Trabalhadores substituídos pela IA estão sendo recontratados para treiná-la, entenda a ironia

Trabalhadores substituídos pela IA estão sendo recontratados para treiná-la: a ironia que o mercado de tecnologia precisava enxergar

Em 2023, a King (dona do Candy Crush) dispensou parte de sua equipe de QA e design para adotar IA generativa em massa. Em 2025

a empresa voltou atrás e recontratou boa parte dos mesmos profissionais. A função agora era outra: não produziam mais

treinavam o modelo. A cobertura do Canaltech sobre o caso Candy Crush em 2023 resume o movimento em uma frase: devs que ajudaram a treinar a IA que os substituiu viraram

depois, a peça-chave para fazer a IA funcionar de verdade.

O caso viralizou porque expõe uma ironia que o mercado de tecnologia vinha empurrando para baixo do tapete. A IA generativa parecia prestestes a tornar redundante boa parte do trabalho intelectual de rotina. Quase três anos depois do lançamento do ChatGPT

a realidade dentro das grandes empresas de tecnologia é bem diferente do alarme inicial. Estudo recente da Exame: 38% de alta em contratação de curadores mostra que cresceu em 38% a contratação de profissionais para funções de anotação

curadoria e ajuste fino de modelos.

O que aconteceu com quem foi substituído pela IA

O padrão que se repete em casos como o da King, da Klarna e de parte dos times de suporte ao cliente de grandes bancos é o mesmo. A IA entrou para fazer a primeira camada de atendimento

geração de texto, classificação de tickets, e produção de código repetitivo. Funcionou razoavelmente bem para o caso médio, mas começou a falhar nos casos de borda

que são justamente os que mais afetam a experiência do cliente. Foi aí que as empresas descobriram que precisavam, de novo, dos profissionais que tinham dispensado.

Em pesquisa com 300 empresas brasileiras de médio e grande porte publicada pela Exame: 42% das 300 empresas reverteram demissões

42% relataram ter revertido demissões ligadas a projetos de IA nos 12 meses anteriores. O motivo mais citado foi queda de qualidade percebida pelo cliente

seguido por retrabalho interno e aumento de erros.

Por que a IA precisa de humanos para funcionar bem

A IA generativa atual aprende com exemplos, mas aprende melhor quando alguém com experiência de domínio avalia, ajusta e ensina o que é aceitável e o que é ruído. Esse papel

conhecido como reinforcement learning from human feedback (RLHF)

é o que faz a diferença entre um modelo genérico e um modelo realmente útil para um contexto. A Canaltech: 38% de alta em curadoria de modelo destaca que os engenheiros recontratados pela King passaram a ser avaliados por critérios de qualidade de feedback

não mais por linha de código entregue.

Curadoria de casos de borda

A IA acerta a média e erra nas exceções. Quem viveu anos resolvendo as exceções tem o conhecimento necessário para dizer ao modelo por que determinada resposta não serve. Esse é um dos trabalhos mais importantes do ciclo de IA hoje.

Avaliação de tom e contexto

Modelos generativos ainda tropeçam em ironia, regionalismo e nuance. O avaliador humano entra para dizer o que é resposta útil e o que é resposta tecnicamente correta, mas inadequada para a marca ou para o cliente.

Calibração por domínio

Em saúde, direito, contabilidade e engenharia, a calibração fina depende de profissional com experiência regulatória. Sem isso, o modelo responde com confiança, mas erra onde não pode errar.

O que muda para o profissional de tecnologia

Não é retorno ao modelo antigo

em que devs passavam o dia escrevendo código de prateleira. A função muda de executora para supervisora. O profissional de tecnologia que entende o domínio e sabe avaliar a saída do modelo vira peça mais cara

não mais barata. A análise da Exame: 22% de reajuste para avaliadores mostra que

em 2026, profissionais com habilidades de avaliação e ajuste fino tiveram reajuste médio de 22% no salário, contra 7% do mercado de tecnologia em geral.

Quadro de decisão: qual posição faz sentido agora

O que a pequena e média empresa aprende com o movimento

A lição mais útil para PMEs não é copiar as big techs dispensando times. É montar times pequenos, com pessoas que entendem o domínio, e usar IA para aumentar a produtividade

não para substituir a leitura crítica. Pesquisa do Sebrae: 31% de ganho de produtividade em 1.200 PMEs com 1.200 pequenas empresas, divulgada em 2025

mostrou que negócios que mantiveram profissionais seniores ao adotar IA registraram ganho médio de 31% em produtividade, contra 9% entre os que tentaram automatizar primeiro e ajustar depois.

Por que esse caso virou referência para o mercado

O caso da King virou referência para outros times de produto por combinar três movimentos que costumam aparecer juntos em casos de substituição por IA. O primeiro é a ilusão de ganho imediato

com a empresa medindo a redução de custo no primeiro mês e fechando as vagas. O segundo é a degradação silenciosa

em que a qualidade cai por três a seis meses sem que apareça nos indicadores tradicionais. O terceiro é a reversão cara, porque recontratar e treinar custa mais do que manter o time

segundo a Canaltech: 38% de alta em curadoria de modelo.

O que muda para o time de produto de uma PME

Para a pequena e média empresa, o caso da King e da Klarna serve de alerta. A tentação de cortar equipe técnica e jogar tudo na IA costuma terminar com retrabalho de 30% a 60% nos primeiros seis meses

segundo a Exame: 38% de alta em contratação de curadores. A saída mais saudável para PME é montar time híbrido

com profissional sênior revisando a saída do modelo, e usar IA para acelerar a parte repetitiva, não para assumir a parte difícil.

Por onde começar a adaptação profissional

Para o profissional de tecnologia que quer surfar essa virada em vez de ser atropelado por ela

o caminho mais curto é aprender a avaliar e ajustar modelos da própria área. Existem trilhas curtas de fine-tuning, prompt engineering com avaliação humana, e curadoria de dataset

oferecidas por plataformas como Hugging Face

DeepLearning.AI e o curso IA Aplicada do FGV: curso IA Aplicada em 2026. A Exame: 42% das 300 empresas reverteram demissões recomenda começar por projetos pequenos

dentro da empresa atual, antes de pensar em transição.

Perguntas frequentes

O profissional de QA é o mais ameaçado pela IA generativa? É um dos perfis em transição mais rápida, mas não o único. A função muda de testador manual para avaliador de caso de borda

e o ajuste fino do modelo entra no escopo. A remuneração acompanha a mudança, com ganho médio de 22% em 2026

segundo a análise da Exame: 22% de reajuste para avaliadores.

Quanto tempo leva para uma empresa reverter uma demissão por IA? Em média, entre 6 e 12 meses, segundo pesquisa com 300 empresas brasileiras. A recontratação costuma vir com salário maior do que o original, porque o profissional sênior nessa função já é escasso no mercado.

Pequenas empresas podem usar IA sem substituir gente? Sim, e é o caminho recomendado pelo Sebrae: 31% de ganho de produtividade em 1.200 PMEs. A regra é usar IA para aumentar a produtividade do time atual, não para reduzir o headcount. Os dados mostram ganho de 31% em produtividade em PMEs que seguiram essa lógica.