O Impasse Mexicano: O Que Acontece Quando Todos Podem Fazer o Trabalho de Todos

Marc Andreessen cunhou o termo em janeiro: “impasse mexicano”. Todo engenheiro acha que pode ser PM. Todo PM acha que pode programar. Todo designer acha que pode fazer os dois. Cada função olha para a IA e conclui que pode absorver o trabalho das outras.

Ninguém atira primeiro. Ninguém abaixa a arma.

Em março de 2026, a Anthropic publicou uma pesquisa que adiciona dados concretos a essa metáfora. O estudo combina capacidade teórica (“exposição potencial”) com uso real (“exposição observada”) para medir quanto a IA de fato penetrou em cada profissão. O resultado mais marcante: programadores têm 75% de cobertura observada. A mais alta entre todas as profissões analisadas.

E o desemprego entre programadores? Estável.

O Número Que Ninguém Esperava

A pesquisa da Anthropic introduz uma distinção que faltava nas análises anteriores. Estudos como os de Frey e Osborne (2013), e até os da própria OpenAI, mediam exposição potencial: quais tarefas a IA poderia, em tese, automatizar. O problema é que potencial não é uso.

A contribuição da Anthropic é cruzar capacidade com adoção real. Quando você faz isso, o retrato muda. Profissões com alta exposição teórica nem sempre têm alta adoção prática. E profissões com adoção real alta nem sempre são as que as previsões apontavam.

Programadores lideram porque a ferramenta funciona no contexto deles. O código é verificável. Os erros são detectáveis. O feedback loop é curto. Essas condições criam um ambiente onde confiar na IA faz sentido prático, não apenas teórico.

Mas aqui está o dado que deveria recalibrar a conversa: “sem aumento sistemático no desemprego para trabalhadores altamente expostos desde 2022”. Três anos de adoção acelerada. Nenhuma onda de demissões verificável nos dados agregados.

A Redistribuição, Não a Eliminação

Como exploramos em O Acerto de Contas da IA, empresas como a Block demitiram milhares atribuindo a decisão à IA. Mas os dados da Oxford Economics e agora da Anthropic contam outra história. O que está acontecendo não é eliminação de funções. É redistribuição de atividades dentro de funções.

Kent Beck capturou isso com uma frase que merece ser lida duas vezes: “O valor de 90% das minhas habilidades caiu a zero. A alavancagem dos 10% restantes subiu mil vezes.”

Beck não perdeu o emprego. Ele perdeu a relevância de parte do que sabia fazer. A parte operacional. Escrever código, debugar, implementar padrões conhecidos. Tudo isso a IA absorveu. O que sobrou (e cresceu em valor) foi julgamento: decidir o que construir, como arquitetar, quando rejeitar a solução “óbvia”.

Isso é redistribuição. O programador não some. Mas o programador que só programa tem um problema sério.

O Impasse na Prática

Justin Jackson descreveu o cenário com exemplos concretos. PMs estão enviando pull requests. Sem revisão de engenharia, sem discussão de arquitetura. A IA gera o código. O PM comita. O deploy acontece.

Para o PM, isso parece produtividade. Para a organização, é dívida técnica acumulando em velocidade industrial.

O movimento oposto também existe. Engenheiros usam IA para gerar specs de produto, pesquisas de mercado, análises competitivas. O trabalho sai. A qualidade é questionável. Mas sai.

O impasse mexicano é exatamente isso: cada função pode fazer uma versão superficial do trabalho da outra. E numa cultura que confunde output com outcome, versões superficiais são suficientes para parecer produtivo.

Até quebrarem.

O Perfil Demográfico Surpreendente

A pesquisa da Anthropic revela outro dado contraintuitivo. Os trabalhadores mais expostos à IA são 16 pontos percentuais mais provavelmente mulheres e ganham 47% mais que a média. Isso inverte a narrativa predominante de que a IA ameaça primeiro os trabalhadores mais vulneráveis.

Na prática, a IA está penetrando onde o trabalho é cognitivo, bem remunerado e realizado por profissionais com alto nível educacional. Não está eliminando posições de chão de fábrica. Está recompondo posições de escritório qualificado.

E 30% dos trabalhadores têm exposição zero. Nenhum contato com IA. Nenhuma mudança nas atividades diárias. A distribuição não é uniforme: é polarizada.

O Que Isso Muda Para Times de Produto

Como discutimos em Seu Time de Produto Foi Projetado Para um Mundo Que Não Existe Mais, a estrutura tradicional de times (PM define, design projeta, engenharia constrói) pressupõe especialização rígida. Cada função tem um domínio exclusivo.

O impasse mexicano dissolve essa exclusividade. Quando o PM pode gerar código e o engenheiro pode gerar specs, o valor da especialização não desaparece. Ele migra. O valor de saber programar permanece alto. O valor de “ser a única pessoa que sabe programar na sala” despenca.

Empresas que reagem a isso contratando generalistas cometem o erro oposto. Um time de generalistas medianos produz mais volume com menos qualidade. O que a pesquisa da Anthropic sugere é outra coisa: especialistas que entendem o contexto completo do produto. Pessoas profundas em uma disciplina, competentes (não excelentes) nas adjacentes.

A diferença é sutil mas operacional. O engenheiro que entende o negócio toma melhores decisões de arquitetura. O PM que entende código escreve specs mais realistas. Ninguém precisa fazer o trabalho do outro. Todos precisam entender o trabalho do outro o suficiente para usar a IA com critério.

A Habilidade Que Sobrevive

Nos dados da Anthropic, como analisamos em A Visão Estreita do Valor da IA, o padrão é consistente: a IA absorve execução e amplifica julgamento. As tarefas que resistem à automação são as que exigem contexto organizacional, compreensão de trade-offs entre múltiplos stakeholders, e a capacidade de dizer “não” fundamentado.

O programador de 2026 que prospera não é o que escreve mais linhas de código. É o que sabe quais linhas não deveriam existir. O PM que prospera não é o que gera mais specs. É o que sabe qual spec vai criar problemas seis meses depois.

O impasse mexicano se resolve quando as organizações param de medir contribuição por output e começam a medir por decisões. Quantas decisões certas essa pessoa tomou? Quantos erros evitou? Quanta dívida técnica preveniu?

Essas perguntas são mais difíceis de responder que “quantos PRs foram abertos”. Mas são as perguntas certas.

O Impasse É Temporário

A pesquisa da Anthropic sugere que estamos num período de transição onde a capacidade da IA cresceu mais rápido que a capacidade organizacional de absorvê-la. As ferramentas permitem que qualquer um faça uma versão do trabalho de qualquer outro. As estruturas organizacionais ainda não definiram quem deveria.

Esse intervalo é o impasse. Ele se resolve de um de dois modos.

No primeiro, as organizações redesenham papéis em torno de julgamento, contexto e responsabilidade. Especialistas ganham alcance. Generalistas ganham profundidade. A IA se torna infraestrutura, não substituição.

No segundo, o impasse persiste até que falhas de qualidade (bugs em produção, specs impossíveis, decisões mal fundamentadas) forcem a correção por crise.

A maioria vai pelo segundo caminho. As que escolhem o primeiro terão vantagem que compõe ao longo do tempo.

---

Fontes

• Anthropic. “The Distribution of AI Exposure Across U.S. Workers.” Março 2026.
• Jackson, Justin. “Claude Code and Teams.” justinjackson.ca. Março 2026.
• Beck, Kent. Comentários sobre redistribuição de valor de habilidades. 2026.

A Victorino Group ajuda organizações a redesenhar times e processos para a era da IA com governança, não com improvisação: contato@victorino.com.br | www.victorino.com.br