SÉRIE: O QUE ESTÁ DE FATO ACONTECENDO
Uma análise calibrada, com fontes, do que a inteligência artificial está fazendo com o trabalho — separando o que é fato comprovado, o que é contestado e o que é mito. Nem pânico, nem complacência. Evidência.
Três grupos distintos gritam um ao lado do outro sem se ouvir. Nenhum está inteiramente certo. Compreender a estrutura do debate é pré-requisito para compreender a evidência.
Poucos temas geram tantas afirmações confiantes e contraditórias por centímetro de coluna quanto a inteligência artificial e o emprego. Em uma única semana, veículos respeitáveis publicam “a IA vai engolir metade dos empregos de colarinho-branco” e “a IA cria mais empregos do que destrói — a história prova”. Os dois títulos são tecnicamente defensáveis. Nenhum conta a história toda.
A confusão é estrutural, não acidental. Decorre da fusão de três debates distintos em um só: o que está acontecendo agora (empírico, mensurável), o que ocorrerá até 2030 (projeção contestada) e o que ocorrerá em horizontes de 20 a 50 anos (genuinamente desconhecido). Pesquisadores pessimistas quanto ao emprego estrutural de longo prazo e pesquisadores otimistas quanto à criação agregada de empregos no curto prazo, por vezes, estão citando horizontes temporais diferentes — e ambos podem estar simultaneamente corretos.
Há também uma economia política do otimismo. As empresas que constroem a IA têm interesse direto na narrativa de que sua tecnologia cria mais empregos do que destrói. Sindicatos e trabalhadores deslocados têm interesse direto em documentar o dano. Nem um lado nem outro é necessariamente desonesto — ambos exercem pressão de seleção sobre quais evidências ganham amplificação.
Este relatório se propõe a ser útil pela disciplina: cada afirmação é categorizada explicitamente por nível de evidência. Onde os dados são claros, dizemos. Onde são contestados, dizemos e apresentamos os dois lados críveis. Onde as afirmações não se sustentam pela evidência — independentemente do campo que as formula —, também o dizemos.
Separar os números bem estabelecidos das projeções contestadas — e ser honesto a respeito da diferença.
A Goldman Sachs Research (2025) documenta queda mensurável e estatisticamente significativa do emprego especificamente entre trabalhadores de 22 a 25 anos em ocupações expostas à IA. O desemprego entre pessoas de 20 a 30 anos em funções tecnológicas expostas cresceu cerca de 3 pontos percentuais desde o início de 2025. Desenvolvedores de software de 22 a 25 anos sofreram uma queda de cerca de 20 % no emprego em comparação ao pico do fim de 2022. O dado é corroborado pelo estudo “Canaries in the Coal Mine”, do Stanford Digital Economy Lab (Brynjolfsson et al., 2025), que identificou o mesmo recorte etário como indicador antecedente do impacto da IA no mercado de trabalho.
Importante: o emprego total segue em alta. Não se trata de um colapso macroeconômico do emprego — trata-se de uma compressão direcionada do funil de contratações de início de carreira em funções específicas expostas à IA. O sinal está concentrado em quem é contratado para iniciar a carreira, não em demissões em massa.
Múltiplos experimentos randomizados de alta qualidade confirmam que ferramentas de IA elevam, de fato, a produtividade. Brynjolfsson, Li e Raymond (2025, Quarterly Journal of Economics) — o estudo mais rigoroso disponível — constataram que a IA generativa elevou em média em 14 % a produtividade de atendentes de suporte ao cliente, com os maiores ganhos para os trabalhadores menos qualificados. Estudos sobre o GitHub Copilot indicam ganhos de velocidade de codificação de cerca de 55 % para desenvolvedores. O achado central é que a IA, hoje, funciona como amplificadora de produtividade — e não como substituta — para a maioria dos trabalhadores ativos. A dinâmica de substituição se manifesta nas contratações — menos pessoas novas necessárias — em lugar das demissões de trabalhadores em atividade.
