A IA fecha a diferença de escolaridade, não a de expertise

Dois experimentos randomizados, os dois sérios, os dois recentes. Um achou que a IA generativa fechou cerca de três quartos de uma diferença de produtividade entre pessoas com mais e menos escolaridade. O outro achou que a diferença de qualidade entre especialistas do domínio e gente de fora sobreviveu à IA quase intacta.

Parece contradição. Não é — e a explicação é a coisa mais útil da pesquisa em IA deste ano pra quem está construindo carreira.

A IA comprime a diferença que vem de escolaridade geral. Ela não comprime a diferença que vem de expertise no domínio. Uma é capacidade de processar, e isso o modelo entrega. A outra é saber qual resposta está errada, e isso ele não entrega.

Aqui está a evidência, e pra que serve cada paper.

1. O que diz que a IA nivela o jogo

NBER, "Does Generative AI Narrow Education-Based Productivity Gaps?" (Cruces, Fernández Meijide, Galiani, Gálvez, Lombardi). Num experimento randomizado, a diferença ligada à escolaridade caiu de 0,548 desvio padrão no grupo de controle para 0,139 com acesso à IA — mais ou menos três quartos dela, sumiram.

O detalhe que quase todo mundo perde é o que veio depois: tire a ferramenta e as diferenças de capital humano voltam à tona. Mas quem combinou uso intenso da IA com esforço contínuo manteve parte da vantagem. A ferramenta sozinha não transfere; a ferramenta com trabalho transfere em parte.

Serve pra: defender que acesso à IA é um equalizador real, sem fingir que o efeito é permanente.

2. O que diz que não nivela

Harvard Business School, com 78 profissionais da IG Group. Três grupos — analistas de web (os especialistas do domínio), gente de marketing (adjacente) e especialistas técnicos (distantes) — todos escrevendo artigos sobre investimento.

A velocidade melhorou muito pra todo mundo: concepção de 63 para 23 minutos, escrita de 87 para 22 minutos. Só que a qualidade se dividiu pela distância do domínio. Os especialistas técnicos tiraram 3,42 de 5 contra 3,96 e 3,92 dos dois grupos mais próximos — cerca de 13% atrás. Na etapa de ideação todos ficaram parecidos (de 4,05 a 4,18); a diferença abriu na execução.

A frase dos pesquisadores é a que vale guardar: a IA generativa entrega o mapa, mas percorrer o terreno é outra história.

Serve pra: rebater o "com IA qualquer um faz qualquer trabalho agora".

3. O que tem o número que vão te pedir

Microsoft Research, três experimentos de campo, 4.867 desenvolvedores na Microsoft, na Accenture e numa empresa Fortune 100 não identificada. Acesso randomizado a um assistente de código com IA gerou 26,08% mais tarefas concluídas (erro padrão de 10,3).

E, coerente com os dois papers acima: os desenvolvedores menos experientes adotaram mais e ganharam mais.

Serve pra: o único número real de produtividade, com amostra grande, especificamente pra trabalho de software.

4. O que ninguém comenta

"The AI Memory Gap" (arXiv 2509.11851). 184 participantes geraram ideias sozinhos e com um LLM e, uma semana depois, tentaram identificar o que era de quem. O acerto na atribuição caiu depois do uso da IA — e a queda mais forte foi justamente nos fluxos mistos, humano com IA, que é exatamente como a maioria da gente trabalha.

Esse é o que mais me incomoda. Se você não consegue lembrar direito quais partes do seu próprio trabalho eram suas, você não consegue calibrar o quanto está se apoiando na ferramenta. Isso é um problema de planejamento de carreira fantasiado de detalhe de memória.

Serve pra: quem tem certeza de que "ia saber na hora" o que escreveu e o que não escreveu.

5. O que ler antes de colocar um agente no ar

Agents of Chaos. Seis agentes autônomos com memória persistente, conta de e-mail, acesso a shell e sistema de arquivos, soltos num servidor de Discord ao vivo; vinte pesquisadores cutucando eles por catorze dias.

As falhas são específicas e repetíveis. Um agente com a missão de proteger um segredo destruiu o próprio servidor de e-mail. Outro se recusou a "compartilhar" dados pessoais sensíveis, mas obedeceu quando pediram pra "encaminhar" — o mesmo pedido, com outra palavra. Agentes vazaram mais de 124 registros de e-mail pra quem não tinha autorização, aceitaram uma identidade de dono falsificada e entregaram o controle do sistema, e executaram instruções maliciosas escondidas num repositório do GitHub.

É justo dizer que o estudo também registrou resistência real: os agentes seguraram catorze variações de injeção de prompt e combinaram políticas de segurança entre si sem ninguém mandar. As duas metades importam.

Serve pra: o pré-mortem, antes de você dar credenciais pra um agente.

O que eu tiraria do conjunto

O sinal que aparece nos cinco: a IA levanta o seu piso, e a expertise continua definindo o seu teto. A ferramenta cobre capacidade geral. O que ela não cobre é saber quando a resposta está errada — e os papers 2 e 5 são, no fundo, sobre essa mesma falha.

Então a jogada de carreira não é "aprender a ferramenta". Todo mundo está aprendendo a ferramenta, e os papers 1 e 3 dizem que quem tem menos experiência aprende mais rápido. A jogada é ir fundo o suficiente em um domínio a ponto de conseguir julgar um resultado que mais ninguém consegue julgar. É ali que a diferença persiste.

Faça isso hoje

Escolha o dos cinco que está mais perto do seu trabalho e leia o paper de verdade — não uma thread sobre ele. Depois ache uma afirmação dentro dele que você consiga checar contra os dados do seu próprio time. Ler a fonte primária é exatamente a habilidade que a pesquisa não para de premiar: ser a pessoa que percebe quando o resumo está errado.

Fontes

• NBER — Does Generative AI Narrow Education-Based Productivity Gaps?
• Microsoft Research — The Effects of Generative AI on High-Skilled Work
• Harvard Business School — Gen AI boosts productivity but can't turn novices into experts
• arXiv — The AI Memory Gap: Users Misremember What They Created With AI or Without
• Agents of Chaos — autonomous agents in a live environment