Automação, IA e empregos: o que as evidências mostram e o que ainda é previsão

As afirmações sobre inteligência artificial e empregos vão de "metade de todos os empregos desaparecerá" a "nada mudou". A maioria dessas afirmações mistura três tipos diferentes de enunciado: o que foi medido sobre a automação passada, o que foi estimado sobre as tarefas que as novas tecnologias poderiam executar e o que é previsto para o futuro. Este estudo os separa. Ele analisa as pesquisas mais conhecidas sobre robôs industriais, as estimativas amplamente citadas de empregos "em risco" devido à informatização e suas críticas, os estudos de exposição a modelos de linguagem de grande escala realizados por pesquisadores da OpenAI e da Organização Internacional do Trabalho, os experimentos de campo e de laboratório sobre IA generativa e produtividade, e os primeiros estudos sobre resultados reais no mercado de trabalho em 2023–2026. As conclusões estabelecidas são mais restritas do que o debate público sugere: a automação deslocou trabalhadores em lugares e grupos específicos, enquanto o emprego agregado se ajustou até agora; a IA generativa aumenta a produtividade em algumas tarefas, sobretudo para trabalhadores menos experientes; e os primeiros dados administrativos não mostram deslocamento em toda a economia, mas revelam uma diferença crescente no emprego de jovens trabalhadores nas ocupações mais expostas. Tudo o que vai além disso é previsão.

Principais conclusões

• Os robôs tiveram efeitos locais mensuráveis. Nas zonas de deslocamento pendular dos EUA, um robô industrial a mais por mil trabalhadores reduziu a taxa emprego-população em 0.2 pontos percentuais e os salários em 0.42% (Acemoglu and Restrepo, 2020). Na Alemanha, as perdas de empregos na indústria manufatureira relacionadas aos robôs foram totalmente compensadas por novos empregos no setor de serviços, com o impacto recaindo principalmente sobre os jovens que ingressavam no mercado de trabalho (Dauth et al., 2021). Em 17 países, entre 1993–2007, os robôs elevaram o crescimento anual da produtividade do trabalho em cerca de 0.36 pontos percentuais, sem reduzir significativamente o emprego total (Graetz and Michaels, 2018).
• As estimativas de "empregos em risco" não são previsões de perda de empregos. A estimativa de Frey e Osborne, de 2013, segundo a qual cerca de 47% do emprego nos EUA estava sob alto risco de informatização, descrevia o potencial técnico "ao longo de um número não especificado de anos, talvez uma ou duas décadas". Uma reanálise baseada em tarefas para a OCDE concluiu que, em média, 9% dos empregos nos 21 países da OCDE poderiam ser automatizados.
• Os modelos de linguagem de grande escala abrangem muitas tarefas. Eloundou e seus colegas estimam que cerca de 80% da força de trabalho dos EUA poderia ter pelo menos 10% de suas tarefas de trabalho afetadas por modelos de linguagem de grande escala, e cerca de 19%, pelo menos metade; somente com o LLM, cerca de 15% das tarefas poderiam ser realizadas significativamente mais rápido com a mesma qualidade, proporção que aumenta para 47–56% com softwares desenvolvidos com base nele.
• A OIT espera mais transformação do que automação. Seu índice de 2025 constata que um em cada quatro trabalhadores no mundo está em uma ocupação com algum grau de exposição à IA generativa, e que 3.3% do emprego global se encontra na categoria de maior exposição — 4.7% do emprego feminino, contra 2.4% do masculino. A exposição corresponde a 34% do emprego nos países de alta renda, contra 11% nos países de baixa renda.
• A assistência por IA aumenta a produtividade em tarefas medidas. Entre 5,172 agentes de atendimento ao cliente, o acesso a um assistente de IA elevou em média em 15% o número de problemas resolvidos por hora, com os maiores ganhos entre trabalhadores menos experientes e com menos qualificações (Brynjolfsson, Li and Raymond, 2025). Em um experimento com 453 profissionais, o ChatGPT reduziu em 40% o tempo gasto em tarefas de redação e aumentou a qualidade em 18% (Noy and Zhang, 2023).
• Os primeiros dados sobre resultados não mostram deslocamento agregado. Dados administrativos dinamarqueses mostram efeitos nulos precisos dos chatbots de IA sobre rendimentos e horas trabalhadas, descartando efeitos superiores a 2% dois anos após o lançamento do ChatGPT (Humlum and Vestergaard, 2025). Dados de folha de pagamento dos EUA até junho de 2026 não mostram deslocamento generalizado, mas o emprego de pessoas de 22–25 anos em ocupações expostas à IA está 19% abaixo do nível que teria atingido caso tivesse acompanhado o ritmo de seus pares menos expostos — uma diferença descritiva, não uma estimativa causal (Brynjolfsson, Chandar and Chen, revisto em 2026).
• Os ganhos macroeconômicos podem ser modestos. Acemoglu (2025) estima que a IA elevará a produtividade total dos fatores em no máximo 0.66% ao longo de dez anos, e possivelmente em menos de 0.53%.

