Da exposição à decisão

Em 2013, Frey e Osborne classificaram 47% dos empregos dos Estados Unidos como suscetíveis à informatização. O estudo estimava possibilidade técnica, não o número de demissões que ocorreria.

Vale saber como esse número foi construído. Em uma oficina no Departamento de Ciências de Engenharia de Oxford, pesquisadores de aprendizado de máquina classificaram as ocupações que conheciam bem o suficiente para arriscar um rótulo. Foram 70. As outras 632 receberam a estimativa por imputação.

Em 2016, Arntz, Gregory e Zierahn analisaram tarefas e estimaram alto risco para 9% dos empregos, em média, em 21 países da OCDE.

O resultado caiu porque pessoas com o mesmo cargo não executam o mesmo conjunto de tarefas. A unidade de análise mudou e, com ela, mudou a resposta.

Um exemplo torna a diferença concreta. Frey e Osborne atribuem 92% de potencial de automação ao vendedor de varejo. Quando a OCDE foi olhar o que essas pessoas fazem, encontrou que apenas 4% delas conseguem trabalhar sem interação face a face. Para auxiliares de escrituração e contabilidade, o potencial estimado é de 98% — e 24% trabalham sem lidar com outras pessoas.

No Brasil, o Ipea colocou 56,6% do emprego civil formal de 2017 nos dois quartis de maior propensão à automação. Estar nesses quartis não informa quando, nem como, o trabalho será alterado.

Ottoni e coautores aplicaram as probabilidades de Frey e Osborne à estrutura ocupacional brasileira, incluindo o trabalho informal. Encontraram 58,1% dos empregos em ocupações de alto risco técnico.

A proximidade com o número do Ipea não é confirmação mútua. Os métodos, os universos e as definições de risco são diferentes.

Em 2025, a OIT estimou que um em cada quatro empregos no mundo tinha alguma exposição à IA generativa. Sua conclusão central foi que transformar tarefas é mais provável do que substituir ocupações inteiras.

Quando o Ipea listou as ocupações brasileiras com maior parcela de tarefas automatizáveis, encontrou operador de shuttle car na mineração, moldador e macheiro na metalurgia, prensista de aglomerados, montador de estruturas metálicas, embalador à mão. Trabalho manual, industrial, com forte presença fora das capitais: nas regiões metropolitanas, 36% das tarefas do emprego formal são automatizáveis; em cidades menores ou economicamente isoladas, 44%.

Ottoni e coautores acrescentaram a informalidade a esse quadro. O risco que estimaram é de 55,1% no setor formal e de até 62% no informal — e a resposta não era óbvia de antemão, porque o trabalhador informal está tanto na costura, rotineira e automatizável, quanto na construção, que exige percepção em ambiente desestruturado.

Agora o retrato da IA generativa. Ao mapear a América Latina, Banco Mundial e OIT descreveram o perfil médio do emprego exposto assim: mulher, urbana, jovem, de escolaridade média ou alta, não pobre, renda relativamente elevada, com emprego formal em finanças, seguros ou no setor público. E registraram que quase não há ocupações de baixa renda com exposição significativa.

A OIT também mediu essa assimetria por gênero. No gradiente de maior exposição, estão 4,7% do emprego feminino e 2,4% do masculino. Nos países de renda alta a distância aumenta: 9,6% contra 3,5%. Ser de um país rico não protege; muda quem fica exposto.

O nome de uma ocupação atravessa décadas. O trabalho por trás dele, não.

O caso dos caixas bancários, documentado por James Bessen e discutido por David Autor, mostra esse movimento. Os caixas eletrônicos reduziram operações de balcão, mas a função ganhou atendimento, venda e resolução de problemas.

O próprio Autor adverte que o exemplo não deve ser tratado como paradigma. A mudança tecnológica não é necessariamente favorável ao emprego.

O trabalhador tende a se beneficiar quando executa tarefas complementadas pela automação, não quando executa principalmente tarefas substituídas por ela.

