Automação e perda de empregos

Resumo da publicação

Inovações tecnológicas estão ampliando a capacidade da máquina de substituir o trabalho humano. Neste cenário, procuramos estimar — tomando como base o estudo de Frey e Osborne (2017), que utiliza dados americanos e tem sido muito citado — quantos empregos brasileiros podem ser eliminados, em uma ou duas décadas, em virtude de tecnologias já existentes na atualidade. Incrementamos as evidências existentes para o caso brasileiro ao considerar a estrutura do mercado de trabalho como um todo — incluindo os setores formal e informal — quando estimamos a proporção de empregos que podem ser substituídos por máquinas. Nossos resultados indicam que 58,1% dos empregos brasileiros podem desaparecer, nos próximos 10 ou 20 anos, em função da automação. Além disso, observamos que os trabalhadores ocupados no setor informal têm maior chance de ver seus empregos substituídos por máquinas do que aqueles empregados no setor formal.

Palavras-chave: Automação; Mudanças Tecnológicas; Perda de Emprego; Escolha Ocupacional. Códigos JEL: E24, J23, J24, O33.

Metadados da edição publicada

Título em inglês: Automation and job loss: the Brazilian case.

Autores e afiliações: Bruno Ottoni (IDados; Fundação Getúlio Vargas; Universidade do Estado do Rio de Janeiro); Paulo Rocha e Oliveira (ISE; IESE Business School); Lucas Estrela (Universidade de São Paulo); Ana Tereza Santos (IDados); Tiago Barreira (IDados).

1. Introdução

Vivemos um período de intensa automação, no qual novas tecnologias têm facilitado a substituição do trabalho humano por máquinas. Nesse contexto, cresce o número de estudos sobre a relação entre automação e perda de empregos. De um lado, alguns trabalhos confirmam que a automação contribuiu para a eliminação de postos nas últimas décadas (Acemoglu e Restrepo, 2020; Graetz e Michaels, 2018; Autor e Salomons, 2018; Dauth et al., 2017). De outro, artigos voltados ao futuro procuram determinar se a automação poderá provocar maior destruição de empregos nos próximos anos (Frey e Osborne, 2017; Arntz et al., 2017b).

Um dos estudos mais citados que procura determinar se a automação poderá causar maior perda de empregos no futuro próximo é Frey e Osborne (2017). A pesquisa começa estimando as probabilidades de substituição por máquinas de diversas ocupações nos Estados Unidos. Em seguida, usa essas probabilidades para determinar a proporção de empregos americanos que pode desaparecer nas próximas décadas. Segundo o estudo, já existe capacidade técnica para automatizar 47,0% dos empregos americanos em 10 a 20 anos.

Esse resultado apareceu primeiro em 2013, em uma versão preliminar do estudo de Frey e Osborne, e gerou grande preocupação. Por isso, novos estudos aplicaram a diferentes países as probabilidades de automação que Frey e Osborne estimaram para os Estados Unidos (ver Banco Mundial, 2016; Bowles, 2014; Pajarinen e Rouvinen, 2014).

Para o Brasil, reconhecemos dois estudos que estimaram a probabilidade de automação dos empregos após o trabalho de Frey e Osborne. Albuquerque et al. (2019) aplicaram uma metodologia semelhante para calcular essas probabilidades. Usando como insumo de seu algoritmo as descrições textuais das ocupações brasileiras, os autores estimaram o risco de automação de cada ocupação e concluíram que 55% dos empregos formais brasileiros podem desaparecer na próxima uma ou duas décadas. Por sua vez, Lima et al. (2019) aplicaram diretamente as probabilidades de Frey e Osborne (2017) às ocupações formais brasileiras e concluíram que 60% dos empregos formais no Brasil apresentam alto risco de automação no futuro próximo.

Embora Albuquerque et al. (2019) e Lima et al. (2019) tenham contribuído de modo significativo para a discussão dos riscos de automação no mercado de trabalho formal brasileiro, nenhum dos dois estudos tratou da situação do setor informal. É importante considerar que o setor informal empregava grande parcela dos trabalhadores brasileiros, correspondendo a 43,9% do total de empregos em 2017. Portanto, a exclusão desse setor é uma lacuna no caso brasileiro.

Esta pesquisa procura preencher essa lacuna ao aplicar as probabilidades de automação de Frey e Osborne (2017) a toda a estrutura de emprego brasileira. Para isso, usamos dados da Pesquisa Nacional por Amostra de Domicílios Contínua de 2017 (PNADC), que inclui trabalhadores formais e informais. Para aplicar as probabilidades de Frey e Osborne às ocupações brasileiras, desenvolvemos um processo detalhado de compatibilização entre a Classificação Ocupacional Padrão americana (SOC 2010) e a classificação brasileira (COD 2010).

Nosso resultado sugere que 58,1% dos empregos brasileiros podem ser substituídos por máquinas, em um horizonte de uma a duas décadas, em razão de tecnologias já existentes. Ao comparar as economias formal e informal, observamos que os empregados formais enfrentam risco menor de substituição por máquinas do que seus pares informais, embora a diferença não seja grande.

É importante enfatizar que esse resultado representa, de fato, um cenário de pior caso, pois considera a proporção de empregos que a tecnologia será capaz de substituir no futuro próximo. A implementação efetiva das novas tecnologias, entretanto, dependerá de vários fatores, como condições econômicas e políticas favoráveis. Se essas condições retardarem a adoção tecnológica, menos empregos serão perdidos. Além disso, as próprias inovações ajudam a criar novos empregos. Por isso, a perda líquida de postos provavelmente será menor do que a estimada aqui: a tecnologia substituirá alguns empregos, mas criará outros.

O presente artigo contém esta introdução e mais cinco seções. A segunda apresenta uma revisão detalhada da literatura. A terceira descreve o método de compatibilização desenvolvido para aplicar ao Brasil as probabilidades de automação de Frey e Osborne (2017), bem como as bases de dados utilizadas. Os resultados principais aparecem na quarta seção. Por fim, a quinta apresenta as considerações finais.