Pergunta de pesquisa e escopo

Este estudo pergunta o que as pesquisas estabeleceram — e o que não estabeleceram — sobre os efeitos da automação e da IA no emprego, nos salários e na organização do trabalho. Temos interesse nessa questão porque ela está na base do debate "pós-trabalho": se as sociedades precisam de novas instituições — rendas básicas, fundos de riqueza social, novas formas de propriedade — porque a demanda por trabalho humano diminuirá.

O escopo abrange pesquisas com revisão por pares e estudos de destaque em formato de documento de trabalho, de 2013 a 2026, em cinco categorias: estudos locais sobre o mercado de trabalho e robôs industriais; estimativas de «risco» ocupacional; índices de exposição à IA generativa; experimentos sobre produtividade; e evidências administrativas preliminares sobre resultados no mercado de trabalho desde o lançamento do ChatGPT, em novembro de 2022. Não analisamos previsões do setor, relatórios de consultorias nem pesquisas sobre as intenções de executivos, frequentemente citados, mas raramente transparentes quanto ao método. Outros estudos do atlas abordam as evidências sobre políticas de apoio à renda que poderiam responder às mudanças no mercado de trabalho.

Contexto

Uma questão antiga

Os receios de desemprego tecnológico são tão antigos quanto a economia industrial. John Maynard Keynes cunhou a expressão «desemprego tecnológico» em 1930, descrevendo-o como o desemprego decorrente de a descoberta de meios para economizar o uso da mão de obra avançar mais rápido do que o ritmo em que se encontram novos usos para ela. Desde então, o emprego nos países ricos cresceu ao longo de sucessivas ondas de mecanização e informatização.

Por que os empregos sobreviveram — até agora

O ensaio de David Autor, de 2015, «Why Are There Still So Many Jobs?» resume a explicação dominante. A automação de fato substitui a mão de obra, como é seu propósito, mas também a complementa, aumenta a produção de maneiras que elevam a demanda por mão de obra e interage com ajustes na oferta de trabalho. Autor argumenta que os comentaristas tendem a exagerar a substituição por máquinas e a ignorar essas complementaridades. A tecnologia de fato altera quais empregos estão disponíveis e quanto pagam: nas últimas décadas, uma «polarização» do mercado de trabalho fez com que os ganhos salariais beneficiassem desproporcionalmente os que estão no topo e na base da distribuição de competências, e não os que estão no meio.

Tarefas, não empregos

O quadro analítico moderno, desenvolvido por Daron Acemoglu e Pascual Restrepo, entre outros, trata os empregos como conjuntos de tarefas. No modelo de 2018, a automação de tarefas existentes reduz o emprego e a participação do trabalho na renda e pode reduzir os salários, enquanto a criação de novas tarefas nas quais a mão de obra tem vantagem comparativa produz o efeito oposto. A posição da mão de obra melhora ou se deteriora conforme a disputa entre essas duas forças. Em uma versão com competências heterogêneas, a desigualdade aumenta durante transições impulsionadas tanto por uma automação mais rápida quanto por novas tarefas. Esse quadro explica por que «quantos empregos a IA ameaça?» é a pergunta errada: o que importa é quais tarefas são automatizadas, quais novas tarefas surgem e com que rapidez os trabalhadores conseguem passar de umas para outras.