No trabalho digital, o custo do primeiro rascunho caiu. Definir o problema, reconhecer uma resposta ruim e assumir a responsabilidade pelo resultado continuam sendo tarefas humanas.

A pergunta útil não é apenas se a profissão continuará existindo. É quais partes do trabalho perderão valor, quais ganharão valor e quem estará preparado para executá-las.

Uma ocupação reúne tarefas de naturezas muito diferentes: algumas previsíveis, outras analíticas, outras que dependem de estar diante de uma pessoa ou de responder legalmente pelo que foi feito. A mesma tecnologia pode assumir uma delas, acelerar outra e quase não tocar uma terceira.

Um copywriter pesquisa o público, define uma promessa, escreve, revisa e negocia a aprovação. Gerar texto alcança parte desse trabalho, não o conjunto inteiro. Com o programador acontece o mesmo: levantar requisitos, modelar a solução, testar, investigar falhas e responder pela implantação continuam ali depois que o código sai pronto.

David Autor propõe um exemplo que resolve a questão melhor do que qualquer definição. Fábricas de automóveis instalam para-brisas com robôs. Oficinas que trocam o para-brisa depois da venda empregam técnicos, não robôs — porque remover um vidro quebrado, preparar a moldura e encaixar a peça exige uma adaptação em tempo real que a máquina não entrega a um custo que feche a conta.

Mesma peça. Mesmo vidro. O que muda é o ambiente em volta.

E foi preciso muito trabalho para construir o ambiente que tornou o robô possível. Autor lembra que, para viabilizar o automóvel, a humanidade nivelou o terreno e cobriu de asfalto uma parcela relevante do território — a ponto de as superfícies impermeáveis dos Estados Unidos cobrirem uma área próxima à do estado de Ohio. Automação bem-sucedida raramente é só a máquina. É a máquina mais o mundo remodelado ao redor dela.

Frequência e importância alteram o impacto. Automatizar uma tarefa rara não produz o mesmo efeito que acelerar uma atividade diária.

Por isso conectamos ocupações brasileiras, atividades da CBO e referências internacionais. Antes de sustentar uma afirmação pública, cada correspondência precisa ser revisada e rastreável.

Acemoglu e Restrepo chamam de deslocamento o efeito que aparece quando a tecnologia assume tarefas antes realizadas por pessoas.

Os mesmos autores mediram esse efeito nos robôs industriais dos Estados Unidos entre 1990 e 2007.

Um robô adicional por mil trabalhadores reduziu a razão agregada emprego-população em 0,2 ponto percentual e os salários em 0,42%.

Os cálculos implicam cerca de 3,3 empregos a menos por robô. É uma estimativa sobre uma tecnologia, um país e um período específicos, não uma constante aplicável a qualquer automação.

Os próprios autores pedem essa cautela. Ondas diferentes de automação produzem consequências diferentes, conforme o equilíbrio entre deslocamento e produtividade, e eles tratam como questão em aberto se a IA elevará ou reduzirá a demanda por trabalho. Quem usa o número dos robôs para prever o efeito da IA está fazendo exatamente o que a fonte desaconselha.

A produtividade pode elevar a produção e aumentar a demanda pelas tarefas restantes. Esse ganho não garante que emprego e salário cresçam na mesma proporção.

Há também a reinstalação. Novas tarefas devolvem trabalho às pessoas, como ocorreu com programação, manutenção de sistemas, segurança digital e outras funções especializadas. Ela nem sempre exige trocar de carreira: metade do crescimento do emprego entre 1980 e 2015 veio de ocupações em que o título ou as tarefas mudaram, como assistentes administrativos, analistas de solicitações de empréstimo e técnicos de equipamentos médicos.

O ponto é que essa compensação não é uma lei. Entre 1947 e 1987, os dois efeitos quase empataram: o deslocamento tirava 0,48% da demanda por trabalho ao ano e a reinstalação devolvia 0,47%. Entre 1987 e 2017, o deslocamento acelerou para 0,7% e a reinstalação caiu para 0,35%. O empate virou saldo negativo, e o efeito acumulado foi uma queda de 10% na demanda por trabalho.

