Sarah Guo, da Conviction: por que LLM não substituirá o trabalho que não pode ser medido

Sarah Guo, fundadora do fundo de IA Conviction, publicou uma análise que reformula a pergunta central sobre IA e trabalho: não "a IA substituirá as pessoas?", mas "o que exatamente a IA substituirá — e por que não tudo?"

Onde os LLMs atingem o limite

Os modelos de linguagem aprendem apenas onde há um sinal de aprendizagem claro. Uma resposta correta a um problema de matemática, código que passa em testes, um diagnóstico que pode ser verificado — tudo isso pode ser rotulado, avaliado e, portanto, aprendido. Mas Guo aponta para uma limitação estrutural: uma enorme quantidade de trabalho valioso não pode ser padronizada ou medida com precisão suficiente.

O aprendizado por reforço, por definição, requer uma função de recompensa — uma avaliação de quão bom é o resultado. Se não existe tal avaliação, não há sinal para melhoria. Este não é um problema temporário que a próxima versão do GPT resolverá. É uma limitação arquitetônica inerente à própria natureza dos modelos treináveis.

Que trabalho permanece para as pessoas

Guo identifica várias categorias de trabalho que não podem ser "transformadas em um conjunto de dados":

• Decisões sob incerteza — quando a resposta correta é desconhecida de antemão, e o resultado é visto anos depois. Um investimento de venture capital é o exemplo clássico.
• Construir confiança — entre pessoas, empresas, investidores. Os relacionamentos não são digitalizados nem avaliados em tempo real.
• Julgamento sobre situações únicas — sem análogos históricos, sem precedente. Cada grande mudança de negócios é única.
• Interpretar sinais implícitos — tom em negociações, contexto cultural, expectativas não ditas de clientes.
• Criar algo novo — ideias, categorias de produtos, estratégias que não existiam antes. O conjunto de dados para isso está vazio por definição.

Característica comum: sem rótulos, sem referência, sem forma de verificar o resultado com precisão suficiente para treinamento.

Por que a

Application Layer recebe financiamento de capital de risco

Isso explica a lógica que orienta fundos como Conviction (~$300 milhões sob gestão) e Mento VC: consistentemente investem não em criadores de modelos fundamentais, mas em produtos construídos sobre eles. Modelos fundamentais — GPT-5, Claude, Gemini — estão se tornando gradualmente commodities. Eles competem entre si, suas capacidades se equiparam, o custo do acesso à qualidade de fronteira diminui a cada trimestre.

O valor sustentável não é criado no modelo em si, mas no contexto de sua aplicação — no que os modelos, por sua natureza, carecem. A Application Layer acumula precisamente isto: expertise de domínio, dados comportamentais acumulados, fluxos de trabalho que não podem ser copiados sem conhecimento profundo do domínio, confiança do cliente, e — mais importante — julgamento humano onde a automação é estruturalmente impossível.

"Há trabalho que não pode ser reduzido a um padrão ou medido.

Se você não pode medir isso, não pode treinar um modelo para fazer melhor" — nesta tese de Guo está a chave para entender quais startups recebem financiamento de venture e quais não.

O que isso significa

O argumento de Guo fornece aos investidores e fundadores um filtro prático. Empresas construídas em tarefas mensuráveis — processamento de documentos, geração de conteúdo a partir de templates, análise básica de dados — enfrentam pressão máxima dos próprios modelos e têm dificuldade em explicar uma vantagem competitiva sustentável. Aqueles que trabalham na zona do imensurável ganham uma vantagem estrutural que não desaparecerá com a próxima versão do GPT.

Para investidores, a pergunta é simples: se o valor do produto é inteiramente determinado pela qualidade do modelo base — investimento fraco. Se o valor reside no que o modelo não pode reproduzir em princípio — isso é interessante.