2. Revisão da literatura

O medo da tecnologia e de seus efeitos sobre o emprego não é fenômeno novo na história das sociedades modernas. O notório movimento ludita do século XIX é símbolo importante da reação produzida pelo temor tecnológico. Nos anos 1930, no contexto da Grande Depressão, Keynes (1933) enfatizou a ligação entre tecnologia e destruição de empregos, mas também observou que o “desemprego tecnológico” de curto prazo representava uma “fase de desajuste”. Mais tarde, Autor (2015) documentou forte preocupação com o tema nas décadas de 1950 e 1960. Ainda assim, a razão emprego-população cresceu ao longo do século XX, reforçando a ideia de que perdas de emprego seriam uma fase transitória após uma inovação tecnológica. Em conjunto, avanços tecnológicos anteriores tiveram efeitos líquidos positivos sobre o emprego (Atkinson e Wu, 2017).

Mais recentemente, o debate sobre a relação entre automação e perda de empregos ressurgiu. No cenário das crises econômicas do fim dos anos 2000, as grandes perdas de emprego foram associadas a inovações tecnológicas que deslocavam trabalho (Brynjolfsson e McAfee, 2011). De modo mais crítico, Brynjolfsson e McAfee (2014) alertaram que o ritmo crescente da mudança tecnológica ampliou rapidamente o conjunto de tarefas humanas que máquinas podem executar. Os autores também chamaram atenção para o fato de que novas tecnologias vêm sendo adotadas mais depressa do que nunca. Portanto, o temor renovado de destruição maciça de empregos por automação parece mais razoável do que no passado.

Há, de fato, uma literatura crescente sobre a relação entre esses avanços tecnológicos e a perda de empregos. Distinguimos duas vertentes. A primeira olha para o passado e mostra que a adoção, nas últimas décadas, de tecnologias modernas — como a disseminação de robôs industriais — leva a grandes perdas de emprego (Acemoglu e Restrepo, 2020; Graetz e Michaels, 2018; Autor e Salomons, 2018; Dauth et al., 2017). A segunda projeta, com modelos econométricos, a perda futura de empregos causada por inovações tecnológicas, examinando em que medida os dados apoiam a visão de que ela tende a crescer com a intensificação do deslocamento de trabalho humano por máquinas (Frey e Osborne, 2017; Arntz et al., 2017b).

O trabalho de Frey e Osborne, lançado inicialmente em 2013 e publicado apenas em 2017, representou um avanço nessa segunda vertente por ao menos duas razões. Primeiro, não considerou apenas novas tecnologias, mas também que o potencial dessas inovações para deslocar trabalho continuaria a crescer nas décadas seguintes, em razão dos avanços recentes em robótica, aprendizado de máquina e big data. Como afirmam os autores, a análise considera o modelo de Autor, Levy e Murnane (2003), mas amplia a visão do que computadores podem fazer. Para ilustrar essa capacidade crescente, destacam que “avanços tecnológicos recentes se devem em grande medida a esforços para transformar tarefas não rotineiras em problemas bem definidos”. Como esses esforços tendem a continuar, cada vez mais tarefas se tornarão codificáveis.

A metodologia de Frey e Osborne (2017) é a segunda razão para a relevância de seu estudo. Os autores desenvolveram um método para estimar, para a maior parte das ocupações americanas, o risco de substituição por máquinas nos dez a vinte anos seguintes. Identificaram características ocupacionais de trabalhos rotineiros e não rotineiros que poderiam ser realizados por máquinas, com a colaboração de engenheiros de Oxford. Depois, usando um processo gaussiano, estimaram probabilidades de automação para a maior parte das ocupações dos Estados Unidos.

O trabalho de Frey e Osborne também serviu de base para estudos sobre outros países (Banco Mundial, 2016; Pajarinen e Rouvinen, 2014; Bowles, 2014). Esses artigos usam as mesmas probabilidades de automação, facilitando comparações internacionais. Ainda assim, seus métodos e pressupostos receberam críticas. Alguns estudos apontaram viés para cima nos riscos estimados (Arntz et al., 2017a; Autor, 2015). Também se menciona como limitação o fato de Frey e Osborne não tratarem do potencial de criação de empregos induzido pela tecnologia, embora os próprios autores reconheçam essa possibilidade.

No contexto brasileiro, Albuquerque et al. (2019) usaram metodologia semelhante à de Frey e Osborne para estimar o risco de automação no setor formal. Os autores reuniram um amplo conjunto de informações sobre as características das ocupações da Classificação Brasileira de Ocupações (CBO). Pediram a 69 especialistas em aprendizado de máquina que avaliassem a probabilidade de automação enfrentada pelas ocupações e usaram descrições textuais dos empregos — incluindo as tarefas listadas — para treinar um processo gaussiano que previsse a probabilidade de automação de cada ocupação. Com dados da Relação Anual de Informações Sociais (RAIS), estimaram que cerca de 55% dos empregos formais têm probabilidade alta ou muito alta de automação.

Lima et al. (2019) também investigaram o risco de automação do emprego formal brasileiro com dados da RAIS. Os autores usaram a correspondência entre CBO e SOC desenvolvida por Maciente (2014) para atribuir às ocupações brasileiras as probabilidades de Frey e Osborne. Como algumas ocupações ficaram sem correspondência, analisaram seus títulos e tarefas para ligá-las às ocupações SOC mais semelhantes. Ao aplicar as probabilidades à estrutura de emprego brasileira, estimaram que 60% dos empregos formais enfrentam alto risco de automação nas décadas seguintes.

Assim, os dois artigos que analisam o contexto brasileiro — Albuquerque et al. (2019) e Lima et al. (2019) — encontram resultados próximos: 55% no primeiro e 60% no segundo. Porém, ambos limitam seu escopo ao emprego formal.

