O consultor executivo americano Harrison Painter, fundador da empresa LaunchReady.ai em Indianapolis, nos Estados Unidos, publicou em 2026 o modelo The 7 Levels of AI Proficiency (Os 7 Níveis de Proficiência em IA, em tradução livre), que estrutura o uso profissional de inteligência artificial desde o primeiro contato com um chatbot até a coordenação de sistemas inteiros. Paralelamente, o estudo Anthropic Education Report: The AI Fluency Index, divulgado pela desenvolvedora Anthropic, comprovou em 9.830 conversas que usuários que refinam os resultados dobram seus indicadores de fluência na tecnologia.
Atualizado na página oficial da LaunchReady.ai em 2 de maio de 2026, o mapeamento de Painter estabelece que o avanço na carreira depende do domínio comportamental à medida que o trabalhador sobe de patamar. “Nos níveis mais baixos, a habilidade técnica conta. Você aprende a escrever comandos melhores, avaliar resultados e gerenciar contexto. Nos níveis mais altos, as habilidades que contam são inteiramente humanas: design thinking, integração de sistemas, navegação de partes interessadas e liderança. Os profissionais que prosperam em uma economia impulsionada por IA não são os mais técnicos. Eles são os mais humanos”, afirmou Painter, em tradução livre.
Saiba mais: Inteligência artificial desativa anúncios, rastreadores e muda interfaces em smart TVs com sistema Android
Escala da LaunchReady.ai: do uso básico à orquestração em 7 níveis
Na estrutura desenhada por Harrison Painter, que atua como Fractional Chief AI Officer (diretor executivo de inteligência artificial contratado sob demanda por empresas), os estágios iniciais 1 e 2 representam as faixas de letramento e fluência básica. A proficiência propriamente dita começa apenas no Nível 3, onde operam os chamados superusuários, e avança até o Nível 7. O sistema divide a progressão profissional em três blocos de relacionamento: com a ferramenta (níveis 1 a 3), com os sistemas (níveis 4 e 5) e com a organização (níveis 6 e 7).
Nos três primeiros degraus, o trabalhador sai de pedidos simples, semelhantes a buscas na internet com resultados instáveis, e passa a informar formato, público e restrições no segundo estágio, embora ainda trate o programa como uma máquina de perguntas e respostas. Ao atingir o terceiro degrau, o usuário passa a encarar a primeira entrega como um rascunho, pede alternativas e revisa falhas como um parceiro de pensamento. “A maioria das pessoas desiste quando a IA dá uma resposta ruim. Você itera”, declarou Painter sobre essa fase.
Nos estágios 4 e 5, o foco migra para a arquitetura técnica e coletiva. O quarto patamar exige o domínio da engenharia de contexto: como conversas longas degradam a qualidade das respostas, o profissional sabe o momento exato de abrir uma nova sessão limpa e selecionar quais dados transferir. No quinto degrau, o usuário deixa de aplicar a ferramenta apenas para si e desenha fluxos com escopo de acesso a dados definido para os colegas, a exemplo de um analista de recursos humanos que monta um assistente interno para responder dúvidas sobre benefícios.
Saiba mais: OpenCode Console tem chaves de API da OpenAI, Anthropic e Google vazadas em ataque de destilação
Nos degraus 6 e 7, a atuação torna-se institucional. O sexto nível transforma processos individuais em fluxos documentados e reutilizáveis entre diferentes setores, estabelecendo entradas, etapas e critérios de sucesso que exigem negociação para vencer resistências internas. Já o sétimo estágio encadeia múltiplos fluxos em sequências automatizadas (pipelines) que operam com baixa intervenção humana. Cada um dos sete patamares recebe uma patente militar ou espacial associada a uma função prática e a uma competência de inteligência emocional:
- Nível 1 (Cadet / AI Aware): focado no conhecimento inicial da ferramenta e vinculado à habilidade humana de autoconsciência.
- Nível 2 (Ensign / Prompt Engineer): focado na engenharia de comandos com contexto e restrições, ligado ao pensamento estruturado.
- Nível 3 (Lieutenant / Critical Thinker): focado no questionamento crítico de respostas fracas e associado à autogestão.
- Nível 4 (Commander / Context Engineer): focado no gerenciamento de sessões limpas de contexto e ligado à consciência social.
