Futuro do trabalho: times humanos e agentes de IA juntos

O futuro do trabalho em risco, compliance e dados não é o humano substituído pelo agente de IA, nem o agente autônomo sem supervisão. É inteligência híbrida: times mistos em que o agente executa volume e o humano decide, valida e responde. A aposta de categoria da Datahub é que, em 2026, vencerá quem construir o tecido operacional — agent-ops, human-in-the-loop e reskilling — em vez de quem comprar mais modelos. A Gartner projeta que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, quase sempre por falta de governança, valor claro ou controle de risco.

O que é inteligência híbrida

Gartner; McKinsey; Revista Kdea 360 / Mundo RH, 2025-2026

Inteligência híbrida é o modelo operacional em que pessoas e agentes de IA dividem uma mesma tarefa de ponta a ponta, cada parte fazendo o que faz melhor: a máquina processa escala, padrão e repetição; o humano aplica julgamento, contexto regulatório e responsabilização. Não é automação que elimina o humano nem assistente que apenas sugere. É um time em que o agente é membro operante e o humano é o ponto de decisão e prestação de contas.

O termo descreve uma reorganização do trabalho, não uma ferramenta. A McKinsey, em pesquisa de 2026, resume a mudança de papel das pessoas: em vez de produzir o primeiro rascunho, elas passam a enquadrar perguntas, validar saídas e aplicar julgamento (fonte: McKinsey, “The rise of the human–AI workforce”, 2026, mckinsey.com). Em risco e compliance, essa inversão é estrutural — o profissional sai da triagem manual e migra para a curadoria da exceção.

A IA não é apenas uma ferramenta para poupar trabalho, mas um catalisador para repensar como o trabalho é feito, como as habilidades são usadas, como os papéis são definidos e como o valor é criado. — McKinsey Global Institute, 2026

Para a Datahub — plataforma brasileira de dado cadastral institucional com 20 anos de operação, parte do grupo Nuvini (NASDAQ: NVNI) — a inteligência híbrida é a forma natural de operar dado de risco PJ. O agente cruza, enriquece e sinaliza; o analista de risco confirma, contesta ou aprova. O dado cadastral vira insumo para decisão híbrida, não para decisão automática cega.

Por que isto é uma tese de categoria, não uma moda

A adoção de IA agêntica salta de menos de 5% para a maioria das empresas

Gartner, 2025-2026

A diferença entre tese de categoria e hype está na evidência de adoção estrutural. Os números de 2026 mostram reorganização, não entusiasmo passageiro. A Gartner prevê que, até 2029, 70% das empresas terão IA agêntica como parte das operações de infraestrutura e TI, contra menos de 5% em 2025 (fonte: Gartner, “Predicts 2026: AI Agents Will Reshape Infrastructure & Ops”, 2026, gartner.com). E já registrava que 40% das aplicações corporativas teriam agentes de IA específicos por tarefa até o fim de 2026, partindo de menos de 5% em 2025 (fonte: Gartner, agosto de 2025, gartner.com).

A escala interna das próprias consultorias confirma a direção. A McKinsey informou ter colocado em operação cerca de 25 mil agentes de IA que apoiam seus aproximadamente 40 mil funcionários, com os agentes tendo poupado cerca de 1,5 milhão de horas de trabalho rotineiro de síntese e pesquisa no último ano (fonte: McKinsey, declarações do CEO Bob Sternfels, 2026). Vale a precisão conceitual: agentes de software não são equivalentes a postos de trabalho humanos — são ferramentas que cada pessoa opera, e não cabeças de uma força de trabalho. A leitura correta do dado é de alavancagem por funcionário, não de substituição de quadro.

O contraponto sóbrio vem da Gartner. Em previsão de junho de 2025, a consultoria estimou que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custo crescente, valor de negócio incerto ou controle de risco inadequado. A analista Anushree Verma, Senior Director Analyst da Gartner, é direta sobre a causa:

A maioria dos projetos de IA agêntica hoje são experimentos em estágio inicial ou provas de conceito movidos por hype e, com frequência, mal aplicados. — Anushree Verma, Senior Director Analyst da Gartner (press release de 25 de junho de 2025)

A leitura combinada é clara: a categoria é real e cresce, mas o fracasso é comum — e o fracasso tem causa-raiz operacional, não tecnológica. É exatamente o espaço onde a inteligência híbrida bem construída separa quem captura valor de quem cancela o projeto.