No presente estudo, contribuímos com a literatura ao incluir o emprego informal nas estimativas da proporção de empregos que poderá ser substituída por máquinas nas próximas décadas. A incorporação do setor informal permite reconhecer a estrutura de emprego brasileira como um todo. Essa visão ampla é particularmente importante para entender o mercado de trabalho nacional, dada a parcela expressiva de trabalhadores sem vínculos formais: em 2017, aproximadamente 49,7% dos trabalhadores brasileiros estavam em empregos informais.

A inclusão do emprego informal deve afetar os resultados, mas não está claro em qual direção. Em tese, a proporção de empregos ameaçados por máquinas no setor informal pode ser maior ou menor. Por um lado, trabalhadores informais são menos qualificados e têm maior probabilidade de atuar em ocupações manuais rotineiras, enfrentando maior risco de substituição. Muitos trabalhadores menos qualificados, por exemplo, são operadores de máquinas de costura, ocupação manual rotineira cujos empregos provavelmente serão substituídos por novas tecnologias. Por outro, trabalhadores informais também estão mais presentes em ocupações manuais não rotineiras, que exigem percepção e manipulação sofisticadas e tendem a ser menos vulneráveis à automação. Muitos trabalhadores da construção civil, por exemplo, precisam de percepção sofisticada em ambientes de trabalho altamente desestruturados, o que reduz a probabilidade de substituição por máquinas.

Como a RAIS não cobre o setor informal, adotamos a PNADC, que abrange toda a população ocupada. Essa escolha tem implicações: a classificação ocupacional usada nessa base, a COD, é muito mais concisa do que a CBO e apresenta apenas códigos e nomes das ocupações, sem descrições detalhadas das tarefas. Por essa insuficiência de informação, não podemos usar a COD para estimar novas probabilidades de automação específicas para as ocupações brasileiras. Para enfrentar esse problema, adotamos as probabilidades fornecidas por Frey e Osborne (2017).

Como outros estudos também aplicam diretamente essas probabilidades a diferentes países, nosso trabalho tem a vantagem de ser mais comparável à vertente da literatura internacional que procede desse modo. Além disso, como as probabilidades de automação usadas nessa literatura são idênticas, qualquer diferença na proporção estimada de empregos sob risco de substituição decorre apenas das estruturas de emprego distintas de cada país. No caso brasileiro, se estimamos grande proporção de empregos substituíveis, é porque parcela substancial da força de trabalho está em ocupações de alto risco de automação. Embora a associação direta entre ocupações de países diferentes possa ser criticada, ressaltamos, como argumentam Dicarlo et al. (2016), que a natureza das ocupações na maioria das nações industrializadas é bastante semelhante.

Por fim, nosso estudo se soma a uma vertente pequena e crescente da literatura brasileira que documenta outros impactos da tecnologia sobre os mercados de trabalho (por exemplo, Adamczyk et al., 2019; Gonzaga e Guanziroli, 2019; Maciente, 2014; Santos et al., 2019).

3. Método de compatibilização

O método de compatibilização desenvolvido para aplicar ao Brasil as probabilidades de automação de Frey e Osborne (2017) possui quatro etapas, detalhadas a seguir.

3.1. Da classificação americana à internacional

Na primeira etapa, utilizamos uma tabela de correspondência fornecida pelo Bureau of Labor Statistics (BLS) dos Estados Unidos, que permite passar da Classificação Ocupacional Padrão americana (SOC 2010) para a Classificação Internacional Padrão de Ocupações (ISCO 2008). Ela permite, portanto, aplicar aos padrões internacionais as probabilidades de automação de Frey e Osborne, classificadas segundo a SOC 2010. Embora essa etapa envolva dificuldades, a correspondência do BLS entre SOC e ISCO foi usada em diversos trabalhos internacionais.

Essa foi, de fato, a maior dificuldade do estudo. A classificação americana possui cerca de 802 códigos diferentes, enquanto a classificação internacional possui 438. Assim, várias probabilidades de automação ficam associadas a uma mesma ocupação internacional. Surge então a necessidade de escolher apenas uma dessas probabilidades para cada ocupação; esse problema é tratado somente na quarta e última etapa do processo.

3.2. Da classificação internacional à brasileira

Na segunda etapa, utilizamos uma tabela de correspondência desenvolvida pelos autores para passar da ISCO 2008 para a classificação brasileira, a COD 2010. Para elaborá-la, seguimos as diretrizes do Instituto Brasileiro de Geografia e Estatística (IBGE), órgão responsável por produzir e divulgar os dados de emprego do país. Assim, pudemos aplicar ao padrão brasileiro as probabilidades de Frey e Osborne já traduzidas para a classificação internacional. Houve poucos problemas nessa etapa: em 434 das 438 ocupações, a compatibilização funcionou adequadamente.

3.3. Aplicação das probabilidades aos dados brasileiros

Na terceira etapa, aplicamos as probabilidades de automação de Frey e Osborne, já traduzidas para a COD 2010, aos dados brasileiros de emprego. Mais precisamente, usamos os dados de ocupação da PNADC 2017 divulgada pelo IBGE, que também adota a COD 2010. Como a classificação ocupacional é idêntica nas duas bases combinadas nessa etapa, praticamente não há complicações: em 428 das 434 ocupações, o procedimento funcionou adequadamente.

Convém registrar que foi possível atribuir ao menos uma probabilidade de automação a 409 das 428 ocupações compatibilizadas. As outras 19 também foram compatibilizadas com sucesso, mas correspondiam a ocupações sem probabilidade de automação no estudo original de Frey e Osborne e, por isso, permaneceram sem probabilidade atribuída. Isso equivale a 4,4% das 428 ocupações compatibilizadas. Em termos de emprego, o sucesso foi ainda maior: o processo permitiu atribuir alguma probabilidade a 90,1 milhões de postos, quase todos os 91,4 milhões de empregos compatibilizados; somente 1,4% ficou sem probabilidade.

