Inteligência artificial e mercado de trabalho
O grau de exposição dos trabalhadores à Inteligência Artificial generativa é maior entre as mulheres, mais jovens, mais escolarizados, na região Sudeste e no setor de serviços, em especial nos serviços de informação e comunicação e serviços financeiros.
1. Introdução
O impacto econômico das novas tecnologias tem permeado o debate econômico. Isto tem se tornado ainda mais urgente com o avanço da Inteligência Artificial (IA), que tende a promover uma profunda transformação no mercado de trabalho.
Esta é uma questão extremamente relevante, pois ao mesmo tempo em que amplia o potencial de ganhos de produtividade, a adoção das novas tecnologias, como inteligência artificial generativa, por exemplo, levanta preocupações relacionadas à substituição de tarefas, à mudança no perfil das ocupações e ao aumento das desigualdades entre os trabalhadores. Diante desse cenário, compreender como a inteligência artificial afeta o mercado de trabalho é fundamental para orientar o desenho de políticas públicas voltadas à proteção e à melhor inserção dos trabalhadores.
O objetivo deste artigo é avaliar a relação entre a inteligência artificial generativa e o mercado de trabalho brasileiro. Além desta introdução, o artigo é composto por mais quatro seções. Na segunda seção é apresentado um levantamento das evidências da literatura econômica sobre o tema. Em seguida, na terceira seção, estimou-se, com base numa metodologia elaborada pela Organização Internacional do Trabalho (OIT), a relação entre a IA generativa e o mercado de trabalho, apresentando o total de ocupados expostos à IA generativa, bem como uma análise sociodemográfica destes trabalhadores. Também foram apresentados, para complementar esta análise, os resultados apresentados pelo FMI, desenvolvido por Pizzinelli et al (2023), que examinaram o impacto da IA no mercado de trabalho tomando como base uma medida de exposição ajustada pela complementaridade. Na quarta seção, são apresentadas algumas recomendações de políticas que podem ser adotadas para proteção e melhor inserção destes trabalhadores. E por fim, na última seção, estão as principais conclusões do estudo.
2. Revisão da Literatura: Inteligência Artificial e Mercado de Trabalho
A literatura recente em Economia sobre Inteligência Artificial (IA) e mercado de trabalho tem convergido menos para uma dicotomia simples (substituição versus complementaridade) e mais para um diagnóstico de reconfiguração do conteúdo do trabalho. O ponto de partida analítico mais influente é o enquadramento por tarefas (task-based), no qual a tecnologia incide sobre tarefas e não sobre ocupações como blocos homogêneos: dentro de um mesmo cargo, algumas rotinas podem ser automatizadas, enquanto outras são ampliadas ou transformadas por mudanças nos processos, na coordenação e no acesso a conhecimento. Nessa perspectiva, o objeto empírico relevante passa a ser a recomposição do portfólio de tarefas e a forma como trabalhadores e firmas reorganizam atividades diante de novas capacidades tecnológicas.
No plano conceitual, Acemoglu e Restrepo (2019) formalizam a ideia de que mudanças tecnológicas alteram a alocação de tarefas entre trabalho e capital (ou sistemas automatizados), gerando um efeito de deslocamento quando a automação substitui trabalho em tarefas previamente humanas e um efeito de reinstatement/criação de novas tarefas quando a tecnologia expande o conjunto de atividades complementares ao trabalho humano. Um resultado normativamente relevante dessa estrutura é a possibilidade de automação excessiva: incentivos privados e imperfeições de mercado podem induzir adoção com ganhos sociais baixos, especialmente quando a inovação é direcionada a substituir trabalho em vez de criar novas tarefas e complementaridades. Assim, a direção do progresso tecnológico e o desenho institucional são parte constitutiva do diagnóstico de emprego e salários.
Esse deslocamento do foco para tarefas tem implicações diretas para a mensuração de exposição e impacto potencial. Em vez de classificar ocupações inteiras como ameaçadas ou seguras, uma vertente crescente mapeia a compatibilidade entre capacidades de modelos e o conjunto de tarefas executadas em cada ocupação. Eloundou et al. (2023) propõem uma rubrica para avaliar o alinhamento de tarefas com capacidades de modelos de linguagem e estimam uma exposição disseminada, porém heterogênea, na força de trabalho. Em termos metodológicos, a contribuição central dessa literatura é separar capacidade técnica (o que a tecnologia consegue fazer em princípio) de adoção (o que efetivamente é implementado), reconhecendo que custos, regulação, integração a sistemas e aceitação organizacional mediam o impacto.