A participação do trabalho na renda das empresas não agrícolas norte-americanas caiu de cerca de 64 % em 1980 para cerca de 57 % em 2017 (Acemoglu, Manera e Restrepo, 2020). Essa tendência pré-IA reflete décadas de automação enviesada para o capital, em que a alíquota efetiva sobre o trabalho (cerca de 25 % a 34 %) supera, em larga margem, a alíquota sobre o capital (cerca de 5 % a 10 %), o que incentiva a substituição. A pesquisa do FMI (2024-2025) projeta que a IA tende a ampliar ainda mais os retornos ao capital em detrimento da renda do trabalho — mas esse efeito depende, em grande medida, de a IA complementar ou substituir trabalhadores de alta renda e do grau em que os ganhos de produtividade sejam capturados pelos proprietários de capital, em vez de distribuídos como salários.
“O impacto mais disseminado da IA generativa tende a recair sobre a qualidade do emprego, e não sobre a sua quantidade.”
— Organização Internacional do Trabalho (Índice Global OIT/NASK, maio de 2025)Nível de risco, mecanismo de exposição e prazo projetado — ordenados por categoria ocupacional. Os percentuais de risco são estimativas baseadas em modelos (ver ressalva da Seção 02).
| Ocupação | Exposição de tarefas | Mecanismo principal | Prazo | Evidência |
|---|---|---|---|---|
| Atendentes de serviço ao cliente | Chatbots baseados em LLMs assumem consultas de nível 1; o papel humano se restringe ao tratamento de exceções | 2024-2026 (já em curso) | ✓ Fato comprovado | |
| Auxiliares de digitação de dados | Automação direta do processamento repetitivo de dados; OCR de alta precisão combinado a IA | 2024-2027 | ✓ Fato comprovado | |
| Assistentes administrativos e secretariais | Agendamento, redação, gestão documental, e-mail — tudo replicável por IA | 2024-2028 | ◈ Evidências sólidas | |
| Tradutores e intérpretes | LLMs em qualidade próxima à humana para tradução comercial padrão; queda documentada do emprego | 2023-2026 (em curso) | ✓ Fato comprovado | |
| Contabilistas e auxiliares de escrituração | Processamento financeiro rotineiro totalmente automatizável; softwares contábeis com IA em rápida expansão | 2025-2028 | ◈ Evidências sólidas | |
| Revisores e copidesques | Correção gramatical e de estilo agora executada por IA com precisão superior em conteúdo padrão | 2023-2026 | ◈ Evidências sólidas |
Fontes: Índice Global OIT/NASK 2025; Goldman Sachs Research 2025; McKinsey Global Institute; FMI SDN 2024
| Ocupação | Exposição de tarefas | Mecanismo principal | Prazo | Evidência |
|---|---|---|---|---|
| Desenvolvedores juniores de software | Ferramentas de geração de código reduzem requisitos para posições iniciais; cargos sêniores ficam mais produtivos | 2024-2028 | ✓ Fato comprovado | |
| Paralegais e assistentes jurídicos | Revisão de documentos, pesquisa jurídica, análise de contratos — replicáveis por LLM, com velocidade | 2025-2029 | ◈ Evidências sólidas | |
| Analistas financeiros (nível inicial) | Análise rotineira, geração de relatórios e síntese de dados já automatizadas; o julgamento sênior é preservado | 2025-2030 | ◈ Evidências sólidas | |
| Jornalistas e produtores de conteúdo | Jornalismo de dados e geração de conteúdo padronizado automatizados; investigativo e narrativo, em menor medida | 2024-2028 | ◈ Evidências sólidas | |
| Radiologistas (camada de triagem) | A IA supera humanos na triagem inicial de imagens; o papel migra para diagnóstico complexo e comunicação | 2026-2032 | ⚖ Contestado | |
| Caixas de varejo | Autoatendimento e varejo sem atrito em expansão; o modelo Amazon Go avança | 2024-2030 | ◈ Evidências sólidas |
| Ocupação | Exposição de tarefas | Mecanismo principal | Observações | Evidência |
|---|---|---|---|---|
| Professores e educadores | Tarefas administrativas e geração de conteúdo padronizado automatizadas; o ensino e a mentoria resistem | Transformação do papel é provável; redução de volume é improvável no curto prazo | ⚖ Contestado | |
