Pular para o conteúdo
Voltar para o blog
  • Inteligência Artificial
  • Futuro do Trabalho
  • Tecnologia e Sociedade
  • Automação
  • Mercado de Trabalho
  • Ética na Tecnologia

O Saber Tácito Virou Ativo da Empresa

Quem Fica com o Valor?

Bancada de madeira à noite com notebook aberto e uma pilha de folhas brilhando em verde-limão, com um cronômetro de bolso aberto em cima; ao fundo, ferramentas de eletrônica apagadas e uma janela para um prédio de escritórios aceso

Em 1911, Frederick Taylor escreveu que o saber acumulado de um ofício era "o principal ativo" de cada trabalhador. A proposta dele era tirar esse ativo do trabalhador e entregar para a gerência. Em 2026, a gente faz a mesma coisa com outro nome: pega o jeito de trabalhar de uma pessoa e transforma numa skill que qualquer colega, ou qualquer agente de IA, consegue executar. Eu sei disso por dentro, porque parte do meu trabalho como líder de AI Enablement é exatamente esse. Neste post eu conto o que Taylor fez com o saber do operário, por que a skill repete esse gesto e vai mais longe, quem fica com o valor do que é ensinado, o que isso faz com júnior, pleno e sênior e o que dá para cobrar das empresas.

O que Taylor Fez com o Saber do Operário

No começo do século 20, quem sabia fazer o trabalho na fábrica era o operário. O capataz sabia menos. O próprio Taylor admite isso em Os Princípios da Administração Científica: os chefes sabiam, "melhor do que ninguém", que o conhecimento deles ficava muito abaixo do conhecimento somado dos homens que eles comandavam.

Esse saber tinha um nome no livro. Taylor chamava de "rule-of-thumb", o conhecimento de regra prática, passado de pessoa para pessoa, que ninguém tinha escrito. E escreveu a frase que eu uso no título deste post:

"This mass of rule-of-thumb or traditional knowledge may be said to be the principal asset or possession of every tradesman."

A solução dele foi mudar o dono desse ativo. A gerência assumiria o trabalho de reunir todo o conhecimento tradicional dos trabalhadores e de "classificar, tabular e reduzir esse conhecimento a regras, leis e fórmulas". Cada operário passaria a receber, com um dia de antecedência, instruções escritas e completas sobre a tarefa e sobre o jeito de fazer. O resumo é do próprio Taylor: "no passado, o homem vinha primeiro; no futuro, o sistema deve vir primeiro".

Saber que não se consegue dizer

Décadas depois, o filósofo Michael Polanyi deu nome ao que Taylor queria capturar. Em The Tacit Dimension, de 1966, ele parte de uma frase simples: "we can know more than we can tell", a gente sabe mais do que consegue explicar. É o saber tácito. O mecânico que ouve o motor e sabe o que tem de errado, a atendente que percebe pelo tom que o cliente vai cancelar, o dev que olha um log e já desconfia do cache.

Esse saber protegeu muita gente por muito tempo. O economista David Autor chamou isso de "Paradoxo de Polanyi": como o nosso conhecimento tácito vai além do que a gente consegue explicar, era difícil escrever um programa que fizesse o mesmo. O que não cabe em regra não cabia em máquina. A IA generativa, e a skill escrita junto com ela, atacam justamente essa proteção.

Em 1974, Harry Braverman leu Taylor com outros olhos em Trabalho e Capital Monopolista. Para ele, o método tinha três princípios: separar o processo de trabalho das habilidades do trabalhador, separar quem concebe de quem executa e usar o controle sobre o conhecimento para controlar cada etapa do trabalho. Braverman também mostrou que o escritório passava pelo mesmo processo da fábrica. A técnica não era só sobre produtividade. Era sobre quem manda no trabalho, porque quem tem o saber tem poder de negociar.

Guarde essa ideia de separar quem concebe de quem executa. Ela voltou, e voltou por um caminho que Taylor não tinha.

A Skill É o Novo Manual, e Agora Ela Alcança o Raciocínio

Para quem ainda não usa: uma skill é um pacote de instruções, exemplos e scripts que ensina um agente de IA a fazer uma tarefa do jeito certo. A Anthropic, que criou o formato e depois abriu como padrão, descreve a skill como uma forma de "empacotar a sua expertise". Eu já contei em Skills de IA por Área que ela compara a skill ao material de integração de alguém recém-contratado. Aqui o detalhe que importa é outro: aquele material era escrito para ensinar uma pessoa, e agora é escrito para ensinar o agente que faz o trabalho dela.

