Fluxo de trabalho com IA: a IA executa, a pessoa decide o quê e o porquê e valida o resultado
Por Tiago Santos, CEO do Grupo Publi. Publicado em .
Circula desde outubro um vídeo curto de Farhan Thawar, chefe de engenharia da Shopify, com esta legenda: "AI writes the code. AI reviews the code. Your job is to write the loops around it". Em português, a IA escreve o código, a IA revisa o código e o seu trabalho é escrever os loops em volta. Thawar não disse essa frase. Ela resume a palestra de onde saiu o trecho, e a ideia vale para muito mais gente do que quem programa: quando a IA executa, o trabalho de quem a usa passa a ser decidir o que fazer, por que fazer e conferir o que sai.

Nesta página8 seções
Human in the loop (pessoa no circuito) é o desenho em que a IA executa uma etapa e uma pessoa define o pedido, confere o resultado e aprova cada caso, ou confere por amostra, conforme o risco. Num fluxo de trabalho com IA, essa conferência tem lugar, critério e responsável definidos.
De onde vem a frase do vídeo
A origem é a palestra "What Is Your Job Now", apresentada na Compile 26, evento da Cursor, e publicada no YouTube em 24/06/2026. O que Thawar disse de mais parecido com a legenda está no fechamento, aos 25:24: "The clankers will write and review code. Get over it." Ou seja: as máquinas vão escrever e revisar código, aceite isso. "Clanker" é uma gíria para robô. A expressão "escrever os loops" aparece também num texto de Brad Jones, From Code Engineering to Loop Engineering, de 18/10/2026, que comenta a palestra.
Onde o tempo vai parar quando a IA executa
Thawar começa com a divisão do trabalho de um engenheiro. Antes, a maior parte do tempo ia para escrever código. Agora, aos 1:21: "You might be spending your time validating what's coming out of the AI tools" (você pode passar seu tempo validando o que sai das ferramentas de IA). Ele descreve dois jeitos de trabalhar com IA:
- Loop paralelo, aos 1:33: "break my tasks down into subtasks [...] have agents act upon those, and then I come back and consolidate and do some kind of validation". Isto é, quebrar a tarefa em partes, pôr agentes para trabalhar em cada uma, voltar, consolidar e validar.
- Loop de crítica, aos 1:48: "sequential, very heavy like critique loops [...] have potentially another model come and interrogate that". Um modelo faz o trabalho e outro o questiona.

O valor de quem trabalha, diz aos 2:27, passa a ser "taste, judgment. When should I build something? Why should I build something? What should I build?". Em português: gosto, julgamento, quando construir, por que construir e o que construir. E o gargalo muda de lugar, aos 5:12: "The AI step of writing the code is moving the bottleneck to other parts of the SDLC" (a etapa em que a IA escreve o código está levando o gargalo para outras etapas do desenvolvimento).
Proposta comercial, conciliação ou relatório mensal também têm uma etapa de "fazer" que a IA acelera, e o tempo vai para definir o pedido e conferir o resultado. Segundo Thawar, quando a Shopify liberou as ferramentas, o uso que o surpreendeu veio de fora das áreas técnicas: "finance, HR, sales, marketing" (9:33), ou seja, finanças, RH, vendas e marketing.
O que os dados mostram, dos dois lados
Os estudos abaixo são dos Estados Unidos ou globais, quase sempre com desenvolvedores ou consultores. Os números do Brasil aparecem mais adiante.
Onde a IA rende: tarefa clara e fácil de conferir
- Desenvolvedores com Copilot. Três experimentos de campo na Microsoft, na Accenture e numa empresa da Fortune 100, com 4.867 desenvolvedores, mediram 26,08% mais tarefas concluídas com o assistente de código (Management Science, 27/02/2026).
- Consultores da BCG. Em 18 tarefas dentro do que a IA faz bem, 758 consultores com GPT-4 concluíram 12,2% mais tarefas e foram 25,1% mais rápidos, com qualidade maior (Organization Science, 11/03/2026).
- Atendimento ao cliente. Com 5.172 atendentes, o assistente de IA aumentou em 15% os casos resolvidos por hora (Quarterly Journal of Economics, 04/02/2025). Os mais experientes, porém, tiveram pequena queda de qualidade.
- O padrão geral. O AI Index 2026 de Stanford, de 13/04/2026, reúne estudos com ganhos de 14% a 15% em suporte, 26% em desenvolvimento de software e 50% em produção de marketing. A conclusão é que os ganhos são maiores em trabalho estruturado, cujo resultado é fácil de monitorar, e menores em tarefas que pedem raciocínio mais profundo.
Onde ela atrapalha: fora da fronteira e sem conferência
- O outro lado do mesmo estudo da BCG. Numa tarefa escolhida por estar fora do alcance da IA, quem a usou acertou 19 pontos percentuais menos que quem trabalhou sem ela: 84,5% no grupo sem IA, contra 60% e 70,6% nos grupos com IA (Organization Science, 11/03/2026). E as respostas erradas feitas com IA receberam notas melhores de coerência: erravam, mas convenciam.
