Em Pauta

INTELIGÊNCIA HUMANA: A NOVA PROTAGONISTA por Marcelo Murilo

A Inteligência Artificial barata prometia tirar o humano de cena. Fez o contrário: recolocou a Inteligência Humana como protagonista. Para o Conselho e o RI, protagonismo virou decisão de governança, não consequência da tecnologia.

2025 e 2026 foram vendidos como o fim da vez do humano. Era o ano dos agentes, a temporada em que a máquina assumiria o trabalho e a pessoa sairia de cena. A realidade entregou outro roteiro. A Klarna cortou centenas de posições de atendimento apostando em IA e, quando a qualidade caiu, voltou a contratar gente para o atendimento humano. Em março de 2026, o teste ARC-AGI-3 registrou 0,37% de acerto do melhor modelo do mundo, contra 100% de um humano comum. A máquina ficou extraordinária em quase tudo e continua sem saber quando não sabe.

Guarde essa inversão, porque ela reorganiza o jogo, inclusive para quem responde por uma companhia aberta. A inteligência virou barata, abundante e intercambiável. O que ficou caro foi a inteligência humana, e ela não voltou como coadjuvante de segurança da máquina. Voltou como protagonista. A tese deste artigo é direta: protagonismo humano não é consequência automática da tecnologia, é decisão de governança, e a companhia que não a toma de forma deliberada acumula um risco que ainda não sabe medir.

O gargalo nunca foi o modelo
O discurso da autonomia total encontrou um muro feito de dados. O estudo NANDA, do MIT, de 2025, analisou centenas de implementações corporativas de IA generativa e concluiu que 95% delas não geraram impacto mensurável no resultado, apesar de dezenas de bilhões de dólares investidos. O Gartner reforçou pelo outro lado, ao prever que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos que escalam e valor de negócio indefinido.

O incômodo desses números é que eles não acusam a tecnologia. Acusam a execução. O modelo está pronto, é barato e está disponível. O que falhou foi a decisão sobre o que fazer com ele, quando usá-lo e quando não usar. Automatizar um processo ruim entrega um processo ruim mais rápido. O ganho nunca veio da licença comprada, veio da reengenharia do fluxo, e essa é uma tarefa de gente.

Há um detalhe que agrava o diagnóstico. O estudo do MIT mede retorno em cerca de seis meses, um horizonte curto, e ainda assim a maioria dos projetos não aparece. Não é que o resultado virá mais tarde. É que ele não vem quando a adoção é tratada como compra de ferramenta, e não como redesenho de processo com dono claro. O que a tabela abaixo mostra, lida em conjunto, é um padrão, não uma coincidência.

Tabela 1 | O gargalo não é o modelo: o que os dados mostram

Fontes primárias das instituições citadas. Acesso em setembro de 2026. Os percentuais de Harvard e BCG referem-se à condição com GPT-4 e treino de prompt.

Há um traço da própria máquina que torna a decisão indelegável. O agente não erra como um humano erra. Ele não hesita, não pede confirmação, não percebe que está fazendo besteira. Executa com convicção total. Por isso a supervisão humana não é desconfiança, é arquitetura. O humano no circuito não está lá porque a máquina é burra, está lá porque a máquina não sabe quando não sabe.

Barata a inteligência, cara a pessoa
Toda vez que um insumo escasso vira abundante, o valor migra para a camada de cima. Quando a eletricidade barateou, o diferencial deixou de ser ter energia e passou a ser o que se fazia com ela. Quando a banda larga virou commodity, ganhou quem desenhou o melhor serviço em cima, não quem tinha o cabo. A história econômica é teimosa nesse ponto, e com a inteligência artificial a física é a mesma.

O preço confirma o diagnóstico. Segundo o AI Index 2025, de Stanford, consultar um modelo com desempenho equivalente ao GPT-3.5 ficou mais de 280 vezes mais barato entre novembro de 2022 e outubro de 2024, cerca de 99%. E a corrida entre potências praticamente empatou: pela edição 2026 do mesmo AI Index, a diferença entre o melhor modelo americano e o melhor modelo chinês caiu para 2,7% em março de 2026. Quando a distância entre o líder e o vice cabe dentro de um arredondamento, a matéria-prima virou commodity.