Método e fontes

Cinco tipos de evidência

Como o atlas avalia as afirmações

Consideramos estabelecidos os resultados das primeira e quarta categorias quando provêm de estudos com revisão por pares e identificação confiável, reconhecendo, porém, que descrevem tecnologias, lugares e períodos específicos. Consideramos as estimativas de exposição estabelecidas como medições, mas não como previsões. Consideramos o monitoramento preliminar de resultados emergente: informativo, mas recente demais para ser conclusivo. Consideramos qualquer afirmação sobre o emprego agregado futuro uma previsão.

Resultados: robôs industriais

Estados Unidos

Acemoglu and Restrepo (2020) estudam os efeitos dos robôs industriais nos mercados de trabalho dos EUA, usando a variação na exposição a robôs definida com base nos avanços da robótica por setor e na composição setorial de cada zona de deslocamento pendular. Encontram efeitos negativos robustos sobre o emprego e os salários: um robô a mais por mil trabalhadores reduz a razão entre emprego e população em 0,2 ponto percentual e os salários em 0,42%. As áreas mais expostas aos robôs depois de 1990 não apresentam tendências diferentes antes desse período, e o impacto dos robôs é distinto do impacto de outros bens de capital e tecnologias.

Alemanha

Dauth, Findeisen, Suedekum and Woessner (2021) usam dados administrativos detalhados para estudar o ajuste dos mercados de trabalho locais alemães aos robôs industriais. A exposição a robôs está associada à substituição de empregos na indústria, mas essas perdas são integralmente compensadas por novos empregos nos serviços. O ônus recai sobretudo sobre jovens que estão entrando no mercado de trabalho, que passam da formação profissional para faculdades e universidades. Os trabalhadores já empregados veem maior estabilidade do emprego dentro de suas empresas, muitas vezes assumindo novas tarefas em suas fábricas de origem, e os trabalhadores em ocupações com tarefas complementares, como gestores e cientistas técnicos, se beneficiam.

Evidências entre países

Graetz and Michaels (2018) analisam a adoção de robôs em 17 países entre 1993 e 2007. O aumento do uso de robôs contribuiu com aproximadamente 0,36 ponto percentual para o crescimento anual da produtividade do trabalho, ao mesmo tempo que elevou a produtividade total dos fatores e reduziu os preços dos produtos. Os autores concluem que os robôs não reduziram significativamente o emprego total, embora tenham reduzido a participação dos trabalhadores pouco qualificados no emprego.

O que os estudos sobre robôs estabelecem

Os três estudos não são contraditórios. A automação pode reduzir o emprego e os salários nos locais e grupos expostos, ao mesmo tempo que o emprego agregado se ajusta, dependendo das instituições, da procura e do ritmo de adoção. Os efeitos distributivos — sobre as regiões, os jovens que entram no mercado de trabalho e os trabalhadores com baixas qualificações — estão mais bem estabelecidos do que qualquer efeito agregado.

Resultados: estimativas de empregos «em risco»

Frey e Osborne

Num documento de trabalho datado de 17 de setembro de 2013, publicado posteriormente em Technological Forecasting and Social Change (2017), Carl Benedikt Frey e Michael Osborne estimaram a probabilidade de informatização de 702 profissões detalhadas, usando classificações de especialistas para um subconjunto e um classificador estatístico para as restantes. Concluíram que cerca de 47% do emprego total dos EUA se encontrava na categoria de alto risco, «o que significa que as profissões correspondentes são potencialmente automatizáveis ao longo de um número não especificado de anos, talvez uma ou duas décadas». Também constataram uma forte relação negativa entre a probabilidade de informatização de uma profissão e os salários e o nível de escolaridade dos seus trabalhadores.

Críticas

A cifra de 47% tornou-se um dos números mais citados no debate sobre a automação, muitas vezes como previsão de que metade dos empregos desapareceria. Três críticas são importantes.

1. As profissões não são tarefas. Arntz, Gregory e Zierahn (2016) argumentaram, em nome da OCDE, que presumir a automatização de profissões inteiras sobrestima o potencial de automatização, porque as profissões classificadas como de alto risco muitas vezes ainda incluem uma proporção substancial de tarefas difíceis de automatizar. Tendo em conta a heterogeneidade das tarefas no interior das profissões, concluíram que, em média, 9% dos empregos em 21 países da OCDE eram automatizáveis, variando entre 6% na Coreia e 12% na Áustria.
2. O potencial técnico não significa adoção. A automatização de uma tarefa depende dos custos, da regulamentação, da mudança organizacional e da procura, não apenas da viabilidade técnica. Frey e Osborne descreveram explicitamente um «calendário aproximado», e não uma previsão de perdas de emprego.
3. As estimativas ao nível individual diferem. Nedelkoska e Quintini (2018), da OCDE, basearam-se na avaliação de especialistas de Frey e Osborne, mas estimaram o risco para empregos individuais utilizando o Inquérito às Competências dos Adultos em 32 países, relacionando o risco com a utilização de competências e a formação. A sua abordagem, tal como a de Arntz e colegas, produz estimativas muito inferiores à cifra baseada nas profissões.