- A diferença entre achar e medir. Num experimento controlado do METR, 16 desenvolvedores experientes levaram 19% mais tempo quando podiam usar IA. Eles esperavam ganhar 24% e, mesmo depois, achavam que tinham ganho 20% (METR, 10/07/2025). O próprio METR avisa que esse resultado, com ferramentas do início de 2025, está desatualizado. Na continuação, de 24/02/2026, a estimativa foi de aceleração de 18% para 10 desenvolvedores que voltaram e de 4% para 47 novos, com margens de erro que incluem zero. O METR considera o dado fraco, porque quem não queria trabalhar sem IA deixou de participar.
Mais volume, mais revisão
O relatório DORA 2025, do Google Cloud, encontrou 90% de uso de IA entre equipes de software e 30% que confiam pouco ou nada no código gerado. Mais adoção veio junto com mais entregas e com entregas menos estáveis. Nas palavras do relatório, "AI accelerates software development, but that acceleration can expose weaknesses downstream": a IA acelera o desenvolvimento, mas essa aceleração pode expor fraquezas nas etapas seguintes, quando faltam testes automatizados e ciclos rápidos de feedback (Google Cloud, 23/09/2025).
Numa análise de 623 milhões de alterações, a GitClear encontrou blocos de código duplicado 81% acima de 2023 e código reorganizado, um indicador de refatoração, cerca de 70% abaixo do nível anterior. A GitClear vende ferramenta de análise de código, e por isso o dado vale como sinal; para virar medida de mercado, precisaria de confirmação independente.
A confiança é condicional
Na pesquisa do Stack Overflow de 2026, divulgada em 06/10/2026, 48,0% dos respondentes dizem confiar na IA "when I can easily verify the output" (quando conseguem verificar o resultado com facilidade). Só 6,6% confiam nela para decisões importantes de trabalho.
A responsabilidade não se delega
A frase mais útil da palestra para quem gerencia está aos 22:49 e aos 23:07: "We do not let AI take responsibility at Shopify. [...] Responsibility can be shared, but it cannot be given away." Em português: não deixamos a IA assumir responsabilidade na Shopify; a responsabilidade pode ser compartilhada, mas não pode ser repassada. Quem aprova leva o nome no trabalho.

Thawar diz que o novo gargalo é a revisão (21:26). Em seguida, aos 21:29, mostra um slide com "LGTM" ("looks good to me", o "parece bom" de quem aprova sem olhar), que chama de "the four scariest letters" (as quatro letras mais assustadoras), e conclui: "Your humans were not looking at the code" (os seus revisores humanos não estavam olhando o código). Segundo Thawar, a revisão por vários modelos já é melhor que a humana; ele não apresenta dados para isso.
Quem aprova sem ler não revisou. Uma pesquisa com 319 profissionais do conhecimento associou mais confiança na IA a menos pensamento crítico (Microsoft Research, CHI 2025, abril de 2025). A McKinsey encontrou, entre as empresas que mais capturam valor com IA, maior propensão a ter processos definidos para decidir quando e como uma saída do modelo precisa de validação humana (State of AI, 05/11/2025). Na edição de 2026, quase três quartos dessas empresas dizem ter redesenhado seus fluxos de trabalho por causa da IA, contra um quarto das demais (State of AI, 25/08/2026). São correlações de pesquisa, sem prova de causa, e apontam na mesma direção.
Como desenhar um fluxo de trabalho com IA e revisão humana?
Um fluxo de trabalho com IA e revisão humana tem oito partes: o objetivo, a divisão entre o que a IA faz e o que fica com pessoas, as etapas, uma checagem automática, o ponto de aprovação humana, os limites de custo, o registro e a medição. Os passos abaixo usam um exemplo comum, responder pedidos de orçamento ou classificar leads do site, tema de IA para orçamentos e leads: o que ela responde sozinha e onde entra uma pessoa:
- Defina o quê e o porquê. Escreva numa página o resultado esperado, para quem, o que é uma resposta "boa" e quanto custa um erro. Isso é trabalho da pessoa.
- Separe o que a IA executa, o que só sugere e o que nunca faz sozinha. Vale para um assistente simples e para agentes de IA que agem em outros sistemas. Regra cadastrada pode ser executada; caso incerto vira sugestão para uma pessoa; preço especial, prazo fora do padrão e cliente estratégico ficam sempre com alguém.
- Divida o trabalho quando fizer sentido (loop paralelo). Ler o pedido, consultar o cadastro e redigir a resposta podem ser etapas separadas que se juntam num ponto de conferência.
- Ponha uma segunda checagem automática (loop de crítica). Um passo confere o anterior contra uma lista curta: preço, prazo, dado pessoal, tom. Ele reduz erro; a decisão continua no passo 5.
- Defina o ponto de parada humano. Decida o que uma pessoa confere antes do envio e o que pode ser conferido depois, conforme o custo do erro. Caso fora do padrão ou de alto valor passa por alguém antes de sair; caso comum pode sair e ser conferido por amostra; caso em que a IA tem pouca confiança fica marcado para conferência. Registre quem aprovou: a responsabilidade não se delega.