| Contadores e auditores (sêniores) | Elementos rotineiros automatizáveis; o julgamento complexo, a relação com o cliente e o trabalho com responsabilidade legal resistem | Bifurcação: cargos juniores pressionados, cargos sêniores amplificados | ◈ Evidências sólidas | |
| Especialistas de marketing | Criação de conteúdo, testes A/B e análise de campanhas em rápida automação; estratégia criativa, em menor medida | Hoje, amplificador de produtividade; deslocamento se aproxima do nível inicial | ◈ Evidências sólidas | |
| Recursos humanos | Triagem, agendamento e administração automatizadas; cultura, mediação de conflitos e trabalho intensivo em julgamento, não | Sistemas de rastreamento de candidatos (ATS) já operam com IA | ◈ Evidências sólidas | |
| Caminhoneiros e entregadores | Veículos autônomos tecnicamente próximos da viabilidade; restam barreiras regulatórias, de seguro e de última milha | Alto volume de trabalhadores afetados (3,5 mi só nos EUA); cronogramas reiteradamente adiados | ⚖ Contestado |
| Ocupação | Exposição de tarefas | Por que é resiliente | Nível de risco | Evidência |
|---|---|---|---|---|
| Encanadores, eletricistas e ofícios especializados | Exigem destreza física em ambientes não estruturados; robôs ainda não conseguem desempenho confiável ou viável em custo | Baixo — horizonte mínimo de 10 a 20 anos | ✓ Fato comprovado | |
| Enfermeiros | Cuidado físico, comunicação com pacientes, trabalho emocional e julgamento clínico em situações não estruturadas | Baixo para deslocamento; alto para aumento de produtividade (diagnósticos por IA) | ✓ Fato comprovado | |
| Psicoterapeutas e profissionais de saúde mental | Relação terapêutica, empatia e julgamento humano nuançado; a IA atua como suplemento, não como substituta | Baixo — barreiras regulatórias e éticas elevadas, ainda que a IA evolua | ◈ Evidências sólidas | |
| Educadores da primeira infância | Cuidado físico, construção de vínculos e monitoramento do desenvolvimento — não replicáveis por IA | Muito baixo | ✓ Fato comprovado | |
| Executivos sêniores e CEOs | Julgamento estratégico, capital relacional, accountability e tomada de decisão ambígua em situações inéditas | Baixo — mas a IA amplificará a produtividade dos que a adotarem | ◈ Evidências sólidas | |
| Trabalhadores da construção civil | Manipulação física em ambientes não estruturados e variáveis; robótica ainda inviável em escala | Baixo por mais de 10 anos; potencialmente mais alto entre 2030 e 2040 | ✓ Fato comprovado |
Os números agregados ocultam experiências radicalmente distintas por gênero, idade, escolaridade e renda. A manchete “a IA cria mais empregos” pode ser simultaneamente verdadeira na soma e catastrófica para populações específicas.
A razão estrutural: entre 2000 e 2019, de 93 % a 97 % das posições de secretária e assistente administrativa nos EUA eram ocupadas por mulheres (US Census Bureau). Essas são ocupações de nível 1 para deslocamento pela IA. A OIT constata que a sobrerrepresentação das mulheres em funções administrativas e de escritório é o principal motor da assimetria de gênero na exposição à IA — e não qualquer característica intrínseca do trabalho feminino que o tornasse singularmente automatizável.
O problema cumulativo: as mulheres não apenas se concentram nos empregos de maior risco — elas também adotam ferramentas de IA em taxas mais baixas, o que reduz a probabilidade de migrarem de “a IA me substitui” para “a IA me amplifica”. As pesquisas sugerem que mulheres enfrentam penalidades sociais adicionais por usar ferramentas de IA (receio de serem percebidas como “trapaceiras” ou menos inteligentes), penalidades que homens não enfrentam no mesmo grau.
A camada do viés: sistemas de IA treinados em dados históricos reproduzem — e podem ampliar — vieses de gênero já existentes em recrutamento, decisões salariais e concessão de crédito, criando risco tanto nos empregos perdidos quanto nos pleiteados. A OIT observa que as mulheres estão sub-representadas no desenvolvimento de IA (apenas 22 % dos profissionais de IA no mundo, segundo o WEF 2025), o que torna a autocorreção por equipes diversas estruturalmente difícil.
