Confluência
Confluência
A dupla inversão: humanos tratados como máquinas, máquinas tratadas como humanas. Dois imperativos éticos a corrigem: quando algoritmizável, não exija humano; quando exige julgamento, não delegue à IA.
"A questão não é o que é possível automatizar. É o que é adequado automatizar. A resposta exige saber o que cada coisa é."
O Capítulo 1 abriu este livro com uma inversão: humanos fazendo trabalho de máquina, máquinas recebendo crédito de humano. Agora, com o framework ontológico completo — autopoiético, heteropoiético, alopoiético — e com os instrumentos dos capítulos anteriores, podemos enfrentar essa inversão operacionalmente. Não como denúncia, mas como diagnóstico que prescreve.
Inversão 1: Humanos tratados como máquinas. Seres autopoiéticos — vivos, criadores de sentido — forçados a executar tarefas algoritmizáveis. Analistas copiando dados entre planilhas. Atendentes seguindo scripts robotizados. Gestores medidos por outputs/hora. O linguajar revela: "recursos humanos", "capital humano", "headcount", "FTEs", "executar tarefas", "implementar mudança". Cada um desses termos coordena ação mecanicista — trata o vivo como engrenagem. E o corpo vivo reage: burnout não é fraqueza individual. É sistema autopoiético colapsando sob tratamento alopoiético.
Inversão 2: Máquinas tratadas como humanas. Sistemas heteropoiéticos ou alopoiéticos recebendo atribuição de agência, responsabilidade, julgamento. "A IA decidiu." "O sistema recomendou." "O algoritmo avaliou objetivamente." Cada um desses termos terceiriza responsabilidade para algo que não pode carregá-la. Quando o cliente questiona a negação de crédito e o atendente responde "desculpe, o sistema decidiu", ninguém decidiu. Vácuo de accountability — humano se exime, máquina não pode responder.
As duas inversões se alimentam. Quanto mais tratamos humanos como máquinas, mais precisamos de máquinas para fazer o que humanos deveriam fazer — e acabamos atribuindo às máquinas a agência que tiramos dos humanos. O resultado: nenhuma ontologia opera no domínio adequado. Humanos são desperdiçados, máquinas são sobrecarregadas com responsabilidades que não podem assumir, organizações adoecem.
Maturana nos ensinou: linguagem não descreve realidade, coordena ações. Quando uma organização usa linguajar mecanicista para humanos e antropomórfico para máquinas, não está apenas "falando errado". Está coordenando ações que perpetuam a inversão.
"Precisamos alocar 5 FTEs para executar essas tarefas" coordena ação onde humanos serão tratados como RAM a ser alocada. "A IA avaliou e recomendou" coordena delegação onde responsabilidade será dissolvida. Corrigir linguajar não é preciosismo — é precisão ontológica. Falar de humanos como vivos, de LLMs como amplificadoras, de máquinas como executoras é pré-requisito para coordenar ações que respeitem a natureza de cada sistema.
Imperativo 1: Quando é algoritmizável, não exija humano. Se tarefa pode ser executada por algoritmo determinístico — padrão repetitivo, regras explícitas, contexto estável, sem julgamento ético, sem necessidade de empatia — então humano não deve ser exigido para executá-la. Não por eficiência. Por respeito ontológico. Exigir que sistema autopoiético execute tarefa alopoiética é como usar computador quântico para somar 2+2. Tecnicamente possível, eticamente inadequado. O humano gasta capacidade reflexiva em repetição, experimenta perda de sentido, desenvolve burnout, e fica indisponível para o trabalho genuinamente humano.
Imperativo 2: Quando exige julgamento, não delegue à IA. Se tarefa exige julgamento ético situado, criação de sentido, empatia, ou responsabilidade visceral, IA não pode decidir sozinha. Decisões com consequências irreversíveis sobre vidas humanas precisam de alguém que possa sentir o peso, responder moralmente, perder o sono. Algoritmo não tem insônia após a recomendação errada. Não tem culpa que reconstitua compromisso ético. Delegar decisão ética a sistema não-responsabilizável cria vácuo de accountability — e injustiças invisibilizadas.
A maioria das tarefas organizacionais não é pura. Nem 100% algoritmizável, nem 100% criativa. Está em zona cinzenta. O erro comum é forçar o binário: automatizar tudo ou não automatizar nada. A solução é decompor.