Relatórios globais reforçam essa leitura de transformação parcial. O estudo da OIT/ILO (GMYREK; BERG; BESCOND, 2023) estima a exposição de ocupações à IA generativa e argumenta que o efeito predominante tende a ser a ampliação das ocupações, com automação total concentrada em subconjuntos de tarefas. O relatório também destaca que a exposição é maior em economias de renda mais alta e aponta implicações distributivas por gênero, já que esses segmentos são fonte importante de emprego feminino em diversos países. Essas evidências sugerem que, no curto prazo, a principal margem de ajuste é a reorganização do trabalho e das rotinas, mais do que uma substituição ocupacional em massa.
Do lado microeconômico, a evidência mais robusta até aqui concentra-se em ganhos de produtividade em tarefas bem definidas, nos quais a identificação tende a ser mais crível (introdução escalonada de ferramentas e desenhos quase-experimentais). Brynjolfsson, Li e Raymond (2023) estudam a implantação escalonada de um assistente conversacional em atendimento ao cliente e encontram aumento médio de produtividade, com heterogeneidade marcante: os maiores ganhos ocorrem entre trabalhadores menos experientes e de menor desempenho inicial, enquanto trabalhadores no topo apresentam ganhos menores. Em tarefas de escrita, Noy e Zhang (2023) documentam redução de tempo e melhora média de qualidade, também com compressão da distribuição de desempenho. Interpretados conjuntamente, esses resultados são consistentes com um mecanismo de difusão de know-how: a ferramenta incorpora padrões de resposta e estruturação típicos de trabalhadores de alta performance e os torna acessíveis a um conjunto maior de usuários, elevando o piso de produtividade em atividades específicas.
A passagem desses efeitos micro para desfechos agregados de emprego e salários é, contudo, teoricamente e empiricamente não linear. Ganhos de produtividade podem se traduzir em expansão de demanda (efeito escala), em repasse via preços, em captura de excedente por lucros ou em redução de demanda por trabalho nas tarefas substituídas. Além disso, a adoção depende de complementaridades com capital organizacional, desenho de processos, governança e responsabilidade por erros, o que torna a difusão desigual entre firmas e setores. Essa mediação ajuda a explicar por que ganhos micro em tarefas podem coexistir, no curto prazo, com efeitos agregados modestos, enquanto mudanças mais substantivas aparecem como reacomodação setorial, recomposição ocupacional e alterações graduais na estrutura salarial.
Na evidência macro, os resultados disponíveis sugerem impactos agregados heterogêneos e, em muitos contextos, modestos no curto prazo, mas com sinais de reconfiguração setorial e regional. Huang (2024), explorando variação de adoção de IA em zonas de deslocamento (commuting zones) nos Estados Unidos com abordagem shift-share, encontra associação entre maior adoção e queda mais pronunciada na razão emprego-população no período 2010-2021, com heterogeneidade por setor e por grupos ocupacionais. Em mercados de trabalho online, evidências recentes sobre a demanda por freelancers apontam para ajustes mais rápidos em tarefas substituíveis e respostas diferenciadas em tarefas complementares. Teutloff et al. (2025), por exemplo, documentam quedas relevantes na demanda por clusters de habilidades substituíveis (como escrita e tradução) e aumento relativo em áreas complementares ou não afetadas, com mudanças na composição de habilidades demandadas. Toda essa literatura aponta para um padrão de transformação com ganhadores e perdedores em horizontes curtos, mais do que uma contração agregada uniforme.
Um eixo frequentemente subtratado quando o debate se restringe a emprego e salários é a qualidade do trabalho e as relações de poder intra-firma. A IA pode ser usada não apenas como ferramenta de produção, mas também como tecnologia de coordenação e controle, intensificando monitoramento, metas e avaliação automatizada. Milanez, Lemmens e Ruggiu (2025) sintetizam evidências de survey sobre práticas de algorithmic management e discutem uma ambivalência central: potenciais ganhos de produtividade e consistência decisória coexistem com riscos de opacidade, indefinição de accountability e impactos adversos sobre saúde e bem-estar no trabalho. Para a Economia do Trabalho, essa agenda recoloca temas clássicos - assimetrias de informação, poder de barganha, desenho de contratos e governança - como mediadores centrais dos efeitos de IA sobre bem-estar.
