Como a Automação Impulsionada por IA Afetará Realmente os Empregos?

Como a Automação Impulsionada por IA Afetará Realmente os Empregos?

Autoria de Alex Imas e Soumitra Shukla via Ghosts of Electricity,

Uma das descobertas mais amplamente citadas em políticas de IA vem de um artigo de 2023 de Eloundou, Manning, Mishkin e Rock intitulado “GPTs are GPTs”. O título tem um duplo sentido agradável: o artigo estuda como tecnologias de propósito geral (GPTs) impulsionadas por grandes modelos de linguagem (também GPTs) podem remodelar o mercado de trabalho. A principal descoberta é que cerca de 80% dos trabalhadores dos EUA podem ter pelo menos 10% de suas tarefas afetadas por LLMs, e aproximadamente 19% podem ver metade ou mais de suas tarefas impactadas. De modo geral, essas medidas de exposição tentam capturar o quão "exposta" a ocupação está à IA como uma função de se a IA pode aumentar as tarefas envolvidas no trabalho: a exposição direta é definida como "se o acesso a um LLM ou sistema alimentado por LLM reduziria o tempo necessário para um humano realizar uma DWA específica ou completar uma tarefa em pelo menos 50%". Os autores são cristalinos sobre isso no artigo: a exposição corresponde à capacidade da IA de se envolver no trabalho, não à extensão em que o trabalho pode ser automatizado. Mas a palavra "exposição" acabou gerando todo tipo de ansiedade sobre exatamente isso — o deslocamento. E talvez por essa razão, essas medidas de exposição à IA têm se tornado rotineiramente virais nas redes sociais nos últimos meses.

Um exemplo recente é de Andrej Karpathy, um dos co-fundadores da OpenAI e um líder em como pensar sobre IA de forma mais geral (por exemplo, ele cunhou os termos "jagged intelligence" e "vibe coding"). Seu painel, que ele descreveu como um projeto de fim de semana "vibe-coded", era um ranking de quão expostas as principais ocupações estão à automação impulsionada por IA. Rapidamente se tornou viral no X, pois alimentou todas as narrativas já existentes sobre perda rápida de empregos devido à IA.

Após ver o painel sensacionalizado e se espalhar como fogo, Karpathy esclareceu que seu placar de "exposição" foi baseado em uma medida rápida, gerada por LLM, de quão digital é um trabalho, e nunca foi concebido para ser uma previsão séria de quais ocupações encolherão ou desaparecerão. Embora seu próprio site do projeto fizesse a mesma ressalva, ela foi amplamente ignorada no X. Para estragar a frase conhecida: "Um projeto de fim de semana vibe-coded viajará duas vezes ao redor do mundo antes que a ressalva tenha tempo de vestir as calças."
O que este episódio recente ilustra, no entanto, é que tais medidas de exposição chamaram a atenção do público, mas são rotineiramente mal interpretadas (com alguns propondo uma moratória no termo "exposição" de vez). Quando as pessoas ouvem que um trabalho está "80% exposto" à IA, elas imaginam 80% desse trabalho desaparecendo. A economia real da exposição à IA e da perda de empregos está bem longe dessa caracterização.

O que é um "emprego"?

Um emprego é um conjunto de tarefas; uma pessoa normalmente é paga com base em quão bem ela completa todas as tarefas associadas ao emprego. Então, vamos dizer que você é um gerente de projeto. Seu emprego envolve um monte de tarefas como gerar ideias, delinear essas ideias sucintamente e obter feedback dos membros da equipe, montar apresentações e um monte de trabalho rotineiro (por exemplo, aprovar folhas de ponto, lidar com logística). À medida que os modelos de IA se tornam melhores, você percebe que pode automatizar muitas dessas coisas: a IA pode fazer muito do trabalho rotineiro para você, e pode até ajudá-lo a montar apresentações. De acordo com a medida de exposição, seu emprego agora está "exposto" à IA. O que acontece com seu emprego e o que acontece com seu salário? Bem, se a automação de algumas das tarefas liberar tempo para gerar melhores ideias, sua produtividade geral aumenta — você se torna ainda mais valioso para a empresa. Os humanos ainda estão empregados e, se algo, os salários aumentam.

