A tese de que a IA não substitui o advogado, mas expõe a mediocridade, vale para toda a empresa. Analisamos por que a vantagem competitiva migra do acesso à ferramenta para a qualidade do julgamento humano, e o que isso exige de governança, cibersegurança e gestão de talentos.
Introdução contextual
Desde o lançamento em massa dos grandes modelos de linguagem, uma pergunta recorrente atravessa conselhos de administração, escritórios jurídicos e áreas de compliance: a inteligência artificial vai substituir profissionais do conhecimento? A resposta fácil — sim ou não — costuma esconder o problema real. Em artigo publicado no Blog do Fausto Macedo, do O Estado de S. Paulo, o argumento central é que a IA não ameaça a advocacia, e sim a mediocridade. A ferramenta sugere caminhos, mas não substitui a visão de mundo de quem conduz o caso, nem reproduz integralmente a forma de interpretar fatos, escolher palavras, construir narrativa ou transformar uma peça técnica em uma peça com força própria.
Essa tese, embora formulada no contexto jurídico, tem alcance muito maior. Ela descreve com precisão o que está acontecendo em praticamente todos os setores intensivos em conhecimento: consultoria, auditoria, saúde, engenharia, jornalismo, desenvolvimento de software e funções corporativas como finanças, recursos humanos e estratégia. A discussão relevante para executivos não é se a IA vai eliminar postos de trabalho, mas quais competências perdem valor e quais se tornam decisivas quando a produção de texto, código e análise deixa de ser um gargalo.
O que aconteceu
O artigo parte de uma constatação simples e desconfortável: ferramentas generativas conseguem produzir, em segundos, minutas, pareceres, resumos e argumentações com qualidade formal razoável. Isso nivela por baixo uma parte significativa do trabalho jurídico — e, por extensão, de qualquer trabalho intelectual padronizável. Se a entrega de um profissional se resume a reproduzir modelos, preencher lacunas previsíveis e aplicar fórmulas conhecidas, ela é exatamente o tipo de tarefa que um modelo estatístico treinado em bilhões de documentos executa com velocidade e custo marginal próximos de zero.
O ponto defendido não é que a IA seja irrelevante, mas que ela é indiferente à intenção. Um modelo pode sugerir caminhos, listar precedentes, apontar riscos e organizar informação. O que ele não faz é decidir o que importa no caso concreto, assumir responsabilidade pelo resultado, calibrar o tom diante de um interlocutor específico ou perceber a consequência reputacional de uma escolha aparentemente técnica. A interpretação dos fatos, a seleção do que é relevante e a construção de uma narrativa coerente permanecem atividades humanas — e são justamente elas que diferenciam profissionais e organizações.
Há ainda uma dimensão institucional. A advocacia, como outras profissões reguladas, opera sob deveres de sigilo, responsabilidade fiduciária e prestação de contas. Nenhum modelo responde disciplinarmente por um erro. A responsabilidade continua ancorada em pessoas e organizações identificáveis, o que cria uma assimetria estrutural entre a capacidade de gerar conteúdo e a capacidade de assumir consequências.
Por que isso importa para empresas
Para gestores, a mensagem se traduz em três movimentos concretos.
Primeiro, a vantagem competitiva muda de lugar. Durante décadas, acesso à informação, capacidade de produção e escala de equipe foram diferenciais. Com IA generativa amplamente disponível, esses elementos se tornam commodities. O diferencial migra para o que não é automatizável: julgamento, contexto, relacionamento, reputação e capacidade de decidir sob incerteza. Empresas que confundirem adoção de ferramenta com criação de valor vão descobrir, tarde, que padronizaram exatamente aquilo que as distinguia.
Segundo, a mediocridade fica visível. Quando todos têm acesso às mesmas ferramentas, a diferença entre entregas medianas e entregas excelentes se torna mais evidente, não menos. Um relatório gerado automaticamente e um relatório que combina dados, interpretação e recomendação acionável parecem semelhantes na superfície, mas produzem resultados radicalmente distintos. A IA funciona como um espelho: expõe a profundidade — ou a ausência dela — de quem a utiliza.
Terceiro, o risco de complacência aumenta. A fluência dos textos gerados cria uma ilusão perigosa de competência. Profissionais pressionados por produtividade podem aceitar saídas plausíveis sem verificação adequada, introduzindo erros factuais, citações inexistentes e vieses sutis em documentos que circulam com aparência de autoridade. Em ambientes regulados, isso não é apenas ineficiência: é exposição jurídica e reputacional.
Impacto para cibersegurança, governança, IA ou continuidade
A tese do artigo tem implicações diretas em quatro frentes que a WSVP acompanha de perto.
