Deskilling, never-skilling e mis-skilling na engenharia: desafios da supervisão técnica e do desenvolvimento profissional na era da automação
Resumo
A inteligência artificial (IA) generativa pode deslocar parte do trabalho do engenheiro da produção para a verificação, como já se relata em outros setores. A hipótese é que a capacidade de verificar dependa das habilidades que a ferramenta tende a poupar: quem nunca fez não saberia conferir (never-skilling) e quem parou de fazer pode deixar de saber (deskilling). Quem aprende com saídas erradas pode consolidar o erro (mis-skilling). Este artigo revê, do ponto de vista da engenharia, os conceitos reunidos por Abdulnour, Gin e Boscardin (2025) para a supervisão clínica. Por meio de revisão narrativa, organiza a evidência da aviação, da medicina, do software, da aprendizagem e do mercado de trabalho, separando o que cada estudo mede: desempenho com IA, desempenho depois sem IA, percepção e desempenho do modelo. O risco é plausível e tem mecanismos documentados, mas não foi medido em engenheiros em exercício. O artigo propõe um mapa de riscos por tarefa, a adaptação do roteiro DEFT-AI à supervisão técnica, critérios de uso por risco, portas de competência a testar e uma agenda de pesquisa. Nos documentos lidos, os órgãos presumem competência prévia, e do júnior só tratam uma linha de um checklist britânico e a menção à mentoria em um parecer norte-americano; no Brasil, a responsabilidade técnica continua pessoal, e aplicar as normas existentes à IA ainda depende de interpretação.
Palavras-chave
- inteligência artificial
- engenharia civil
- BIM
- supervisão técnica
- deskilling
- never-skilling
Versão resumida Esta página reúne os trechos centrais de cada seção do artigo. O texto completo, com 12 seções, 5 quadros e 99 referências, está no PDF para baixar.
1 Introdução
Um engenheiro júnior pede a um modelo de linguagem o pré-dimensionamento das lajes de um pavimento-tipo e recebe, em segundos, uma nota de cálculo bem redigida, com fórmulas, tabelas e citação de normas. O coordenador tem duas perguntas.
A primeira é se a nota está certa. A segunda, menos evidente e mais importante para a formação daquele engenheiro, é se ele teria condições de saber.
Fonte: elaboração do autor, com imagem gerada por inteligência artificial.
2 Procedimentos metodológicos
Trata-se de revisão narrativa, não sistemática. Cada fonte foi fichada segundo o que de fato mede:
- desempenho com IA
- desempenho depois sem IA
- percepção
- desempenho do modelo
3 Transformação digital e engenharia
Quatro diferenças justificam tratar os modelos de linguagem como problema distinto do software de engenharia tradicional:
-
a falta de determinismo;
-
a ausência de modos de falha definidos;
-
a aparência do erro;
-
o alcance.
O efeito combinado pode ser um deslocamento do trabalho. Bainbridge (1983) descreveu a ironia há mais de quatro décadas: quem só monitora pode voltar a agir como inexperiente justamente na falha.
Fonte: elaboração do autor, com imagem gerada por inteligência artificial.
4 Deskilling, never-skilling e mis-skilling

Fonte: elaboração do autor, com imagem gerada por inteligência artificial.
Mis-skilling é o mais difícil de ver, porque a pessoa aprende, e aprende errado.
Para o National Institute of Standards and Technology (NIST, 2024), viés de automação é a deferência excessiva a sistemas automatizados. Complacência é uma realocação ativa da atenção para outras tarefas sob carga alta (Parasuraman; Manzey, 2010, p. 384). Macnamara et al. (2024, p. 3) dão o critério que separa esses fenômenos da perda de habilidade: retirada a automação, viés e complacência desaparecem, e a perda de habilidade persiste. Para o engenheiro, a diferença é prática.
-
Aceitar a sugestão errada em um dia de pressão é problema de verificação e pede procedimento e interface.
-
Não conseguir refazer o cálculo quando a ferramenta sai é problema de habilidade e pede prática.
Na leitura do autor, a perda de competências viria da falta de prática operacional: quando a ferramenta faz a tarefa inteira, o profissional deixa de exercitá-la, sem que se saiba quanta prática basta. Uma imagem cotidiana é a de quem, por depender da calculadora, já não sabe fazer uma conta simples. A imagem não é evidência: a profissão não mediu se abandonar o cálculo manual custou algo, e a falta de medida também é compatível com ausência de dano (seções 6.1 e 11.1).