Uma década depois

Mais de uma década após o artigo de 2013, o emprego nos EUA não diminuiu em nada que se aproxime de 47%. Isto não prova que Frey e Osborne estivessem errados, uma vez que não previram uma data, mas ilustra por que razão as estimativas do potencial técnico não devem ser interpretadas como previsões.

Resultados: exposição à IA generativa

«GPTs são GPTs»

Eloundou, Manning, Mishkin e Rock avaliaram as ocupações nos EUA quanto à sua compatibilidade com as capacidades dos grandes modelos de linguagem, combinando classificações feitas por anotadores humanos e pelo GPT-4. A primeira versão foi divulgada em março de 2023; o estudo foi publicado na Science em 2024. Eles estimam que cerca de 80% da força de trabalho dos EUA poderia ter pelo menos 10% de suas tarefas afetadas pelos LLMs, e que cerca de 19% dos trabalhadores poderiam ver pelo menos 50% de suas tarefas afetadas. Com acesso a um LLM, cerca de 15% de todas as tarefas dos trabalhadores poderiam ser concluídas significativamente mais rápido, com a mesma qualidade; com software e ferramentas desenvolvidos com base em LLMs, esse percentual sobe para 47–56%. Os efeitos projetados abrangem todos os níveis salariais, e empregos de renda mais alta podem estar mais expostos. Os autores afirmam explicitamente que não fazem previsões sobre o cronograma de desenvolvimento ou adoção e argumentam que os LLMs têm características de tecnologias de uso geral.

Duas ressalvas se aplicam. “Afetada” significa que uma tarefa poderia ser realizada mais rapidamente, não que um trabalhador seria substituído. E a classificação depende em parte de um modelo de linguagem avaliando seu próprio potencial, o que levanta questões sobre calibração.

A análise da ILO de 2023

O primeiro estudo global da ILO (Gmyrek, Berg e Bescond, agosto de 2023) avaliou a exposição ao GPT-4 e concluiu que o efeito predominante da tecnologia provavelmente seria o aumento das capacidades nas ocupações, e não a automação. Os empregos com alto potencial de automação representavam apenas 0.4% do emprego nos países de baixa renda, mas 5.5% nos países de alta renda. O potencial de aumento das capacidades era maior, afetando 10.4% do emprego nos países de baixa renda e 13.4% nos países de alta renda. Os efeitos apresentavam forte disparidade de gênero: nos países de alta renda, os empregos com alto potencial de automação correspondiam a 8.5% do emprego feminino, contra 3.9% do emprego masculino, em grande parte porque os empregos administrativos são uma importante fonte de emprego para as mulheres.

O índice refinado da ILO de 2025

A atualização de 2025 (Gmyrek et al.) reconstruiu o índice usando uma amostra de 29,753 tarefas da classificação ocupacional polonesa, uma pesquisa com 1,640 trabalhadores de todos os principais grupos ocupacionais, que gerou 52,558 pontos de dados sobre 2,861 tarefas, e rodadas no estilo Delphi com especialistas internacionais. O estudo conclui que as ocupações administrativas continuam tendo a maior exposição, que algumas ocupações profissionais e técnicas altamente digitalizadas passaram a estar mais expostas e que, globalmente, um em cada quatro trabalhadores está em uma ocupação com alguma exposição à IA generativa. 3.3% do emprego global se situa na faixa de maior exposição — 4.7% do emprego feminino contra 2.4% do masculino, uma diferença que aumenta para 9.6% contra 3.5% nos países de alta renda. A exposição geral corresponde a 11% do emprego nos países de baixa renda e 34% nos países de alta renda. A ILO conclui que, como a maioria das ocupações é composta por tarefas que exigem participação humana, a transformação dos empregos é o impacto mais provável.