A diferença é que o manual de Taylor parava no corpo. Ele cronometrava movimentos, pás, carrinhos de minério. Mesmo com toda a mudança que veio depois dele na gestão, o que dava para extrair era o operacional. Com skills, dá para padronizar uma tarefa que depende de raciocínio e garantir que ela seja feita sempre do mesmo jeito. Por exemplo: o roteiro que um analista sênior segue para investigar um incidente, o critério de um QA para dizer que um card está pronto, o jeito como alguém do comercial lê uma proposta.

A empresa que vende o formato mediu o efeito dele. O Anthropic Economic Index de janeiro de 2026 mostra que as tarefas que a IA mais cobre são justamente as que exigem mais escolaridade, e conclui que o efeito líquido de primeira ordem é "to deskill jobs", desqualificar os empregos. O relatório também mostra o outro lado: algumas ocupações ganham qualificação, porque a IA leva a parte rotineira e deixa a mais complexa.

Por isso eu acho que a skill é o mesmo gesto de Taylor, e talvez pior. Quando o que é padronizado é o raciocínio, a pessoa perde esforço mental, autonomia e espaço para criar. Ela passa a executar o que alguém pensou antes dela.

O gesto já tem nome no GitHub

Em abril de 2026, a MIT Technology Review contou a história de um projeto chinês que viralizou no GitHub, o Colleague Skill. Ele nasceu como paródia: importa o histórico de conversas e os arquivos de um colega e gera, a partir disso, um manual para um agente fazer o trabalho dele. A reportagem conta que chefes estavam pedindo a funcionários que documentassem o próprio trabalho para automatizá-lo. A resposta veio rápido. Uma gerente de produto publicou uma skill "anti-destilação", feita para sabotar esse tipo de extração.

Taylor também tinha um nome para resistência: soldiering, o que em português a gente chama de fazer cera, segurar o ritmo de propósito para a gerência não saber quanto dava para render. Cento e quinze anos depois, fazer cera virou um repositório.

Depende de onde a skill cai

Nada disso quer dizer que toda skill é ruim. Depende muito do lugar. Tem empresa que usa skill do jeito certo: automatiza o operacional, a parte chata e repetitiva do dia a dia, e devolve tempo para as pessoas pensarem e fazerem coisas novas. Tem empresa para a qual basta ter uma fábrica de entrega, onde qualidade e inovação importam menos que o volume. Nessas, a skill vira ferramenta para desqualificar: as pessoas sabem cada vez menos e só executam a próxima tarefa.

Até quem está do lado técnico já viu o risco. O Technology Radar da Thoughtworks de novembro de 2026 colocou na lista de cautela um antipadrão chamado "agent skill cognitive surrender": times que adotam bibliotecas enormes de skills prontas sem entender o que elas fazem. Rendição cognitiva é quase um nome técnico para o que Braverman descreveu na fábrica.

Se a skill concentra saber, a próxima pergunta é inevitável: de quem é esse saber depois que ele vira arquivo?

Quem Fica com o Valor do que Foi Ensinado

Essa pergunta não tem uma resposta só, porque nem toda skill carrega o mesmo tanto de uma pessoa. Eu tenho dois exemplos bem diferentes.

O primeiro é a skill mais usada da empresa onde eu trabalho, de longe. Ela opera a nossa ferramenta de gestão de projetos: cria cards, comenta, atualiza status. A primeira versão não foi feita por mim: uma pessoa criou por iniciativa própria, sem ninguém pedir, e eu mantenho desde então. No começo ela era basicamente um guia de como usar a API da ferramenta. Os padrões de escrita e de comunicação entraram depois. E mesmo esses padrões já existiam no time antes de virar skill. Então, quanto daquilo é de uma pessoa? Pouco. A skill gera muito valor, mas o que ela codifica é um jeito coletivo de trabalhar.

O segundo exemplo é o contrário. A gente tem skills criadas por profissionais que fazem um trabalho de excelência. Eles documentaram o próprio processo de pensamento e execução, montaram um fluxo e transformaram isso numa skill. Isso é individual. Alguns anos atrás, ninguém teria acesso a esse método sem uma mentoria ou um treinamento com aquela pessoa. O método era dela.

E aqui está o ponto que incomoda: na maioria dos casos, a empresa não precisa de um especialista. Ela precisa do resultado. A pessoa continua sabendo fazer tudo do zero, sem IA, mas o que ela tinha de mais raro agora está disponível para todo mundo, inclusive para quem vai ocupar a vaga dela.