3.4. Seleção de uma única probabilidade para cada ocupação

Chegamos à quarta e última etapa. Aqui, é preciso escolher uma única probabilidade entre todas as probabilidades atribuídas a cada ocupação. Usamos informações da PNADC 2017 para fazer essa escolha à luz das especificidades do mercado de trabalho brasileiro. Podem-se adotar, por exemplo, os critérios do máximo, do mínimo e da média. Para verificar como os resultados variam com o critério escolhido, comparamos as estimativas obtidas com os critérios máximo e mínimo.

Focamos nesses dois critérios porque produzem os resultados mais extremos. Se a escolha do critério importar para os resultados, as diferenças tenderão a ficar mais evidentes nessa comparação. Em contraste, comparar critérios mais próximos poderia levar à falsa conclusão de que a escolha não importa para as estimativas de empregos que podem ser substituídos por máquinas em uma ou duas décadas, com tecnologias já existentes.

Tabela 1. Ilustração de como os critérios máximo e mínimo foram usados para calcular, em cada ocupação, a diferença no número de empregos automatizáveis. Fontes: elaboração dos autores; probabilidades de Frey e Osborne (2017); correspondências SOC-ISCO e ISCO-COD; PNADC 2017.

A Tabela 1 ajuda a ilustrar como os critérios de seleção escolhidos, máximo e mínimo, produzem estimativas muito diferentes do número de empregos que podem ser automatizados. Mais precisamente, a tabela mostra que há 1.508.755 pessoas ocupadas na ocupação de código 8322 — código já pertencente à classificação ocupacional brasileira, a COD 2010. A probabilidade de automação dessa ocupação, pelo critério máximo, é de 98,00%. Isso significa que, segundo esse critério, 1.478.580 empregos da ocupação de código 8322 podem ser automatizados: 1.508.755 pessoas trabalhando na ocupação 8322 × probabilidade de automação de 98,00% = 1.478.580 empregos que podem ser automatizados.

Entretanto, o número estimado de empregos automatizáveis na ocupação 8322 é muito menor quando aplicamos o critério mínimo. Especificamente, a Tabela 1 mostra que, segundo o critério mínimo, apenas 43.754 empregos da ocupação de código 8322 podem ser automatizados: 1.508.755 pessoas trabalhando na ocupação 8322 × probabilidade de automação de 2,90% = 43.754 empregos que podem ser automatizados.

Uma forma breve de comparar os resultados dos dois critérios de seleção escolhidos, máximo e mínimo, consiste em analisar diretamente a diferença entre as estimativas do número de empregos que podem ser automatizados em cada caso. Assim, segundo a Tabela 1, a diferença encontrada na ocupação 8322 alcança o expressivo valor de 1.434.826 empregos. Isso significa que, nessa ocupação, o número estimado de empregos automatizáveis com o critério máximo supera em 1.434.826 o valor calculado com o critério mínimo.

Também na Tabela 1, vemos que a diferença calculada pelo mesmo método é de 201 empregos na ocupação 2651 e de 691 empregos na ocupação 2633. Portanto, a escolha do critério de seleção parece importar muito menos para as ocupações 2651 e 2633. Chegamos a essa conclusão porque, em ambos os casos, a diferença é relativamente pequena quando comparada ao total de 91,4 milhões de pessoas ocupadas no Brasil, segundo a PNADC 2017. As diferenças calculadas para os códigos 2651 e 2633 também parecem menos relevantes quando comparadas ao universo mais restrito de 90,1 milhões de pessoas ocupadas nas 409 ocupações às quais foi possível aplicar as probabilidades de automação de Frey e Osborne (2017).

Como a análise dessa diferença permite comparar diretamente as estimativas máxima e mínima, calculamos a disparidade para todas as 409 ocupações com probabilidade de automação e as ordenamos da menor para a maior. O objetivo foi separar as ocupações para as quais o número de empregos automatizáveis depende muito do critério escolhido daquelas para as quais depende pouco. A Figura 1 mostra esse ordenamento.

Os números da Figura 1 levam a duas conclusões. A positiva é que, na maior parte das ocupações, a escolha do critério parece importar pouco: em quase todas, a diferença entre máximo e mínimo é pequena. A negativa é que, para algumas ocupações situadas no extremo direito da figura, os resultados podem diferir substancialmente conforme o critério adotado.

Com base nas evidências apresentadas na Figura 1, decidimos dividir as ocupações em dois grupos distintos. O primeiro é formado pela maior parte das ocupações: aquelas para as quais a escolha do critério de seleção parece não importar muito no cálculo do número de empregos que podem ser automatizados. O segundo grupo é formado pelas ocupações situadas no extremo direito da Figura 1: aquelas para as quais os critérios de seleção parecem muito relevantes.

Tomamos ainda outra decisão importante, que vale mencionar antes de passar à discussão dos critérios de seleção empregados em cada grupo. Decidimos incluir no segundo grupo — formado pelas ocupações situadas no extremo direito da Figura 1 — apenas as 40 ocupações que apresentam a maior diferença no número de empregos que podem ser automatizados. Como consequência, o primeiro grupo passou a ser composto pelas outras 369 ocupações (409 − 40 = 369).

Resta explicar os critérios de seleção aplicados a cada um dos dois grupos de ocupações. Para o primeiro grupo — formado pelas ocupações nas quais o número estimado de empregos automatizáveis quase não dependia do critério usado — decidimos aplicar o critério da média. Fizemos essa escolha porque a média tem a vantagem de ser mais simples. Além disso, favorecemos a média porque outros artigos já adotaram o mesmo critério: conhecemos pelo menos dois estudos, Pajarinen e Rouvinen (2014) e Bowles (2014), que usaram a média para aplicar a outros países as probabilidades de automação que Frey e Osborne (2017) estimaram para os Estados Unidos.