Governança de IA. Se a IA não substitui o julgamento humano, então a governança não pode ser delegada a ela. Isso exige políticas claras sobre onde a ferramenta pode ser usada, quais decisões exigem revisão humana obrigatória, como se documenta a trilha de auditoria e quem responde pelo resultado final. Modelos de governança que tratam IA como projeto de TI, e não como questão de risco institucional, tendem a falhar na primeira crise.
Cibersegurança e confidencialidade. Profissionais que colam documentos sensíveis em ferramentas públicas de IA criam vazamentos silenciosos, muitas vezes sem violar nenhuma política formal porque a política não existe ou não é clara. Para escritórios e departamentos jurídicos, isso colide diretamente com deveres de sigilo profissional. A resposta passa por controles técnicos — ambientes isolados, modelos privados, classificação de dados — e por treinamento contínuo, não por proibições genéricas que empurram o uso para a sombra.
Continuidade e dependência. Organizações que concentram fluxos críticos em um único fornecedor de IA ficam expostas a mudanças de preço, indisponibilidade, alterações de modelo e descontinuação de serviços. A dependência de um provedor externo para funções essenciais é um risco de continuidade que precisa constar do plano de resposta a incidentes, com alternativas testadas e procedimentos de contingência documentados.
Gestão de talentos. Se a mediocridade é o alvo, o critério de contratação e promoção precisa mudar. Valorizam-se profissionais capazes de formular boas perguntas, avaliar criticamente saídas automatizadas, sustentar posições sob pressão e assumir responsabilidade. Curiosamente, isso torna a formação generalista e o pensamento crítico mais valiosos, não menos — e coloca pressão sobre modelos de treinamento que privilegiam execução repetitiva.
Leitura executiva da WSVP
Nossa leitura é que o artigo acerta o diagnóstico e oferece uma bússola útil para decisões de investimento em tecnologia. A IA generativa é uma camada de produtividade, não uma camada de estratégia. Ela amplifica a qualidade do que já existe: times com bom julgamento ficam mais rápidos; times sem julgamento ficam mais rápidos em produzir erros.
Organizações que tratarem IA como substituta de competência, e não como multiplicadora de competência, vão acelerar exatamente aquilo que deveriam corrigir.
Do ponto de vista de risco, a conclusão prática é que o investimento em IA precisa ser acompanhado, em proporção semelhante, por investimento em governança, segurança da informação e desenvolvimento de pessoas. Empresas que compram ferramentas sem redesenhar processos, critérios de revisão e responsabilidades estão apenas transferindo risco para o futuro. A pergunta que os conselhos deveriam fazer não é "quantos casos de uso de IA temos?", mas "nossas decisões críticas estão mais bem fundamentadas por causa disso?".
Há também uma dimensão cultural. Ambientes que punem erro tendem a produzir uso defensivo e superficial de IA — cópia de saídas, ausência de questionamento, padronização. Ambientes que valorizam discernimento tendem a usá-la como ponto de partida para análise mais profunda. A diferença de resultado entre esses dois cenários, em um horizonte de três a cinco anos, é provavelmente maior do que qualquer vantagem tecnológica temporária.
Recomendações práticas
- Mapeie decisões, não tarefas. Identifique quais decisões da organização exigem julgamento humano obrigatório e estabeleça pontos de revisão explícitos antes que qualquer saída de IA vire entrega final.
- Defina política de uso com classificação de dados. Determine o que pode e o que não pode ser inserido em ferramentas externas, ofereça alternativas seguras e treine as equipes com casos concretos do próprio negócio.
- Institua trilha de auditoria. Registre quando, como e por quem a IA foi usada em entregas relevantes, incluindo versões de modelo e revisões humanas realizadas.
- Reduza dependência de fornecedor único. Teste alternativas, mantenha procedimentos manuais de contingência e inclua falhas de IA no plano de continuidade de negócios.
- Reveja critérios de avaliação de desempenho. Premie qualidade de julgamento, verificação crítica e responsabilidade pelo resultado, não volume de produção.
- Invista em formação de pensamento crítico. Capacite equipes para questionar saídas plausíveis, detectar alucinações e reconhecer vieses em textos gerados automaticamente.
- Meça impacto, não adoção. Acompanhe indicadores de qualidade de decisão, redução de retrabalho e exposição a risco, e não apenas número de usuários ativos.
Fontes consultadas
- O Estado de S. Paulo — Blog do Fausto Macedo: "Inteligência artificial não ameaça a advocacia. Ameaça a mediocridade"
- O Estado de S. Paulo — portal
Disclaimer
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.