Por outro lado, se a IA automatizar todas as tarefas — digamos que seu emprego envolva apenas duas tarefas e ambas sejam automatizadas — então, sim, o trabalho humano será deslocado. Importante, quanto menor o número de tarefas (o que chamamos de dimensionalidade de um emprego), maior o incentivo da empresa para automatizá-lo em primeiro lugar. Esta é a parte que grande parte da análise sobre automação perde: adotar IA em uma organização existente é caro, então a empresa estará mais propensa a investir se puder automatizar o emprego, não apenas a tarefa. A "exposição" e o risco de automação não são apenas uma função das capacidades do modelo, também dependem dos incentivos da empresa. E isso não é hipotético: agora temos muitas evidências de que tais incentivos importam muito para o que é automatizado e quando (por exemplo, as empresas são muito mais propensas a automatizar quando o custo do trabalho humano aumenta).

Por último, mesmo que a IA torne as pessoas mais produtivas e gere salários mais altos, ainda pode haver demissões em massa nesse setor se os consumidores não "absorverem" o aumento da produtividade: se as quedas de preço impulsionadas pela produtividade não aumentarem a demanda pelo produto, então menos trabalhadores serão necessários nesse setor.

De modo mais geral, uma tarefa exposta à IA — mesmo que essa exposição corresponda à automação completa dessa tarefa — pode potencialmente levar a salários mais altos e mais contratações para essa ocupação. Ou pode levar a demissões e até mesmo ao deslocamento completo. Se a exposição leva a resultados melhores ou piores no mercado de trabalho para os trabalhadores depende de duas variáveis-chave: a elasticidade da demanda do consumidor nesse setor (quanto mais do produto as pessoas compram à medida que os preços diminuem) e a dimensionalidade do emprego (quantas tarefas estão envolvidas nesse emprego). Como esperamos convencê-lo até o final deste artigo, devemos estar muito mais preocupados com empregos como motorista de caminhão e armazém do que estamos atualmente.

A abordagem padrão para a automação

Vamos começar com a abordagem "padrão" para pensar sobre automação. Primeiro, decompomos os empregos em tarefas usando uma taxonomia como O*NET, e então avaliamos quantas dessas tarefas podem ser automatizadas ou aumentadas por IA. O impacto total no emprego é uma média ponderada de quanto cada tarefa foi melhorada, o que significa que você pode construir um "índice de exposição" — tipicamente definido como qual a porcentagem das tarefas de um emprego que a IA pode fazer? — e esse índice se mapeia linearmente em quanto o emprego é afetado (veja, por exemplo, o já clássico artigo de Michael Webb). Essa abordagem tem sido enormemente útil para mapear o cenário do alcance potencial da IA. Mas ela contém uma suposição que é quase certamente errada para a maioria dos empregos do mundo real: assume que as tarefas são separáveis. Ou seja, automatizar a tarefa A não tem efeito na produtividade da tarefa B, e o impacto geral é apenas a soma das partes.

Considere os empregos que você conhece. Existem muitos por aí onde o resultado consiste em fazer muitas coisas diferentes corretamente, não apenas algumas delas. Você não pode ter um cozinheiro que segue a maioria das etapas de uma receita, um baterista que está quase no ritmo, um programador cujo código funciona apenas parcialmente (ou, para esse assunto, um professor que faz apenas metade do trabalho de pesquisa... embora alguns tenham testado esse requisito). Estes são empregos onde cada tarefa precisa ser concluída com sucesso para que o resultado seja aceitável.

Colocando de outra forma, as tarefas não são separáveis; elas são complementares, ou seja, fazer uma tarefa certa ou errada afeta o quão bem você pode fazer outras no emprego para completá-lo. Que as tarefas dentro de um emprego são complementares em vez de substitutas parece bastante plausível para a maioria da produção do mundo real. E isso tem uma ampla gama de implicações importantes sobre como a IA realmente afetará os empregos.

O modelo O-ring de empregos

A ideia de que tarefas complementares criam produtividade não linear remonta ao clássico artigo de Michael Kremer de 1993, "The O-Ring Theory of Economic Development". O nome vem do trágico desastre do Challenger: um único O-ring defeituoso causou a falha catastrófica de todo o sistema. A percepção de Kremer foi que, se a produção requer muitas etapas, e cada etapa precisa ser bem executada para que o produto final tenha valor, então a produtividade se torna uma função multiplicativa em vez de linear de habilidade. Um trabalhador que comete ligeiramente menos erros por tarefa será dramaticamente mais produtivo no geral, porque esses pequenos ganhos de qualidade se acumulam em cada etapa.

Este modelo de empregos baseado em tarefas ganhou nova relevância com um artigo recente de Joshua Gans e Avi Goldfarb, "O-Ring Automation", que aplica o framework de Kremer diretamente à automação impulsionada por IA. Embora seu modelo possa parecer simples à primeira vista, suas implicações são de longo alcance e profundas. Pelo menos um de nós (Alex) está obcecado com este artigo há meses (veja aqui, aqui e aqui).