Para o segundo grupo — formado pelas ocupações em que a escolha do critério é muito relevante, pois altera substancialmente as estimativas de quantos empregos podem ser automatizados — fomos obrigados a adotar procedimento diferente. Na realidade, acabamos escolhendo duas probabilidades distintas de automação nesse caso: uma calculada pelo critério máximo e outra obtida pelo critério mínimo. Fizemos essa escolha com a intenção de gerar duas probabilidades de automação muito diferentes para cada ocupação do segundo grupo.

Decidimos selecionar duas probabilidades bastante diferentes para todas as ocupações do segundo grupo porque os números originais dessas profissões já mostram grande disparidade entre si. Entendemos, assim, que gerar duas probabilidades muito diferentes para cada ocupação preserva uma característica presente nos dados originais. Como se pode verificar na Figura 2, os dados originais das 40 ocupações que formam o segundo grupo já exibiam grande disparidade em suas probabilidades de automação.

A Figura 2 apresenta um histograma das probabilidades de automação originalmente associadas às 40 ocupações que formam nosso segundo grupo. Isto significa que a figura mostra não apenas as probabilidades de automação obtidas pelos critérios máximo e mínimo, mas também todas as demais probabilidades que foram originalmente associadas às 40 ocupações do segundo grupo. A figura mostra grande massa de probabilidades tanto em seu extremo esquerdo quanto em seu extremo direito; sua parte central, porém, apresenta pouca massa. Portanto, a Figura 2 deixa claro que os dados originais já continham probabilidades de automação muito diferentes entre si.

Agora precisamos explicar como lidamos com o fato de restarem não uma, mas duas probabilidades de automação para cada uma das 40 ocupações do segundo grupo — uma calculada pelo critério máximo e outra obtida pelo critério mínimo. Precisamos, portanto, explicar como selecionamos apenas uma entre as duas probabilidades associadas a cada uma dessas 40 ocupações.

Por um lado, escolhemos a probabilidade máxima de automação para as ocupações da classificação brasileira, COD 2010, codificadas como não gerenciais. Fizemos essa escolha para reproduzir o fato, verificado nos dados originais de Frey e Osborne (2017), de que probabilidades altas de automação costumam estar associadas a ocupações não gerenciais. Por outro lado, aplicamos a probabilidade mínima de automação às ocupações da classificação brasileira, COD 2010, codificadas como gerenciais. Também fizemos essa escolha para reproduzir o comportamento verificado nos dados originais de Frey e Osborne (2017), nos quais probabilidades baixas de automação costumam estar associadas a ocupações gerenciais.

Consideramos razoável a estratégia apresentada no parágrafo anterior porque ela permite fazer uma associação entre semelhantes. Mais precisamente, ela permite, de um lado, ligar probabilidades baixas de automação de Frey e Osborne (2017) a ocupações mais difíceis de máquinas substituírem, por serem classificadas como gerenciais na PNADC 2017. De outro, permite ligar probabilidades altas de Frey e Osborne (2017) a ocupações mais fáceis de máquinas substituírem, por serem classificadas como não gerenciais na PNADC 2017.

Tabela 2. Ilustração de como as probabilidades de automação foram escolhidas no caso brasileiro. Fontes: Frey e Osborne (2017), BLS, correspondência elaborada pelos autores e PNADC 2017.

A primeira ocupação apresentada na tabela, de código 2612, pertence ao primeiro grupo. Por isso, escolhemos calcular sua probabilidade de automação pelo critério da média, chegando a 52,0%. A segunda ocupação, de código 1219, pertence ao segundo grupo e verificamos que ela é de nível gerencial. Como pertence ao segundo grupo e é uma ocupação gerencial, escolhemos aplicar a probabilidade de automação do critério mínimo, de 1,5%. A tabela contém ainda uma terceira ocupação, de código 3334, pertencente ao segundo grupo. Ela, porém, é não gerencial; por isso, escolhemos aplicar a probabilidade de automação do critério máximo, de 97,0%.

Isso conclui a quarta e última etapa do processo. Em síntese: aplicamos a média a todas as ocupações do primeiro grupo; adotamos o mínimo para todas as ocupações gerenciais do segundo grupo; e usamos o máximo para todas as ocupações não gerenciais do segundo grupo.

4. Resultados

Concluído o processo de compatibilização, que permite associar uma única probabilidade de automação a cada ocupação, passamos a calcular a proporção de empregos brasileiros que, com base em tecnologias já existentes, provavelmente será substituída por máquinas na próxima uma ou duas décadas. Para produzir resultados comparáveis aos de Frey e Osborne (2017), dividimos as ocupações em: a) probabilidade alta de automação, superior a 70%; b) probabilidade média, superior a 30% e menor ou igual a 70%; e c) probabilidade baixa, menor ou igual a 30%.

Com base nessa divisão e seguindo Frey e Osborne, calculamos a proporção de empregos brasileiros sujeitos à substituição por máquinas pela razão entre, no numerador, o número de trabalhadores em ocupações de alta probabilidade de automação e, no denominador, o total de trabalhadores da economia. Considerando 52,4 milhões de pessoas em ocupações de alta probabilidade e 90,1 milhões de trabalhadores no total, obtivemos 58,1%: [52,4 ÷ 90,1] × 100 = 58,1%.

Ao aplicar ao contexto brasileiro as probabilidades de Frey e Osborne, estimamos que 58,1% dos empregos do país estão em risco de substituição por máquinas nos próximos 10 a 20 anos. A estimativa para o setor formal, de 55,1%, é semelhante à de Albuquerque et al. (2019), de 55,3%, e difere da de Lima et al. (2019), de 60,0%. Para o setor informal, estimamos risco maior: até 62% dos empregos informais do país poderiam desaparecer nas próximas duas décadas em razão da automação.

Tabela 3. Comparação entre a proporção de empregos automatizáveis em países em desenvolvimento. Fonte: Monroy-Taborda et al. (2016). Nota: tabela elaborada pelos autores.

