem defensiva em relação à tecnologia. É um argumento sobre critério. Avaliar output de IA exige um repertório que não se improvisa: conhecimento tácito de domínio, sensibilidade a exceções, memória de erros passados e noção de consequência. Sem esse repertório, a organização não valida resultado — apenas aceita aparência de resultado. É nessa distância entre aparência e substância que se acumulam riscos operacionais, jurídicos e de segurança.
Esta análise da WSVP contextualiza o argumento, traduz impactos concretos para empresas e propõe um caminho de implementação que trate experiência humana não como gargalo, mas como infraestrutura de controle.
O que aconteceu
Na coluna, o autor sustenta que a capacidade de julgar a produção de um sistema de IA está diretamente ligada à familiaridade profunda com o ofício em questão. Quem passou anos fazendo o trabalho reconhece nuances que um avaliador genérico não percebe: um número plausível mas errado, um texto fluente mas vazio, um código que compila mas não escala, um laudo que cobre o essencial mas omite a exceção decisiva.
O ponto central é que a IA generativa otimiza para plausibilidade estatística, não para verdade factual nem para adequação contextual. Isso significa que a saída tende a ser convincente por construção. Ferramentas como modelos de linguagem de grande porte produzem respostas coerentes na forma e, com frequência, frágeis no conteúdo — fenômeno amplamente documentado na literatura técnica sobre alucinação e avaliação de modelos.
A coluna também implícita uma hierarquia de valor: a IA amplia a produtividade de quem já domina o domínio, mas não substitui o julgamento que define o que é bom. O veterano não é obstáculo à automação; é o instrumento de calibração dela.
Por que isso importa para empresas
Organizações que tratam IA como caixa-preta de produtividade correm o risco de confundir velocidade com qualidade. O argumento da experiência humana tem consequências práticas imediatas em pelo menos cinco frentes:
- Qualidade de entrega: sem revisores sêniores no circuito, erros sutis passam e se propagam em escala. Um defeito sistêmico em um fluxo automatizado contamina centenas de entregas antes de ser detectado.
- Custo oculto de retrabalho: a economia de horas na produção pode ser consumida múltiplas vezes na correção, no atendimento a reclamações e na reparação de reputação.
- Deslocamento de competência: ao reduzir posições júniores, as empresas podem erodir o pipeline que formaria os especialistas capazes de avaliar a IA no futuro. É um déficit com defasagem de cinco a dez anos.
- Assimetria de informação: gestores sem domínio técnico do processo não conseguem distinguir um bom resultado de um resultado apenas bem apresentado, o que compromete decisões de investimento e de expansão.
- Responsabilização: quando algo dá errado, a pergunta regulatória e contratual é quem validou. "O sistema gerou" não é defesa jurídica nem justificativa aceitável perante clientes.
O recado executivo é que a experiência humana é um ativo de controle, não um custo a ser eliminado. Empresas que a preservam no circuito de decisão conseguem escalar IA com risco gerenciável; as que a dispensam escalam incerteza.
Impacto para cibersegurança, governança, IA e continuidade
Cibersegurança
Ferramentas de IA já são usadas para triagem de alertas, análise de código e resposta a incidentes. Um analista experiente reconhece um falso positivo que um modelo classifica como crítico e identifica um falso negativo que passa despercebido. Sem esse filtro, equipes de segurança sofrem fadiga de alertas e podem ignorar o incidente real. Além disso, a supervisão humana é barreira contra manipulação de modelos — prompt injection, envenenamento de dados e uso indevido de agentes autônomos com permissões excessivas.
Governança
Estruturas de governança de IA — comitês, políticas de uso aceitável, inventário de modelos, avaliação de risco — só funcionam se houver pessoas capazes de julgar tecnicamente o que está sendo governado. Governança sem competência técnica vira conformidade de papel. O argumento da coluna reforça a necessidade de definir quem é o revisor qualificado para cada caso de uso, com critérios explícitos de aceite e trilha de auditoria.
Inteligência artificial
Do lado de engenharia, a tese se traduz em avaliação humana estruturada: conjuntos de teste com casos reais, revisão por especialistas de domínio, métricas que capturem adequação e não apenas fluência. Práticas como avaliação por pares, red teaming e revisão amostral obrigatória são mecanismos para transformar experiência tácita em controle operacional.
Continuidade de negócios
Dependência de IA sem retenção de conhecimento crítico cria risco de continuidade. Se o especialista que sabia validar o processo sai e não há documentação nem sucessão, a organização perde a capacidade de operar com segurança. A experiência humana precisa ser capturada em playbooks, critérios de aceite e bases de casos — não apenas mantida na cabeça de poucos.
Leitura executiva da WSVP
A WSVP entende que a coluna formula, em linguagem acessível, um princípio que a prática de mercado vem confirmando: a IA desloca o valor do executors para o avaliador. Em processos maduros, o trabalho humano migra da produção para a definição de critérios, a supervisão e o tratamento de exceções. Isso não reduz a importância das pessoas — reposiciona.
Três implicações merecem atenção da liderança:
- Revisão qualificada é controle interno. Deve ser desenhada, orçada e auditada como qualquer outro controle, com amostragem, registro e responsável nomeado.
- Produtividade não é throughput. Medir IA apenas por volume entregue incentiva aceitação acrítica. Métricas devem incluir taxa de correção, incidência de erro e custo total de retrabalho.
- Capital humano é infraestrutura. Cortar posições de entrada sem plano de formação de especialistas compromete a capacidade futura de avaliar sistemas cada vez mais sofisticados.
Uma organização que não consegue explicar por que um resultado de IA está correto não está usando IA: está terceirizando julgamento para um sistema que não responde por ele.
A leitura da WSVP é que o tema deixa de ser filosófico e se torna operacional. Empresas com governança madura já estão convertendo a tese em política: quem revisa, com que critério, com qual evidência e com qual escalonamento quando o revisor não tem certeza.
Recomendações práticas
- Mapeie casos de uso por criticidade e defina, para cada um, o perfil de revisor qualificado e o nível de supervisão exigido (revisão total, amostral ou por exceção).
- Institua critérios de aceite explícitos por tipo de entrega, com exemplos de erros típicos e testes de regressão que capturem falhas conhecidas.
- Mantenha especialistas no circuito mesmo em fluxos automatizados, com tempo protegido para revisão e autoridade para bloquear entregas.
- Meça qualidade, não apenas volume: acompanhe taxa de correção pós-entrega, incidentes por mil outputs e custo de retrabalho como indicadores de primeira linha.
- Preserve o pipeline de competência: garanta que posições júniores continuem formando profissionais capazes de avaliar o trabalho que a IA executa.
- Documente o conhecimento tácito em playbooks, bases de casos e checklists, reduzindo dependência de indivíduos e fortalecendo continuidade.
- Aplique o princípio à segurança: exigência de revisão humana para ações de alto impacto executadas por agentes automatizados, com permissões mínimas e registro completo.
- Leve o tema à governança formal: inclua supervisão qualificada no inventário de riscos de IA e reporte seu desempenho ao comitê responsável.
Fontes consultadas
- O Globo — Pedro Doria: "É preciso experiência humana para ver se a IA trabalha bem"
- NIST — AI Risk Management Framework
- ISO/IEC 42001 — Sistemas de gestão de inteligência artificial
- OWASP — Top 10 para aplicações de LLM
Disclaimer
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.