Gans e Goldfarb constroem um modelo de uma empresa onde o emprego de cada trabalhador é composto por n tarefas. O resultado do emprego é multiplicativo na qualidade de cada tarefa — esta é a função de produção O-ring:

Um trabalhador tem uma dotação de tempo h e a aloca entre as n tarefas. Se a tarefa s for realizada manualmente, o trabalhador gasta h_s horas nela e gera qualidade:

onde a é a produtividade do trabalho, assumida constante entre as tarefas (uma suposição simplificadora). A restrição de tempo do trabalhador é:

A empresa também pode optar por automatizar qualquer tarefa alugando uma peça de capital que entrega uma qualidade fixa θ a um custo r por tarefa. Esta é a parte crucial a ser observada: se as empresas investem em automatizar uma tarefa depende das compensações embutidas neste problema. Uma vez que uma tarefa é automatizada, o trabalhador não precisa mais gastar tempo nela.

Até agora, a configuração é bastante simples. A parte interessante é o que a estrutura multiplicativa da função de produção implica quando a automação entra em cena.

Como a automação pode aumentar os salários?

Agora, suponha que uma empresa escolha automatizar k de n tarefas. O que acontece com o trabalhador e como isso afeta o salário?

Antes da automação, o trabalhador aloca o tempo uniformemente entre todas as n tarefas, o que é ótimo dada a estrutura simétrica. Cada tarefa manual, portanto, recebe h/n horas e tem qualidade a · h/n. O resultado total é:

Após k tarefas serem automatizadas com qualidade θ, o trabalhador agora tem todas as h horas para alocar em apenas n - k tarefas manuais restantes. Cada tarefa manual agora recebe h/(n-k) horas, produzindo qualidade a · h/(n-k). O resultado total se torna:

Portanto, o resultado aumenta após a automação parcial se, e somente se:

Esta é uma condição importante que afirma que, se a qualidade da automação da tarefa θ for pelo menos tão boa quanto a qualidade manual original pré-automação do trabalhador nessas tarefas, então o resultado aumenta com certeza. O resultado não aumenta automaticamente apenas porque algumas tarefas são automatizadas; ele aumenta quando a qualidade da automação é alta o suficiente.

Mas aqui está a percepção chave: porque a automação também libera o trabalhador para concentrar mais tempo nas tarefas restantes, o resultado pode aumentar mesmo que as tarefas automatizadas sejam realizadas com uma qualidade ligeiramente menor do que o trabalhador alcançava originalmente antes da automação. A automação permite que o trabalhador se concentre em menos tarefas, aumentando a qualidade de cada uma. Este é o "efeito foco". Devido à forma funcional da função de produção, maior qualidade nas tarefas manuais restantes não apenas adiciona ao resultado — ela se multiplica através da função de produção. O trabalhador se torna mais produtivo precisamente porque está fazendo menos coisas.

Quando a qualidade da automação é suficientemente alta em relação ao que o trabalhador estava produzindo manualmente nessas tarefas, o produto marginal do trabalhador aumenta — e, portanto, (tipicamente) seu salário. A automação parcial, no mundo O-ring, é frequentemente um complemento ao trabalho humano em vez de um substituto, o que aumenta o salário do trabalhador.

Mas isso não é necessariamente uma boa notícia para o trabalho

Maior produtividade do trabalhador é bom para os salários, mas leva a mais ou menos empregos? Isso depende da demanda do consumidor. Cada trabalhador faz uma calculadora por dia e a empresa tem 10 trabalhadores. Todas as calculadoras são vendidas ao preço vigente. Agora, imagine que cada trabalhador se torna muito mais produtivo, de modo que cada trabalhador possa fazer 10 calculadoras. O preço de cada calculadora cai (os custos caem), mas os consumidores ainda demandam aproximadamente o mesmo número de calculadoras. Este é o caso da demanda inelástica — que não responde muito aos preços. Agora a empresa demitirá 9 dos trabalhadores. Mas e se os consumidores comprarem muito mais calculadoras a preços mais baixos, ou seja, a demanda é muito elástica? Então a empresa acabará contratando mais trabalhadores para atender à nova demanda, apesar do fato de que eles são mais produtivos.

De modo mais geral, se a demanda é elástica (elasticidade > 1), então uma diminuição de preço leva a um aumento mais do que proporcional na quantidade demandada. O resultado se expande muito. A empresa precisa de mais trabalhadores para produzir esse resultado mais alto, mesmo que cada trabalhador seja agora mais produtivo. Efeito líquido: mais contratações.