Essa bifurcação tem consequência prática para quem aloca capital. A liderança em modelos de peso aberto, aqueles que qualquer empresa baixa e roda dentro de casa, migrou para famílias chinesas como Qwen e DeepSeek, que puxaram para baixo o teto do que se consegue quase de graça. Existem, na prática, dois mercados. Uma fronteira cara, para as poucas tarefas que exigem o topo absoluto, e um território enorme de inteligência quase gratuita para todo o resto. Para a companhia, pagar pelo topo só se justifica onde a fronteira é indispensável. No resto, o diferencial não está no modelo contratado, está no que se constrói em cima dele.

Existe um arcabouço preciso para descrever o que sobra de valor. Em Prediction Machines, os economistas Ajay Agrawal, Joshua Gans e Avi Goldfarb mostram que a IA colapsa o custo de uma coisa específica, a predição. Ela ficou barata. Mas predição não é decisão. A decisão exige julgamento, o discernimento sobre o que fazer com a previsão, a que custo e a serviço de qual objetivo. O valor subiu um andar e parou numa camada que é humana, feita de contexto, discernimento e responsabilidade por uma decisão que tem CPF.

A fronteira serrilhada e o que só o humano enxerga
Convém entender por que a máquina é ao mesmo tempo tão boa e tão pouco confiável. Ethan Mollick, da Wharton, e seus coautores cunharam a expressão fronteira serrilhada para descrever o fenômeno: a IA é sobre-humana em tarefas que parecem dificílimas e falha em coisas triviais, sem que você consiga prever qual é qual antes de testar. Não há uma linha limpa entre o que a máquina domina e o que ela erra. Há um recorte irregular, e enxergar esse recorte é trabalho humano.

Um estudo de Fabrizio Dell'Acqua e colegas, de Harvard e BCG, com mais de 750 consultores, mediu o preço de não enxergar. Numa tarefa dentro da zona de competência da máquina, a IA turbinou o resultado. Numa tarefa fora dessa zona, quem trabalhou sem IA acertou 84,5%, enquanto quem confiou nela caiu para 70,6%. A ferramenta não errou sozinha. Errou quem decidiu confiar nela no lugar errado. Existe uma classe de problemas em que a fronteira está se abrindo, não fechando, e o humano segue imbatível. Saber em qual classe você está é a competência do momento.

Há uma assimetria perigosa nesse recorte. Quando a máquina acerta, acerta rápido e barato. Quando erra, também erra rápido e sem hesitar, porque não percebe que está errando. O custo de um erro não vem com aviso prévio. Por isso a pessoa certa, com repertório para reconhecer o limite da máquina, precisa estar posicionada exatamente onde o estrago seria maior, e não no fim burocrático da fila. O valor dela não está em fazer mais rápido o que a IA já faz. Está em saber quando não confiar no que a IA propôs.

Protagonista ou figurante
Aqui está a distinção que importa para quem decide. Manter uma pessoa no circuito, o famoso humano no loop, não garante protagonismo. Garante presença. E presença sem competência e sem autoridade é figuração.

O protagonista é quem tem repertório para avaliar o que a máquina propõe e poder real para dizer não. O figurante é quem apenas aprova, porque não tem tempo, não tem contexto ou não tem mandato para divergir. A diferença não aparece no organograma. Aparece no momento em que o modelo sugere algo perigoso e alguém precisa parar a linha. Se essa pessoa existe, tem competência e pode vetar, você tem controle. Se ela só assina, você tem um carimbo caro vestido de governança.

Tabela 2 | Protagonista ou figurante: o que separa os dois

O mercado inteiro aprendeu essa lição pelo bolso. Não venceu quem cria os agentes mais sofisticados. Venceu quem sabe controlá-los. E o desenho desse controle é concreto: identidade própria por agente, com escopo limitado à tarefa, em vez de deixar o software herdar todo o acesso de uma pessoa. Protagonismo humano precisa de dono. A McKinsey observou que apenas cerca de 28% das organizações colocam o próprio CEO à frente da supervisão da governança de IA. Nas demais, a responsabilidade fica difusa, e responsabilidade difusa é protagonismo abandonado.