A compressão do início de carreira: o efeito etário mais claro e mais documentado é a compressão da contratação em nível inicial. A IA reduz a necessidade de trabalhadores juniores justamente nas funções que tradicionalmente serviam como o primeiro degrau de carreiras profissionais: desenvolvedor júnior, analista júnior, paralegal júnior, atendente de SAC. O funil rumo aos cargos sêniores se estreita antes mesmo que esses cargos sejam, eles próprios, ameaçados.
A ironia para a Geração Z: a geração mais preocupada com a IA não é, na soma, a que está perdendo empregos — o emprego total não está em colapso. É a geração que encontra a porta de entrada para a carreira mais estreita do que era para coortes anteriores. Trata-se de um dano real, ainda que os números macro pareçam tranquilos.
Trabalhadores deslocados de idade mais avançada: trabalhadores com 50 anos ou mais que perdem empregos expostos à IA enfrentam os desafios de transição mais severos. A pesquisa do Boston Fed (dezembro de 2024) verificou que cerca de 21 % dos trabalhadores entrevistados esperavam que a IA piorasse sua situação financeira em cinco anos, com forte concentração nessa coorte mais velha. A requalificação para novos setores é mais difícil, mais demorada e tem retornos menores nessa fase da vida — esse é o grupo identificado pela Brookings como o mais vulnerável.
O working paper do FMI (Rockall, Tavares, Pizzinelli, 2025) distingue três grupos ocupacionais: HELC (alta exposição, baixa complementaridade — a zona de perigo), HEHC (alta exposição, alta complementaridade — a zona amplificada) e LE (baixa exposição — largamente intacta). A questão crítica de política pública é: quais trabalhadores caem em cada grupo.
Baixa escolaridade (sem ensino superior): exposição imediata à IA mais baixa (FMI: 26 % entre trabalhadores de países de baixa renda, contra 60 % em economias avançadas), mas também menor capacidade de transição para funções complementares à IA. A “proteção” de não estar na mira da economia de IA é, em parte, um artefato de ainda não dispor da infraestrutura digital que viabiliza tanto o risco quanto a oportunidade.
Titulares de diploma superior: 44 % reconhecem que a IA pode executar parte de suas tarefas (contra 22 % entre quem não tem ensino superior) — maior consciência, mas também maior capacidade adaptativa. Estudos confirmam que trabalhadores com ensino pós-secundário vivenciam a IA mais como complemento de suas capacidades do que como substituta.
A Brookings Institution sintetiza: “Os trabalhadores mais bem remunerados e mais escolarizados são os mais expostos.” Mas exposição não significa dano quando a complementaridade é elevada. O perigo real é a camada de trabalhadores com escolaridade suficiente para ocupar funções expostas à IA, mas sem a senioridade, a adaptabilidade ou os recursos para pivotar à complementaridade.
A dimensão de classe do impacto da IA sobre o emprego é o aspecto politicamente mais inflamável e analiticamente mais contestado do tema. Exige separar com cuidado duas dinâmicas distintas que operam simultaneamente.
A objeção mais comum aos temores de deslocamento pela IA é a de que novos empregos surgirão, como ocorreu em transições tecnológicas anteriores. Nos países ricos, esse é um argumento contestado, mas plausível. No mundo em desenvolvimento, é muito mais difícil de sustentar.
O paradoxo indiano: a Índia almeja tornar-se um grande polo de IA, com seu mercado projetado para crescer entre 25 % e 35 % ao ano até 2027. Ainda assim, o setor indiano de TI e serviços empresariais — de cerca de 250 bilhões de dólares e que emprega milhões em funções cognitivas terceirizadas e em língua inglesa — é justamente o mais exposto à automação por IA promovida por empresas ocidentais em busca de corte de custos. Os trabalhadores que se beneficiam da ambição indiana em IA e aqueles que perdem o emprego para ela são populações inteiramente distintas, separadas por escolaridade, língua, localização e renda.
