Tarefa Verificável x Tarefa de Julgamento: Onde o Vendedor Veterano Ainda Ganha da IA

Sobre a fonte. O tema nasceu de uma carta de Andrew Ng publicada na newsletter The Batch (DeepLearning.AI) em 16 de outubro de 2026. Ng fala de IA em geral, dirigindo-se a engenheiros de IA, e não de vendas. A aplicação ao mundo comercial é minha leitura, e vou separá-la do que ele realmente disse.

Existe uma pergunta que todo vendedor com muitos anos de estrada faz em voz baixa: "o que eu faço que a IA ainda não faz?" A resposta que costuma vir é vaga: relacionamento, tato, experiência. Tudo verdadeiro, e tudo insuficiente para quem precisa decidir onde investir o próprio tempo.

A carta de Ng ajuda a dar mais precisão a essa resposta. Ele separa as tarefas em duas famílias, as verificáveis e as de julgamento, e afirma que a distância entre o desempenho dos grandes modelos de linguagem em uma e na outra é maior do que a maioria das pessoas percebe. Para quem vende, isso funciona como um mapa: ele mostra onde a máquina já é melhor, onde ela ainda tropeça e, de quebra, onde o veterano corre o risco de se enganar.

O que Andrew Ng realmente disse

Tarefas verificáveis, como programar ou resolver um problema de matemática, têm uma resposta certa que pode ser checada automaticamente. Tarefas de julgamento não têm gabarito inequívoco, mas têm respostas melhores e piores. Os exemplos que ele dá estão muito perto de uma mesa de vendas: como responder a uma reclamação de cliente, que funcionalidade de produto adicionar, como montar uma estratégia de negócio.

A razão da distância, segundo ele, é técnica. Os métodos de treino funcionam melhor quando é possível verificar o resultado: no aprendizado por reforço, o modelo treina em ambientes simulados e uma função de recompensa confere automaticamente quais abordagens deram certo. Para dados rotulados, também é fácil dizer qual é a resposta certa em tarefas verificáveis e difícil em tarefas de julgamento. Além disso, a teoria de aprendizado indica que problemas em que é possível chegar a erro zero são aprendidos mais rápido do que aqueles que carregam um erro irredutível.

Ng não diz que a IA nunca chegará lá. Ele reconhece que há progresso nas tarefas de julgamento, com dados específicos de cada área e funções de recompensa construídas com esforço, e que as empresas vão investir onde valer a pena. Lembra, porém, que o mercado já superestimou a IA antes, depois dos feitos em xadrez, no Jeopardy e no Go, e que é mais fácil medir desempenho em tarefas verificáveis, o que passa uma impressão de progresso maior do que a realidade comporta. Ele se diz otimista no longo prazo, mas avisa que há muito trabalho pela frente.

O ponto que mais interessa a este artigo é o último: à medida que as tarefas verificáveis forem automatizadas, a necessidade de humanos nas tarefas de julgamento continua. Julgar exige extrair contexto de uma quantidade enorme de dados brutos e identificar o que realmente pesa na decisão, e Ng espera que as pessoas mantenham uma vantagem de contexto sobre os modelos em muitas tarefas por bastante tempo.

O que é fato, opinião e extensão minha. A carta é um texto de opinião de um pesquisador, curto e sem estudo de vendas por trás. A expectativa de "vantagem humana por bastante tempo" é uma projeção dele, não um resultado medido. Quando eu disser que algo vale para vendas, é a minha aplicação do conceito.

Algumas opções de leitura para reforçar conhecimento, avalie:

https://meli.la/34e3hTj > https://meli.la/1DDt1DM >https://meli.la/2TjDnRa

As duas famílias de tarefas na rotina de vendas

Aplicando a divisão à rotina comercial, o resultado é este:

"Verificável" não quer dizer que a IA acerta sempre. Quer dizer que dá para conferir se ela acertou. Essa diferença é a que importa: numa tarefa verificável, o erro aparece e pode ser corrigido; numa de julgamento, o erro pode passar despercebido por meses.