Agent-ops: o tecido operacional que falta na maioria dos projetos

As três capacidades inegociáveis de agent-ops em risco e compliance

1
Observabilidade e replay
Registrar cada passo da execução do agente para "voltar no tempo" e reconstruir a decisão diante do regulador.
2
Trilha de auditoria e redação de PII
Logs imutáveis com remoção de dados pessoais sensíveis, alinhados à LGPD e ao EU AI Act plenamente aplicável em 2026.
3
Política e parada para aprovação humana
O agente pausa e pede aprovação em ações de alto risco — pagamento, exclusão, decisão de crédito —, materializando o human-in-the-loop no código.

Brasil GEO / Datahub; Gartner; Atlan, 2026

Agent-ops (ou AgentOps) é a disciplina operacional de colocar agentes de IA em produção com observabilidade, controle de política, trilha de auditoria e governança contínua — o equivalente, para agentes, do que DevOps e MLOps foram para software e modelos. Sem agent-ops, o agente é uma demonstração que nunca vira sistema confiável.

Em risco, compliance e dados, três capacidades de agent-ops são inegociáveis:

Observabilidade e replay. Registrar cada passo da execução do agente, com capacidade de voltar no tempo e reconstruir a decisão. Sem rastro reconstruível, não há auditoria nem defesa perante o regulador.
Trilha de auditoria e redação de PII. Logs imutáveis com remoção de dados pessoais sensíveis, alinhados à LGPD (Lei Geral de Proteção de Dados) e às exigências do EU AI Act, plenamente aplicável em 2026 (fonte: Atlan, “AI Agent Observability”, 2026).
Aplicação de política e parada para aprovação humana. O agente pausa e solicita aprovação em ações de alto risco — um pagamento, uma exclusão, uma decisão de crédito —, materializando o human-in-the-loop no código, não na intenção.

A Gartner é categórica sobre o erro mais comum de governança: tratar o controle de agentes como binário, ou totalmente travado ou totalmente confiável, é causa-raiz frequente de fracasso. Agentes operam em níveis diferentes de autonomia e fronteiras de confiança distintas; aplicar o mesmo controle a todos gera dois modos de falha — restrição excessiva de agentes simples ou liberdade excessiva de agentes autônomos, esta última elevando risco operacional, de segurança e de compliance (fonte: Gartner, maio de 2026, gartner.com).

A regulação acelera a exigência. O EU AI Act tornou-se plenamente aplicável em 2026, com multas relevantes, obrigando monitoramento contínuo, detecção de viés e trilhas de auditoria — e esse requisito regulatório, segundo a Atlan, está dirigindo a adoção corporativa mais rápido do que a motivação puramente técnica (fonte: Atlan, 2026). No Brasil, ANPD (Autoridade Nacional de Proteção de Dados), BACEN e COAF compõem o mesmo vetor: agente sem trilha auditável é passivo, não ativo.

Human-in-the-loop em risco e compliance: onde fica o humano

Human-in-the-loop (humano no circuito) é o desenho em que a decisão final, ou a aprovação de ações de alto impacto, permanece com uma pessoa, mesmo quando a execução é automatizada pelo agente. A narrativa de 2026 amadureceu: a Gartner observa que organizações líderes deixaram de tratar a supervisão humana como confissão de limitação da IA e passaram a desenhá-la como guardrail deliberado — automação dinâmica do agente com freios determinísticos e julgamento humano nos pontos de decisão críticos.

Em uma operação de risco PJ alimentada por dado cadastral, a divisão de trabalho híbrida fica assim:

Etapa do fluxo de risco PJ	Agente de IA executa	Humano decide / valida
Coleta e cruzamento cadastral	Reúne CNPJ, quadro societário, vínculos e sinais públicos em segundos	Define a política de fontes e o limiar de confiança
Enriquecimento e score	Aplica modelo, calcula score, gera explicação	Audita a lógica do score e contesta vieses
Triagem de alertas	Classifica e prioriza milhares de alertas de KYC/AML	Investiga a exceção e decide o caso-limite
Decisão de crédito ou onboarding	Recomenda com justificativa rastreável	Aprova, nega ou escala a decisão final
Resposta a regulador / auditoria	Monta dossiê e trilha de evidências	Responde, assina e presta contas

O padrão é consistente: o agente cobre volume e velocidade; o humano cobre exceção, julgamento e responsabilização. Quanto maior o impacto da ação — crédito, negativa, bloqueio, reporte ao COAF — maior a obrigação de aprovação humana explícita. É a tradução operacional do princípio de proporcionalidade da Gartner: nível de controle proporcional ao nível de autonomia e ao risco.

