Redes sociais, IA e a insatisfação da geração escolarizada de TI: o que as plataformas digitais têm a ver com a frustração dos profissionais?

Nos últimos meses, tenho observado um fenômeno curioso entre colegas engenheiros de software, analistas de dados e desenvolvedores juniores. Apesar de a taxa de desemprego no setor de tecnologia estar abaixo da média nacional, muitos relatam uma sensação de estagnação, ansiedade e até frustração com a carreira. Isso não é exatamente uma novidade — o burnout em TI é um tema recorrente. Mas o que me chamou a atenção foi a frequência com que a insatisfação vinha acompanhada de uma comparação com o que outros profissionais “estariam conquistando” nas redes sociais. Foi então que li a análise da economista Laura Carvalho, que aponta justamente como a mudança das aspirações de consumo — amplificada por plataformas digitais — e a frustração de uma geração mais escolarizada são chave para entender o descontentamento geral da população brasileira. Achei a conexão imediata com o que vejo no meu dia a dia. Só que, no universo da tecnologia, existe um ingrediente extra: a inteligência artificial embutida nos algoritmos que alimentam essas aspirações.

O argumento central de Carvalho é que as redes sociais criam desejos de consumo para além do crescimento da renda. Ou seja, mesmo que a economia melhore, a percepção de bem-estar pode piorar porque o parâmetro de comparação deixou de ser o vizinho real e passou a ser o “influenciador” ou o “profissional de sucesso” que aparece no feed. No contexto do mercado de TI, isso se traduz em uma geração de profissionais que, formados em universidades e cursos técnicos, se deparam com um mercado que não oferece os salários nem os desafios que as bolhas algorítmicas prometem. A dissonância entre o que se vê online (cases de startups que captaram milhões, salários estratosféricos no exterior, vagas em big techs) e a realidade de um emprego CLT em uma empresa de médio porte no Brasil gera uma frustração que não é apenas econômica — é existencial. E a IA, como motor de recomendação dessas plataformas, tem um papel central e muitas vezes ignorado.

O algoritmo como curador de aspirações irreais

Quando falamos de IA aplicada a redes sociais, o foco costuma estar em métricas de engajamento: tempo de tela, cliques, compartilhamentos. Mas o efeito colateral mais profundo é a curadoria de aspirações. O modelo de recomendação do LinkedIn, por exemplo, prioriza conteúdos que geram reações — promoções, mudanças de emprego, certificações. Isso cria um viés de sobrevivência: vemos apenas os que “venceram”, não os milhares que estão na mesma posição que a nossa. Em 2023, liderei um projeto de auditoria de um feed de conteúdo para uma plataforma de carreiras, e descobrimos que 70% das postagens com alto engajamento eram de pessoas que haviam mudado de emprego ou recebido promoção nos últimos três meses. A taxa real de mudança entre os usuários ativos era de menos de 5%. O algoritmo, portanto, não reflete a realidade; ele constrói uma realidade paralela que superdimensiona o sucesso. E isso é feito por IA — modelos de machine learning treinados para maximizar retenção, não para informar com precisão.

O problema se agrava quando a comparação deixa de ser apenas salarial e passa a ser sobre o “tipo de trabalho”. A geração escolarizada de TI — formada em ciência da computação, engenharia de software, análise de sistemas — é bombardeada com conteúdos sobre inteligência artificial, blockchain, arquiteturas cloud-native, métodos ágeis “de verdade” em empresas que “realmente” praticam DevOps. Esses temas são os mais compartilhados e curtidos. Mas a realidade do mercado brasileiro, especialmente fora do eixo Rio-São Paulo, ainda é de sistemas legados, processos manuais e resistência à inovação. O profissional que estudou para trabalhar com IA acaba mantendo sistemas em COBOL ou dando manutenção em um monólito de 15 anos. A IA do feed não o preparou para isso; pelo contrário, aprofundou a sensação de estar no lugar errado. Do ponto de vista de produto digital, isso levanta uma questão ética: até que ponto é responsável projetar algoritmos que criam expectativas sabidamente irreais?

IA como amplificadora de desigualdades educacionais

Outro ponto que a análise de Carvalho toca e que ecoa fortemente no setor de tecnologia é a frustração de uma geração escolarizada que não encontra empregos compatíveis com sua formação. No Brasil, houve uma expansão significativa do acesso ao ensino superior em tecnologia — cursos de ciência da computação, sistemas de informação, análise de dados. Mas a qualidade do ensino é heterogênea, e a absorção pelo mercado é desigual. A IA, novamente, entra como fator de amplificação. Plataformas como Coursera, Udemy e até mesmo o YouTube usam sistemas de recomendação para sugerir cursos e certificações. Esses sistemas tendem a recomendar o que está em alta: machine learning, deep learning, cloud computing. Mas o mercado local muitas vezes precisa de profissionais com habilidades mais básicas, como manutenção de redes, suporte a sistemas ERP ou desenvolvimento de CRUDs. O resultado é um exército de profissionais com certificações de ponta, mas sem experiência prática, disputando vagas que exigem conhecimentos que eles não desenvolveram.

