IA elimina a página em branco, mas revisão humana segue essencial

O que a IA faz bem - e onde falha

Após três anos incorporando IA a tarefas de design, redação, programação, agentes e fluxos com MCPs, a autora sustenta que os modelos melhoraram sobretudo em uma capacidade: começar. Eles eliminam a página em branco, substituem o texto provisório e produzem rapidamente uma primeira versão. Isso reduz a barreira emocional de iniciar um trabalho, mas não resolve a etapa mais difícil: chegar a um resultado correto e confiável.

A autora relata que a obrigação de verificar tudo continua a mesma - ou até se tornou mais difícil. Em um teste com quatro capturas de tela do orçamento de sua equipe, a ferramenta inventou dois números e produziu recomendações 30% a 40% distantes do que seria lógico. O erro só foi identificado porque ela releu a resposta e refez os cálculos. Quando questionado, o sistema não reconheceu a falha e defendeu os números incorretos. Segundo ela, esse comportamento transfere a detecção do erro para alguém que já precisa conhecer suficientemente o assunto para desconfiar da resposta.

Ela afirma encontrar erros e alucinações em quase todas as tarefas que solicita, incluindo análise de pesquisa com usuários e projetos de código. Mesmo com a criação de habilidades, arquivos de instruções e MCPs para reduzir falhas, ainda precisa revisar extensivamente e, às vezes, reiniciar o trabalho. Em programação, diz que frequentemente é mais rápido corrigir o código diretamente do que conduzir a IA por várias tentativas. A pressão por entregar mais depressa também pode estimular a circulação de resultados superficiais que só revelarão seus problemas meses depois.

A experiência com Claude Fable durante duas semanas mostrou, para ela, uma primeira resposta melhor que a de Opus, mas não eliminou resumos incompletos, detalhes omitidos nem um tom de confiança incompatível com a precisão. A autora cita o AI Index de Stanford de 2026, segundo o qual as taxas de alucinação em 26 modelos variaram de 22% a 94% em um novo teste de exatidão.

Impacto sobre UX e decisões

Na área de experiência do usuário, a autora considera que os resultados gerados por IA ainda são superficiais em acessibilidade, precisão de tom, julgamento e consistência de marca e componentes. O estudo Web for All de 2026 mediu 29% de conformidade em cinco critérios objetivos da WCAG e registrou que especificar requisitos de acessibilidade no comando tornou a conformidade pior. O custo, portanto, pode aparecer não apenas em dinheiro, mas em retrabalho, produtos lançados com problemas e erosão silenciosa da qualidade.

Ela também questiona transcrições de reuniões e outras sínteses que distorcem o que foi discutido. Decisões baseadas apenas nesses resumos podem ser tomadas por pessoas que não viram a fonte original e não sabem o que foi omitido ou alterado. A autora ressalva que ainda é difícil estimar esse risco e que a disposição individual para correr riscos pode influenciar o grau de confiança na IA.

Adoção exige especificidade

Na Europa, a adoção enfrenta ainda expectativas de residência de dados, padrões alinhados ao GDPR e o EU AI Act. A autora cita índices de adoção de cerca de 43% entre trabalhadores nos Estados Unidos, contra aproximadamente 26% a 36% em países europeus, e afirma que modelos treinados sob padrões americanos podem introduzir pressupostos inadequados em tarefas locais, como políticas de despesas.

Sua proposta é abandonar a ideia genérica de uma organização “AI-first” e definir uma matriz prática: tarefas em que a IA é confiável, tarefas que permitem começar com IA e terminar manualmente e tarefas que devem ser feitas do zero por especialistas. Para ela, liderança honesta sobre limites, expectativas e níveis de confiança é mais eficaz que entusiasmo ou imposição hierárquica. “Começar” e “acertar” são problemas diferentes, e tratá-los como equivalentes mantém oculto o trabalho de revisão humana.