A pesquisa já fez a pergunta

Esse movimento foi medido. Erik Brynjolfsson, Danielle Li e Lindsey Raymond acompanharam mais de 5 mil atendentes que passaram a usar um assistente de IA, num estudo publicado no Quarterly Journal of Economics em 2025. A produtividade subiu, e quem mais ganhou foram os novatos. A explicação dos autores é quase o tema deste post: a IA parece capaz de "capturing and disseminating the behaviors of the most productive agents", capturar e espalhar o comportamento dos melhores.

Os melhores atendentes forneceram boa parte dos exemplos usados para treinar o sistema, e foram os que menos ganharam com ele. Os próprios economistas escrevem que o trabalho deles levanta a questão de se e como os trabalhadores deveriam ser compensados pelos dados que fornecem. Eles ainda apontam um risco: com a IA sugerindo tudo, os melhores podem parar de inventar soluções novas. Sem gente inventando, a próxima skill não tem de onde sair.

"Você já é pago para isso"

A resposta mais comum a essa discussão é que a pessoa já recebe salário, então o que ela cria no trabalho é da empresa. Com todo o respeito, isso é um monte de balela. O salário paga para você fazer o seu trabalho. Se o seu trabalho é conferir notas fiscais, transformar o seu método em skill não estava no combinado.

A exceção existe, e eu sou ela. Eu trabalho com adoção de IA, então escrever e manter skills faz parte da minha função, e parte do meu salário paga isso. As outras pessoas não têm essa obrigação. Quando alguém do financeiro, do QA ou do comercial empacota o próprio método, ela está entregando mais do que o cargo pede.

A lei brasileira, aliás, não protege método. O artigo 8º da Lei de Direitos Autorais diz que ideias, sistemas e métodos "como tais" não são objeto de proteção. O texto da skill pode ser da empresa. O jeito de pensar que está ali dentro continua sendo de quem pensou. O mínimo é a pessoa poder levar o próprio método quando sair, desde que ele não carregue segredo da empresa. A empresa fica com a cópia. A pessoa fica com o que sempre foi dela.

Falar de quem fica com o valor sem falar de quem faz a extração seria desonesto da minha parte. Então vamos para o meu lado da mesa.

Eu Também Seguro o Cronômetro

Na fábrica de Taylor, quem anotava o saber do operário era o cronometrista. Ele observava, media e transformava o que via em instrução escrita. Quando eu olho para o meu trabalho com honestidade, a semelhança existe.

Parte do que eu faço é ajudar as pessoas a extrair a forma como elas executam as coisas e transformar isso em skill. Outra parte é medir: se as skills estão sendo usadas e se estão sendo usadas do jeito certo. Eu conto como a gente organiza e publica essas skills em Hub de Skills.

A diferença que eu consigo defender está no que eu meço. Eu quero saber se a skill está sendo útil, se ela poupa trabalho e se precisa melhorar. Não quero vigiar quem usa nem montar ranking de pessoas.

A diferença que eu não consigo garantir é o que acontece depois. Eu capacito e eu meço, mas não sou eu quem decide o que fazer com isso. Quem decide são as pessoas acima de mim. O mesmo número que mostra que uma skill poupou dez horas por semana pode virar tempo livre para o time pensar ou pode virar argumento para não repor uma vaga. Eu já defendi qual dos dois caminhos eu acho certo em Governança de IA na Prática. Mas defender não é decidir, e quem lê este post merece saber disso.

Essa conta pesa mais para quem está começando. E é aí que entra uma pergunta que eu acho que pouca gente está fazendo do jeito certo.

Júnior, Pleno e Sênior Foram Feitos para Outro Trabalho

A discussão sobre IA e carreira costuma parar na contratação de juniores. E os dados preocupam. Eu já falei em IA e o Futuro das Profissões do estudo de Stanford sobre trabalhadores de 22 a 25 anos. A revisão de agosto de 2026 subiu a diferença para 19% abaixo do esperado, quase toda vinda de contratação menor, e não de demissão. Os autores avisam que são indicadores iniciais, não prova de causa. Um estudo de Harvard com dados de 62 milhões de trabalhadores chegou a um padrão parecido: nas empresas que adotaram IA generativa, o emprego júnior caiu e o sênior continuou subindo.

Nem a indústria concorda sobre o que fazer. Matt Garman, CEO da AWS, disse que trocar juniores por IA é "the dumbest thing I've ever heard", porque daqui a dez anos ninguém vai ter aprendido nada. Tobi Lütke, CEO da Shopify, mandou os times provarem que a IA não consegue fazer o trabalho antes de pedir mais gente.