Na leitura proposta na seção 3.2, a IA generativa leva essa dependência mais longe, porque o modelo também escolhe, redige, justifica e recomenda.
A calculadora poupa a conta; a IA pode poupar também o raciocínio que a confere.
Com a dependência da tecnologia, o profissional pode não saber mais lidar com problemas simples quando a ferramenta sai, hipótese que as fontes localizadas não mediram em engenheiros em exercício.
Fonte: elaboração do autor, com imagem gerada por inteligência artificial.
O Quadro 1 resume essas distinções.
| Termo | Definição adotada | Nível | Como se detecta | Situação hipotética em engenharia |
|---|---|---|---|---|
| Deskilling organizacional | Degradação do ofício pela organização do trabalho | Organização | Análise de tarefas e do processo produtivo | Separar concepção de detalhamento e entregar este a sistemas |
| Deskilling como compressão | Redução da amplitude de capacidades exigidas | Ocupação | Bases ocupacionais ao longo do tempo | Cargo de orçamentista com menos exigências |
| Deskilling individual | Perda de habilidade antes adquirida | Pessoa | Desempenho sem IA, antes e depois da exposição | Sênior que deixou de pré-dimensionar e não percebe seção insuficiente |
| Never-skilling | Falha em desenvolver competência essencial | Pessoa em formação | Prova sem IA em coortes; queda ao retirar a ferramenta | Júnior que entrega memoriais sem nunca ter feito descida de cargas |
| Mis-skilling | Reforço de comportamento incorreto por erro ou viés da IA | Pessoa | Teste sem IA que reproduz o erro da ferramenta | Júnior que aprende da IA critério de norma estrangeira ou revogada e o repete sem a ferramenta |
| Viés de automação | Deferência excessiva ao sistema | Momento de uso | Seguir saída errada; some ao retirar o sistema | Aceitar quantitativo gerado sem conferir |
Fonte: elaboração do autor a partir de Attewell (1987), Cantarella, Molinari e Strozzi (2026), Abdulnour, Gin e Boscardin (2025), Macnamara et al. (2024), NIST (2024) e Parasuraman e Manzey (2010).
5 O que a evidência de outros setores permite afirmar
Por juízo do autor, segundo desenho, número de estudos e proximidade da tarefa, a evidência permite estas afirmações, da mais à menos firme:
- durante o uso, novatos e experientes seguem saídas erradas, e explicações não se mostraram suficientes nos poucos estudos disponíveis, nenhum com explicação textual de modelo de linguagem;
- o desempenho com a ferramenta não prevê o desempenho sem ela, e o efeito da retirada varia com o desenho e o modo de uso;
- prática recente associa-se a melhor desempenho na aviação, e o desuso reduz a retenção, sem que se saiba quanta prática basta;
- perda de habilidade induzida por IA em profissionais é, até aqui, sinal observacional, contestado e não replicado;
- desempenho basal alto favorece o uso seguro (Abdulnour; Gin; Boscardin, 2025, p. 789-790), mas experientes também seguem saídas erradas: saber fazer seria condição necessária, não suficiente, hipótese que nenhum estudo lido testa diretamente;
- em engenheiros em exercício, nada foi medido nas fontes localizadas.
6 O que a própria engenharia já viveu
Em um relato britânico, o modelo global indicava, em pilares apoiados em uma laje de transição, cerca de um terço das cargas obtidas por descida de cargas convencional, porque supunha estrutura completa e curada; uma descida de cargas muito simples, feita pelo revisor, expôs o erro (CROSS-UK, 2022).

Fonte: elaboração do autor, com imagem gerada por inteligência artificial.
Nenhum precedente lido demonstra perda de habilidade antes existente. O enquadramento defensável é verificação insuficiente e confiança indevida.
7 Onde o risco aparece no trabalho do engenheiro
Em planejamento, seis cronogramas para uma parede de alvenaria com porta pareceram coerentes à primeira vista; nenhum incluiu o marco nem sua proteção antes da pintura, as secagens foram aparentemente ignoradas e três previram fundação (Prieto; Mengiste; García de Soto, 2023).
O modelo era GPT-3.5 e o caso é isolado, mas a omissão plausível é a forma de erro que importa ao planejamento e à fiscalização.
Fonte: elaboração do autor, com imagem gerada por inteligência artificial.
8 Responsabilidade profissional
No Brasil, a responsabilidade técnica é atribuída a pessoas. Nos textos lidos não há norma do Confea sobre IA em ART, o que não comprova inexistência.

Fonte: elaboração do autor, com imagem gerada por inteligência artificial.
