Deskilling e upskilling na era da inteligência artificial: o que acontece com o raciocínio jurídico quando a máquina facilita tudo?

A inteligência artificial chegou ao trabalho intelectual envolta em uma promessa particularmente sedutora: reduzir o tempo gasto com aquilo que é repetitivo, organizar volumes de informação que já ultrapassam a capacidade humana de processamento e permitir que profissionais qualificados concentrem sua atenção em problemas mais relevantes. No Direito, essa promessa encontrou terreno fértil. Pesquisa jurisprudencial, revisão documental, resumo de processos, comparação de argumentos, redação de primeiras versões e organização de provas já podem ser realizadas, em diferentes graus, por sistemas generativos.

O ganho de produtividade é evidente. A consequência formativa dessa transformação, porém, merece análise mais cuidadosa.

Existe uma diferença entre executar uma tarefa com auxílio de uma ferramenta e conservar as capacidades intelectuais que permitem compreender, revisar e contestar o resultado produzido por ela. Quanto maior a facilidade oferecida pela tecnologia, maior pode se tornar a distância entre aquilo que o profissional consegue entregar e aquilo que efetivamente consegue explicar.

Dois conceitos utilizados há décadas na literatura sobre trabalho ajudam a compreender essa tensão: deskilling e upskilling.

O primeiro descreve processos nos quais determinada atividade passa a exigir menos habilidade ou nos quais competências anteriormente relevantes se tornam obsoletas. O segundo aponta para o movimento inverso, caracterizado pela aquisição e pelo desenvolvimento de novas habilidades.[1][2]

A inteligência artificial pode impulsionar ambos.

Para o Direito, essa distinção interessa especialmente porque o produto do trabalho jurídico costuma ocultar o processo cognitivo que o produziu. Uma sentença bem escrita, uma petição tecnicamente organizada ou um parecer aparentemente consistente podem resultar de compreensão profunda do problema ou de uma sucessão eficiente de comandos fornecidos a uma máquina. Externamente, os dois produtos talvez se pareçam. A diferença aparece quando surge uma exceção, um precedente aparentemente aplicável que precisa ser distinguido, uma premissa factual equivocada ou uma resposta da IA que soa convincente e está juridicamente errada.

É nesse momento que a competência deixa de ser abstrata.

Uma preocupação mais antiga do que a inteligência artificial

A inquietação provocada por tecnologias capazes de transferir funções cognitivas para suportes externos não surgiu com os modelos de linguagem.

No Fedro, Platão apresenta o conhecido mito de Theuth e Thamus. Theuth oferece a escrita como uma invenção capaz de ampliar a sabedoria e a memória. Thamus percebe uma ambiguidade. Ao confiar em registros externos, os homens poderiam deixar de exercitar a própria memória e adquirir a aparência de conhecimento sem necessariamente possuir compreensão correspondente.[3]

Seria precipitado transformar Platão em crítico antecipado da inteligência artificial. A analogia, contudo, é intelectualmente fecunda.

A escrita acabou se tornando uma das maiores tecnologias de ampliação cognitiva da história humana. Ela permitiu preservar conhecimento, transmitir ideias entre gerações e construir sistemas científicos e jurídicos cuja complexidade seria impossível em uma cultura exclusivamente oral. A advertência platônica permaneceu relevante porque apontava para outra dimensão da tecnologia: uma ferramenta que expande a inteligência também pode alterar as capacidades que decidimos exercitar.

A inteligência artificial acrescenta uma diferença decisiva. Um livro armazena respostas. Um modelo generativo também as produz.

Essa passagem do armazenamento para a geração modifica a natureza da dependência possível.

Quando uma ferramenta consegue formular a síntese, organizar o raciocínio, escolher argumentos e apresentar uma conclusão em linguagem plausível, o esforço cognitivo necessário para chegar ao produto final pode diminuir drasticamente. Essa economia de esforço possui enorme valor produtivo. Também cria uma questão formativa: quais operações mentais continuarão sendo exercitadas quando tantas delas puderem ser delegadas?

A filosofia moderna oferece outra formulação útil. Ao discutir o esclarecimento, Kant relacionou a maturidade intelectual à capacidade de fazer uso do próprio entendimento sem depender continuamente da condução de outro.[4] O ponto continua atual mesmo em um cenário que Kant jamais poderia ter imaginado. A disponibilidade permanente de respostas torna ainda mais importante cultivar a capacidade de formular perguntas, testar premissas e sustentar juízos próprios.