A armadilha da anotação de dados: parcela expressiva dos “novos empregos” em IA para o Sul Global consiste em rotulagem de dados, moderação de conteúdo e treinamento de IA — frequentemente pagando de 1 a 2,50 dólares por hora no Quênia, e valores similares em Bangladesh e na Índia. Esses trabalhadores fazem o labor pouco glamoroso que viabiliza o funcionamento dos sistemas de IA, com proteções mínimas, sem trajetória de carreira e expostos a conteúdo psicologicamente nocivo. A UNCTAD alertou que a IA pode reduzir a vantagem competitiva do trabalho de baixo custo nos países em desenvolvimento — a única alavanca econômica de que dispõem — sem criar oportunidade equivalente.
A pesquisa do FMI (2024) e a análise da ResearchGate (2025) confirmam: o deslocamento se concentra entre 2024 e 2027, ao passo que a criação de empregos se espalha por prazos mais longos. Nas economias avançadas, as instituições, as redes de proteção social e os sistemas educacionais para gerir essa transição existem (de modo imperfeito). Nas economias em desenvolvimento que vivenciam o deslocamento de funções terceirizadas, esses amortecedores institucionais são inexistentes. O resultado: as economias em desenvolvimento sofrem o deslocamento sem a contrapartida da criação, ampliando a desigualdade internacional.
Na América Latina: cerca de 25 % dos empregos no Brasil, no Chile, na Colômbia, no México e no Peru exibem alta exposição à IA combinada a baixa complementaridade de tarefas — o que os torna altamente vulneráveis à substituição. Para trabalhadores em call centers e em serviços terceirizados, em particular, esse risco é caracterizado como “agudo” por pesquisadores da OIT.
O argumento mais poderoso a favor do otimismo no mercado de trabalho são duzentos anos de evidência de que a tecnologia cria mais empregos do que destrói. Esse argumento merece tratamento sério — e escrutínio sério.
A resposta econômica padrão: a “falácia do montante fixo de trabalho” — a crença equivocada de que existe uma quantidade fixa de trabalho a ser feita — é, sim, um erro lógico real. Novas tecnologias criam nova demanda, novas indústrias e novas ocupações que não podemos prever de antemão. O diretor do Federal Reserve Barr (maio de 2025): há muito os economistas se mostram céticos quanto à premissa de que a automação leva a desemprego permanente.
A réplica de Acemoglu (MIT/FMI, dezembro de 2023): “Não há garantia de que, em sua trajetória atual, a IA gere mais empregos do que destrói.” O padrão histórico de criação de empregos novos repousava no equilíbrio entre automação e criação de novas tarefas. Em algum momento após cerca de 1970, esse equilíbrio se perdeu. A participação do trabalho na renda vem caindo há 50 anos. A criação de novas tarefas desacelerou, sobretudo para trabalhadores sem diploma de quatro anos. A IA pode acelerar uma dinâmica já quebrada, em vez de revertê-la.
O argumento da velocidade: as transições históricas se desenrolaram ao longo de gerações. O tear deslocou tecelões em 50 a 100 anos; os filhos dos trabalhadores se adaptaram. A IA pode comprimir transições equivalentes a horizontes de 5 a 10 anos. Mesmo que o resultado de longo prazo seja líquido positivo, os custos de transição medidos em vidas humanas — perda de renda, sofrimento psíquico, desorganização familiar — são reais e estão concentrados em populações específicas que não podem simplesmente “esperar pelos novos empregos”.
O termo “Tecnologia de Propósito Geral” (GPT, no sentido econômico) designa tecnologias que reconfiguram múltiplos setores simultaneamente — eletricidade, computação, internet. Deming e Summers (2025) concluíram que a IA se enquadra como uma GPT dessa magnitude.