Resultados: experimentos de produtividade

Atendimento ao cliente

Brynjolfsson, Li e Raymond estudam a introdução escalonada de um assistente conversacional de IA generativa para 5,172 agentes de atendimento ao cliente. O acesso à assistência de IA aumentou a produtividade, medida pelo número de casos resolvidos por hora, em 15% em média, com heterogeneidade substancial. Os trabalhadores menos experientes e com menor nível de qualificação melhoraram tanto a velocidade quanto a qualidade de seu trabalho, enquanto os mais experientes e mais qualificados tiveram pequenos ganhos de velocidade e pequenas quedas de qualidade. A assistência de IA pareceu ajudar os trabalhadores a aprender e melhorou a fluência em inglês, particularmente entre os agentes internacionais. Os ganhos foram maiores para problemas moderadamente raros. Os clientes foram mais educados e menos propensos a pedir para falar com um gerente.

Redação profissional

Noy e Zhang atribuíram tarefas de redação remuneradas e específicas de cada ocupação a 453 profissionais com formação universitária e deram aleatoriamente acesso ao ChatGPT à metade deles. O tempo médio de conclusão caiu 40% e a qualidade do trabalho aumentou 18%. A desigualdade entre os trabalhadores diminuiu. Os trabalhadores que tiveram acesso ao ChatGPT no experimento tinham duas vezes mais probabilidade de relatar que o usavam em seu trabalho real duas semanas depois e 1.6 vezes mais probabilidade dois meses depois.

O que os experimentos mostram e o que não mostram

Esses estudos demonstram que as ferramentas atuais de IA generativa podem aumentar substancialmente a produtividade em tarefas bem definidas e que os ganhos tendem a ser maiores para trabalhadores menos experientes — reduzindo as disparidades nessas tarefas. Eles não mostram o que acontece com o emprego quando esses ganhos se disseminam. Uma produtividade mais alta por trabalhador pode reduzir o número de trabalhadores necessários, aumentar a produção e a demanda ou transferir trabalhadores para novas tarefas; os experimentos não permitem determinar qual dessas possibilidades prevalecerá.

Resultados: primeiros efeitos no mercado de trabalho, 2023–2026

Dinamarca: adoção rápida, mas nenhum efeito sobre os rendimentos até agora

Humlum e Vestergaard vinculam pesquisas em larga escala sobre a adoção de chatbots a registros administrativos dinamarqueses do mercado de trabalho. Eles documentam “correntes rápidas”: a maioria dos empregadores em ocupações expostas havia adotado iniciativas com chatbots, os trabalhadores relataram ganhos de produtividade e novas tarefas relacionadas à IA eram comuns. No entanto, usando métodos de diferenças-em-diferenças, estimam efeitos nulos precisos sobre os rendimentos e as horas registradas, tanto no nível do trabalhador quanto no do local de trabalho, descartando efeitos superiores a 2% dois anos após o lançamento do ChatGPT. O que mudou foi a estrutura do trabalho: os empregadores absorveram a IA reorganizando tarefas, incluindo novas tarefas de geração de conteúdo, supervisão de IA e integração de IA.

Estados Unidos: uma disparidade crescente para os trabalhadores jovens

Brynjolfsson, Chandar e Chen utilizam dados de alta frequência sobre folhas de pagamento da ADP, abrangendo milhões de trabalhadores dos EUA. O artigo, publicado inicialmente em agosto de 2025 e revisto em agosto de 2026 com dados até junho de 2026, não encontra evidências de deslocamento generalizado de empregos em toda a economia. No entanto, o emprego de jovens trabalhadores com idades entre 22 e 25 anos em ocupações expostas à IA está agora 19% abaixo do nível que teria atingido se tivesse acompanhado o ritmo dos pares menos expostos; essa diferença tem aumentado de forma constante desde agosto de 2025. Os trabalhadores experientes não apresentam uma diferença comparável. A divergência ocorre sobretudo por meio da redução das contratações de jovens trabalhadores, e não do aumento dos desligamentos, e concentra-se em ocupações nas quais o uso da IA substitui principalmente tarefas humanas; onde complementa sobretudo os trabalhadores, o emprego permanece estável ou aumenta. O padrão persiste quando as empresas de tecnologia e as ocupações de informática são excluídas, e quando se controla a exposição às taxas de juros e ao trabalho remoto. Ele se atenua quando se controla a educação, apresenta algumas tendências divergentes anteriores à IA generativa e é mais pronunciado na amostra da ADP do que nos parâmetros de referência de pesquisas nacionais. Os autores descrevem esses fatos como indicadores iniciais e descritivos — «canários na mina de carvão» — e não como estimativas causais.