Entendemos que a estimativa de 58,1% para o Brasil está de acordo com o que se esperaria para o país. Especialistas sustentam que a proporção de empregos automatizáveis tende a ser maior em países em desenvolvimento do que em países desenvolvidos (Banco Mundial, 2016), porque os primeiros se especializam em ocupações que exigem pouca qualificação e são, portanto, mais facilmente substituídas por máquinas (Banco Africano de Desenvolvimento, 2018).

O resultado brasileiro situa-se dentro da faixa observada em outros países em desenvolvimento e acima dos valores encontrados em países desenvolvidos. O Banco Mundial (2016) apresenta estimativas para um grupo selecionado de países em desenvolvimento, reproduzidas na Tabela 3. Embora tenha calculado a proporção de empregos automatizáveis para diversos desses países, o estudo não incluiu o Brasil.

Bowles (2014), por sua vez, calcula essa proporção para todos os países da União Europeia. Os resultados, reproduzidos na Tabela 4, incluem países desenvolvidos e em desenvolvimento. Para os países desenvolvidos, os valores são, em ampla maioria, menores que a estimativa brasileira: entre os dez países da União Europeia com maior renda per capita, os valores são 47,0% no Reino Unido e na Suécia; 49,0% na Irlanda e nos Países Baixos; 50,0% na Bélgica, Dinamarca e Luxemburgo; 51,0% na Alemanha e na Finlândia; e 54,0% na Áustria.

Tabela 4. Comparação entre a proporção de empregos automatizáveis nos países da União Europeia. Fonte: Bowles (2014). Nota: tabela elaborada pelos autores.

Mesmo em comparação com Frey e Osborne (2017), que estimam que 47,0% dos empregos americanos podem ser automatizados, o resultado parece coerente. Os Estados Unidos são um país desenvolvido e o Brasil, um país em desenvolvimento; segundo previsões de especialistas, a proporção de empregos em risco deveria ser maior no caso brasileiro. O número encontrado, 58,1%, está na direção esperada.

5. Considerações finais

Neste artigo, investigamos em que medida empregos brasileiros poderiam ser substituídos por máquinas no futuro próximo. Acrescentamos aos estudos anteriores a inclusão da economia informal. Com as probabilidades de automação de Frey e Osborne (2017), estimamos que máquinas podem substituir 58,1% dos empregos brasileiros em 10 a 20 anos. Para o setor informal, estimamos risco ligeiramente maior, de 62%, em comparação com 55% no setor formal. Esses resultados destacam a maior vulnerabilidade dos trabalhadores informais à automação.

É importante enfatizar que a perda líquida de empregos brasileiros deve ficar abaixo de nossa estimativa. O resultado encontrado, assim como a estimativa de Frey e Osborne, parte da hipótese de que máquinas substituem todos os empregos que são tecnicamente capazes de substituir. A eliminação efetiva desses postos depende, contudo, de outras questões, como condições econômicas e decisões políticas. Além disso, existe a possibilidade de criação de empregos, pois algumas ocupações são complementares — e não substituíveis — às novas tecnologias.

Mesmo que o resultado líquido da automação não seja a eliminação efetiva de 58,1% dos empregos brasileiros, acreditamos que a tentativa de medir diretamente o risco de automação, como apresentada inicialmente por Frey e Osborne (2017), é uma ferramenta poderosa para destacar quais empregos têm maior probabilidade de ser substituídos por máquinas. Esse conhecimento cria um ponto de partida sólido para discutir como reagir e prevenir perdas severas de emprego no futuro próximo.

Em vez de criar uma onda de pânico sobre perdas de empregos nas próximas décadas, essa abordagem deve ser entendida como um alerta: novas tecnologias são tecnicamente capazes de substituir uma parcela enorme dos empregos brasileiros. A questão da automação precisa, portanto, ser tratada imediatamente e com seriedade por formuladores de políticas públicas, acadêmicos e outras instituições. É principalmente por meio do desenho e da implementação de políticas eficazes que esses agentes poderão ajudar o Brasil a atenuar, ou mesmo evitar, perdas maciças de emprego decorrentes da automação nas próximas décadas.

Material complementar — versão de trabalho, fora da edição publicada

O conteúdo a seguir traduz o apêndice de análise de sensibilidade da versão de trabalho anterior. Ele não integra as 24 páginas da edição publicada acima e é mantido apenas como material suplementar, identificado separadamente.

Apêndice: análise de sensibilidade da versão de trabalho

Este apêndice vem da versão de trabalho anterior à publicação. Ela estimou a proporção de empregos brasileiros automatizáveis em 58,1% a partir de três escolhas: separar as ocupações em dois grupos; definir o tamanho do segundo grupo, fixado em 40 ocupações; e escolher para esse grupo o critério máximo nas ocupações não gerenciais e o mínimo nas gerenciais. Como a estimativa depende dessas três escolhas, os autores executaram uma análise de sensibilidade para determinar em que medida o resultado depende delas. Para simplificar a discussão, dividiram a análise em duas partes: escolhas muito relevantes e escolhas quase irrelevantes.

Escolha muito relevante

Somente a primeira das três escolhas mostrou grande relevância: separar as ocupações em dois grupos. A Tabela 5 apresenta o resultado principal e uma estimativa alternativa, calculada sem dividir as ocupações. No caso alternativo, todas as ocupações formam um único grupo e o critério da média é aplicado a todas. Esse cenário foi escolhido porque estudos semelhantes, como Bowles (2014) e Pajarinen e Rouvinen (2014), seguiram exatamente esse procedimento; ele permite identificar como o resultado muda quando se emprega o mesmo critério adotado nesses trabalhos.

Tabela 5. Proporção de empregos automatizáveis segundo o número de grupos considerado. Fontes: Frey e Osborne (2017), BLS, correspondência elaborada pelos autores e PNADC 2017.