Para uma companhia aberta, essa distinção tem peso jurídico. A decisão continua tendo um responsável de carne e osso, com dever de diligência e de prestar contas, e isso não se transfere para um fornecedor de software nem para um modelo. Quando um agente automatiza um processo que afeta resultado, cliente ou informação ao mercado, alguém responde pelo que ele fez. Definir de antemão quem é esse alguém, com competência e mandato reais, é o que separa governança de encenação. O protagonista não é quem usa mais IA. É quem responde pela decisão que ela ajudou a tomar.

A armadilha da atrofia
Existe um risco silencioso nessa história, e ele é o oposto do que se teme. O medo comum é a máquina substituir a pessoa. O risco real, mais próximo, é a pessoa entregar o próprio pensamento à máquina e, aos poucos, perder a capacidade de pensar sem ela. Chamo isso de atrofia, e ela não aparece no trimestre. Aparece quando a empresa mais precisa de julgamento e descobre que ninguém o exercita há meses, porque o discernimento, como qualquer músculo, definha sem uso.

Não é alarmismo, é o eixo de um debate que amadureceu, e não por acaso é o coração do 27º Congresso do IBGC, que em outubro coloca o ser humano na liderança da transformação e traz uma neurocientista entre suas vozes. O Fórum Econômico Mundial confirma pelo lado do mercado de trabalho. O Future of Jobs 2025 aponta o pensamento analítico como a competência central mais valorizada pelos empregadores, essencial para 70% das empresas, seguido por resiliência, flexibilidade e agilidade, e por liderança e influência social, que o próprio Fórum projeta entre as competências em ascensão até 2030.

O efeito é discreto porque é gradual. Uma equipe que passa a aceitar a primeira resposta da máquina para de formular a segunda pergunta, aquela que separa o analista do estagiário. No começo ninguém percebe, porque a produção sobe. A conta aparece quando surge o caso fora do script, o cliente difícil, a decisão sob incerteza, e a musculatura de julgamento que deveria estar ali simplesmente não está mais.

A leitura estratégica é direta. Uma companhia que terceiriza todo o raciocínio da equipe para a IA está, sem saber, desidratando o ativo que virou seu maior diferencial. Ganha velocidade no primeiro trimestre e perde discernimento no terceiro. A conta chega depois, e é difícil de refazer, porque recompor competência de decisão leva anos, não uma licença de software.

O Brasil usa depressa e decide devagar
No Brasil, a parte fácil já aconteceu. Levantamento do Sebrae com a FGV IBRE e o Google, de 2025, mostrou que 63% das médias e grandes empresas do país já usam alguma ferramenta de IA no negócio. Adotar deixou de ser diferencial. Adotar virou o novo normal. O diferencial migrou para a qualidade da decisão sobre como usar.

Os adotantes mais avançados sabem disso. No Febraban Tech 2026, os presidentes dos maiores bancos brasileiros disseram, quase em uníssono, que a IA transformou o negócio, mas que a palavra final em decisões sensíveis continua sendo das pessoas, mesmo com ganhos expressivos de produtividade em curso. Para o mercado de capitais, o ponto deixou de ser filosófico. A governança da IA caminha para virar tema de disclosure e de risco material, e o conselho passa a responder por ter, ou não, competência para supervisioná-la.

Para o profissional de relações com investidores, isso já bateu à porta. A IA generativa entrou na produção de relatórios, na triagem de perguntas de investidores e na comunicação, e traz o mesmo dilema em escala menor. Há ganho de produtividade real, mas a palavra final sobre o que vai ao mercado segue, obrigatoriamente, humana. Uma informação relevante gerada ou filtrada por máquina, sem alguém que a avalie e responda por ela, não é eficiência, é risco de disclosure. Aqui o protagonismo humano deixa de ser conceito e vira controle interno.