Onde o veterano ainda ganha

Contexto que não está em nenhum sistema. É a vantagem que Ng aponta. O CRM sabe que o cliente atrasou duas parcelas. Não sabe que o atraso veio de uma reforma da loja que acabou, que o maior cliente dele paga sempre no dia 10 ou que o filho assumiu o caixa. Esse tipo de informação mora na cabeça de quem visita há anos.

Decisões com consequência relacional. Conceder prazo, abrir exceção, negar uma garantia: cada escolha altera a confiança da relação, e não existe resposta certa, só melhor e pior no contexto daquele cliente. É exatamente o tipo de problema em que a máquina não tem um gabarito para treinar.

Ler o que o cliente não diz. A objeção real raramente é a que aparece primeiro. Distinguir "está caro" de "estou sem caixa" ou "já fechei com outro" depende de tom, de histórico e de pergunta bem feita, como discutimos no artigo sobre venda consultiva estruturada.

Responder pela decisão. Quando uma recomendação dá errado, o cliente cobra uma pessoa, não uma ferramenta. A responsabilidade de assumir o julgamento diante de quem vai viver com a consequência continua humana, e isso pesa na confiança, como vimos ao tratar de confiança como indicador de venda.

Onde o veterano não ganha, e onde se engana

Ninguém merece um texto que só elogia. Quatro pontos incômodos:

O verificável feito na mão é desperdício. Montar cotação, conferir pedido, compilar relatório e atualizar planilha são tarefas em que a IA tende a ser mais rápida e mais barata. O veterano que gasta a tarde nisso está pagando com o recurso mais escasso que tem, o julgamento, para fazer o que a máquina faz bem. Segundo o State of Sales 2026 da Salesforce, só 43% dos vendedores usam IA no dia a dia, o que mostra o espaço que existe para delegar.

Julgamento sem gabarito também engana o veterano. Aqui está a consequência mais desconfortável da ideia de Ng. Se uma decisão de julgamento não tem resposta verificável, a experiência não se corrige sozinha: o vendedor pode repetir por vinte anos uma decisão ruim sem nunca descobrir. É a mesma lição do estudo de Dave Kurlan que citei no artigo sobre complacência: mais tempo de casa não se traduz de forma consistente em melhor resultado.

Contexto velho não é vantagem. A vantagem de contexto vale enquanto ele está atualizado. O veterano que conhece o mercado de cinco anos atrás e ignora o que mudou só tem a ilusão de contexto.

A IA ajuda mesmo no julgamento, como copiloto. O estudo "Generative AI at Work" (NBER, 2023), com 5.179 atendentes de suporte, mostrou ganho médio de 14% em produtividade e de 34% entre os novatos, que respondem a clientes, uma tarefa que Ng classificaria como de julgamento. Isso não contradiz a carta: era assistência com humano decidindo, medida por um indicador verificável (chamados resolvidos por hora). Mas mostra que a IA pode encurtar a distância entre novato e veterano nas partes rotineiras do trabalho, e que o veterano precisa mostrar julgamento melhor, não apenas mais tempo de estrada, como já tratamos no artigo sobre o vendedor júnior e o sênior.

Há ainda um prazo de validade embutido no "ainda" do título. Ng avisa que as empresas investirão para treinar IA em tarefas de julgamento que valham o esforço. Algumas decisões comerciais podem migrar para o campo do verificável quando alguém define a métrica e reúne dados suficientes, como pontuação de lead ou previsão de cancelamento de cliente. Essa é minha leitura, não afirmação dele: tarefa de julgamento vira verificável quando existe resultado mensurável em escala.

Como proteger e ampliar o seu diferencial

1. Delegue o verificável e confira por amostragem. Passe cálculo, conferência e resumo para a ferramenta, mas verifique alguns itens toda semana. Confiança sem conferência é o oposto do que a carta defende.

2. Registre o contexto. O que você sabe de cada cliente e não está no sistema precisa virar anotação: situação de caixa, quem decide, quem influencia, quando paga. É o que transforma vantagem pessoal em ativo, e o que alimenta qualquer IA que você use depois.