A dimensão distributiva emerge, portanto, como resultado de mecanismos distintos. De um lado, a evidência micro sugere que IA pode reduzir dispersão de performance em tarefas específicas, beneficiando relativamente mais trabalhadores menos experientes. De outro, diferenças na capacidade de adoção, integração e governança podem ampliar desigualdades entre firmas e regiões, inclusive via maior captura de excedente por firmas com vantagens complementares (dados, capital humano, organização e acesso a infraestrutura). Além disso, resultados de exposição global sugerem recortes importantes por gênero e por estrutura ocupacional (GMYREK; BERG; BESCOND, 2023), indicando que impactos distributivos dependem não apenas do conteúdo de tarefas, mas também da composição setorial e das instituições que regem transições ocupacionais.
Por fim, a literatura converge para a ideia de que os efeitos de IA são mediados por instituições e políticas públicas, e não determinados apenas pela fronteira tecnológica. A implicação prática, do ponto de vista acadêmico e de policy, é estruturar um mix que combine: (i) políticas ativas de mercado de trabalho (requalificação modular e ao longo da vida, intermediação e certificação), (ii) proteção durante transições, (iii) incentivos à difusão para pequenas e médias empresas e (iv) governança do uso de IA na gestão do trabalho, com transparência, auditabilidade e mecanismos de contestação em decisões automatizadas. Em síntese, a literatura disponível até aqui sugere que IA generativa opera sobretudo como um choque de tarefas com efeitos heterogêneos, no qual produtividade, emprego, qualidade do trabalho e desigualdades dependem crucialmente da direção da adoção e do arranjo institucional que regula e redistribui os ganhos do progresso tecnológico.
3. Metodologia e Resultados
3.1. Metodologia
Para elaborar as estimativas para o Brasil, presentes na próxima seção, tomou-se como base uma metodologia proposta pela Organização Internacional do Trabalho (OIT), que atualizou o Índice Global de Exposição Ocupacional à Inteligência Artificial Generativa. Nele, Gmyrek et al. (2025) utilizaram uma amostra representativa das 29.753 tarefas do sistema de classificação ocupacional polonês para que pudesse ser estimado o potencial de automação de tarefas de uma determinada ocupação[1].
Para que pudessem classificar as ocupações segundo os diferentes gradientes de exposição, os autores estimaram o potencial de automação de tarefas de cada ocupação no nível de 4 dígitos. Eles tomaram como base a Classificação Internacional Padrão de Ocupações de 2008 (ISCO-08)[2] e utilizaram os dois momentos da distribuição (a média e o desvio padrão) das pontuações do índice de exposição do nível de tarefa de uma determinada ocupação.
A classificação utilizada no artigo da OIT tem seis níveis que seguem uma ordem crescente de exposição: nenhuma, baixa e gradientes de 1 a 4, sendo o último grau, o de maior exposição. A Tabela 1 mostra a definição de cada um dos diferentes níveis de exposição.
| Exposição à IA | Definição | Interpretação |
|
Gradiente 4 (Maior exposição, baixa variabilidade da tarefa) |
μ ≥ 0.6 e μ - σ >= 0.5 |
Alta e consistente exposição à IA Generativa em todas as tarefas da profissão. A maioria das tarefas nesses empregos tem um alto potencial de automação, com pouca variabilidade na exposição em nível de tarefa. |
|
Gradiente 3 (Exposição significativa, alta variabilidade da tarefa) |
0.5 ≤ μ < 0.6 e μ + σ ≥ 0.5 |
Exposição ocupacional acima da moderada: embora algumas tarefas permaneçam menos expostas, o potencial de automação das tarefas com IA Generativa está crescendo nessas ocupações. |
|
Gradiente 2 (Exposição moderada, alta variabilidade da tarefa) |
0.4 ≤ μ < 0.5 e μ + σ ≥ 0.5 |
Exposição ocupacional moderada à IA Generativa, com alta variabilidade no nível da tarefa. Essas ocupações incluem uma mistura de tarefas expostas à IA Generativa e outras que não estão em risco, tornando o impacto desigual. |
|
Gradiente 1 (Baixa exposição, alta variabilidade da tarefa) |
μ < 0.4 e μ + σ ≥ 0.5 |
Baixa exposição à IA Generativa, mas alta variabilidade entre as tarefas. Algumas tarefas dentro dessas ocupações têm um elevado potencial de automação, mesmo que a ocupação como um todo permaneça fortemente dependente de tarefas que têm um baixo potencial de automação. |
|
Exposição mínima (Baixa exposição, variabilidade moderada da tarefa) |
μ < 0.5 e μ + σ > 0.4 |
Ocupações com baixa exposição à IA Generativa, onde algumas tarefas apresentam potencial moderado de automação, mas a exposição ocupacional geral permanece limitada. |
|
Não exposto |
Profissões que não atendem a nenhuma das condições acima. |
Ocupações em que a maioria das tarefas permanece relativamente inalterada pela IA Generativa, com baixa variabilidade de tarefas e uma pontuação média de exposição baixa e estável. |
Fonte: Generative AI and Jobs. A Refined Global Index of Occupational Exposure. ILO (2025)
3.2. Resultados para o Brasil
Nesta seção, serão apresentadas as estimativas para o Brasil do número de trabalhadores expostos à IA Generativa, bem como uma análise sociodemográfica desse grau de exposição. As estimativas para o Brasil foram obtidas através dos microdados da Pnad Contínua, disponibilizados pelo IBGE, cuja classificação das ocupações possui comparabilidade com a Classificação Internacional Padrão de Ocupações de 2008 (ISCO-08).
