O Custo do Precipício: Salesforce e o Arrependimento de Demitir 4.000 Especialistas

O Segundo Alerta

Se o caso Klarna nos ensinou sobre a falha na “Engenharia de Intenção”, o caso da Salesforce nos mostra o perigo de confundir potencial tecnológico com prontidão operacional.

O Anúncio Otimista

Em setembro de 2025, o CEO da Salesforce, Marc Benioff, anunciou o corte de 4.000 funcionários da equipe de suporte, afirmando que “precisava de menos cabeças” porque a IA (através do Agentforce) daria conta do recado.

A promessa era sedutora:

IA responderia 90% dos tickets
Custos cairiam drasticamente
Eficiência aumentaria exponencialmente
Cliente teria resposta mais rápida

Três meses depois, a realidade bateu à porta.

Quando a IA Falha no “Mundo Real”

A Salesforce começou a recuar em sua dependência total de modelos de linguagem (LLMs) após enfrentar graves problemas de confiabilidade que abalaram a confiança dos executivos.

Os Dados Internos Revelaram o Problema

Os dados internos da própria empresa revelaram o motivo do pânico:

📉 Taxa de Sucesso Pífia:

Um estudo de benchmark da Salesforce mostrou que sua IA conseguia resolver apenas 35% das conversas que envolviam múltiplos passos

📉 O Buraco da Execução:

Isso significa que em 2 de cada 3 interações complexas, a IA falhou em entregar uma solução satisfatória

O Que Aconteceu na Prática

Cenário 1 - Tickets Simples (funcionou):

Cliente: "Como altero meu email?"
IA: [Responde corretamente em 30 segundos]
✅ Sucesso

Cenário 2 - Tickets Complexos (falhou):

Cliente: "Minha integração com API está quebrando 
após o último update, mas só em produção, 
desenvolvimento funciona. Já tentei X, Y, Z."

IA: [Responde com soluções genéricas]
Cliente: "Já tentei isso, não funcionou"
IA: [Loop de respostas repetidas]
Cliente: "Quero falar com humano"
IA: "Não há atendentes disponíveis no momento"
❌ Falha total

Resultado: Clientes enterprise (os que pagam mais) começaram a reclamar publicamente.

O Arrependimento é a Nova Tendência

A Salesforce não está sozinha nesse barco.

Os Dados da Forrester

Uma pesquisa da consultoria Forrester revelou um dado alarmante:

55% dos empregadores hoje se arrependem de terem demitido funcionários baseados na “promessa da IA”

Por Que o Arrependimento?

As empresas se empolgaram ao ver a IA resolvendo tarefas simples e rápidas, mas tomaram decisões massivas sobre o seu capital humano antes da tecnologia estar pronta para lidar com problemas complexos e sistêmicos.

A sequência típica:

✅ IA funciona bem em casos simples
📊 Liderança vê números impressionantes
💡 “Podemos demitir X% da equipe!”
✂️ Demissões em massa
⏱️ 2-3 meses depois…
❌ IA falha em casos complexos
😰 Clientes insatisfeitos
📉 NPS despenca
💸 Perda de receita
🔄 Tentam recontratar (mas talentos já foram)

A Lição: O Humano como a “Rede de Segurança”

O que esse cenário nos diz sobre o trabalho nos próximos tempos?

1. IA não é “Plug-and-Play”

Substituir experiência humana acumulada por um algoritmo ainda em fase de amadurecimento é um risco financeiro e reputacional altíssimo.

Exemplo real:

Especialista com 10 anos de Salesforce:
→ Conhece 1000 edge cases
→ Sabe quando a documentação está errada
→ Tem network interno para resolver bugs
→ Entende contexto do cliente

IA treinada em documentação:
→ Conhece casos documentados
→ Segue documentação literalmente
→ Não tem acesso a conhecimento tácito
→ Não entende nuances de implementação

2. O Valor da Complexidade

Enquanto a IA domina o que é linear, o humano continua sendo essencial para o que é ambíguo.

Linear (IA domina):

✅ “Resetar senha”
✅ “Consultar status”
✅ “Alterar email”
✅ FAQ padrão

Ambíguo (Humano necessário):

❌ “Por que a integração funciona em dev mas não em prod?”
❌ “Como otimizar performance considerando nossa arquitetura específica?”
❌ “Qual a melhor estratégia dado nosso contexto de negócio?”
❌ “Como resolver conflito entre duas features?“

3. Habilidade Indispensável

Saber avaliar a real capacidade de uma ferramenta antes de mudar toda a estrutura da empresa é a competência de liderança mais rara hoje.