Uma sociedade com acesso abundante à informação pode continuar intelectualmente pobre quando perde o hábito de examiná-la.

Deskilling: quando a competência necessária diminui

O Oxford Advanced Learner’s Dictionary registra deskilling como o processo pelo qual se reduz a quantidade de habilidade necessária para desempenhar determinada função e também como a situação em que competências dos trabalhadores se tornam desatualizadas.[1] O Cambridge Dictionary associa o verbo deskill à redução da quantidade de habilidade necessária para executar um trabalho e menciona expressamente a tecnologia como possível causa desse processo.[2]

O conceito ganhou centralidade na sociologia do trabalho muito antes da atual onda de inteligência artificial. Em Labor and Monopoly Capital, publicado em 1974, Harry Braverman analisou a reorganização do trabalho industrial e a progressiva separação entre concepção e execução, relacionando transformações tecnológicas e gerenciais à perda de domínio técnico do trabalhador sobre o processo produtivo.[5]

Transportado para o trabalho intelectual, o fenômeno assume feição mais sutil.

O jurista não precisa esquecer o conteúdo de determinada lei para sofrer deskilling. Basta que algumas operações essenciais deixem de ser regularmente realizadas por ele.

Reconstruir uma sequência factual a partir de centenas de páginas é uma competência. Identificar quais fatos possuem relevância jurídica é outra. Localizar o precedente adequado, compreender sua ratio decidendi, verificar o contexto fático e perceber por que determinado julgado não se aplica ao caso também são competências. O mesmo vale para organizar uma argumentação, antecipar objeções e escolher entre interpretações juridicamente possíveis.

Essas capacidades são desenvolvidas pela prática.

Quando uma ferramenta executa todas essas etapas antes que o profissional tenha desenvolvido domínio suficiente sobre elas, a produtividade pode aumentar ao mesmo tempo em que o processo de formação é abreviado.

Surge então uma situação curiosa: o trabalhador produz mais, mas aprende menos com cada unidade produzida.

No curto prazo, o resultado pode parecer excelente. No longo prazo, a organização corre o risco de formar profissionais que sabem operar sistemas sofisticados, mas possuem dificuldade crescente para avaliar criticamente aquilo que esses sistemas produzem.

Upskilling: quando a automação desloca o trabalho para cima

O conceito de upskilling descreve movimento diferente. Oxford o define como o processo de aprender novas habilidades ou ensinar novas habilidades a alguém.[6] Cambridge registra ideia semelhante, vinculada ao aprendizado e ao aprimoramento de competências profissionais.[7]

A inteligência artificial pode acelerar intensamente esse processo.

Considere um advogado que já domina pesquisa jurisprudencial e utiliza IA para localizar conjuntos maiores de precedentes, identificar linhas divergentes e comparar fundamentos. Seu trabalho deixa de estar limitado pela capacidade manual de busca. A ferramenta amplia seu campo de análise.

Considere um assessor que compreende profundamente determinado tema processual e emprega um modelo para confrontar sua minuta com possíveis fundamentos recursais. A tecnologia funciona como interlocutor crítico.

Considere ainda uma equipe que utiliza IA para eliminar tarefas de classificação documental, liberando horas de profissionais experientes para análise probatória, estratégia e revisão de teses.

Nesses casos, a máquina altera a distribuição do esforço humano. A competência não desaparece. Ela passa a operar em nível diferente.

Essa possibilidade aparece também nas pesquisas sobre transformação do trabalho. Estudo da OCDE baseado em quase cem estudos de caso de implementação de inteligência artificial nos setores financeiro e industrial de oito países encontrou, naquele conjunto observado, reorganização de funções com maior frequência do que simples eliminação de empregos. A automação deslocou trabalhadores para tarefas nas quais capacidades humanas apresentavam vantagem comparativa, embora o levantamento também tenha registrado novas exigências de qualificação e relatos de intensificação do trabalho.[8]

A mesma infraestrutura tecnológica pode, portanto, simplificar uma função até empobrecê-la ou retirar dela componentes mecânicos para abrir espaço a atividades intelectualmente superiores.

O efeito depende de como o trabalho é redesenhado.

O raciocínio crítico tornou-se parte da infraestrutura de segurança

Uma das evidências mais relevantes para essa discussão surgiu em pesquisa apresentada na CHI Conference on Human Factors in Computing Systems de 2025.

