AI Burnout
Definition
AI Burnout é o esgotamento relatado por early adopters do ritmo imposto pelas ferramentas de IA — o lado de custo humano do ganho de produtividade 10x. O debate central: Matt Shumer (“Something Big Is Happening”) celebra que após GPT-5.3 Codex e Opus 4.6 ele “não precisa mais fazer o trabalho técnico do próprio cargo” (descreve em inglês simples, volta em 4 horas, software pronto); Steve Yegge (“The AI Vampire”) avisa que o mesmo 10x drena as pessoas — “nap attacks” após longas sessões, ferramenta como caça-níquel de dopamina.
Key Points
- Dado de capacidade (METR, via Shumer). Há um ano, IA trabalhava ~10 minutos autonomamente; hoje, tarefas de 5 horas de um especialista humano; dobra a cada ~7 meses e “pode acelerar para 4”. GPT-5.3 Codex: “primeiro modelo instrumental na criação de si mesmo”.
- Fórmula de Yegge: $/hr. Salário fora de controle; horas doadas, não. Solução proposta: jornada de 3–4 horas, porque IA concentra o trabalho cognitivo pesado (decisões, julgamentos) numa janela exaustiva de sustentar.
- Dilema estrutural. Trabalhar 8h a 10x: empregador captura todo o valor e você queima. Trabalhar 1h a 10x: você captura 100% do valor, mas a empresa é esmagada por concorrentes mais rápidos.
- Síntese do The Neuron. “Going slow doesn’t guarantee your job. Going fast doesn’t either. Doing things well AND fast? That’s your job security now.” A economia bifurca: trabalho onde humanos criam para humanos (criadores, líderes, vendas, relacionamentos) vs. trabalho onde máquinas rodam a maquinaria corporativa — se seu papel é um componente de máquina, o componente será trocado.
- Contraponto de Deedy Das. Se você ainda diz “95% dos pilots de IA falham”, provavelmente está usando o produto errado.
Implications
Para o founder/PM não-técnico, o burnout é o risco de adoção ignorado por mapas de progresso como ai-native-levels: a subida de nível aumenta throughput, mas o custo cognitivo se concentra. A defesa prática é exatamente a estrutura de níveis — compounding em L1–L3 em vez de saltar para L5 — mais a fórmula $/hr como decisão de alocação de atenção. Contradição preservada (datada 2026-02): Shumer (10x libera) vs. Yegge (10x drena); ambas as posições permanecem em campo porque a evidência é anedótica e os incentivos dos autores diferem (CEO de startup de IA vs. engenheiro veterano).
Open Questions
- Nenhuma das duas posições traz dados de burnout em amostra representativa; “nap attacks” e jornada de 3–4h são experiências pessoais de Yegge.
- A projeção do METR (dobra a cada ~7 meses) é tendência observada, não garantia — o próprio artigo usa “might be accelerating”.
- Efeito de longo prazo de agentes autônomos (L5) sobre carga cognitiva: desconhecido na fonte.
Related Concepts
- ai-native-levels — o mapa de progressão que é o antídoto prático (compounding em L1–L3)
- vibe-coding — universo geral onde o ritmo 10x se origina
- non-technical-founder — persona que pode capturar valor sem queimar em engenharia
- ai-agent-teams — fronteira onde a carga cognitiva se redistribui para o time
- ai-native-sdlc — governança que evita o modo “slot machine” (gates, evals)