Amortecedor ou gargalo?

As evidências empíricas sobre os efeitos potenciais da inteligência artificial generativa (IA generativa) concentram-se, em sua maior parte, em países de alta renda. Em contraste, sabe-se pouco sobre o papel dessa tecnologia nas trajetórias econômicas futuras das economias em desenvolvimento. Este artigo contribui para reduzir essa lacuna ao estimar a exposição do mercado de trabalho latino-americano à IA generativa. Ele apresenta estatísticas detalhadas de exposição entre países e dentro deles, usando um amplo conjunto de pesquisas harmonizadas de domicílios e de força de trabalho.

Para considerar o ritmo mais lento de adoção tecnológica nas economias em desenvolvimento, o estudo ajusta as medidas de exposição à IA generativa pela probabilidade de acesso a tecnologias digitais no trabalho. Em seguida, usa esse ajuste para avaliar até que ponto a divisão digital entre países e no interior deles impede que ocupações potencialmente aumentadas por ferramentas de IA generativa realizem ganhos de produtividade.

Os resultados mostram que determinadas características se correlacionam de modo consistente com maior exposição. Empregos urbanos, que exigem mais escolaridade, situados no setor formal e ocupados por pessoas de maior renda têm maior probabilidade de interagir com a tecnologia. Há também uma inclinação nítida para trabalhadores mais jovens enfrentarem maior exposição, inclusive ao risco de automação, sobretudo em finanças, seguros e administração pública. Quando se ajusta a exposição pelo acesso a tecnologias digitais, a divisão digital aparece como barreira relevante aos efeitos positivos da IA generativa sobre o trabalho: quase metade das posições que poderiam se beneficiar de aumento de capacidade é prejudicada pela falta de uso de tecnologias digitais. O efeito negativo é mais forte nos países mais pobres.

Desde a chegada de modelos conversacionais como ChatGPT, Bard e Gemini, a atenção pública à IA generativa vem crescendo. As capacidades impressionantes dos grandes modelos de linguagem (LLMs), seguidas por sistemas de IA baseados em redes neurais capazes de gerar imagens e até vídeos a partir de instruções simples, levantaram questões éticas e de segurança importantes para formuladores de políticas nacionais e estruturas de cooperação internacional. Para os cidadãos, porém, o tema que mais concentra atenção cotidiana é o impacto dessas ferramentas, que avançam rapidamente, sobre os empregos.

Nos Estados Unidos, mais da metade dos adultos está mais preocupada do que animada com a IA no cotidiano; a “perda de empregos humanos” é a preocupação mais importante (Faverio e Tyson, 2022; Pew Research Center, 2023; Rutgers, 2024). Na Suíça, uma pesquisa de 2023 com mil pessoas que já trabalhavam com computador mostrou que quase metade, 43%, temia perder o emprego nos cinco anos seguintes. Entre quem usava IA generativa no trabalho com frequência, a proporção preocupada chegava a 69% (Grampp et al., 2023). O resultado sugere afastamento rápido das avaliações mais positivas registradas pela OCDE antes da chegada pública dos chatbots no fim de 2022: quatro em cada cinco trabalhadores diziam que a IA havia melhorado seu desempenho e três em cada cinco que havia aumentado seu prazer no trabalho; eles também avaliavam positivamente seus efeitos sobre saúde física e mental e sobre decisões (Lane et al., 2023; OCDE, 2023).

Não surpreende que a transformação potencial da interação entre IA generativa e mercados de trabalho também tenha atraído atenção crescente de pesquisadores. As questões principais envolvem emprego, ocupações emergentes, produtividade e qualidade do trabalho. Uma revisão recente do FMI reúne essa literatura, mas destaca a escassez de estudos que ultrapassem os países de alta renda (Comunale e Manera, 2024).