Hao-Ping Lee e outros pesquisadores estudaram 319 trabalhadores do conhecimento, que forneceram 936 exemplos reais de utilização de inteligência artificial generativa em tarefas profissionais. Os resultados indicaram associação entre maior confiança na IA e menor incidência de pensamento crítico relatado pelos participantes. O estudo também identificou uma mudança na natureza desse esforço cognitivo: parte do pensamento crítico passa da produção direta para atividades de verificação da informação, integração das respostas e supervisão do trabalho realizado pela ferramenta.[9]

Esse deslocamento merece atenção.

A IA não elimina necessariamente a necessidade de raciocinar. Ela muda o lugar em que o raciocínio precisa ocorrer.

Antes, grande parte do esforço estava na produção inicial. Agora, parte crescente desse esforço pode estar na supervisão.

Isso exige competências específicas.

Verificar uma resposta pressupõe possuir critérios para reconhecê-la como correta. Conferir uma jurisprudência pressupõe compreender o que torna um precedente pertinente. Auditar uma conclusão jurídica pressupõe conhecimento suficiente para identificar premissas frágeis, omissões e saltos argumentativos.

A capacidade de revisar uma máquina não nasce automaticamente do uso da máquina.

Por isso, o avanço da IA pode aumentar, e não reduzir, a importância de profissionais altamente qualificados em determinadas posições. Quanto mais plausível e fluente for o sistema, mais refinada precisa ser a capacidade humana de perceber erros que já não se apresentam de maneira grosseira.

O Direito possui uma vulnerabilidade particular

O trabalho jurídico combina três características que tornam o risco de deskilling especialmente relevante.

A primeira é a dependência de contexto. Uma solução juridicamente adequada raramente decorre apenas da identificação de uma regra abstrata. O resultado depende de fatos, procedimento, distribuição do ônus probatório, precedentes, competência, temporalidade normativa e uma série de particularidades que precisam ser articuladas.

A segunda é a força persuasiva da linguagem. Modelos generativos produzem textos gramaticalmente sofisticados e argumentações aparentemente coerentes. Essa qualidade formal pode ocultar falhas substanciais.

A terceira é a responsabilidade institucional. Uma resposta tecnicamente inadequada em determinados ambientes jurídicos afeta patrimônio, liberdade, saúde, empresas e políticas públicas. A facilidade de produção aumenta a necessidade de mecanismos robustos de verificação.

O risco de deskilling cresce quando a qualidade do trabalho passa a ser medida principalmente por volume e velocidade.

Uma organização pode produzir mais minutas, pareceres ou petições e, ainda assim, enfraquecer silenciosamente a capacidade técnica de sua equipe.

Indicadores tradicionais de produtividade dificilmente capturam essa perda.

O problema da formação dos profissionais mais jovens

A questão torna-se ainda mais sensível no início da carreira.

Muitas atividades que hoje parecem candidatas naturais à automação cumpriam uma função pedagógica que raramente aparecia na descrição formal do cargo.

Ler processos extensos treinava a identificação do fato relevante.

Pesquisar jurisprudência ensinava a reconhecer padrões argumentativos e divergências entre tribunais.

Produzir primeiras versões obrigava o profissional a organizar o raciocínio.

Revisar peças desenvolvia sensibilidade para inconsistências.

Essas tarefas consumiam tempo, mas também construíam repertório.

Um profissional experiente pode automatizar parte delas carregando consigo anos de prática anterior. O iniciante que recebe a automação desde o primeiro dia percorre trajetória diferente.

A pergunta institucional relevante passa a ser como formar especialistas em ambientes nos quais as tarefas historicamente responsáveis pela formação inicial estão desaparecendo.

Esse desafio ultrapassa o Direito. Ele atinge medicina, engenharia, programação, contabilidade e várias profissões baseadas em conhecimento. No campo jurídico, porém, a combinação entre linguagem, interpretação e responsabilidade decisória torna o tema particularmente delicado.

Cinco proposições para uma inteligência artificial que desenvolva competências

O debate ganha utilidade quando produz critérios práticos. Algumas proposições podem orientar o uso da IA em escritórios, departamentos jurídicos, tribunais e universidades.

1. A formulação do problema jurídico deve permanecer como competência central

Sistemas generativos são especialmente eficientes quando recebem problemas bem delimitados. Essa circunstância torna a capacidade de formular o problema ainda mais valiosa.

O profissional precisa saber quais fatos importam, qual pergunta jurídica deve ser respondida e quais elementos podem alterar a solução. Uma equipe que delega essa etapa integralmente à máquina pode ganhar velocidade, mas perde progressivamente a capacidade de identificar o verdadeiro objeto da controvérsia.

