Sarah Guo, da Conviction: por que os LLMs não vão substituir o trabalho que não dá para medir

Sarah Guo, fundadora do fundo de IA Conviction, publicou uma análise que reformula a principal pergunta sobre IA e trabalho: não «a IA vai substituir as pessoas?», mas «que trabalho exatamente a IA vai substituir, e por que não todo».

Onde os LLMs esbarram num teto

Os modelos de linguagem só aprendem onde há um sinal de treinamento claro. A resposta certa de um problema de matemática, o código que passa nos testes, um diagnóstico verificável: tudo isso pode ser rotulado, avaliado e, portanto, treinado. Mas Guo aponta um limite estrutural: uma enorme camada de trabalho valioso não pode ser padronizada nem medida com precisão suficiente.

O aprendizado por reforço exige, por definição, uma função de recompensa, uma nota para a qualidade do resultado. Sem essa nota, não há sinal de melhoria. Não é um problema temporário que a próxima versão do GPT vá resolver. É uma limitação arquitetural inerente à natureza dos modelos treináveis.

Que trabalho continua com os humanos

Guo destaca algumas categorias de trabalho que não dá para transformar em dataset:

• Decisões sob incerteza: a resposta certa não é conhecida de antemão e o resultado só aparece anos depois. O investimento de venture capital é o exemplo clássico.
• Construção de confiança: entre pessoas, empresas e investidores. Relacionamentos não são digitalizados nem avaliados em tempo real.
• Julgamento de situações únicas: sem analogias históricas, sem precedente. Toda grande virada de negócio é única.
• Interpretação de sinais implícitos: o tom numa negociação, o contexto cultural, as expectativas não ditas do cliente.
• Criação do novo: ideias, categorias de produto, estratégias que ainda não existiam. O dataset para isso é vazio por definição.

O traço comum: sem rotulagem, sem benchmark, sem como verificar o resultado com precisão suficiente para treinar.

Por que o

Application Layer recebe dinheiro de venture capital

É isso que explica a lógica de fundos como a Conviction (~US$ 300 milhões sob gestão) e a Mento VC: eles investem de forma consistente não nos criadores de modelos fundacionais, mas em produtos construídos sobre eles.

Os modelos fundacionais (GPT-5, Claude, Gemini) estão virando commodity aos poucos. Competem entre si, suas capacidades se igualam e o custo de acesso à qualidade de fronteira cai a cada trimestre. O valor duradouro não nasce no modelo em si, mas no contexto de aplicação, no que falta aos modelos por natureza.

O Application Layer acumula justamente isso: expertise setorial, dados comportamentais acumulados, workflows impossíveis de copiar sem conhecimento profundo do domínio, confiança dos clientes e, principalmente, julgamento humano onde a automação é estruturalmente impossível.

«Existe trabalho que não dá para reduzir a um padrão nem medir.

Se não dá para medir, não dá para treinar o modelo para fazê-lo melhor». Essa tese de Guo é a chave para entender quais startups recebem dinheiro de venture capital e quais não.

O que isso significa

O argumento de Guo dá a investidores e fundadores um filtro prático. Empresas construídas sobre tarefas mensuráveis, como processamento de documentos, geração de conteúdo por template e análise básica de dados, sofrem a pressão máxima dos próprios modelos e dificilmente conseguem explicar uma vantagem competitiva duradoura. Quem atua na zona do imensurável ganha uma vantagem estrutural que não vai desaparecer com o próximo lançamento do GPT.

Para os investidores, a pergunta é simples: se o valor do produto é definido inteiramente pela qualidade do modelo de base, o investimento é fraco. Se o valor está naquilo que o modelo, em princípio, não consegue reproduzir, é interessante.