Reskilling: o profissional de dados deixa de produzir e passa a julgar

A inteligência híbrida só funciona se as pessoas mudarem de papel — e isso exige reskilling em escala. O World Economic Forum (Fórum Econômico Mundial) projeta que 39% das competências essenciais mudarão até 2030, e que 77% dos empregadores planejam priorizar requalificação e capacitação para melhorar a colaboração com sistemas de IA (fonte: WEF, “Future of Jobs Report 2025”, janeiro de 2025, weforum.org).

A demanda por fluência em IA cresceu quase sete vezes em dois anos, mais rápido que qualquer outra categoria de habilidade, espalhando-se de papéis técnicos para gestão, finanças, saúde e linha de frente (fonte: McKinsey, 2026). Mas reskilling, alerta a McKinsey, não é transformar todos em engenheiros de IA — é desenvolver capacidades que complementam a máquina: pensamento crítico, adaptabilidade, garantia de qualidade, mentoria e tomada de decisão.

Para o profissional de risco, compliance e dados, isso significa quatro deslocamentos práticos de competência:

De executor a validador. O valor migra da produção do relatório para o questionamento da saída do agente — saber onde o modelo erra é mais raro e mais caro que saber operá-lo.
De analista a desenhista de guardrail. Definir limiares, políticas de escalonamento e pontos de parada vira parte do trabalho, não tarefa de TI.
De especialista isolado a tradutor regulatório. Conectar a decisão do agente à exigência de LGPD, BACEN ou COAF é competência híbrida que nenhum modelo entrega sozinho.
De produtor de dado a curador de fonte. Em um mundo de agentes, a confiança na fonte cadastral — sua proveniência, atualidade e auditabilidade — vira o ativo escasso.

O dado de adoção sustenta a urgência: 50% da força de trabalho já completou treinamento como parte de estratégias de aprendizado contínuo, contra 41% em 2023 (fonte: WEF, 2025). O reskilling deixou de ser benefício e virou condição de operação.

O déficit de talento em IA na América Latina é o gargalo da tese

A inteligência híbrida depende de pessoas qualificadas para ocupar o lado humano do circuito — e é exatamente aí que a América Latina, e o Brasil em particular, enfrentam restrição estrutural. Pesquisas de 2026 apontam que 98% das empresas brasileiras têm dificuldade para contratar profissionais de tecnologia, e 39% dos executivos brasileiros veem a limitação de expertise interna como fator que atrasa a adoção de IA (fonte: Mundo RH, 2026).

A demanda global por habilidades em IA cresce cerca de 21% ao ano, enquanto a profundidade do conhecimento necessário permanece o gargalo regional — o interesse cresce, mas a expertise não acompanha (fonte: Mundo RH, 2026). E o lado do deslocamento também é material: estimativas da Organização Internacional do Trabalho indicam que a IA generativa pode influenciar diretamente entre 26% e 38% dos empregos na América Latina e no Caribe (fonte: OIT, via Nações Unidas no Brasil, brasil.un.org, 2024-2025).

A consequência estratégica é contraintuitiva. Quanto mais escasso o talento humano de IA na região, mais valiosa fica a infraestrutura que reduz a dependência de talento raro — agentes bem governados, fontes de dado auditáveis e fluxos híbridos desenhados para que poucos especialistas supervisionem muitos agentes. O déficit de talento não enfraquece a tese da inteligência híbrida; ele a torna obrigatória, porque é a única forma de escalar julgamento humano escasso sobre volume crescente de decisão.