Quando se aplica a média a todas as ocupações e, portanto, se replica o procedimento de artigos semelhantes, chega-se a 44,3% dos empregos brasileiros substituíveis por máquinas com tecnologias existentes. À luz da discussão do estudo, os autores consideram que esse resultado faz pouco sentido para o Brasil por duas razões. Primeiro, 44,3% é valor próximo dos 47,0% estimados para os Estados Unidos e muito inferior ao normalmente calculado para países em desenvolvimento. Segundo, o critério da média é aplicado não somente às ocupações do primeiro grupo, mas também às do segundo, justamente aquelas que apresentam simultaneamente probabilidades muito altas, próximas de um, e muito baixas, próximas de zero. A média cria uma probabilidade intermediária pouco semelhante aos dados originais, caracterizados pela presença concomitante de valores nos extremos opostos da distribuição.

Essa discussão reforça a escolha de dividir as ocupações em dois grupos e adotar critérios distintos para cada um. Segundo os autores, essa divisão gera um vetor de probabilidades de automação capaz de refletir melhor as características dos dados originais de Frey e Osborne (2017).

Escolhas quase irrelevantes

As duas últimas decisões se aplicam apenas ao segundo grupo e são, felizmente, quase irrelevantes para a proporção estimada de empregos automatizáveis. A segunda escolha diz respeito ao tamanho do segundo grupo; a terceira, ao critério de seleção aplicado a ele. A Tabela 6 mostra que o resultado permanece praticamente inalterado quando se consideram diferentes tamanhos ou critérios. Para o tamanho, as alternativas são restringir o grupo a 30 ocupações ou ampliá-lo para 50. Para os critérios, as alternativas são usar o percentil 90 nas ocupações não gerenciais e o percentil 10 nas gerenciais, ou o percentil 75 nas não gerenciais e o percentil 25 nas gerenciais.

Tabela 6. Proporção de empregos automatizáveis segundo duas características do segundo grupo: tamanho escolhido e critério de seleção. Fontes: Frey e Osborne (2017), BLS, correspondência elaborada pelos autores e PNADC 2017.

O menor valor observado é 57,2%. Ele aparece quando se alocam apenas 30 ocupações no segundo grupo e se aplicam o percentil 75 às ocupações não gerenciais e o percentil 25 às gerenciais. A maior proporção é 58,8%, obtida quando se alocam 50 ocupações no segundo grupo e se aplicam o máximo às ocupações não gerenciais e o mínimo às gerenciais. Em resumo, os autores consideram os resultados da Tabela 6 encorajadores, pois são em geral muito semelhantes à estimativa preferida de 58,1%. Os números confirmam que a estimativa muda pouco quando se variam o tamanho e os critérios do segundo grupo.

Notas da edição publicada

1. Fonte dos dados: PNADC 2017, fornecida pelo IBGE.

2. Mokyr et al. (2015) examinam cuidadosamente a história da ansiedade tecnológica.

3. Há também uma vertente que discute a possibilidade de a automação criar empregos. Embora ela não seja incluída no artigo, os autores recomendam Autor et al. (2015) como referência.

4. Ver Ulyssea (2006) para uma revisão completa desse tema.

5. Fonte dos dados: PNADC 2017, fornecida pelo IBGE.

6. As bases têm diferenças importantes; a discussão delas está fora do escopo do artigo. Para comparação detalhada, ver De Negri et al. (2001).

7. Maia e Sakamoto (2015) argumentam: “Como esses conceitos são muito semelhantes aos utilizados pela CBO brasileira e pela OCS americana, os grupos refletem principalmente a estrutura proposta por esses sistemas” (p. 5).

8. Ver, por exemplo, Banco Mundial (2016).

9. Mais precisamente, foram usadas informações dos documentos do IBGE, consultados em 23 de julho de 2020: https://www.ibge.gov.br/arquivo/projetos/sipd/oitavo_forum/COD.pdf e ftp://ftp.ibge.gov.br/Censos/Censo_Demografico_2010/metodologia/anexos/anexo_7_ocupacao_cod.pdf.

10. Nessa etapa, perderam-se seis ocupações — 428 das 434 foram compatibilizadas — que existem na COD 2010, mas não estão presentes na PNADC 2017.

11. Não foi possível atribuir probabilidade de automação a 19 das 428 ocupações compatibilizadas, ou 4,4%. Em empregos, o processo atribuiu alguma probabilidade a 90,1 dos 91,4 milhões de postos compatibilizados; 1,3 milhão, ou 1,4%, permaneceu sem probabilidade.

12. Ocupações não gerenciais na PNADC 2017 são as de códigos que começam por qualquer algarismo diferente de 1.

13. No estudo original de Frey e Osborne, os autores consideram não gerenciais as ocupações cujo título não contém a palavra “supervisor”.

14. Ocupações gerenciais na PNADC 2017 são as de códigos que começam pelo número 1.

15. No estudo original, consideram-se gerenciais as ocupações cujo título contém a palavra “supervisor”.

16. O código começa pelo número 1.

17. O código não começa pelo número 1.

18. Códigos que começam pelo número 1.

19. Códigos que não começam pelo número 1.

20. O Banco Mundial (2016) adota procedimento semelhante, aplicando as probabilidades de Frey e Osborne a vários países em desenvolvimento para estimar a proporção de empregos substituíveis por máquinas. Surpreendentemente, não considera o Brasil.

21. Bowles (2014) usa metodologia semelhante, mas aplica as probabilidades de Frey e Osborne a todos os países da União Europeia, podendo calcular a proporção de empregos automatizáveis em cada nação analisada.

Referências da edição publicada

ACEMOGLU, D.; RESTREPO, P. Robots and jobs: Evidence from US labor markets. Journal of Political Economy, v. 128, n. 6, p. 2188-2244, 2020.

ADAMCZYK, W.; FRANÇA, M.; FOCHEZATTO, A. Technological unemployment in Brazil: effects of automation on job market occupations. Encontro Nacional de Economia, v. 47, 2019.