Expectativas macroeconômicas

Em «A macroeconomia simples da IA» (2025), Acemoglu utiliza um modelo baseado em tarefas e estimativas existentes de exposição e de ganhos de produtividade por tarefa para estimar os efeitos agregados. Ele constata efeitos macroeconômicos não triviais, mas modestos — no máximo, um aumento de 0,66% na produtividade total dos fatores ao longo de dez anos — e argumenta que até mesmo esse valor pode ser elevado demais, pois as evidências iniciais provêm de tarefas fáceis de aprender, o que leva a uma estimativa revista de menos de 0,53%. Ele também argumenta que é improvável que a IA aumente a desigualdade tanto quanto as tecnologias de automação anteriores, mas que não há evidências de que ela reduza a desigualdade de renda do trabalho e que se prevê que ela amplie a diferença entre a renda do capital e a do trabalho.

Separando evidências de previsões

O que as evidências não mostram

• Isso não demonstra que a IA causará desemprego em massa. Nenhum estudo analisado aqui apresenta evidências de perda agregada de empregos causada pela IA generativa até o momento, e as estimativas de exposição não são estimativas de deslocamento de trabalhadores.
• Isso não demonstra que a IA não causará grandes perdas de empregos. Os primeiros estudos sobre resultados abrangem de dois a três anos após o surgimento de uma tecnologia cujas capacidades e adoção estão mudando rapidamente. A automação do passado levou décadas para revelar todos os seus efeitos.
• Isso não demonstra que a automação do passado seja um guia confiável. Os estudos sobre robôs dizem respeito a uma tecnologia usada principalmente na indústria. A IA generativa afeta tarefas cognitivas e administrativas em todos os setores, inclusive em empregos com salários mais altos.
• Isso não demonstra que os ganhos de produtividade serão amplamente compartilhados. Os experimentos medem a produção por trabalhador em uma tarefa, não quem captura os ganhos.
• Isso não identifica a causa da disparidade entre trabalhadores jovens. As evidências de folhas de pagamento são descritivas e têm seu efeito parcialmente atenuado por controles relativos à educação e por tendências preexistentes.
• Isso não resolve a questão de saber se a exposição significa complementação ou substituição. Os índices da ILO e de Eloundou medem o que poderia ser afetado; a mesma exposição pode aumentar ou reduzir a demanda por trabalho, dependendo de como as empresas implantam a tecnologia.

Implicações para o desenho institucional

1. Construa sistemas de monitoramento antes de elaborar respostas. Os trabalhos recentes mais úteis relacionam pesquisas sobre adoção a registros administrativos de folhas de pagamento e impostos. Os governos e as agências de estatística devem criar indicadores públicos, atualizados regularmente, sobre a adoção da IA, as contratações, os rendimentos e as mudanças nas tarefas por ocupação e faixa etária, para que as políticas possam responder às evidências, e não às previsões.
2. Acompanhe as contratações para cargos de entrada. Se a IA reduzir a contratação de trabalhadores jovens para ocupações expostas, as primeiras instituições a sofrer pressão serão as que formam e inserem novos trabalhadores: programas de aprendizagem, programas para recém-formados e os primeiros degraus das carreiras profissionais. Estudos sobre robôs na Alemanha também constataram que o ônus recaiu sobre os jovens ingressantes.
3. Prepare mecanismos de apoio à renda que possam ser ampliados conforme as evidências. As evidências sobre transferências monetárias analisadas em outra parte do atlas sugerem efeitos modestos de pagamentos incondicionais sobre a oferta de trabalho. Mecanismos semelhantes a seguros, que se expandam automaticamente quando o deslocamento de trabalhadores medido aumentar, seriam mais defensáveis do que esquemas universais prematuros ou a ausência total de um plano.
4. Trate a distribuição entre capital e trabalho como uma questão de desenho institucional. Se a IA ampliar a disparidade entre a renda do capital e a renda do trabalho, como prevê Acemoglu, os debates sobre fundos de riqueza social, participação nos lucros ou "dividendos da IA" passam a ser questões de propriedade, e não apenas de benefícios.
5. Promova a complementação, não apenas a substituição. Os experimentos mostram que as ferramentas de IA podem elevar a produtividade de trabalhadores menos experientes. A formação, as compras públicas e a consulta no local de trabalho podem orientar a implantação para complementar o trabalho humano — uma das poucas alavancas disponíveis antes que os resultados sejam conhecidos.
6. Identifique as previsões como previsões. O debate público se beneficiaria da disciplina empregada neste estudo: separar o que foi medido do que foi modelado e do que é previsto, indicando a data e a fonte de cada elemento.