Se a demanda é inelástica (elasticidade < 1), então uma diminuição de preço leva a um aumento menos do que proporcional na quantidade demandada. O resultado se expande pouco. A empresa precisa de menos trabalhadores para produzir esse resultado mais alto, mesmo que cada trabalhador seja agora mais produtivo. Efeito líquido: menos contratações.

Isso está intimamente relacionado a uma ideia popular comumente referida como o paradoxo de Jevons: quando um recurso se torna mais eficiente de usar, o consumo total desse recurso muitas vezes aumenta em vez de diminuir. Quando a máquina a vapor tornou o carvão mais eficiente, o consumo de carvão disparou porque tantas novas aplicações se tornaram economicamente viáveis. A mesma lógica se aplica ao trabalho: se a IA torna um trabalhador dramaticamente mais produtivo, e a demanda por esse produto é elástica, pode acabar havendo mais trabalhadores nessa ocupação, não menos.

Por que a dimensionalidade do emprego importa: O caso dos incentivos da empresa

A relação entre tarefas e a elasticidade da demanda do consumidor é uma dimensão importante para prever o deslocamento impulsionado pela IA, mas uma variável que é frequentemente negligenciada é o número de tarefas no próprio emprego, ou seja, sua dimensionalidade. A dimensionalidade de um emprego importa por duas razões.

Primeiro, condicionado a uma tarefa ser automatizada, um emprego de baixa dimensionalidade tem maior probabilidade de ser totalmente deslocado. Se um emprego tem 20 tarefas e uma é automatizada, um trabalhador humano ainda é necessário para fazer as outras 19 tarefas. Mas se um emprego tem uma tarefa e uma tarefa é automatizada, esse emprego desaparece. Segundo — e esta dimensão é talvez a mais negligenciada — as organizações têm um incentivo mais forte para automatizar tarefas quanto menos tarefas não automatizadas restarem no emprego. Imagine que automatizar uma tarefa requer um investimento de US$ 10 milhões (comprar o software, treinamento, conectá-lo ao resto do sistema, etc.). Em um caso, essa tarefa é a única tarefa não automatizada restante em um emprego; no outro caso, se essa tarefa for automatizada, restam outras 19 tarefas não automatizadas. A empresa tem um incentivo muito maior para automatizar a tarefa no primeiro caso do que no segundo porque ela pode então substituir o trabalhador e obter as economias de custo envolvidas.1

Por causa disso, as empresas têm um incentivo mais forte para investir em tecnologia para automatizar empregos de baixa dimensionalidade. Em um emprego de baixa dimensionalidade, automatizar todas ou a maioria das tarefas centrais pode eliminar a posição e a folha de pagamento por completo. Isso torna o retorno da automação muito maior. Em outras palavras, nem todas as tarefas "não expostas" importam igualmente: em alguns empregos as tarefas restantes ainda mantêm o trabalhador existente na empresa; em outros, elas não.

Isso dá uma previsão clara: mesmo que um emprego não esteja atualmente "exposto" à IA, no sentido de que a IA não está sendo usada para as tarefas envolvidas, se ele for de baixa dimensionalidade e a tecnologia estiver se aproximando de automatizar as tarefas, ele deve ser considerado em risco. As empresas trabalharão mais e investirão mais para automatizar a(s) tarefa(s) envolvida(s) do que no caso em que os empregos têm muitas tarefas não automatizadas.

Caminhões e armazéns, os canários negligenciados na mina de carvão

É por isso que achamos que as pessoas deveriam se preocupar mais com empregos como motorista de caminhão e armazém.

Cerca de 3 milhões de americanos dirigem caminhões para viver. Muitos estão em seus 50 anos, dirigem há décadas e vivem em comunidades onde o transporte de cargas é a espinha dorsal econômica. O transporte de cargas é um dos melhores empregos que se pode conseguir sem um diploma universitário. O trabalho real de um motorista de caminhão de longa distância é dominado por algumas funções principais: mover o caminhão com segurança do ponto A para o ponto B. A logística, carga/descarga, etc., são feitas por outros. Se a direção autônoma se tornar confiável em rotas de longa distância, o emprego de um motorista de caminhão não está apenas sendo aumentado; está fundamentalmente ameaçado e pode até ser completamente deslocado. E essa possibilidade não é mais teórica. Empresas como Aurora Innovation e Kodiak Robotics já estão realizando pilotos de caminhões autônomos em larga escala e implantações comerciais em rotas restritas. Armazenagem conta uma história semelhante. Armazenagem emprega milhões de trabalhadores nos EUA, e muitos empregos em armazéns — coleta, embalagem, triagem, movimentação de paletes — são relativamente estreitos e cada vez mais automatizáveis. No exterior, empresas já operam "armazéns escuros" altamente automatizados que funcionam 24 horas por dia com mão de obra humana mínima. Esses armazéns não se parecem em nada com o que vemos hoje: são projetados desde o início para serem operados por máquinas.