Análise de crédito: coleta de dados é algoritmizável (automatize), cálculo de risco é algoritmizável (automatize), detecção de viés é heteropoiética (LLM detecta, humano investiga), decisão final é autopoiética (humano decide e justifica). Atendimento ao cliente: perguntas frequentes são algoritmizáveis (chatbot), detecção de prioridade é heteropoiética (LLM sinaliza, humano confirma), casos emocionalmente complexos são autopoiéticos (humano atende com empatia). Recrutamento: triagem de currículo é algoritmizável, detecção de viés inconsciente é heteropoiética, decisão de fit cultural é autopoiética.
O princípio: não pergunte "isso é algoritmizável ou não?". Pergunte "quais camadas são algoritmizáveis, quais são heteropoiéticas, quais são autopoiéticas?" E aloque cada camada conforme sua ontologia.
LLMs heteropoiéticas não são para decidir em zona cinzenta. São para amplificar consciência sobre ela.
Podem detectar padrões invisíveis: analisar dez mil decisões de crédito e verbalizar que 90% das negações atingem mulheres jovens de determinado bairro — padrão que nenhum humano percebeu porque cada decisão individual parecia "objetiva". Podem verbalizar inconsistências: a organização diz "cliente é prioridade" mas 80% das exceções favorecem margem da empresa, não satisfação do cliente. Podem questionar premissas: o time otimiza para rapidez de atendimento, mas dados mostram que satisfação correlaciona 3x mais com "sentir-se ouvido" que com velocidade de resolução.
Mas a LLM não pode decidir sozinha, assumir responsabilidade, julgar eticamente, nem ter "opinião final". Amplifica consciência. Humano carrega o peso.
O princípio mais mal-compreendido da automação ética: automatizar não é para eliminar humanos. É para liberá-los.
Os dois cenários a seguir são construídos. Ilustram a mecânica do princípio e as ordens de grandeza envolvidas; não relatam clientes nem resultados apurados.
Quinze pessoas no financeiro gastam seis horas por dia copiando dados do ERP para Excel para PowerPoint. Tarefa 100% algoritmizável. Resultado: 1.980 horas/mês desperdiçadas, burnout crônico, estagnação estratégica — e o paradoxo trágico: "estamos ocupados demais para automatizar o que nos ocupa". A solução não é demitir dez e manter cinco. É automatizar a cópia, realocar todos para análise estratégica, e transformar "equipe operacional" em "equipe de inteligência financeira". O resultado em dezoito meses: burnout reduzido em 75%, modelos preditivos que geraram milhões em receita incremental, nenhuma demissão.
Do outro lado, um banco automatiza crédito sem humano no loop. Algoritmo nega automaticamente, atendente não pode fazer nada, cliente não tem recurso. Quando análise posterior revela viés contra determinados CEPs, ninguém responde — porque ninguém decidiu. A solução: algoritmo indica risco, humano revisa casos-limite, humano decide e justifica, cliente tem recurso. Accountability restaurada.
O padrão é o mesmo em ambos os cenários: respeite a natureza de cada sistema. Automatize o que é padrão (alopoiese). Amplifique o que é complexo (heteropoiese). Preserve o que é humano (autopoiese). Quando a organização respeita essa distribuição, humanos fazem trabalho que cria sentido, máquinas fazem trabalho que exige consistência, e LLMs amplificam a reflexividade que conecta os dois. Quando viola — humanos fazendo trabalho de máquina, máquinas "decidindo" questões éticas —, o sistema adoece.
Este capítulo argumentou que automação não é questão técnica ("o que é possível automatizar?"), mas questão ética ("o que é adequado automatizar?"). A resposta exige compreender ontologia — a natureza dos sistemas. E o framework tripartido oferece os critérios que faltavam: não pergunte se a tecnologia permite. Pergunte se a ontologia autoriza.
O Capítulo 10 integrará tudo: ontologia (Caps 1-6), problema do não-dito (Cap 7), vieses como recurso (Cap 8), e ética da automação (este capítulo) no Método Confluência e nos GDCs — a operacionalização da heteropoiese como instrumento de transformação organizacional.
"Automatize o que é padrão. Amplifique o que é complexo. Preserve o que é humano. Quando cada sistema opera onde é potente, a organização não precisa escolher entre eficiência e dignidade."