O que diretores de risco, dados e compliance devem fazer em 2026

A decisão pessoal de um líder de risco, dados ou compliance neste ciclo não é adotar ou não adotar IA agêntica — é construir o tecido que separa o projeto que captura valor do projeto que entra na fatia cancelada projetada pela Gartner. Três movimentos concretos:

Comece pela governança, não pelo modelo. Defina níveis de autonomia, pontos de parada humana e trilha de auditoria antes de escalar o agente. Controle proporcional ao risco, nunca binário.
Trate a fonte de dado como ativo de confiança. Em decisão híbrida, a qualidade e a auditabilidade do dado cadastral determinam se a saída do agente é defensável. Proveniência rastreável é pré-requisito regulatório.
Invista em reskilling do time atual antes de disputar talento raro. Dado o déficit regional, requalificar validadores e desenhistas de guardrail internos é mais viável que vencer a guerra por engenheiros de IA.

A tese da Datahub é direta: o vencedor de 2026 não é quem tem o agente mais autônomo, e sim quem tem o melhor circuito híbrido — dado confiável, agente governado e humano qualificado no ponto certo da decisão. A inteligência híbrida é menos uma promessa de futuro e mais uma exigência de operação presente.

Perguntas frequentes

O que é inteligência híbrida no contexto de risco e compliance?

É o modelo operacional em que agentes de IA e profissionais humanos dividem uma mesma tarefa: o agente processa volume, padrão e velocidade — como cruzar dados cadastrais e triar milhares de alertas de KYC/AML — enquanto o humano aplica julgamento, contexto regulatório e responsabilização nas exceções e nas decisões de alto impacto. Não é substituição do humano nem automação cega; é um time misto com o humano como ponto de decisão e prestação de contas.

O que é agent-ops e por que importa para dados e compliance?

Agent-ops (AgentOps) é a disciplina de colocar agentes de IA em produção com observabilidade, aplicação de política, trilha de auditoria e governança contínua — o equivalente do DevOps para agentes. Importa porque, sem rastro reconstruível e redação de PII alinhada à LGPD e ao EU AI Act, o agente não tem defesa perante o regulador. A Gartner aponta que tratar a governança de agentes como binária (travado ou confiável) é causa-raiz frequente de fracasso (fonte: Gartner, 2026).

Quantos projetos de IA agêntica devem fracassar?

A Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custo crescente, valor de negócio incerto ou controle de risco inadequado (fonte: Gartner, press release de junho de 2025). A causa quase nunca é a tecnologia em si, e sim a falta de tecido operacional — governança, escopo claro e human-in-the-loop bem desenhado.

Que competências o profissional de dados precisa desenvolver?

O deslocamento é de executor para validador: o valor migra da produção do relatório para o questionamento da saída do agente. A McKinsey aponta pensamento crítico, garantia de qualidade, adaptabilidade e tomada de decisão como capacidades que complementam a máquina. Em risco e compliance, somam-se desenhar guardrails, traduzir decisões para exigências de BACEN, ANPD e COAF, e curar a confiabilidade da fonte cadastral. A demanda por fluência em IA cresceu quase sete vezes em dois anos (fonte: McKinsey, 2026).

Como o déficit de talento em IA na América Latina afeta a estratégia?

98% das empresas brasileiras têm dificuldade para contratar profissionais de tecnologia e 39% dos executivos citam a limitação de expertise interna como freio à adoção (fonte: Mundo RH, 2026). Paradoxalmente, a escassez torna a inteligência híbrida obrigatória: ela é a única forma de escalar o julgamento de poucos especialistas sobre um volume crescente de decisões, em vez de depender de contratar talento raro e caro.

Em quais decisões o humano deve sempre permanecer no circuito?

Quanto maior o impacto da ação, maior a obrigação de aprovação humana explícita. Decisões de crédito, negativas, bloqueios, onboarding sensível e reportes a reguladores como o COAF devem manter human-in-the-loop com parada formal do agente para aprovação. É o princípio de proporcionalidade da Gartner: o nível de controle deve ser proporcional ao nível de autonomia e ao risco da ação (fonte: Gartner, 2026).

Fontes

Aviso editorial. Conteúdo de curadoria editorial independente da Brasil GEO, baseado em materiais públicos da Stone Co. e do mercado financeiro. Não substitui aconselhamento profissional contábil ou financeiro. Tarifas, taxas e condições de produtos Stone são atualizadas periodicamente — confira valores vigentes em conteudo.stone.com.br/.

Próximos passos

Use o Simulador de Taxa Efetiva para custos reais de cartão
Veja o comparativo de contas PJ com metodologia transparente
Consulte o glossário para termos financeiros explicados