A reportagem da 404 Media, de Joseph Cox, revelou o paradoxo mais nítido da década da IA: contratados contratados para melhorar modelos de IA foram demitidos por usar IA no próprio trabalho.
A matéria, lida na íntegra pela auditoria do caso, detalha o pipeline: milhares de contratados melhoram modelos e leem prompts reais, múltiplos demitidos por usar IA, documentos internos que proíbem o uso e mantêm detectores, revisores caçando sinais de texto de máquina (repetição, pontuação, velocidade de digitação). A carta interna cita "autenticidade". A Mercor confirmou a proibição contratual.
A ironia que revela o desenho
A leitura fácil é a ironia: quem ensina a máquina a imitar humanos é punido por usar a máquina. Mas a ironia é sintoma. A doença é o incentivo.
O pipeline do dado humano (o trabalho que ensina o modelo a escrever, revisar e julgar como gente) é precário, vigiado e cobrado por throughput. Pressão por volume com remuneração por tarefa é exatamente o incentivo que produz texto de máquina. O contratado que usa IA no trabalho de treinar IA não está traindo o processo: está respondendo a ele com a lógica que o processo criou.
O custo técnico: model collapse
O motivo da proibição é técnico e legítimo: dado de treino gerado por modelo alimenta a degeneração que a literatura chama de model collapse. Cada geração treinada na anterior perde diversidade e a cauda da distribuição se estreita.
Para quem treina (ou faz fine-tuning com dado humano), contaminação de treino não é questão ética abstrata: é perda mensurável de qualidade na próxima versão. O mesmo princípio que o loop de conteúdo sintético impõe à web em escala, aplicado dentro do próprio pipeline.
O que governar (e o que a proibição não resolve)
Proibir IA para anotadores é metade da resposta, e a metade frágil: proibição sem processo de qualidade produz uso escondido (o caso confirma) e detecção discutível (detectores erram nos dois lados).
A governança que resolve o paradoxo é de desenho de trabalho:
- Pipeline visível: quem anota está no pipeline crítico, com acesso, qualidade e segurança auditados como produção.
- Incentivo alinhado: prazos e remuneração que valorizem o julgamento humano, não o throughput. O humano que vale mais que o atalho não usa o atalho.
- Política de uso por função: definir qual uso é permitido e com qual rastreio, em vez de proibição binária com detecção discutível.
- Amostragem real: revisão humana de qualidade por amostragem, não caça a sinais de máquina.
O espelho para quem não treina modelo
O paradoxo não é exclusivo de laboratório: existe em todo trabalho intelectual medido por throughput. Contratar humano e tratar como máquina produz saída de máquina, com ou sem política escrita. E a autenticidade virou o escasso da década: conteúdo humano original é ativo, e ativá-lo começa por não pressionar o humano a virar IA.
Conclusão
A empresa que demite por usar IA e caça sinais de texto de máquina está respondendo ao sintoma certo com a pergunta errada. A pergunta certa é: o que no desenho do trabalho torna o atalho de IA racional para quem o executa?
Modelo de IA é feito do dado humano que o ensina. Dado humano de qualidade nasce de trabalho humano bem desenhado. O caso confirma a cadeia inteira: donde vem o dado, lá nasce (ou morre) a qualidade. Governar a ponta começa por governar o começo.