Líderes que erraram:

Confiaram demais em demos controladas
Não testaram em cenários reais
Ignoraram feedback de equipe técnica
Priorizaram números financeiros sobre operação

Líderes que acertaram:

Implementaram gradualmente
Testaram em produção com amostra pequena
Mantiveram humanos para casos complexos
Mediram métricas certas (satisfação, não apenas velocidade)

A Citação que Resume Tudo

“Potencial não é o mesmo que prontidão. Não sacrifique seu time para descobrir onde a tecnologia falha.”

Comparando: Klarna vs Salesforce

Aspecto	Klarna	Salesforce
Demissões	853 funcionários	4.000 funcionários
Promessa	Atendimento 24/7 rápido	Suporte técnico automatizado
Falha	Falta de empatia	Incapacidade técnica
Taxa sucesso IA	~70% geral	35% casos complexos
Tempo até problema	2 meses	3 meses
Ação	Recontratou parcial	Recuando de LLMs

Padrão comum: Otimismo inicial → Realidade dura → Arrependimento

O Que as Empresas Deveriam Fazer

❌ O Que NÃO Fazer (mas muitos fazem)

Demitir baseado em demos da IA
Confiar 100% em benchmarks de vendedor
Ignorar feedback de equipe técnica
Cortar toda equipe de uma vez
Medir apenas velocidade/custo
Não ter plano B

✅ O Que FAZER (abordagem inteligente)

Piloto Controlado
- Teste com 10% dos casos
- Mantenha humanos monitorando
- Colete feedback real
Métricas Corretas
- Não apenas ticket speed
- Mas: resolução real, satisfação, retrabalho

Implementação Gradual

Mês 1-2: IA assiste humano (sugere respostas)
Mês 3-4: IA resolve casos simples, humano revisa
Mês 5-6: IA autônoma em casos simples, humano para complexos
Mês 7+: Avalia se pode escalar

Rede de Segurança
- Sempre mantenha especialistas para casos críticos
- Crie escalação automática para IA quando incerta
- Preserve conhecimento tácito
Medição Honesta
- Taxa de sucesso REAL (não apenas “ticket fechado”)
- Satisfação do cliente (NPS, CSAT)
- Retrabalho (quantos tickets reabrem?)

Lições para Profissionais

Se Você É Especialista Técnico

Seu valor está em:

✅ Resolver o que a IA não consegue
✅ Conhecimento de edge cases
✅ Experiência com sistemas reais
✅ Network e contexto
✅ Julgamento sobre trade-offs

Proteja-se:

Documente seu conhecimento único
Seja visível resolvendo casos complexos
Mostre onde IA falha (sem ser contra-IA)
Torne-se mentor de IA (não competidor)

Se Você É Líder

Questões a fazer antes de demitir:

Testamos IA em casos reais de produção?
Qual a taxa de sucesso em casos COMPLEXOS?
O que acontece quando IA falha?
Temos plano de rollback?
Clientes críticos foram consultados?
Equipe técnica concorda?

Se a resposta para qualquer uma for “não”, não demita ainda.

O Futuro Não É Binário

Não é:

❌ IA OU Humano
❌ Tudo automatizado OU nada
❌ Demitir todos OU manter todos

É:

✅ IA E Humano (híbrido inteligente)
✅ Automatizar o que funciona, humano para o resto
✅ Equipe menor mas mais estratégica

Fórmula que funciona:

IA: 80% dos casos (simples, repetitivos)
Humano: 20% dos casos (complexos, críticos)
Resultado: 60% de economia + qualidade mantida

Conclusão

O caso Salesforce (assim como Klarna) nos ensina:

Não confunda potencial com realidade
- IA tem potencial incrível
- Mas ainda não está pronta para tudo
Demissões precipitadas custam caro
- Economizou: $280M em salários (4.000 × $70k)
- Perdeu: Muito mais em clientes insatisfeitos
Experiência humana ainda é crítica
- Para casos complexos
- Para contexto e julgamento
- Para quando IA falha
Implementação requer sabedoria
- Teste antes de escalar
- Meça o que importa
- Mantenha rede de segurança
55% se arrependem
- Mais da metade erra
- Não seja estatística
- Aprenda com erros alheios

O Que Você Pensa Sobre Isso?

Você acha que as empresas aprenderão com os erros da Salesforce e da Klarna?

Ou a pressão por cortar custos continuará gerando demissões precipitadas?

Sua empresa está cometendo os mesmos erros?

Compartilhe sua experiência:

Email: fodra@fodra.com.br
LinkedIn: linkedin.com/in/mauriciofodra

A história está se repetindo. A diferença é se você aprende com ela ou a repete.