A IA funciona melhor quando entra em cena depois de um enquadramento humano suficientemente qualificado.

2. A revisão deve incidir sobre fontes e premissas, não apenas sobre a linguagem

Grande parte das falhas produzidas por IA já não apresenta aparência de erro.

O texto pode estar impecável.

Uma revisão útil precisa verificar a existência das fontes, a aderência dos precedentes, a correspondência entre os fatos e os documentos e a validade das premissas utilizadas na argumentação.

Revisar apenas estilo é insuficiente quando a máquina já escreve bem.

3. O sistema deve ser utilizado também para contradizer o usuário

Uma IA configurada apenas para confirmar a tese apresentada cria ambiente propício à complacência cognitiva.

O uso mais sofisticado inclui pedidos de objeções, argumentos contrários, hipóteses alternativas, distinções jurisprudenciais e identificação dos pontos mais frágeis da própria conclusão.

A tecnologia deixa de ser apenas uma máquina de produção e passa a funcionar como instrumento de confronto intelectual.

Essa arquitetura favorece upskilling porque obriga o profissional a defender, revisar ou abandonar suas próprias premissas.

4. A formação dos profissionais juniores precisa ser redesenhada deliberadamente

Eliminar tarefas repetitivas pode ser vantajoso. Eliminar inadvertidamente as experiências que formavam o profissional cria outro problema.

Organizações que automatizam atividades de entrada precisam criar mecanismos alternativos de aprendizagem: revisão comentada, resolução de casos sem assistência em momentos específicos, comparação entre respostas humanas e artificiais, discussão coletiva de erros e análise de precedentes.

A produtividade do presente não deve consumir o capital intelectual do futuro.

5. O sucesso da automação precisa incorporar uma métrica de aprendizagem

Uma organização costuma perguntar quantas horas foram economizadas.

Deveria perguntar também o que seus profissionais aprenderam depois da implementação da ferramenta.

A segunda pergunta raramente aparece em relatórios de produtividade, embora possa determinar a qualidade institucional daqui a alguns anos.

Um sistema de IA bem implementado aumenta velocidade, reduz trabalho mecânico e, simultaneamente, amplia repertório, precisão e capacidade crítica dos usuários.

Esse seria um indicador muito mais robusto de maturidade tecnológica.

A facilidade também precisa produzir exigência

Existe uma tentação compreensível em utilizar cada nova tecnologia para eliminar todo esforço possível.

Essa lógica funciona muito bem para esforços que pouco acrescentam ao desenvolvimento profissional. Ninguém precisa preservar manualmente tarefas burocráticas apenas para manter uma tradição.

O raciocínio merece tratamento diferente.

Algumas dificuldades possuem valor formativo justamente porque obrigam a mente a construir relações, formular hipóteses, confrontar inconsistências e desenvolver critérios.

Uma calculadora libera o matemático de operações elementares sem tornar desnecessária a compreensão matemática. Um banco de dados jurídico permite acessar milhares de precedentes sem substituir a capacidade de interpretá-los. A inteligência artificial pode seguir lógica semelhante, desde que o profissional continue intelectualmente envolvido nas etapas que definem a qualidade da decisão.

O ideal tecnológico talvez seja uma ferramenta capaz de tornar o trabalho menos penoso sem tornar o pensamento menos exigente.

Há algo profundamente kantiano nessa proposta. Quanto mais respostas externas se tornam disponíveis, maior precisa ser a disciplina necessária para conservar o exercício do próprio entendimento.

A abundância de assistência pode exigir uma cultura ainda mais forte de autonomia intelectual.

O futuro do trabalho jurídico será também uma disputa sobre formação

A discussão sobre IA costuma privilegiar empregos, produtividade e custos. Todas essas dimensões são relevantes. A transformação das competências merece ocupar posição semelhante.

Profissões não existem apenas porque determinadas tarefas precisam ser executadas. Elas existem porque comunidades de especialistas acumulam conhecimentos, critérios e práticas capazes de produzir decisões confiáveis.

Quando a tecnologia altera a forma como essas competências são adquiridas, ela altera a própria estrutura da profissão.

Deskilling e upskilling oferecem uma linguagem útil para observar esse processo.

Uma ferramenta que produz rapidamente uma resposta jurídica pode economizar minutos. Uma ferramenta que ajuda um profissional a compreender melhor o problema pode produzir efeitos durante décadas.

As organizações mais maduras provavelmente aprenderão a buscar os dois ganhos.

Automatizarão o que desperdiça capacidade humana.

Preservarão o esforço que constrói discernimento.

