Tecnologia e Gestão

Deskilling, never-skilling e mis-skilling na engenharia: desafios da supervisão técnica e do desenvolvimento profissional na era da automação

Perdadeskilling Falta de aquisiçãonever-skilling Distorçãomis-skilling
Autor
Professor Fabio Costa
Publicado em
Atualizado em
Leitura
aproximadamente 14 minutos
Formato
resumo do artigo, 15 slides e PDF completo

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.

Ilustração 1 – O coordenador tem duas perguntas
Coordenador de óculos, sentado à mesa, ergue os olhos da nota de cálculo encadernada que o engenheiro júnior, de pé ao lado, acabou de entregar, com o notebook e a impressora sobre a mesa

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:

  1. a falta de determinismo;

  2. a ausência de modos de falha definidos;

  3. a aparência do erro;

  4. 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.

Ilustração 2 – Deskilling: a perda de habilidade já adquirida
Engenheiro de capacete sua diante da conta 2 × 8 anotada no papel, com a calculadora quebrada ao lado e folhas de cálculos antigos se desfazendo em partículas ao fundo

Fonte: elaboração do autor, com imagem gerada por inteligência artificial.

Ilustração 3 – Never-skilling: a falha em desenvolver competências essenciais
Jovem de boné, perdido, mostra uma folha com a conta 2 × 8 = ? diante do notebook de tela quebrada que solta fumaça, com um caderno em branco e um lápis ainda lacrado na embalagem sobre a mesa

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.

Ilustração 4 – Com a dependência da tecnologia, o profissional pode não saber mais lidar com problemas simples
Engenheiro de capacete branco e colete refletivo, suado e de testa franzida, força com as duas mãos uma peça vermelha em forma de estrela contra a parte lisa da tampa de uma caixa de madeira de encaixar formas, ao lado do buraco em forma de estrela, que continua livre, e de um buraco quadrado; na mesa, um cilindro azul e um cubo amarelo

Fonte: elaboração do autor, com imagem gerada por inteligência artificial.

O Quadro 1 resume essas distinções.

Quadro 1 – Termos usados neste artigo e como se distinguem
TermoDefinição adotadaNívelComo se detectaSituação hipotética em engenharia
Deskilling organizacionalDegradação do ofício pela organização do trabalhoOrganizaçãoAnálise de tarefas e do processo produtivoSeparar concepção de detalhamento e entregar este a sistemas
Deskilling como compressãoRedução da amplitude de capacidades exigidasOcupaçãoBases ocupacionais ao longo do tempoCargo de orçamentista com menos exigências
Deskilling individualPerda de habilidade antes adquiridaPessoaDesempenho sem IA, antes e depois da exposiçãoSênior que deixou de pré-dimensionar e não percebe seção insuficiente
Never-skillingFalha em desenvolver competência essencialPessoa em formaçãoProva sem IA em coortes; queda ao retirar a ferramentaJúnior que entrega memoriais sem nunca ter feito descida de cargas
Mis-skillingReforço de comportamento incorreto por erro ou viés da IAPessoaTeste sem IA que reproduz o erro da ferramentaJúnior que aprende da IA critério de norma estrangeira ou revogada e o repete sem a ferramenta
Viés de automaçãoDeferência excessiva ao sistemaMomento de usoSeguir saída errada; some ao retirar o sistemaAceitar 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:

  1. 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;
  2. 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;
  3. prática recente associa-se a melhor desempenho na aviação, e o desuso reduz a retenção, sem que se saiba quanta prática basta;
  4. perda de habilidade induzida por IA em profissionais é, até aqui, sinal observacional, contestado e não replicado;
  5. 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;
  6. 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).

Ilustração 5 – Uma descida de cargas muito simples, feita pelo revisor, expôs o erro (CROSS-UK, 2022)
Revisora de estruturas circula em vermelho um pilar na planta impressa, ao lado de uma conta feita à mão, com os pilares da obra e uma grua vistos pela janela ao entardecer

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.

Ilustração 6 – A omissão plausível é a forma de erro que importa ao planejamento e à fiscalização
Engenheiro aponta, preocupado, o único buraco de um quebra-cabeça de um prédio que parece completo, sobre a mesa do escritório à noite

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.

Ilustração 7 – No Brasil, a responsabilidade técnica é atribuída a pessoas
Mão de engenheiro segura a caneta-tinteiro sobre a linha de assinatura da folha de cima de uma pilha de folhas de projeto, com capacete, carimbo e óculos sobre a mesa

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.

Ilustração 8 – O centauro divide as tarefas entre si e a IA, reservando-se a decisão
Pequeno robô branco entrega uma folha a uma engenheira, que a lê com atenção sem largar o lápis e a própria conferência à mão

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.

Ilustração 9 – Portas de competência a testar
Engenheiro júnior faz o cálculo à mão com lápis, escalímetro e calculadora, com o notebook fechado ao lado, enquanto o coordenador acompanha e aponta um ponto da folha

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

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.

Engº Fabio Costa, fundador da FABIM
Sobre o autor

Professor Fabio Costa

Fundador da FABIM, o Engº Fabio Costa é engenheiro com mais de 25 anos de experiência em Gestão de Projetos na Construção, Professor Universitário, Pesquisador e Especialista em BIM, apaixonado por compartilhar conhecimento e inspirar profissionais.

Conheça o Professor Fabio Costa

Compartilhe esta publicação

Conteúdos relacionados

Conteúdo comercial da FABIM

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.