Agora compare isso com um trabalhador do conhecimento, digamos, um consultor de gestão. O emprego combina pesquisa, análise de dados, comunicação com o cliente, design de apresentações, raciocínio estratégico, coordenação de equipe e gerenciamento de relacionamento. São pelo menos sete ou oito tarefas complementares distintas. Claude ou Codex podem automatizar o primeiro rascunho da análise de dados e da criação de slides, mas o consultor ainda é necessário para tudo. Em termos O-ring, automatizar algumas tarefas pode tornar as restantes mais valiosas ao permitir que o trabalhador aloque mais tempo a elas — o consultor pode gastar mais tempo conversando com o cliente e fazendo-o se sentir confortável com a implementação, obtendo apoio das várias unidades, etc. Como consequência, os salários podem aumentar, e o emprego também pode aumentar se um melhor resultado e preços mais baixos expandirem a demanda do cliente.

Você pode ver a mesma lógica em muitas profissões de alto risco, como medicina e academia. Existem agora mais de 870 ferramentas de IA de radiologia aprovadas pela FDA, e 66% dos médicos usam pelo menos uma ferramenta de IA, principalmente para ditado de notas e suporte diagnóstico. Mas essas ferramentas estão aumentando os radiologistas e médicos, não os substituindo. A IA geralmente lida com o aspecto rotineiro de reconhecimento de padrões do trabalho, liberando os médicos para se concentrarem em casos complexos, comunicação com o paciente e julgamento clínico. Da mesma forma, acadêmicos têm debatido se os avanços em IA tornam os assistentes de pesquisa mais ou menos valiosos. À medida que a IA automatiza tarefas analíticas rotineiras, tanto professores quanto RAs podem se concentrar mais em ideias e julgamento, expandindo assim a produção e a demanda por mão de obra qualificada em pesquisa. Este é novamente o efeito foco O-ring em prática.

O mesmo em nosso laboratório. Cada membro adicional pode fazer muito mais, o desafio é colocar todos em dia, ter discussões abertas sobre as melhores maneiras de usar essas ferramentas versus não e construir uma cultura onde as pessoas se sintam mais valorizadas, não menos. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) 18 de março de 2026
O que os índices de exposição capturam?

Vamos voltar ao framework de exposição. Na abordagem padrão, um consultor de gestão está altamente "exposto" à IA, enquanto um motorista de caminhão não está. Mas isso significa que o consultor está em maior risco de deslocamento do que o motorista de caminhão? Não necessariamente. A alta exposição do consultor pode, na verdade, ser uma boa notícia, pois significa que a IA aumentará muitas de suas tarefas complementares, desencadeando o efeito foco e potencialmente aumentando os salários. Por outro lado, a exposição moderada do motorista de caminhão em uma única tarefa crítica é muito mais perigosa, porque as empresas de transporte têm um incentivo muito maior para automatizar a tarefa de dirigir, e uma vez que isso seja feito, o emprego também desaparece. Esses incentivos já estão em andamento na prática:

NOTÍCIA: Jeff Bezos está em negociações para levantar US$ 100 bilhões para um novo fundo que compraria empresas de manufatura e buscaria usar a tecnologia de IA para acelerar seu caminho para a automação.
Está ligado à startup de IA Project Prometheus de Jeff, que visa construir produtos de IA para engenharia… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) 19 de março de 2026
O objeto relevante, portanto, não é a exposição média a tarefas, mas a estrutura dos gargalos e como a automação remodela o tempo do trabalhador em torno deles. Dois empregos com pontuações de exposição idênticas podem ter riscos de deslocamento completamente opostos, dependendo se suas tarefas são complementares, se a demanda por seu resultado é elástica ou inelástica, e os incentivos da empresa para investir em automação. Os trabalhadores em maior risco não são necessariamente aqueles com a maior exposição média, mas aqueles cujos empregos são construídos em torno de um pequeno número de tarefas centrais que a IA pode automatizar.

1 No caso em que os empregos não são totalmente automatizados, as economias de custo da automação da tarefa marginal dependerão das complementaridades entre as outras tarefas no emprego. A relação exata é trabalhada no artigo do modelo O-ring de automação.

Alex Imas é professor na UChicago Booth. Pesquisa em Economia e IA Aplicada. Substack aqui.

Tyler Durden
Sáb, 04/04/2026 - 09:20