Questões em aberto

• A disparidade no emprego de trabalhadores jovens em ocupações expostas à IA persistirá, aumentará ou desaparecerá, e a IA é sua principal causa?
• Com que rapidez a reorganização de tarefas dentro das empresas — com novas tarefas de supervisão e integração da IA — se traduzirá em mudanças salariais e na estrutura ocupacional?
• A IA generativa seguirá o padrão da automação anterior, com efeitos locais e distributivos, mas com o emprego agregado estável, ou sua abrangência entre setores produzirá efeitos agregados maiores?
• Como a exposição diferenciada por gênero do trabalho administrativo afetará o emprego das mulheres, especialmente nos países de alta renda?
• Que parcela dos ganhos de produtividade impulsionados pela IA caberá aos trabalhadores, aos consumidores e aos proprietários de capital?

Fontes

1. Acemoglu, D. and Restrepo, P. (2020). "Robots and Jobs: Evidence from US Labor Markets." Journal of Political Economy 128(6): 2188–2244. doi:10.1086/705716
2. Acemoglu, D. and Restrepo, P. (2018). "The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment." American Economic Review 108(6): 1488–1542. doi:10.1257/aer.20160696
3. Dauth, W., Findeisen, S., Suedekum, J. and Woessner, N. (2021). "The Adjustment of Labor Markets to Robots." Journal of the European Economic Association 19(6): 3104–3153. doi:10.1093/jeea/jvab012
4. Graetz, G. and Michaels, G. (2018). "Robots at Work." Review of Economics and Statistics 100(5): 753–768. doi:10.1162/rest_a_00754
5. Frey, C. B. and Osborne, M. A. (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation? Documento de trabalho da Oxford Martin School. PDF; publicado em Technological Forecasting and Social Change 114 (2017): 254–280, doi:10.1016/j.techfore.2016.08.019
6. Arntz, M., Gregory, T. and Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. OECD Social, Employment and Migration Working Papers 189. doi:10.1787/5jlz9h56dvq7-en
7. Nedelkoska, L. and Quintini, G. (2018). Automation, skills use and training. OECD Social, Employment and Migration Working Papers 202. doi:10.1787/2e2f4eea-en
8. Autor, D. H. (2015). "Why Are There Still So Many Jobs? The History and Future of Workplace Automation." Journal of Economic Perspectives 29(3): 3–30. doi:10.1257/jep.29.3.3
9. Eloundou, T., Manning, S., Mishkin, P. and Rock, D. (2024). "GPTs are GPTs: Labor market impact potential of LLMs." Science 384(6702): 1306–1308. doi:10.1126/science.adj0998; documento de trabalho arXiv:2303.10130
10. Gmyrek, P., Berg, J. and Bescond, D. (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality. ILO Working Paper 96. doi:10.54394/FHEM8239
11. Gmyrek, P., Berg, J., Kamiński, K. et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper. doi:10.54394/HETP0387
12. Brynjolfsson, E., Li, D. and Raymond, L. (2025). "Generative AI at Work." Quarterly Journal of Economics 140(2): 889–942. doi:10.1093/qje/qjae044
13. Noy, S. and Zhang, W. (2023). "Experimental evidence on the productivity effects of generative artificial intelligence." Science 381(6654): 187–192. doi:10.1126/science.adh2586
14. Humlum, A. and Vestergaard, E. (2025). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777. doi:10.3386/w33777
15. Brynjolfsson, E., Chandar, B. and Chen, R. (2025, revisto em 2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
16. Acemoglu, D. (2025). "The simple macroeconomics of AI." Economic Policy 40(121): 13–58. doi:10.1093/epolic/eiae042