Duas histórias aconteceram no mesmo mês. Uma pode entrar para a história da linguística. A outra já custou caro o suficiente para que o próprio CEO admitisse publicamente. As duas envolvem IA e as duas, lidas juntas, respondem uma pergunta que eu ouço nas empresas com frequência crescente: quando a IA funciona de verdade e quando ela decepciona?
Minha resposta: a IA amplifica o que você leva pra ela.
O homem que decifrou o indecifável
O Linear A é um sistema de escrita minóico da Idade do Bronze. Ninguém o havia decifrado em mais de cem anos de tentativas. Linguistas com doutorado, especialistas de Rutgers, pesquisadores de Cambridge. Nada.
Em junho de 2026, Tom Di Mino, um engenheiro de IA autodidata sem credencial acadêmica em linguística, publicou um manuscrito de 9 páginas propondo a primeira tradução coerente do corpus. Ele identificou uma raiz verbal semítica ("nawaya", habitar/residir) em inscrições de oração, conectando o Linear A a idiomas semíticos precursores do hebraico bíblico. Produziu leituras para 40 sinais e um léxico de 408 termos. O trabalho está hoje sob revisão em Rutgers e em Cambridge.
O que Di Mino fez de diferente? Usou Claude Code para construir scripts Python que consultavam, cruzavam e organizavam o corpus digitalizado do Linear A. A IA não chegou à hipótese. Di Mino chegou à hipótese. A IA virou o motor que testou essa hipótese em escala que seria impraticável manualmente, cruzando centenas de inscrições em tempo que um pesquisador levaria anos.
A expertise era dele. A curiosidade era dele. A IA multiplicou a velocidade com que ele pôde verificar o que já enxergava.
A aposta que saiu mais cara do que o previsto
No mesmo período, Mark Zuckerberg reconheceu publicamente que a transformação da Meta foi longe demais rápido demais.
Em maio de 2026, a Meta demitiu 10% da força de trabalho global e realocou 7.000 funcionários como parte de uma aposta de centenas de bilhões de dólares na substituição por IA. Zuckerberg foi direto sobre o que aconteceu depois: "Dada a complexidade dessas mudanças, cometemos erros e quase certamente cometeremos mais." Estruturas com até 50 colaboradores por gerente mostraram-se inviáveis. Funcionários realocados operavam sem escopo definido.
O problema não foi a tecnologia. A tecnologia estava lá. O problema foi o que ficou faltando quando as pessoas saíram: julgamento de contexto, capacidade de operar em ambiguidade, relação com o escopo real do trabalho.
Quando você remove as pessoas e fica só com a IA, a IA não sabe o que amplificar. Ela amplifica o que recebe. Se o que chega é vazio de intenção, entrega proporcionalmente.
A assimetria que diz tudo
Di Mino levou à IA uma hipótese, um corpus organizado e um método claro. A IA devolveu velocidade de verificação.
A Meta apostou que a IA poderia preencher o espaço das pessoas. A IA devolveu o espaço vazio, só que em escala maior.
É exatamente isso que tenho chamado de paradigma 70/30: cerca de 70% do valor está na intenção, no julgamento, na clareza do que se quer resolver. Os 30% de execução, a parte que a IA cobre com competência crescente, só valem quando alimentados pelos 70%.
O V-Bounce do Cory Hymel, o modelo que originou esse framing, mostra como a IA comprimiu o fundo do ciclo de desenvolvimento. A codificação ficou barata e rápida. As pontas do ciclo, entender o problema, validar o resultado, assumir a responsabilidade pelo que volta, continuam intactas e pesam proporcionalmente mais. Não porque a execução ficou inútil. Porque ficou commodity. O diferencial passou a ser a qualidade do que você leva para a execução.
O que essa distinção muda na prática
Quando vejo empresas implementando IA, a armadilha mais comum não é tecnológica. É subtrativa. Elas retiram o humano antes de entender o que o humano carregava que a IA não carrega.
Di Mino tinha algo que a maioria das organizações não para para identificar antes de automatizar: expertise acumulada, problema claro e disposição de ter o resultado revisado por pares especializados. A IA foi o acelerador de um pensamento que já existia.
A Meta retirou pessoas antes de mapear o que essas pessoas levavam para os processos. A IA não chegou para preencher isso. Chegou para amplificar o que estava disponível. E o que estava disponível era estrutura sem direção.
Não é um argumento contra automação ou contra a velocidade de adoção. É um argumento por sequência: entenda primeiro o que você tem, depois decida o que vale amplificar. A IA não muda o que precisa existir antes dela. Ela multiplica o que já está lá.
Di Mino sabia o que estava lá. A Meta apostou que a IA poderia criar o que ainda não estava.
A IA amplifica. A pergunta continua sendo a mesma: o quê?