Quem treina as máquinas?
A pergunta parece simples, quase técnica. Evoca engenheiros, laboratórios, linhas de código. Mas a resposta é menos evidente — e mais desconfortável: por trás da inteligência artificial estão milhares de trabalhadores — muitos invisíveis, muitos precários — cuja função é ensinar, corrigir e afinar sistemas que prometem, um dia, funcionar sem eles.
É uma realidade que atravessa sectores, geografias e profissões. Em fábricas, trabalhadores executam tarefas com câmaras montadas no corpo, registando cada movimento para que robôs possam aprender a replicá-los. No espaço digital, profissionais avaliam respostas de modelos de linguagem, corrigem erros, classificam conteúdos e alimentam bases de dados. Médicos, programadores, juristas — todos, de formas diferentes, participam neste processo de transferência de conhecimento.
A inteligência artificial não surge do nada. É construída sobre trabalho humano.
A promessa
O discurso dominante sobre a IA é relativamente consensual. Instituições internacionais e consultoras descrevem uma transformação profunda do trabalho, mas não necessariamente a sua destruição. Fala-se em aumento de produtividade, em tarefas automatizadas que libertam tempo para funções mais criativas, em novas oportunidades profissionais.
Nesta narrativa, a IA não substitui — complementa. E quando substitui, fá-lo apenas parcialmente, abrindo espaço para novas funções que exigem competências diferentes. A palavra-chave é adaptação: requalificação, upskilling, aprendizagem contínua.
É uma visão que não está necessariamente errada. Mas é incompleta.
O trabalho invisível
Na prática, a transição para uma economia mais automatizada está a gerar uma camada intermédia de trabalho raramente visível no discurso público.
São os chamados trabalhos de “treino de IA”: anotação, moderação, avaliação de respostas. Funções que consistem em ensinar sistemas a reconhecer padrões, distinguir respostas corretas de incorretas, ou reproduzir decisões humanas em contextos específicos.
Em muitos casos, estas tarefas são externalizadas para o chamado Sul Global, onde o custo do trabalho é mais baixo e a visibilidade pública é menor. Investigações recentes mostraram, por exemplo, trabalhadores no Quénia a moderar conteúdos altamente tóxicos por menos de dois dólares por hora, contribuindo para tornar sistemas de IA mais seguros. Ao mesmo tempo, profissionais qualificados — médicos, advogados, engenheiros — realizam tarefas de avaliação e treino de modelos em plataformas digitais, muitas vezes em regime de trabalho intermitente.
Na literatura, estes trabalhadores são por vezes designados como ghost workers: uma infraestrutura humana invisível que sustenta sistemas apresentados como autónomos.
Há aqui um paradoxo difícil de ignorar. O conhecimento acumulado ao longo de décadas é utilizado para melhorar sistemas automatizados, mas o valor desse conhecimento é, muitas vezes, reduzido no processo.
Não se trata apenas de inovação — trata-se também de ajustamento.
De trabalho a dados
O que distingue este momento de anteriores ciclos de automação é a natureza do processo.
O trabalho humano não é apenas substituído. É primeiro capturado.
Movimentos físicos transformam-se em trajetórias analisáveis. Decisões tornam-se exemplos para treino. Intuição, experiência e julgamento — aquilo que durante muito tempo constituiu uma forma de conhecimento tácito — vão sendo convertidos em dados explícitos, muitas vezes descontextualizados. Esse processo, visível tanto na robótica como na IA generativa, permite que sistemas aprendam não apenas regras formais, mas também práticas informais do trabalho humano.
A automação deixa de depender apenas de instruções explícitas. Passa a depender da absorção do próprio trabalho.
A economia da transição
Neste contexto, emerge uma nova categoria de emprego: o trabalho de transição.
Tal como, noutras épocas, trabalhadores deslocados recorriam a funções temporárias em sectores menos qualificados, hoje muitos encontram nos trabalhos ligados à IA uma forma de permanecer economicamente ativos. A diferença é que estas funções, apesar de exigirem competências especializadas, são frequentemente estruturadas como trabalho por tarefa, sem progressão clara nem garantias.