Falta a moldura institucional acompanhar o uso. O Marco Legal da IA, o PL 2338, aprovado no Senado e, no momento em que escrevo este artigo, ainda em tramitação na Câmara, é, no fundo, uma decisão coletiva sobre o que a sociedade não delega à máquina. Enquanto a lei se arrasta, cada companhia precisa desenhar a própria regra, porque esperar a lei também é uma decisão, e quem apenas cumpre perde para quem decide antes.

Implicações práticas para o conselho e o RI
O que muda, na prática, para quem dirige uma companhia aberta, responde por relações com investidores ou tem assento no conselho. Menos uma lista de comandos e mais uma reorganização de responsabilidades, que vale tratar com a mesma disciplina de qualquer outro risco material.

O que fazer na segunda-feira:

1. Nomeie os protagonistas. Deixe por escrito quais decisões não se delegam à máquina e quem responde por elas. Protagonismo sem dono não é alocado, é abandonado.
2. Dê tempo e autoridade real de veto. Sem competência para avaliar e sem poder para dizer não, o humano no circuito é figurante, não controle.
3. Meça pensamento, não só produtividade. Avalie a qualidade da decisão e o custo por tarefa efetivamente concluída, com o retrabalho humano dentro da conta, não a adoção da IA.
4. Combata a atrofia por desenho. Preserve espaços em que a equipe decide sem a muleta da máquina, para não perder o músculo que virou vantagem competitiva.
5. Trate a IA como pauta de conselho e de disclosure. Competência formal para supervisioná-la e responder por informação gerada por máquina deixou de ser opcional para a companhia aberta.
6. Não terceirize o crítico a um único fornecedor. Depender de um só modelo num processo essencial é risco de continuidade, e ele costuma ficar fora do mapa de riscos da companhia.

Vale tratar tudo isso com a mesma linguagem que o conselho já usa para outros riscos. Definir limites de alçada para o que a máquina pode decidir sozinha, gatilhos claros de escalonamento para o que precisa de olho humano, e o direito de auditar a decisão depois de tomada. Nada disso é sofisticação tecnológica. É a disciplina de governança de sempre, aplicada a um agente novo que executa rápido e não sabe quando não sabe.

Conclusão
A tecnologia desta década já sabe fazer quase tudo. Escreve, calcula, programa, resume e propõe alternativas em segundos. O que ela não faz, e não fará, é decidir o que vale a pena, para quem e a que custo. Esse continua sendo o trabalho mais humano que existe, e acabou de se tornar o mais valioso da empresa. Onde as companhias colheram resultado, havia gente com competência e autoridade decidindo o que a máquina faz e o que ela não faz.

Então a pergunta que fica não é se a sua companhia vai usar IA. Isso já está decidido, e o Brasil inteiro já respondeu que sim. A pergunta é outra, e é desconfortável: quem, na sua operação, ainda decide de verdade, e essa pessoa tem competência e autoridade para dizer não à máquina quando for preciso? Se você não conseguir responder de cabeça, com nome e sobrenome, acabou de encontrar a sua tarefa mais urgente de segunda-feira.

Nota metodológica e fontes principais:

• MIT, projeto NANDA, The GenAI Divide: State of AI in Business (2025).
• Gartner, Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (25/06/2025).
• Stanford HAI, AI Index Report 2025 (custo de inferência) e 2026 (diferença EUA e China).
• Dell'Acqua e outros, Navigating the Jagged Technological Frontier, Harvard e BCG (2023).
• ARC Prize Foundation, ARC-AGI-3 (março de 2026).
• McKinsey, The State of AI (março de 2025).
• Fórum Econômico Mundial, Future of Jobs Report 2025.
• Sebrae, FGV IBRE e Google, uso de IA nos negócios (2025). Febraban Tech 2026. PL 2338/2023, Senado e Câmara. Caso Klarna, Bloomberg (2025).

Marcelo Murilo
é Co-Fundador e VP de Inovação e Tecnologia do Grupo Benner, Palestrante, Mentor, Conselheiro, Membro da Comissão de Tecnologia do movimento 30% Club Brazil, Embaixador da Board Academy BR, Colunista da HSM Management e da Revista RI e Especialista do Gerson Lehrman Group e da Coleman Research.
marcelo.murilo@benner.com.br