O que se pode argumentar ser diferente na IA em relação a GPTs anteriores:
1. As GPTs anteriores automatizaram tarefas físicas ou cognitivas estreitas. A IA é a primeira tecnologia capaz de executar raciocínio geral, linguagem e tarefas criativas — o trabalho antes considerado unicamente humano e à prova de automação. 2. As GPTs anteriores criaram novas tarefas que exigiam trabalho humano. As novas tarefas que a IA cria (treinador de IA, oficial de ética em IA, gerente de produto em IA) requerem muito menos trabalhadores em relação às tarefas que substituem. Os engenheiros de prompt — outrora prognosticados como ocupação numerosa — representam menos de 0,5 % das vagas anunciadas no LinkedIn. 3. O incentivo à substituição de trabalho por capital está estruturalmente incorporado ao código tributário dos EUA (trabalho tributado a cerca de 30 %, capital a cerca de 8 %), o que torna a substituição a escolha racional para qualquer ator corporativo.
“A economia dos EUA tinha 2,5 robôs industriais por mil trabalhadores na manufatura em 1993. Esse número subiu para 20 em 2019. A automação excessiva provocou a queda da participação do trabalho na renda, de 64 % em 1980 para 57 % em 2017.”
— Acemoglu, Manera e Restrepo, citados na Chicago Booth ReviewA IA está elevando a produtividade em setores expostos à IA. Isso é bem documentado e não é objeto de disputa séria. A questão crucial e contestada é se esses ganhos de produtividade se traduzem em prosperidade ampla ou se concentram ainda mais no topo.
A evidência de produtividade é real. Experimentos controlados randomizados — o padrão-ouro da ciência social — confirmam que as ferramentas de IA elevam a produção em contextos profissionais. A questão não é se a produtividade aumenta, mas quem captura esse aumento.
Acemoglu e Johnson (Power and Progress, 2023) introduzem o conceito de “carruagem da produtividade”: para que a maioria das pessoas se beneficie do crescimento da produtividade, esta precisa estar “ancorada” na melhoria da eficiência do trabalho humano — elevando a produtividade marginal dos trabalhadores —, e não simplesmente automatizando tarefas humanas e capturando os ganhos como renda do capital.
A análise do EPI (Economic Policy Institute) acrescenta que a alíquota efetiva sobre o trabalho é aproximadamente o dobro da incidente sobre o capital nos EUA, o que faz com que as empresas estejam estruturalmente incentivadas a substituir trabalho por capital, mesmo quando essa não é a opção mais eficiente do ponto de vista econômico. Brynjolfsson (MIT) recomenda equalizar as alíquotas efetivas sobre trabalho e capital como a intervenção mais direta para mudar essa estrutura de incentivos.
A contraevidência dos anos 1990: a pesquisa do EPI mostra que os anos 1990 — que viram crescimento massivo de produtividade puxado pela internet — resultaram em crescimento salarial amplo e queda do desemprego, e não em ganhos concentrados. A explicação: o desemprego foi puxado a níveis suficientemente baixos para gerar poder de barganha genuíno dos trabalhadores. A lição de política pública é que as condições macroeconômicas de emprego importam tanto quanto a tecnologia em si para que os ganhos de produtividade sejam distribuídos.
Tanto o campo catastrofista quanto o campo desdenhoso produzem afirmações amplamente compartilhadas que não se sustentam na evidência. Esta seção identifica as mais frequentes em ambos os lados.
Frey e Osborne (Oxford Martin, 2013) produziram um modelo extremamente citado que previa 47 % das ocupações nos EUA em alto risco. A Harvard Data Science Review (outono de 2025) documenta que se tratava de uma análise em nível de tarefa indevidamente estendida a empregos inteiros. A replicação da OCDE, com sua metodologia própria, chegou a 9 % — cinco vezes menos. E, mais crítico: as ocupações apontadas como “em risco” em 2013 (preparadores de imposto, operadores de telemarketing, subscritores de seguros) não desapareceram, de fato, em escala nos doze anos seguintes. A cifra de 47 % é, tecnicamente, um output de modelo de 2013 projetado com ressalvas metodológicas relevantes — apresentá-la como fato é desinformação.