A Carolina do Norte exige ser capaz de reproduzir o resultado independentemente de qualquer programa de IA e desaconselha o uso sem competência já estabelecida (NCBELS, 2025, p. 1-2).
9 Supervisão técnica da inteligência artificial
Na posição do autor, a IA deve atuar como apoio à decisão, sem substituir o julgamento técnico humano.
A supervisão visa:
- validar informações;
- prevenir erros;
- garantir conformidade normativa;
- controlar a qualidade da informação;
- mitigar riscos;
- preservar o conhecimento humano.
Os cinco primeiros objetivos pertencem à garantia de qualidade clássica; o último é o problema que este artigo acrescenta: manter viva a capacidade de supervisionar.
Com base em Dell'Acqua et al. (2023 apud Abdulnour; Gin; Boscardin, 2025, p. 791), dois comportamentos são descritos.
-
O centauro divide as tarefas entre si e a IA, reservando-se a decisão.
-
O ciborgue entrelaça o trabalho com a IA em todas as etapas, modo que carrega os riscos de perda, falta de aquisição e distorção de habilidade.

Fonte: elaboração do autor, com imagem gerada por inteligência artificial.
A mesma tarefa que é de ciborgue para o sênior pode pedir trabalho sem IA ao júnior.
10 O novo papel do engenheiro
A proposta, a ser testada como hipótese, é que cada tarefa do Quadro 3 tenha uma porta: o engenheiro passa a usar IA naquela tarefa depois de demonstrar que a faz sem IA em situação supervisionada, diante de engenheiro sênior e com critério escrito, e volta a demonstrá-lo com periodicidade a definir.
Fonte: elaboração do autor, com imagem gerada por inteligência artificial.
11 Discussão e limites
A transposição à engenharia é dupla analogia, da aviação à medicina e da medicina à engenharia. Os Quadros 3, 4 e 5, as seções 10.2 e 10.3 e as portas de competência são propostas sem validação.
12 Considerações finais
Este artigo não demonstrou que engenheiros estejam perdendo habilidades, porque nenhuma das fontes localizadas mediu isso. Mostrou que o risco é plausível, que seus mecanismos estão documentados em outros setores e que a engenharia já tem experiência de confiança indevida em resultados de computador.
Enquanto a profissão não medir esse risco, o mais prudente é tratar a capacidade de conferir como um ativo de segurança que pode desgastar-se com o desuso e que precisa ser formado antes de ser exigido.
Referências
- ABDULNOUR, Raja-Elie E.; GIN, Brian; BOSCARDIN, Christy K. Educational strategies for clinical supervision of artificial intelligence use. New England Journal of Medicine, v. 393, n. 8, p. 786-797, 2025. DOI: 10.1056/NEJMra2503232. Disponível em: https://doi.org/10.1056/NEJMra2503232, abre em nova aba. Acesso em: 8 nov. 2026.
- ATTEWELL, Paul. The deskilling controversy. Work and Occupations, v. 14, n. 3, p. 323-346, 1987. DOI: 10.1177/0730888487014003001. Disponível em: https://doi.org/10.1177/0730888487014003001, abre em nova aba. Acesso em: 8 nov. 2026. Consultado por resumo ou página web.
- BAINBRIDGE, Lisanne. Ironies of automation. Automatica, v. 19, n. 6, p. 775-779, 1983. DOI: 10.1016/0005-1098(83)90046-8. Republicado pela autora. Disponível em: https://www.complexcognition.co.uk/2021/06/ironies-of-automation.html, abre em nova aba. Acesso em: 8 nov. 2026.
- CANTARELLA, Michele; MOLINARI, Giuseppe; STROZZI, Chiara. Becoming the man without qualities? Deskilling in the age of artificial intelligence. IZA Discussion Paper Series, n. 18751, jun. 2026. Documento de trabalho. Disponível em: https://ideas.repec.org/p/iza/izadps/dp18751.html, abre em nova aba. Acesso em: 8 nov. 2026.
- CROSS-UK. Concern over modelling of concrete frame building for construction stage. CROSS Safety Report 1073, 10 mar. 2022. Disponível em: https://www.cross-safety.org/global/safety-information/cross-safety-report/concern-over-modelling-concrete-frame-building-1073, abre em nova aba. Acesso em: 8 nov. 2026.