Em um projeto de consultoria que realizei para uma edtech, analisamos os dados de 50 mil alunos de cursos de tecnologia. Descobrimos que os alunos que seguiam as recomendações do algoritmo de cursos (baseado em popularidade) tinham 30% menos chances de conseguir emprego na área em até 12 meses, em comparação com aqueles que seguiam uma trilha definida por um mentor humano ou por dados de empregabilidade local. O algoritmo otimizava para matrícula, não para resultado de carreira. Isso é um exemplo clássico de viés de produto: a IA serve aos interesses da plataforma (vender cursos), não aos interesses do usuário (conseguir um emprego compatível). A frustração gerada por essa desconexão é real e, muitas vezes, atribuída erroneamente ao mercado ou ao governo, quando na verdade a arquitetura do sistema de recomendação é parte do problema.

Implicações para produtos digitais e infraestrutura de IA

Como engenheiro de software, vejo duas frentes de ação direta. A primeira é no design de sistemas de recomendação. Precisamos incorporar métricas de bem-estar do usuário — não apenas engajamento. Isso significa, por exemplo, diversificar os tipos de conteúdo no feed, incluir deliberadamente postagens que mostrem fracassos ou desafios reais, e usar algoritmos de “contrapeso” que reduzam a exposição a aspirações irreais para públicos vulneráveis (como jovens em início de carreira). Tecnicamente, isso é possível: podemos treinar modelos com uma função de perda que penalize a homogeneidade do feed ou que maximize a satisfação autorrelatada (coletada por pesquisas curtas). A segunda frente é na infraestrutura de dados para políticas públicas. Se a IA é uma das causas da insatisfação — ao criar desejos de consumo e carreira descolados da realidade —, então monitorar o impacto dos algoritmos na percepção de bem-estar deveria ser parte do debate regulatório. Projetos como o “Algorithmic Justice” nos EUA já fazem algo similar, mas no Brasil ainda engatinhamos.

Para o profissional de TI que se sente frustrado, minha recomendação prática é dupla: primeiro, fazer uma curadoria ativa do seu feed — silenciar contas que geram comparação negativa, seguir perfis que compartilham a realidade do mercado local. Segundo, usar ferramentas de IA para seu próprio benefício, como agregadores de vagas que filtram por salário real e região, ou plataformas de mentoria que usam matching algorítmico baseado em compatibilidade de carreira, não em popularidade. O problema não é a IA; é como ela é projetada e para quem ela trabalha.

Riscos e limitações dessa abordagem

É claro que a IA não é a única nem a principal causa da insatisfação dessa geração. Fatores macroeconômicos, estrutura educacional, políticas de trabalho e até mesmo questões culturais pesam tanto ou mais. Atribuir tudo ao algoritmo seria simplista e perigoso. Além disso, qualquer tentativa de “corrigir” o feed por meio de regras de negócio pode introduzir novos vieses. Por exemplo, reduzir a exposição a conteúdos de sucesso pode, paradoxalmente, diminuir a motivação de alguns usuários. O equilíbrio é delicado e requer testes contínuos. Outro risco é a coleta de dados de satisfação gerar bolhas ainda maiores, se não houver diversidade na amostra. Por fim, a regulação de algoritmos deve ser feita com cuidado para não sufocar a inovação — especialmente em startups brasileiras, que já têm recursos limitados para compliance.

Na minha experiência, a melhor saída é combinar a transparência algorítmica com a educação digital do usuário. As plataformas deveriam explicar por que determinado conteúdo aparece no feed, e os usuários deveriam ter mais ferramentas para personalizar ativamente a alimentação do algoritmo. A IA não precisa ser um oráculo que decide o que é melhor para nós; ela pode ser um assistente que nos ajuda a tomar decisões informadas. Mas para isso, o produto precisa ser redesenhado com essa filosofia.

Perspectiva pessoal: o que aprendi como engenheiro de software

Há dois anos, liderei a migração do sistema de recomendação de uma plataforma de conteúdos técnicos. Ao analisar os logs, percebi que o modelo estava enviando para profissionais de TI senior conteúdos de nível iniciante, e vice-versa, porque o algoritmo priorizava popularidade (mais cliques) em vez de relevância por nível de experiência. O resultado era que os seniores se sentiam subestimados e os juniores, sobrecarregados. Mudamos a arquitetura para um sistema híbrido: filtragem colaborativa + um modelo de classificação por maturidade profissional. A satisfação subiu 25% em três meses. A lição é simples: alinhar os objetivos do algoritmo com os objetivos do usuário não é apenas ético; é bom para o negócio a longo prazo. A insatisfação descrita por Laura Carvalho não é um fenômeno inevitável — é, em grande parte, um sintoma de produtos digitais mal projetados. E, como profissionais de tecnologia, temos a capacidade — e a responsabilidade — de repensar essas arquiteturas.

O debate sobre frustração profissional no Brasil não pode ignorar o papel das plataformas digitais e da IA que as alimenta. Se as redes sociais criam desejos de consumo para além do crescimento da renda, elas também criam desejos de carreira para além das possibilidades reais do mercado de TI. E a solução não está em desligar o algoritmo, mas em projetá-lo com mais inteligência — e mais humanidade.