Essa cifra da Goldman Sachs (2023) é frequentemente mal citada. O relatório original afirmava que 300 milhões de equivalentes em jornada integral poderiam estar expostos à automação se a IA fosse amplamente adotada — uma estimativa de exposição de tarefas em cenário otimista de implantação. O mesmo relatório projetava que o cenário mais provável de deslocamento é de 6 % a 7 % da força de trabalho dos EUA, com o desemprego subindo apenas 0,5 ponto percentual acima da tendência no período de transição, antes de se recuperar em aproximadamente dois anos. A cifra de 300 milhões é real; apresentá-la como previsão de desemprego em massa no curto prazo, não.
O CEO da Anthropic, Dario Amodei, declarou em 2025 que a IA poderia eliminar cerca de 50 % das posições de nível inicial em colarinho-branco em cinco anos. O CEO da Nvidia, Jensen Huang, contestou explicitamente. A evidência mostra compressão real e documentada da contratação em nível inicial em setores expostos à IA — sobretudo em tecnologia. Contudo, “50 % dos empregos de colarinho-branco em nível inicial” em todos os setores em cinco anos exigiria velocidade e amplitude de adoção que os dados atuais não confirmam. A preocupação de fundo é legítima; o número e o prazo específicos não estão bem evidenciados.
O padrão histórico é real: 60 % dos empregos atuais nos EUA não existiam em 1940. Mas Acemoglu e Johnson documentam que a criação de novas tarefas desacelerou desde 1970, que o equilíbrio entre automação e geração de empregos já está desajustado e que a velocidade de adoção da IA pode comprimir transições que historicamente levaram gerações. A validade passada do padrão não garante validade futura — sobretudo quando a IA é a primeira tecnologia a ameaçar tarefas de raciocínio geral, em vez de apenas tarefas manuais específicas ou cognitivas estreitas. A falácia do montante fixo de trabalho é, sim, um erro econômico real; descartar o risco da IA invocando-a também é um erro.
A evidência sobre programas de requalificação é sóbria. “The China Shock” (Autor, Dorn e Hanson, 2016) — o artigo de economia mais influente dos EUA da década passada — demonstrou que a concorrência das importações chinesas devastou amplas parcelas da força de trabalho americana e que os programas de requalificação, em larga medida, fracassaram em produzir transições bem-sucedidas. O Workforce Investment and Opportunity Act (WIOA) dos EUA: em 2023-24, menos de 10 % dos participantes em treinamento receberam treinamento no trabalho; apenas 2 % obtiveram contratos de aprendizagem. Os exemplos bem-sucedidos de requalificação são raros. Dizer a trabalhadores de 55 anos deslocados da manufatura ou de funções administrativas que se “requalifiquem”, sem enfrentar as barreiras estruturais de custo, tempo, dificuldade psicológica e discriminação etária, não é política pública — é um conforto que falha com os mais vulneráveis.
A Harvard Data Science Review (outono de 2025) documenta: engenheiros de prompt representam menos de 0,5 % de uma amostra recente de vagas anunciadas no LinkedIn (Vu e Oppenlaender, 2025). As previsões específicas de “novos empregos da IA” que circularam amplamente em 2022-2023 (engenheiro de prompts, eticista de IA como empregador de massa) não se materializaram, em larga medida, na escala prevista. Isso não significa que nenhum novo emprego surgirá da IA — significa que as previsões específicas sobre quais empregos surgirão são sistematicamente pouco confiáveis e que o volume total de novos empregos líquidos criados é muito mais difícil de prever do que o dos empregos deslocados.
Um panorama do que de fato está sendo tentado, do que a evidência diz sobre cada intervenção e da lacuna estrutural entre a escala da disrupção potencial e a escala da resposta de política pública.
Problemas estruturais exigem soluções estruturais. Mas, enquanto se aguarda a política pública, indivíduos podem adotar ações que a evidência respalda. Filtradas pela sua fase de vida e setor.
Se sua ocupação aparece nas tabelas de “Risco crítico” ou “Risco alto” na Seção 03 — ou se sua função é primordialmente administrativa, de digitação de dados ou de atendimento ao cliente em rotina.
Se sua ocupação aparece na categoria “Resilientes” — ofícios especializados, saúde, educação, serviços profissionais complexos.
Todas as afirmações factuais deste relatório estão referenciadas a publicações específicas e verificáveis. As projeções estão claramente distinguidas dos achados empíricos.