AFRICAN DEVELOPMENT BANK GROUP. The Future of Work: Regional Perspectives. Washington, DC, 2018.

ALBUQUERQUE, P. H. M. Na era das máquinas, o emprego é de quem? Estimação da probabilidade de automação de ocupações no Brasil. Textos para Discussão IPEA, 2019. Disponível em: <http://www.ipea.gov.br/portal/images/stories/PDFs/TDs/190329_td_2457.pdf>.

ARNTZ, M.; GREGORY, T.; ZIERAHN, U. Revisiting the risk of automation. Economics Letters, 2017a. Disponível em: <http://dx.doi.org/10.1016/j.econlet.2017.07.001>.

ARNTZ, M.; GREGORY, T.; ZIERAHN, U. Technology and Jobs in the Fourth Industrial Revolution. Labor Productivity and the Digital Economy.

ATKINSON, R. D.; WU, J. False alarmism: Technological disruption and the US labor market, 1850-2015. Information Technology & Innovation Foundation, maio de 2017.

AUTOR, D. Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, v. 29, n. 3, p. 3-30, 2015.

AUTOR, D.; LEVY, F.; MURNANE, R. J. The skill content of recent technological change: An empirical exploration. Quarterly Journal of Economics, v. 118, n. 4, p. 1279-1333, 2003.

AUTOR, D.; SALOMONS, A. Is Automation Labor Share-Displacing? Productivity Growth, Employment, and the Labor Share. Brookings Papers on Economic Activity, p. 1-87, 2018.

BRYNJOLFSSON, E.; MCAFEE, A. Race against the machine. Lexington, MA: Digital Frontier Press, 2011.

BRYNJOLFSSON, E.; MCAFEE, A. The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & Company, 2014.

DAUTH, W. German robots - the impact of industrial robots on workers. 2017.

DE NEGRI. Mercado formal de trabalho: comparação entre os microdados da RAIS e da PNAD. 2001.

DICARLO, E.; LO BELLO, S.; MONROY-TABORDA, S.; OVIEDO, A. M.; PUERTA, M. L. S.; SANTOS, I. V. The Skill Content of Occupations across Low and Middle Income Countries: Evidence from Harmonized Data. IZA Discussion Paper, n. 10224, 2016.

FREY, C. B.; OSBORNE, M. A. The future of employment: how susceptible are jobs to computerisation? Technological Forecasting and Social Change, v. 114, p. 254-280, 2017.

GONZAGA, G.; GUANZIROLI, T. Returns to experience across tasks: evidence from Brazil. Applied Economics Letters, v. 26, n. 20, p. 1718-1723, 2019.

GRAETZ, G.; MICHAELS, G. Robots at work. Review of Economics and Statistics, v. 100, n. 5, p. 753-768, 2018.

JEREMY, B.; BOWLES, J. The computerisation of European jobs. Disponível em: <https://www.bruegel.org/2014/07/the-computerisation-of-european-jobs>.

KEYNES, J. M. Economic Possibilities for our Grandchildren. Essays in Persuasion, p. 358-373, 1933.

LIMA, Y.; STRAUCH, J. M.; ESTEVES, M. G. P.; SOUZA, J. M. de; CHAVES, M. B.; GOMES, D. T. O Futuro do Emprego no Brasil: Estimando o Impacto da Automação. Laboratório do Futuro, Rio de Janeiro, 2019.

MACIENTE, A. N. Uma análise setorial e regional das competências laborais no Brasil. 2012.

MACIENTE, A. N. “Competências e Habilidades Ocupacionais no Brasil”. In: Rede de pesquisa, formação e mercado de trabalho: coletânea de artigos, 1. ed., v. II. Brasília: Ipea; ABDI, 2014.

MAIA, A. G.; SAKAMOTO, A. Estrutura ocupacional e desigualdade socioeconômica: um estudo comparativo entre o Brasil e os Estados Unidos. Economia e Sociedade, v. 24, n. 2, p. 229-261, 2015.

PAJARINEN, M.; ROUVINEN, P. Computerization threatens one third of Finnish employment. Etla Brief, v. 22, n. 13.1, 2014.

SANTOS, A. T.; OTTONI, B. E.; HERMETO, A. M. C. O. Evolução dos prêmios salariais relativos a habilidades ocupacionais: uma análise do período de 2006 a 2016. 41º Encontro Nacional de Economia, São Paulo, 2019.

ULYSSEA, G. Informalidade no mercado de trabalho brasileiro: uma resenha da literatura. Brazilian Journal of Political Economy, v. 26, n. 4, p. 596-618, 2016.

WORLD BANK GROUP. World development report 2016: digital dividends. World Bank Publications, 2016.

Sobre os autores e o artigo

Bruno Ottoni Eloy Vaz — bruno_ottoni@idados.id. IDados, Rio de Janeiro, RJ, Brasil. ORCID: https://orcid.org/0000-0001-9746-8811.

Lucas Alexandre Estrela Ferreira Fernandes — lucas.aeff6@gmail.com. Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto, Universidade de São Paulo, Ribeirão Preto, SP, Brasil. ORCID: https://orcid.org/0000-0001-8274-959X.

Paulo Rocha e Oliveira — paulo@iese.edu. ISE e IESE Business School, São Paulo, SP, Brasil. ORCID: https://orcid.org/0000-0001-6293-6830.

Ana Tereza Pires dos Santos — anatereza@idados.id. IDados, Rio de Janeiro, RJ, Brasil. ORCID: https://orcid.org/0000-0001-7935-5450.

Tiago Cabral Barreira — tiago_cabral@idados.id. IDados, Rio de Janeiro, RJ, Brasil. ORCID: https://orcid.org/0000-0003-4396-1365.

Artigo recebido em 23 de julho de 2020 e aprovado para publicação em 10 de fevereiro de 2021. DOI: http://dx.doi.org/10.1590/0103-6351/6367. Esta publicação está licenciada sob a licença Creative Commons Attribution 4.0 International.