Criarão fluxos em que a IA amplia a quantidade de informação disponível, enquanto o profissional conserva a responsabilidade de interpretá-la.

Também compreenderão que conhecimento técnico e pensamento crítico continuarão sendo ativos escassos mesmo quando textos, resumos e argumentos se tornarem abundantes.

A história das tecnologias intelectuais mostra que ferramentas poderosas raramente tornam o pensamento humano irrelevante. Elas modificam aquilo sobre o qual precisamos pensar.

A inteligência artificial já começou a fazer isso com o Direito.

O resultado dependerá menos da quantidade de tarefas que conseguirmos entregar às máquinas e mais da qualidade das competências que decidirmos continuar desenvolvendo em nós mesmos.

Notas de rodapé

[1] OXFORD UNIVERSITY PRESS. Deskilling. Oxford Advanced Learner’s Dictionary. O verbete define deskilling como redução da quantidade de habilidade necessária para determinada função e também como desatualização das competências dos trabalhadores. Disponível em <https://www.oxfordlearnersdictionaries.com/us/definition/english/deskilling>.

[2] CAMBRIDGE UNIVERSITY PRESS. Deskilling; deskill. Cambridge Dictionary. O dicionário define deskill como reduzir a quantidade de habilidade necessária para realizar determinado trabalho e apresenta a tecnologia como exemplo de fator capaz de produzir esse efeito. Disponível em <https://dictionary.cambridge.org/dictionary/english/deskilling>.

[3] PLATÃO. Fedro, 274d–275b. No mito de Theuth e Thamus, a escrita é apresentada como tecnologia capaz de auxiliar a memória, mas também de estimular dependência de sinais externos e aparência de sabedoria sem compreensão correspondente. Para contextualização filosófica do argumento, ver Stanford Encyclopedia of Philosophy. Disponível em <https://plato.stanford.edu/archives/fall2018/entries/it-moral-values/>.

[4] KANT, Immanuel. Resposta à pergunta: Que é Esclarecimento? 1784. Kant associa o esclarecimento à capacidade de utilizar o próprio entendimento sem permanecer sob condução intelectual alheia. A formulação é discutida na Stanford Encyclopedia of Philosophy em seu verbete sobre a concepção kantiana de razão. Disponível em <https://plato.stanford.edu/archives/spr2026/entries/kant-reason/>.

[5] BRAVERMAN, Harry. Labor and Monopoly Capital: The Degradation of Work in the Twentieth Century. New York: Monthly Review Press, 1974. A obra tornou-se referência fundamental na discussão sobre transformação tecnológica, organização do trabalho e perda de domínio técnico do trabalhador sobre o processo produtivo. Disponível em <https://search.worldcat.org/title/Labor-and-monopoly-capital-%3A-the-degradation-of-work-in-the-twentieth-century/oclc/444132479>.

[6] OXFORD UNIVERSITY PRESS. Upskilling. Oxford Advanced Learner’s Dictionary. O verbete define upskilling como a atividade de ensinar novas habilidades ou o processo de aprender novas habilidades. Disponível em <https://www.oxfordlearnersdictionaries.com/us/definition/english/upskilling>.

[7] CAMBRIDGE UNIVERSITY PRESS. Upskilling. Cambridge Dictionary. O termo é definido como processo de aprender novas habilidades ou ensinar novas habilidades aos trabalhadores, também associado ao aprimoramento contínuo das competências profissionais. Disponível em <https://dictionary.cambridge.org/dictionary/english/upskilling>.

[8] MILANEZ, Anna. The impact of AI on the workplace: Evidence from OECD case studies of AI implementation. OECD Social, Employment and Migration Working Papers, 2023. DOI 10.1787/2247ce58-en. O estudo utiliza quase cem estudos de caso nos setores de manufatura e finanças de oito países e identifica reorganização de funções, redução de tarefas tediosas e novas exigências de qualificação, entre outros efeitos. Disponível em <https://www.oecd.org/en/publications/the-impact-of-ai-on-the-workplace-evidence-from-oecd-case-studies-of-ai-implementation_2247ce58-en.html>.

[9] LEE, Hao-Ping Hank et al. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, 2025. DOI 10.1145/3706598.3713778. A pesquisa reuniu 319 trabalhadores do conhecimento e 936 exemplos de uso profissional de IA generativa; maior confiança nos sistemas esteve associada a menor incidência de pensamento crítico relatado, além de deslocamento do esforço cognitivo para verificação, integração e supervisão das respostas. Disponível em <https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/>