3. Crie um diário de decisões. Para decisões de julgamento, anote o que decidiu, por quê e o que esperava que acontecesse. Daqui a 30 ou 90 dias, confira. É a forma mais simples de criar um gabarito onde ele não existe, e de descobrir se sua experiência realmente acerta tanto quanto você imagina.

4. Use a IA como segunda opinião, não como juiz. Peça que ela aponte o que você pode estar deixando passar numa decisão, como contei no artigo sobre a IA que ajudou a salvar uma venda, mas a decisão final e a responsabilidade continuam suas.

5. Ensine o que você sabe. Julgamento que fica só na cabeça se perde. Transmiti-lo a quem está começando, como discutimos sobre o apagão de talentos, valoriza você e a equipe.

6. Meça seu tempo. Quanto da sua semana vai para tarefas verificáveis e quanto vai para julgamento? Se a primeira conta é maior, há o que reorganizar.

O que 27 anos de rua me ensinaram sobre isso

Em 27 anos de estrada, as decisões que mais pesaram na minha carreira nunca estiveram numa planilha. Estiveram em situações em que não havia resposta certa, só uma menos errada, e em que quem decidia ficava com a conta.

Vou contar uma cena composta, com nome fictício. Seu Aurélio, dono de uma revenda do interior, pede mais 30 dias de prazo num pedido grande. O sistema marca risco alto: dois atrasos nos últimos seis meses. Uma IA com o histórico na mão recomendaria negar ou reduzir o prazo, e estaria certa pelos dados. O que o vendedor de rua sabe, e nenhum sistema registra, é que os atrasos vieram de uma reforma da loja que terminou, que o maior cliente do Seu Aurélio, uma frota, paga todo dia 10, e que o filho dele acabou de assumir o caixa. A decisão pode ser conceder o prazo com um pedido menor e a data amarrada ao dia 10. Não existe gabarito para essa escolha. Se der certo, a ferramenta jamais saberá por quê. Se der errado, quem responde sou eu.

Essa é a parte do trabalho em que o veterano ainda ganha, mas ganha com condição: precisa ter o contexto em dia, precisa conferir se suas decisões acertam e precisa abrir mão do que a máquina já faz melhor. A IA vai continuar melhorando em tudo o que tem resposta certa. O veterano que continuar valendo o que ganha será o que decide bem onde ela não existe.

Referências utilizadas neste artigo:

• Fonte: Andrew Ng. "Formal Verification Meets Unverifiable Judgement: Don't Overgeneralize from Progress in Math and Code — The Hardest AI Problems Still Require More Work", Letters from Andrew Ng, The Batch, edição 375. Instituição: DeepLearning.AI. Link: https://www.deeplearning.ai/the-batch/issue-375. Data: 16 de outubro de 2026.

• Fonte: Brynjolfsson, E.; Li, D.; Raymond, L. "Generative AI at Work." NBER Working Paper 31161. Instituição: National Bureau of Economic Research. Link: https://www.nber.org/system/files/working_papers/w31161/w31161.pdf. Data: abril de 2023.

• Fonte: Salesforce. "State of Sales Report 2026."

• Fonte: Kurlan & Associates. Dave Kurlan, estudo sobre experiência e desempenho de vendedores, 2018.

• Observação: a newsletter AI Daily foi o ponto de partida do tema, mas não foi usada como fonte. A aplicação do conceito de Ng a vendas, a tabela de tarefas, o diário de decisões e a cena do Seu Aurélio (nome fictício) são interpretações e ilustrações do autor.

Se você quer ir além: livros sobre como as pessoas decidem sob incerteza ajudam a treinar justamente o julgamento. Dois exemplos conhecidos são "Rápido e Devagar: Duas Formas de Pensar", de Daniel Kahneman, e "Ruído: Uma Falha no Julgamento Humano", de Kahneman, Olivier Sibony e Cass Sunstein, que trata da variação entre julgamentos de pessoas diferentes sobre o mesmo caso.

Segue as opções e avalie:

https://meli.la/34e3hTj >>>>>>>>>>> https://meli.la/1DDt1DM >>>>>https://meli.la/2TjDnRa