- Nível 5 (Captain / Design Thinker): focado na criação de soluções e experiências para equipes, vinculado ao design thinking (abordagem prática para resolução de problemas).
- Nível 6 (Admiral / Systems Integrator): focado na documentação de processos integrados entre setores e associado à navegação de stakeholders (gestão de partes interessadas).
- Nível 7 (Mission Director / AI Orchestrator): focado na automação em larga escala e vinculado à liderança inspiradora.
Estudo da Anthropic em 9.830 conversas no Claude.ai
Os requisitos práticos de revisão apontados no Nível 3 do modelo de Painter encontram respaldo estatístico no levantamento publicado pela Anthropic em 23 de fevereiro de 2026. Desenvolvido com metodologia criada em parceria com os professores Rick Dakan e Joseph Feller, o relatório analisou uma amostra de 9.830 conversas reais, de múltiplos turnos e anonimizadas, registradas na plataforma Claude.ai durante um período de sete dias em janeiro de 2026.
Ao rastrear 11 comportamentos observáveis dentro de uma matriz de 24 indicadores de fluência, a pesquisa constatou que 85,7% das interações envolveram iteração e refinamento — quando o usuário aprimora o pedido sobre a resposta anterior em vez de aceitar a primeira saída. As conversas com refinamento registraram uma média de 2,67 comportamentos adicionais de fluência por sessão, quase o dobro da média de 1,33 comportamento adicional verificada nos diálogos sem iteração. Os dados mostram que os usuários que refinam os pedidos têm probabilidade 5,6 vezes maior de questionar o raciocínio do modelo e 4 vezes maior de identificar falta de contexto.
A pesquisa da Anthropic também detectou uma queda de atenção batizada de efeito artefato, registrada em 12,3% do total de conversas analisadas. Nesses casos, quando o sistema gerou produtos prontos e visualmente polidos — como blocos de código, documentos formatados ou aplicativos interativos —, os usuários deram instruções iniciais mais diretas, mas avaliaram o material com menor rigor crítico e checaram menos a existência de erros. Entre os demais hábitos medidos na base total de usuários, houve grande diferença entre instruções iniciais e checagem final:
Veja também: Anthropic propõe limitar bloqueio de IA a casos catastróficos
- Esclarecer objetivos antes de solicitar ajuda: registrado em 51,1% das conversas analisadas.
- Mostrar exemplos do que seria um bom resultado: presente em 41,1% das interações.
- Especificar formato e estrutura de saída: observado em 30% da amostra.
- Questionar diretamente o raciocínio da inteligência artificial: anotado em 15,8% dos diálogos.
- Consultar a ferramenta sobre a abordagem antes da execução: verificado em 10,1% dos casos.
- Verificar fatos e afirmações importantes gerados pelo sistema: praticado em apenas 8,7% das conversas.
Origens teóricas de Harrison Painter e teste de autoavaliação
Para ancorar os sete estágios de maturidade técnica em competências comportamentais, Harrison Painter baseou sua metodologia nas pesquisas de inteligência emocional do psicólogo Daniel Goleman, no programa de desenvolvimento Lions Lead EI e nos estudos de progressão do Dr. Snively. Além do mapeamento profissional, o consultor publicou em 2026 dois livros voltados à transformação do mercado de trabalho pela tecnologia: You Have Already Been Replaced by AI (Você Já Foi Substituído pela IA, em tradução livre) e The White-Collar Factory is Closing (A Fábrica do Colarinho Branco Está Fechando, em tradução livre).
Segundo declaração de Painter, a maioria dos trabalhadores se posiciona entre os níveis 2 e 4 ao realizar a primeira autoavaliação, e muitos participantes superestimam a própria capacidade em um nível acima do real. Essa informação, contudo, parte exclusivamente do criador do método, sem confirmação por levantamento independente auditado, e o próprio modelo ainda passa por processo de validação psicométrica para se tornar um padrão acadêmico.
Os profissionais interessados em identificar seu estágio atual podem acessar a autoavaliação gratuita disponibilizada online pela LaunchReady.ai. O teste é aplicado em inglês, dura menos de dez minutos, encerra-se automaticamente ao detectar o limite prático do participante e entrega recomendações diretas: estruturar comandos e revisar saídas para quem está nos degraus iniciais, ou documentar fluxos reutilizáveis para quem já opera nos níveis 3 e 4.