- Ponha limites de custo e de volume. Defina um teto diário e o que acontece quando ele estoura. Segundo Thawar, a Shopify não limita o uso, mas tem "circuit breakers", travas que param um agente fora de controle e perguntam à pessoa se ela quer continuar (15:32). A conta de rodar e manter está em Quanto custa rodar IA na empresa: a conta de construir e a de manter.
- Registre e consiga explicar. Guarde o que entrou, o que saiu e quem aprovou. Quando a decisão usa dado pessoal e afeta alguém (pontuação de lead, triagem de candidato, crédito), a LGPD dá ao titular o direito de pedir revisão de decisões tomadas só por meio automatizado e de saber os critérios usados (art. 20). Ter uma pessoa no loop é uma forma prática de responder a isso, embora a lei não exija que a revisão seja feita por uma pessoa.
- Meça retrabalho e aprendizado. Acompanhe retrabalho, casos devolvidos e tempo até a resposta certa, e revise as regras todo mês. Thawar fecha a palestra assim, aos 26:20: "learning still remains the goal" (aprender continua sendo o objetivo).
Na Luminati Brindes, cliente da PubliMobile, uma IA responde os orçamentos padrão que chegam pelo formulário do site, com base nos produtos e nas regras cadastrados. Pedido fora do padrão, como prazo especial, vai para um vendedor antes de qualquer resposta. Quando a IA tem pouca confiança, o orçamento sai e fica marcado para alguém conferir depois, com um limite combinado com a área comercial. Nenhum orçamento fecha a venda sem o atendimento do vendedor. O desenho completo está em IA para orçamentos e leads.
Se o passo 1 ainda não existe, a PubliMobile recomenda organizar o processo antes de usar IA. Os sinais de que esse é o caso estão em Quando recomendamos organizar o processo antes de usar IA.
Como implementar IA na empresa sem copiar a Shopify?
Segundo Thawar, a Shopify começou dando as ferramentas: ele comprou 1.500 licenças do Cursor e elas acabaram na primeira semana (9:15). Depois veio um recado claro da liderança. Em 07/04/2025, o CEO Tobi Lütke publicou um memorando com a frase "Using AI effectively is now a fundamental expectation of everyone at Shopify" (usar IA de forma eficaz agora é uma expectativa fundamental para todos na Shopify), conforme a Inc., de 07/04/2025. Thawar diz que o uso cresceu a partir daí (10:26).
Numa empresa média, aproveita-se a sequência: dar acesso, dizer o que se espera, mostrar exemplos por área, pôr limite de custo e deixar claro quem responde. A escala, não: a Shopify tinha cerca de 7.600 funcionários em 31/12/2025, segundo o relatório anual protocolado em 11/02/2026.
No Brasil, o ponto de partida é outro. Segundo o Cetic.br, em 12/06/2026, 17% das empresas com 10 ou mais pessoas usaram IA em 2025 (15% entre as pequenas). Sobre a forma de incorporar a IA, o release informa que 80% compraram software ou sistema pronto e 60% contrataram fornecedor externo para desenvolver ou adaptar soluções. Na indústria com 100 ou mais pessoas, o uso chegou a 41,9% em 2024, segundo o IBGE, em 24/09/2025. O desenho do loop vale tanto para ferramenta pronta quanto para sistema sob medida.
Fazer mais com a equipe que já existe
Thawar diz ouvir de executivos a pergunta se dá para reduzir a equipe. A resposta dele, aos 24:43: "Why can't they act like 100,000?" (por que eles não podem render como 100 mil?), referindo-se aos 3.000 engenheiros que, segundo ele, a Shopify tem. O memorando de Lütke vai em parte na outra direção: antes de pedir mais gente, a equipe precisa mostrar por que a IA não resolve (Inc., 07/04/2025). O efeito sobre quem está começando a carreira está em IA e empregos de entrada: o que Amodei disse de fato.
Para avaliar quem contratar, Thawar admite que a Shopify ainda não sabe como fazer e compara com a calculadora no primeiro ano da faculdade (23:46): primeiro um problema sem IA, depois com IA opcional, por fim um grande demais para fazer sem ela. O motivo, nas palavras dele: "If we want people to understand the underlying parts of AI, we want them to be able to work without AI" (se queremos que as pessoas entendam o que está por baixo da IA, queremos que consigam trabalhar sem ela). A lógica vale fora da engenharia, para quem vai revisar o que a IA entrega.
Por onde começar
Primeiro o processo, depois a tecnologia. Descreva como o trabalho anda hoje: por onde chega, quem faz, quem confere e o que acontece fora do padrão. A partir daí, a decisão pode ser um sistema ou app sob medida, com ou sem IA, ou uma ferramenta pronta.
A PubliMobile constrói e mantém sistemas em produção desde 2002, para empresas como Honda, Pirelli, CTG Brasil (antiga Duke Energy Brasil), FGV e B3.
Tem um processo que trava a operação ou uma equipe que ainda trabalha em planilha, papel ou WhatsApp? Conte como ele funciona hoje. A primeira conversa é por WhatsApp ou telefone.