A lição da Klarna e 78.557 demissões em um trimestre: por que remontar a equipe com IA é mais vantajoso do que cortar pessoal

• Escala das demissões por IA no mundo: 78.557 pessoas no 1º trimestre de 2026 (48% por causa da IA) e 88.387 em abril (26% por causa da IA)
• Superaquecimento do mercado de TI na Rússia: queda de 41% nas vagas em São Petersburgo, índice da HH em 22,9 currículos por vaga, com crescimento de +66% na demanda por habilidades em IA
• Diferença de produtividade: de 2x a 4x entre um especialista AI-native e um funcionário tradicional (+55% de velocidade segundo medições do GitHub)
• Resultado do retreinamento na Alpina Digital: aceleração da produção principal em 4,5 vezes com 0 demissões

O debate sobre se as redes neurais vão substituir os programadores migrou definitivamente, em 2026, dos chats de engenharia para as salas dos diretores financeiros. Segundo cálculos da Tom's Hardware e da Nikkei Asia, somente no primeiro trimestre de 2026 o setor de tecnologia global demitiu 78.557 pessoas, e 48% desses cortes foram atribuídos diretamente à substituição de humanos por algoritmos. Em abril, um relatório da Challenger registrou outras 88.387 demissões (26% por causa da IA), e no LinkedIn, nos Estados Unidos, o número de novas vagas de Software Engineer caiu 15,6% no mês (Software Developer caiu 20%).

No mercado de trabalho russo, ocorre uma tesoura em espelho. Em São Petersburgo, o número de vagas de TI encolheu 41% em um ano, e a concorrência no HeadHunter ultrapassou, em março de 2026, a marca de 22,9 currículos por vaga — o dobro do limite que define um mercado superaquecido para empregadores. Mas, em paralelo, as estatísticas do Avito Rabota mostram um salto de 66% ano a ano nas vagas que exigem domínio de ferramentas de IA.

Por que os casos opostos da

Anthropic e da Klarna levam à mesma conclusão de gestão?

Ao observar os dois precedentes corporativos mais notórios dos últimos dois anos, fica clara a fronteira de aplicabilidade da tecnologia.

Em um polo está a Anthropic. Já na primavera de 2025, Dario Amodei previa que, em um ano, os modelos escreveriam quase todo o código, e em fevereiro de 2026 o CPO da empresa, Mike Krieger, confirmou na Cisco AI Summit: "O Claude agora escreve a si mesmo praticamente em 100%", enviando pull requests de 2.000 a 3.000 linhas. Mas poucos notam a outra metade da equação: ao mesmo tempo, a Anthropic ampliou drasticamente seu quadro de engenheiros humanos. Quando a escrita rotineira de sintaxe passa para a máquina, libera-se uma frente gigantesca de trabalho em arquitetura, teste de hipóteses e segurança.

No outro polo está a gigante fintech Klarna. Em 2024, a empresa anunciou com orgulho que a IA havia substituído 700 atendentes e resolvia 75% das solicitações. No entanto, no início de 2026, o CEO Sebastian Siemiatkowski admitiu publicamente o exagero e retomou a contratação de pessoas. O bot resolvia bem as perguntas padrão, mas falhava em conflitos emocionais, disputas atípicas e reclamações de múltiplas etapas. A perda de lealdade dos clientes e o custo de corrigir os erros saíram mais caros do que a economia na folha de pagamento.

Como funciona a remontagem de funções (rebundling) e onde estão as 4

paredes físicas dos modelos?

Por trás da ilusão de que "amanhã os algoritmos substituirão todo mundo" está uma incompreensão de quatro limites fundamentais da arquitetura atual dos LLMs: o esgotamento de textos humanos de qualidade (conteúdo sintético leva à degeneração), o teto energético dos data centers, a ausência de computação quântica madura para modelar sistemas complexos (horizonte de 10 a 15 anos) e a desconexão dos modelos em relação aos sensores físicos do mundo real.

Por isso, na prática, quem ganha não é o corte cego de pessoal, mas o que o analista Ben Thompson chamou de rebundling — uma recomposição profunda das funções dentro de um cargo. Segundo dados da McKinsey (amostra de mais de 600 empresas), a integração profunda de IA no desenvolvimento aumenta a produtividade em 16% a 30% e a qualidade do código em 31% a 45%, enquanto medições do GitHub mostram uma aceleração de 55% no fechamento de tarefas. Em vez de quatro especialistas estreitos do modelo antigo, um único engenheiro com uma orquestra de agentes resolve a tarefa.

O que fazer na prática ao contratar e retreinar a equipe existente?

Com base na nossa experiência na Alpina Digital e em mais de 40 projetos de clientes, a diferença de produtividade entre um especialista AI-native e um funcionário que trabalha da forma tradicional é de 2 a 4 vezes, com a mesma faixa salarial. Daí surgem três passos práticos para líderes:

1. Mudar o filtro de entrada: em qualquer entrevista — de desenvolvedor backend a advogado ou profissional de marketing — substituir perguntas teóricas por um sprint prático de 20 minutos: montar um protótipo funcional ou um documento em parceria com Claude, GPT ou Gemini. 2.

Treinar a própria equipe em vez de demitir: em 2024–2025, levamos toda a equipe da editora por intensivos internos. O resultado foi uma compressão de 4,5 vezes no ciclo de lançamento de livros, com zero demissões: as pessoas mantiveram seus empregos ao remontar suas próprias funções. É exatamente essa metodologia de retreinamento de equipes de engenharia e produto que ensinamos na [Hamidun Academy](https://academy.

hamidun.com) e desenvolvemos em workshops semanais no [Vibe Club](https://hamidun.com/club).

3. Calcular a economia pensando em crescer o volume: antes de cortar 700 cargos seguindo a receita da Klarna no início, calcule o cenário de "manter a equipe e equipá-la com IA" para multiplicar a capacidade de entrega do negócio. Os desenvolvedores não serão substituídos por uma rede neural — serão substituídos por engenheiros que sabem comandar um enxame de modelos.