- MACNAMARA, Brooke N.; BERBER, Ibrahim; ÇAVUŞOĞLU, M. Cenk; KRUPINSKI, Elizabeth A.; NALLAPAREDDY, Naren; NELSON, Noelle E.; SMITH, Philip J.; WILSON-DELFOSSE, Amy L.; RAY, Soumya. Does using artificial intelligence assistance accelerate skill decay and hinder skill development without performers' awareness? Cognitive Research: Principles and Implications, v. 9, art. 46, 2024. DOI: 10.1186/s41235-024-00572-8. Disponível em: https://cognitiveresearchjournal.springeropen.com/articles/10.1186/s41235-024-00572-8, abre em nova aba. Acesso em: 8 nov. 2026.
- NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). Artificial intelligence risk management framework: generative artificial intelligence profile. NIST AI 600-1, jul. 2024. DOI: 10.6028/NIST.AI.600-1. Disponível em: https://doi.org/10.6028/NIST.AI.600-1, abre em nova aba. Acesso em: 8 nov. 2026.
- NORTH CAROLINA BOARD OF EXAMINERS FOR ENGINEERS AND SURVEYORS (NCBELS). Guidelines on the use of artificial intelligence in engineering and surveying services. Aprovadas em 16 jul. 2025. Disponível em: https://www.ncbels.org/wp-content/uploads/2025/07/Guidelines-on-the-Use-of-Artificial-Intelligence-in-Engineering-and-Surveying-Services-FINAL.pdf, abre em nova aba. Acesso em: 8 nov. 2026.
- PARASURAMAN, Raja; MANZEY, Dietrich H. Complacency and bias in human use of automation: an attentional integration. Human Factors, v. 52, n. 3, p. 381-410, 2010. DOI: 10.1177/0018720810376055. Disponível em: https://doi.org/10.14279/depositonce-8052, abre em nova aba. Acesso em: 8 nov. 2026.
- PRIETO, Samuel A.; MENGISTE, Eyob T.; GARCÍA DE SOTO, Borja. Investigating the use of ChatGPT for the scheduling of construction projects. Buildings, v. 13, n. 4, art. 857, 2023. DOI: 10.3390/buildings13040857. Disponível em: https://doi.org/10.3390/buildings13040857, abre em nova aba. Acesso em: 8 nov. 2026.
Declaração de uso de inteligência artificial
Durante a elaboração deste artigo, foi utilizada a ferramenta de Inteligência Artificial Generativa Claude, desenvolvida pela Anthropic, como recurso de apoio ao processo de elaboração do trabalho, especialmente para a localização de fontes, a extração preliminar de dados, a redação inicial, a revisão linguística e a adequação da redação acadêmica.
A ferramenta foi utilizada de maneira complementar e supervisionada, não substituindo a análise crítica, as decisões metodológicas, a interpretação dos resultados nem a autoria do pesquisador. Todo conteúdo sugerido ou produzido com o auxílio da ferramenta foi analisado, revisado, adaptado e validado pelo autor antes de sua incorporação ao trabalho.
As referências bibliográficas, os dados, as análises, as interpretações, as decisões metodológicas e as conclusões apresentadas neste artigo são de responsabilidade integral do autor. A ferramenta de Inteligência Artificial não foi utilizada para fabricar dados, resultados, citações ou referências bibliográficas.
O uso da ferramenta ocorreu de forma transparente e responsável, em conformidade com os princípios de integridade científica, responsabilidade autoral e transparência previstos na Portaria CNPq nº 2.664, de 6 de março de 2026.
Fonte do conteúdo
Esta página resume o artigo científico do Professor Fabio Costa (Fabio Rodrigues da Costa): o Resumo, os trechos de cada seção, o Quadro 1 e as referências reproduzem o original, na mesma ordem e com a mesma numeração.
Observação As fotografias da capa e das Ilustrações 1 a 9 são imagens conceituais geradas para a FABIM e não retratam pessoas reais.
Compartilhe esta publicação
Conteúdos relacionados
-
Conteúdo
Uso de Modelos Digitais na Construção
Guia de planejamento para transformar o modelo BIM em valor no canteiro.
-
Conteúdo
21 Erros Clássicos da Gestão de Projetos
Os comportamentos que comprometem resultados e como evitá-los.
-
Solução
Implementação e Processos BIM
Processos, papéis e informação confiável para o modelo virar decisão.
-
Solução
Planejamento e Controle de Obras
Linha de base, medição de avanço e desvios à vista na sua operação.
Sua empresa está preparada para usar IA com responsabilidade técnica?
A FABIM conecta planejamento, gestão, BIM e tecnologia para transformar dados em decisões mais confiáveis na construção civil.
Diagnóstico gratuito