São Paulo — InkDesign News — À medida que as tecnologias de machine learning avançam, um debate crescente surge sobre seu impacto nas atividades do dia a dia, questionando se a automação irá criar ou destruir empregos.
Arquitetura de modelo
Estudos de instituições reconhecidas, como Stanford e Anthropic, têm investigado como a IA está mudando a dinâmica do trabalho, sugerindo que o foco deve ser a transformação de tarefas e não de funções. O estudo “WORKBank” da Stanford, por exemplo, criou uma base de dados única, permitindo uma análise detalhada do que os trabalhadores desejam entregar a uma IA e o que ela pode efetivamente realizar.
“Os trabalhadores querem que o trabalho maçante seja automatizado.”
(“Workers want the drudgery to be automated.”)— Autoridade de Estudo, Stanford
Treinamento e otimização
O uso de frameworks como a Escala de Agenciamento Humano (HAS) e a Matriz de Desejo-Capacidade demonstrou que a maioria dos trabalhadores prefere um modelo de parceria com a IA em vez de uma substituição completa. Em um ambiente corporativo, as tarefas de rotina são as mais propensas à automação, com 37% do uso de IA concentrados em funções tecnológicas.
“A interação ideal não é substituição, mas parceria.”
(“The ideal interaction model is not replacement but partnership.”)— Autoridade de Estudo, Stanford
Resultados e métricas
Os dados da pesquisa revelaram que, enquanto apenas 4% das ocupações enfrentam uma automação significativa de tarefas, 36% têm “pockets ativas” de uso de IA. Isso indica que a penetração da tecnologia é uma métrica mais importante do que a automação contínua. Assim, setores que compreendem tarefas estruturadas, como desenvolvimento de software e análise de mercado, estão na vanguarda dessa transformação.
“A automação completa não é desejável.“
(“Full automation is not desirable.”)— Autoridade de Estudo, Stanford
Esses estudos mostram que uma abordagem estratégica para a implementação de IA pode proporcionar não apenas eficiência operacional, mas também a capacidade de liberar talentos humanos para tarefas mais valiosas e complexas. As empresas precisam se adaptar a essa revolução para prosperar.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