Como a OIT já disponibilizou uma tabela com o grau de exposição de cada uma das ocupações, a elaboração das estimativas para o Brasil foi feita a partir de um matching entre a Classificação de Ocupações para Pesquisas Domiciliares do IBGE (COD-IBGE) e o ISCO-08, ambas no nível de 4 dígitos. A seguir, no Gráfico 1, apresentaremos a evolução do número de trabalhadores em cada um dos níveis de exposição.
Gráfico 1: Evolução da população ocupada por grau de exposição (em milhões de pessoas)
Fonte: Elaboração própria com dados da Pnad Contínua.
No artigo da OIT, os autores consideram expostos à IA Generativa, os trabalhadores presentes nos Gradientes 1, 2, 3 ou 4. Seguindo esta métrica, nota-se, pelo Gráfico 1, que no Brasil, entre 2012 e 2025, o número de trabalhadores cujas ocupações estavam expostas à IA generativa (representado pela soma dos quatro Gradientes) saltou de 23,2 milhões (ou 27% do emprego) para quase 30 milhões (ou 30% do emprego).
Ao longo do mesmo período, o número de trabalhadores que não estavam expostos à IA generativa passou de 51,5 milhões para 54,9 milhões de pessoas e o de trabalhadores com exposição mínima, passou de 11,4 milhões para 15,8 milhões de pessoas.
O Gráfico 2 apresenta a alocação dos trabalhadores em cada um dos quatro níveis de exposição. Os dados revelam que a maior parte dos ocupados no terceiro trimestre de 2025 estavam concentrados no gradiente 2 (35,3%), cerca de 30% estavam no gradiente 1 e 16,6% estavam no gradiente 3. Nota-se ainda que o Gradiente 1 foi o único cujo peso relativo recuou ao longo dos últimos anos (passando de 35,8% no primeiro trimestre de 2012 para 30,5% no terceiro trimestre de 2025). Por fim, destaca-se que dos 30 milhões de trabalhadores expostos à IA Generativa no terceiro trimestre de 2025, quase 18% (ou 5,2 milhões de pessoas) estavam no grau de exposição mais elevado (Gradiente 4).
Gráfico 2: Alocação da população ocupada por grau de exposição (em %)
Fonte: Elaboração própria com dados da Pnad Contínua
O Gráfico 3 apresenta quais são as ocupações mais relevantes em cada um dos gradientes de exposição. No terceiro trimestre de 2025, 40,5% dos trabalhadores do Gradiente 1 eram balconistas e vendedores de loja. No Gradiente 2, a ocupação mais representativa foi a de comerciantes de lojas (29,9% dos trabalhadores alocados neste gradiente trabalhavam nesta ocupação).
Já no Gradiente 3, quase 22% trabalhavam como recepcionistas em geral. Por fim, o gradiente 4 é aquele cuja concentração de pessoas é maior em uma única ocupação. Os dados revelam que 76% dos ocupados no Gradiente 4 trabalhavam como escriturários gerais.
Gráfico 3: Percentual da população ocupada em relação ao total de trabalhadores em cada gradiente. 2025.Q3
Fonte: Elaboração própria com dados da Pnad Contínua
Os microdados da Pnad Contínua também permitem fazer uma análise sociodemográfica dos trabalhadores expostos à IA Generativa. Nos gráficos a seguir, serão apresentados, para o terceiro trimestre de 2025, o grau de exposição por gênero, faixa etária, região, escolaridade e por setor econômico.
Acesse o texto completo no Observatório da Produtividade Regis Bonelli
Notas:
[1]
[2] International Standard Classification of Occupations (2008 version)
As opiniões expressas neste artigo são de responsabilidade exclusiva dos autores, não refletindo necessariamente a opinião institucional da FGV.
Deixar Comentário