Segundo os autores, a explicação mais plausível não é técnica. Os incentivos mudaram: o código tributário americano subsidia equipamento e tributa folha de pagamento, e a inovação passou a ser conduzida por empresas cujo modelo combina automação e times pequenos. Se a desaceleração veio de escolhas, ela responde a escolhas.

O saldo depende da força relativa dos três movimentos. Uma página de profissão precisa mostrá-los, em vez de resumir a mudança a uma porcentagem de risco.

Existe uma intuição comum: quanto melhor a máquina, maior a ameaça. Acemoglu e Restrepo argumentam o contrário.

Uma automação excelente desloca pessoas, mas gera produtividade suficiente para expandir a produção e devolver demanda por trabalho. Já uma automação apenas razoável — eles a chamam de tecnologia “mais ou menos” — substitui o trabalhador sem entregar ganho que compense. O exemplo dos autores é o atendimento automatizado ao cliente: deslocou atendentes humanos e quase ninguém considera o resultado bom.

Eles estendem a hipótese à IA, de forma explícita, para aplicações postas a fazer tarefas que as máquinas ainda executam mal.

Há um corolário desconfortável para o Brasil. A teoria diz que a automação rende mais quando salários são altos e trabalho é escasso; quando salários são baixos e trabalho é abundante, os ganhos são modestos e a demanda por trabalho pode simplesmente cair. É um alerta sobre o tipo de automação que um país de salários baixos tende a atrair, não uma previsão.

Exposição informa se uma tecnologia alcança as tarefas de uma ocupação. Não informa se o uso é barato, confiável, permitido ou desejado.

Três números medem essa distância nos Estados Unidos. Eloundou e coautores estimam que 19% dos trabalhadores estão em ocupações com metade ou mais das tarefas expostas. Bick, Blandin e Deming, pesquisando o uso real, encontraram 28% dos ocupados usando IA generativa no trabalho. E quando mediram quanto do tempo isso ocupa, o resultado ficou entre 0,5% e 3,5% de todas as horas trabalhadas — porque 76% das pessoas relatam zero hora de uso.

Do que é tecnicamente alcançável ao que muda a semana de alguém há, hoje, uma ordem de grandeza.

O próprio estudo dos 19% mostra como a régua é elástica. Considerando apenas o que os modelos fazem sozinhos, 3% dos trabalhadores têm metade das tarefas expostas. Somando software complementar que ainda precisa ser construído, o número vai a 49%. A diferença entre 3% e 49% não é capacidade: é engenharia que alguém precisa fazer, pagar e implantar.

Na América Latina, Banco Mundial e OIT quantificaram outro bloqueio: cerca de 17 milhões de empregos em 16 países têm potencial de ampliação por IA generativa, mas estão em postos sem computador no trabalho — 7 milhões ocupados por mulheres e quase 10 milhões por homens. A infraestrutura interrompe o funil antes que a discussão sobre capacidade comece.

Regulação, responsabilidade profissional e qualidade dos dados também alteram a adoção. Um protótipo convincente pode falhar quando encontra um processo real.

Mesmo depois da adoção, a empresa ainda decide o destino do ganho: reduzir postos, aumentar a produção, mudar funções ou combinar essas respostas.

No estudo com 5.179 agentes de suporte, o assistente de IA elevou a produtividade média em 14%. Entre trabalhadores novatos e de menor desempenho, o ganho chegou a 34%.

A ferramenta difundiu práticas dos profissionais mais experientes. Nesse contexto, funcionou como apoio à aprendizagem, além de acelerar a execução.

No topo da distribuição, porém, o efeito não foi nulo: foi negativo. Os agentes mais qualificados registraram quedas pequenas, mas estatisticamente significativas, na taxa de resolução e na satisfação do cliente. A hipótese dos autores é que a sugestão distrai quem já sabe a resposta, ou empurra para o caminho mais rápido em vez do melhor.