Só que eu acho que a pergunta maior não é se vão contratar juniores. É o que "júnior" vai significar.

Categorias de autonomia

Júnior, pleno e sênior nasceram para classificar pessoas pelo quanto elas conseguem andar sozinhas no operacional:

  • Júnior: ajuda a empresa, mas ainda precisa de ajuda para fazer o trabalho do dia a dia.
  • Pleno: faz sozinho e não precisa mais de suporte.
  • Sênior: entende o suficiente para orientar outras pessoas.

Essa lógica é antiga. O modelo de aquisição de habilidade dos irmãos Dreyfus, de 1980, vai do novato, que depende de "regras sem contexto" e de instruções passo a passo, até o especialista, que age por intuição e muitas vezes não consegue explicar o que faz. Repare que a regra sem contexto, o degrau mais baixo da escada, é exatamente o que uma skill entrega pronta. E o especialista que não consegue explicar o que faz é o saber tácito de Polanyi de novo.

O manual de carreira da 37signals, empresa conhecida por ter pouca hierarquia, deixa isso ainda mais claro. A matriz de níveis tem um eixo chamado Trust, que mede quanto o trabalho da pessoa precisa ser revisado: no nível 1, tudo é "thoroughly reviewed"; no nível 4, o trabalho é "shipped without review". O documento não fala de IA. Mas é justamente esse eixo que a IA bagunça, porque hoje boa parte do que precisa de revisão foi escrito por um agente, não por uma pessoa.

O operacional que classificava as pessoas está sumindo

Os modelos ficam melhores, os harnesses (o ambiente montado em volta do agente, com contexto, memória e verificações) ficam mais avançados, e surgem ferramentas cada vez melhores de segurança e qualidade. A parte operacional que separava um nível do outro está mudando muito rápido.

Num retiro com engenheiros sêniores de grandes empresas, a Thoughtworks registrou o surgimento de um "middle loop", um trabalho de supervisão entre escrever código e entregar: direcionar, avaliar e corrigir o que os agentes produzem. São habilidades que, segundo o relatório, quase nunca são "recognized in career ladders". O mesmo texto diz que muita gente foi contratada para traduzir tickets mastigados em código, e que "that work is disappearing". O risco maior, para eles, nem é o júnior. É o pleno. Martin Fowler, que participou do retiro, resumiu assim: "It's the mid-level developers who face the greatest challenges."

Faz sentido. Se o pleno era definido por "faz sozinho", e o agente também faz sozinho, a definição perde o chão. O GitLab admitiu algo parecido num documento oficial: o processo de entrevista atual mede principalmente habilidades que a IA "comoditizou", e eles estão refazendo a seleção para avaliar julgamento e disciplina de validação. Addy Osmani descreveu o efeito sobre quem começa numa frase: "Taste used to be a byproduct of the reps. Agents took the reps." O bom gosto vinha da repetição, e os agentes ficaram com a repetição.

Ninguém está propondo trocar a régua

O curioso é que, até onde a pesquisa para este post conseguiu ver, ninguém com peso está propondo abolir júnior, pleno e sênior por causa da IA. O que existe é gente pedindo para redefinir os níveis. Na apresentação da palestra que fez na QCon London deste ano, Alasdair Allan escreveu que os frameworks de progressão, feitos para um mundo de acúmulo gradual de habilidade, "no longer match reality". Ossama Chaib pediu para definir o que cada nível significa num mundo com agentes e reajustar as faixas salariais. A Deloitte já defendia em 2022 que cargos não são a melhor forma de organizar o trabalho, mas manteve níveis na própria proposta, e a IA era só o terceiro motivo da lista.

No Brasil, essa troca é ainda mais difícil. Pelo artigo 461 da CLT, é o quadro de carreira ou o plano de cargos e salários que permite à empresa pagar diferente a pessoas na mesma função sem cair em equiparação salarial, e esse plano pode vir de norma interna ou de negociação coletiva. Mexer nas categorias é mexer no plano.

Eu não tenho propriedade para dizer como vai ficar. Mas eu acredito que vai mudar, porque o trabalho está mudando e a forma como a gente classifica o trabalho vai ter que acompanhar. Operacionalmente, uma IA com acesso a toda a documentação de uma empresa sabe mais do que qualquer pessoa dela. Isso é um fato. Se ela faz da melhor forma é outra conversa.