Funcionam como uma ponte — mas também como um filtro.
Absorvem mão de obra num momento de disrupção, ao mesmo tempo que contribuem para acelerar a própria automação que poderá, mais tarde, reduzir a necessidade desse trabalho.
Transformação ou substituição?
Grande parte do debate público opõe duas ideias: a IA vai substituir empregos ou vai apenas transformá-los.
Na prática, esta distinção é menos clara do que parece.
Muitas funções entram numa fase de complementaridade — ou augmentation — em que sistemas automatizados ampliam a capacidade humana. A produtividade aumenta, os processos tornam-se mais eficientes. Mas esse ganho pode traduzir-se em menos necessidade de trabalho humano para o mesmo resultado. Com o tempo, partes dessas funções tornam-se plenamente automatizadas.
Não é uma escolha entre substituição e complemento — é um processo, frequentemente sequencial.
Quem fica para trás
Como em outras transformações económicas, os impactos não são distribuídos de forma uniforme.
Trabalhadores mais velhos enfrentam desafios específicos: maior dificuldade em reentrar no mercado de trabalho, menor acesso a formação, preconceitos persistentes no mercado de trabalho. Paradoxalmente, são também aqueles cujo conhecimento e capacidade de avaliação crítica podem ser mais valiosos na interação com sistemas de IA.
Ao mesmo tempo, o uso de ferramentas automatizadas no recrutamento pode reforçar padrões de exclusão já existentes, filtrando candidatos com base em critérios que penalizam percursos menos lineares ou menos recentes.
Se, em alguns contextos, trabalhadores mais jovens em tarefas rotineiras são os primeiros a ser substituídos, noutros são os mais experientes que enfrentam maiores barreiras de reintegração. A desigualdade não é uniforme — mas é persistente.
A tecnologia não cria estas desigualdades. Mas pode amplificá-las.
Ética e responsabilidade
Há uma questão ética que atravessa este processo, ainda que raramente formulada de forma direta.
Até que ponto é aceitável que trabalhadores contribuam para o desenvolvimento de sistemas que podem reduzir a procura futura pelo seu próprio trabalho?
A resposta não é simples. Em muitos casos, não há verdadeira escolha. O trabalho é aceite por necessidade, não por convicção. Mas isso não elimina a questão da distribuição de benefícios: quem ganha com o aumento de produtividade? Quem absorve os custos da transição?
Sem mecanismos de compensação ou partilha de valor, o risco é claro: a automação pode concentrar ganhos e dispersar perdas.
Uma escolha coletiva
A evolução tecnológica não ocorre num vazio. É moldada por decisões políticas, económicas e institucionais.
Políticas públicas — desde proteção no desemprego até programas de formação e incentivos à contratação — desempenham um papel central na forma como estas transições são vividas. Sem esse enquadramento, a adaptação tende a recair sobretudo sobre os indivíduos, independentemente dos recursos de que dispõem.
A questão não é se a automação vai avançar. É como.
Voltar à pergunta
Quem treina as máquinas?
A resposta, afinal, não é apenas técnica. É social.
São trabalhadores que transformam conhecimento em dados, muitas vezes sem garantias de que beneficiarão desse processo. São sistemas construídos sobre experiências humanas que, uma vez integradas, deixam de ser visíveis.
Talvez a pergunta mais relevante já não seja apenas quem treina as máquinas, mas quem beneficia desse treino — e que lugar resta para quem o torna possível.
Um vídeo que circulou recentemente nas redes sociais ilustra, de forma quase literal, este processo: trabalhadores a executar tarefas enquanto os seus movimentos são registados para treinar sistemas automatizados.
Mais do que um caso isolado, é um exemplo concreto de uma dinâmica mais ampla.
Créditos e referências
Are Older Workers Ready for an AI Takeover at Work? – Universidade de Oxford
New Skills and AI Are Reshaping the Future of Work – IMF