Há ainda quem gere o valor sem capturá-lo. Foram os melhores agentes que forneceram os exemplos usados para treinar o sistema, e eles quase não melhoraram. Como o bônus era calculado em relação ao desempenho dos colegas, alguns podem ter perdido remuneração enquanto o restante da equipe subia.

O experimento mediu resoluções por hora. Não mediu aumento salarial. Usar os 14% para prometer remuneração maior seria afirmar algo que o estudo não testou.

E o ganho individual não vira ganho agregado por conta própria. Entre 5.512 trabalhadores coreanos, 51,8% usavam IA generativa e poupavam 3,8% do tempo ativo — mas a correlação entre tempo poupado e aumento de produção era baixa. O tempo poupado virou, em boa parte, mais folga dentro do expediente e realocação para outras tarefas. Os autores chamam isso de paradoxo da agregação: a economia é real e some antes de aparecer na produção.

A empresa decide como distribuir o tempo poupado. Salário, carga de trabalho, autonomia e criação de novas tarefas determinam quanto do ganho chega ao trabalhador.

Uma pontuação igual para os três públicos desperdiça contexto. A evidência pode ser comum, mas a próxima pergunta muda conforme a decisão de cada pessoa.

Convém reconhecer o limite dessas perguntas. Entre trabalhadores cujo empregador incentiva o uso de IA, 82,9% usam. Entre os demais, 7,1%. O maior preditor de adoção não é a escolha individual: é a permissão de quem está acima.

Contabilidade é registro, mas também é norma, análise, conversa com o cliente e responsabilidade técnica por aquilo que se assina. Dizer que a profissão está exposta apaga essa composição inteira.

Poucas profissões acumulam tantos sinais vermelhos. Frey e Osborne atribuem 98% de potencial de automação aos auxiliares de escrituração e contabilidade. Em “GPTs são GPTs”, contadores e auditores aparecem com 100% das tarefas expostas — pela avaliação do modelo, considerando software que ainda precisaria ser construído em torno dele. E entre as atividades de serviços que o Ipea aponta como mais vulneráveis no Brasil está a de contabilidade, consultoria e auditoria contábil.

Só que a OCDE foi verificar o que essas pessoas fazem e encontrou que apenas 24% dos auxiliares de escrituração trabalham sem interação face a face. Os outros 76% passam parte do dia com alguém.

Classificação, conciliação e preparação inicial de relatórios já recebem forte apoio de software. A IA pode reduzir ainda mais o tempo gasto nessas tarefas.

A empresa pode usar esse tempo para ampliar a carteira, reduzir equipe ou oferecer mais análise ao cliente. A capacidade técnica não escolhe entre essas alternativas.

Revisar exceções, interpretar normas, explicar consequências e responder tecnicamente pelo trabalho ligam conhecimento a responsabilidade.

Validação de sistemas, governança de dados e revisão de saídas automatizadas também podem ganhar espaço. Esta é uma inferência editorial, não uma previsão fechada.

Para quem escolhe a carreira, a pergunta deixa de ser “a IA substituirá contadores?”. Passa a ser “qual Contabilidade quero aprender a praticar?”.

O projeto se torna útil quando não para no risco. Nosso papel é levar a evidência até uma decisão melhor, sem transformar incerteza em falsa precisão.

Uma página de profissão deve revelar essa cadeia. O usuário precisa entender de qual tarefa veio a mudança, qual evidência a sustenta e o que pode fazer para conhecê-la na prática.

O teste vocacional pode organizar interesses, aptidões e restrições. Não deve produzir uma profissão definitiva. Seu resultado precisa abrir hipóteses que o estudante possa investigar.

O profissional deve selecionar as tarefas que realmente executa. A partir daí, o sistema pode sugerir uma investigação, não uma sentença.

Dados brasileiros, referências internacionais e inferências editoriais devem aparecer separados. Origem, data e grau de confiança precisam permanecer visíveis.

Faculdades podem oferecer experiências e responder ao interesse voluntário. Patrocínio não pode alterar rankings nem o resultado de uma orientação.