A pergunta que eu deixo é sobre o especialista. Ele vai ser a pessoa que executa uma tarefa de forma excelente? Ou a pessoa que reinventa o jeito de usar as ferramentas que a empresa já tem, e que a IA já domina, e transforma isso num processo que outros conseguem repetir? Os Dreyfus tinham um sexto estágio, acima do especialista, para quem muda "o estilo" do próprio domínio. Se a resposta for essa, o especialista do futuro é justamente quem escreve as skills. E aí a pergunta sobre quem fica com o valor deixa de ser lateral e vira a pergunta central da carreira.

O que Dá para Cobrar

Se o problema é de estrutura, a saída não pode depender da boa vontade de cada gestor. Eu vejo três caminhos, do mais simples ao mais difícil.

1. Autoria, no mínimo

Autoria e reconhecimento são o básico. Quem criou uma skill tem que poder dizer no LinkedIn e no portfólio que aquilo é dela, e a empresa tem a obrigação de confirmar que a conquista é da pessoa, não da empresa. Isso inclui o direito de levar o método embora, como eu falei acima, quando não há segredo da empresa no meio. No Manifesto do Desenvolvedor eu falei de assinar o que a gente faz. Uma skill é uma das coisas que merecem assinatura.

2. Recompensa proporcional ao uso

Uma skill com muita adoção merece bônus, como um extra. E uma pessoa que entrega métodos novos o tempo todo está entregando muito mais do que o cargo pede, então o justo é aumento de salário.

Medir isso é difícil, e eu não vou fingir que não é. Quantas horas uma skill poupou? Quanto retrabalho evitou? Quanto dinheiro trouxe? A recompensa vem em tempo, em percentual, em aumento ou em bônus? São perguntas abertas. Mas existem modelos para copiar:

  • Na Alemanha, a lei de invenções de empregados garante remuneração "adequada" quando a empresa usa uma invenção do funcionário, e calcula o valor pelo uso econômico, pela função da pessoa e pela parte que a empresa teve no resultado. Vale até para melhorias técnicas que não dão patente, assim que a empresa passa a usar. É quase a régua que eu descrevi acima: o peso individual varia, e quem tem aquilo como função recebe menos.
  • No Brasil, a Lei de Propriedade Industrial, no artigo 89, já permite que a empresa dê ao empregado inventor participação nos ganhos de uma patente, por negociação ou por norma interna, sem que isso vire salário. O desenho existe. Só não chegou às skills.
  • Numa empresa, a Omnisend passou a dar aumentos trimestrais de 2% a 4% para quem usa IA com impacto no negócio, incluindo processos que outros colegas e times passam a adotar. O próprio executivo admitiu à Fortune que medir esse impacto é "honestly really difficult". A dificuldade não impediu a empresa de tentar.

3. Acordo coletivo

O caminho mais forte é o que não depende de uma empresa só. Em 2023, os roteiristas de Hollywood fizeram greve e saíram com um contrato que diz que texto gerado por IA não conta como material literário, que material gerado por IA não pode ser usado para diminuir o pagamento ou o crédito do roteirista, que a empresa não pode obrigar ninguém a usar IA e que o sindicato se reserva o direito de contestar o uso do trabalho dos roteiristas para treinar IA. Autoria, recompensa e negociação coletiva no mesmo documento.

Para quem trabalha com tecnologia no Brasil, isso ainda parece distante. Mas o saber que vira skill é do mesmo tipo do saber que vira roteiro: é o jeito de alguém pensar o trabalho. Se roteirista conseguiu colocar isso em contrato, a gente também pode colocar em convenção coletiva e em plano de cargos.

O Ativo Continua Sendo de Quem Sabe

Taylor tinha razão numa coisa: o saber do ofício é o principal ativo de quem trabalha. A diferença é que, em 1911, tirar esse ativo exigia cronômetro, capataz e anos de observação. Hoje basta um arquivo de texto e uma tarde. E agora o que vai para o arquivo não é só o movimento da mão. É o jeito de pensar.

Isso não torna a skill inimiga. Usada para tirar o trabalho chato do caminho, ela devolve tempo e abre espaço para coisa nova. Usada como linha de montagem, ela ensina as pessoas a saber cada vez menos. A tecnologia é a mesma nos dois casos. O que muda é quem decide e quem fica com o resultado.

A skill pode ficar com a empresa. O saber tem que continuar sendo de quem sabe.

Referências

Matheus Mierzwa

AI Enablement Lead & Frontend Tech Lead

Escrevo sobre o que construo e lidero na prática.