O estudo busca cobrir essa lacuna ao fornecer evidências sobre os impactos potenciais da IA generativa nos mercados de trabalho da América Latina e do Caribe (ALC). Com base na abordagem de Gmyrek, Berg e Bescond (2023), doravante GBB, ele estima a exposição à IA entre e dentro dos países usando pesquisas harmonizadas de domicílios e força de trabalho do Banco Mundial e da OIT. Ao combinar as vantagens comparativas das bases das duas instituições, constrói panorama regional completo e estimativas nacionais de exposição ocupacional potencial, desagregadas por características demográficas detalhadas e do mercado de trabalho.

Uma contribuição importante é a primeira tentativa de adaptar medidas de exposição dos empregos à IA generativa ao contexto de países em desenvolvimento. Neles, até trabalhadores de ocupações que tenderiam a se beneficiar da tecnologia podem não colher seus ganhos por falta de acesso à infraestrutura digital. O ajuste é implementado ao estimar o uso de computadores no trabalho por ocupações ISCO de dois dígitos e por características de trabalhadores e países, com dados do PIAAC; depois, essas estimativas são imputadas às observações individuais nas pesquisas nacionais da base SEDLAC. Assim, entre trabalhadores que poderiam se beneficiar da IA generativa pela natureza da ocupação, distinguem-se os que têm acesso a tecnologias digitais e os que não têm. O tamanho do segundo grupo indica quantos trabalhadores não poderão obter ganhos de produtividade apesar de seus empregos poderem teoricamente se beneficiar da transformação. O artigo também examina a demografia dos grupos mais sujeitos a essas limitações de infraestrutura.

Os resultados indicam que entre 30% e 40% do emprego na ALC está exposto de algum modo à IA generativa. A exposição se relaciona à situação econômica dos países: níveis de renda são forte correlato do impacto da tecnologia nos mercados de trabalho. O total reúne três categorias — exposição à automação, à ampliação de capacidade e ao “grande desconhecido”. Esta última inclui ocupações que, conforme o avanço tecnológico e o uso de aplicações complementares, como agentes baseados em LLMs, podem aproximar-se mais da automação ou da ampliação de capacidade.

Certas características se associam consistentemente a maior exposição total: empregos urbanos, de maior escolaridade, formais e ocupados por pessoas de maior renda relativa. A parcela exposta à automação é relativamente pequena, mas não trivial: cerca de 2% a 5% do emprego total. Trabalhadores jovens e mulheres tendem a enfrentar maior exposição à automação, em especial em finanças, seguros e administração pública. Em todos os países da ALC, a parcela de empregos que poderia se beneficiar de transformação produtiva com IA generativa é maior que a parcela com risco de automação: varia de 8% a 12% do emprego. Isso ocorre principalmente em educação, saúde e serviços pessoais. Setores voltados ao atendimento ao cliente — varejo, comércio, hotéis e restaurantes — têm exposição elevada ao “grande desconhecido”, a maior parcela das estimativas, entre 14% e 21% do emprego. A categoria mostra que é mais fácil estabelecer exposição ocupacional do que prever precisamente como grande parte das ocupações atuais evoluirá.

Por fim, o acesso a tecnologias digitais é determinante crítico da possibilidade de trabalhadores aproveitarem benefícios da IA generativa. Quase metade das posições que poderiam se beneficiar da ampliação de capacidade é limitada por deficiências digitais que impedem a realização desse potencial. Especificamente, 6,24% dos empregos ocupados por mulheres e 6,22% dos ocupados por homens são afetados por essas lacunas. Limitações semelhantes atingem ocupações do “grande desconhecido”: ainda que parte delas possa migrar para uma trajetória de ampliação de capacidade, pela complementaridade crescente entre IA generativa e trabalhador humano, lacunas digitais impedem esse cenário para grandes parcelas desses empregos.

O restante do estudo está organizado da seguinte maneira: a seção 2 apresenta a ALC e os efeitos teóricos esperados da interação entre IA generativa e mercados de trabalho; a seção 3 descreve dados e método; a seção 4 detalha os resultados; e a seção 5 apresenta a discussão final.

A definição de América Latina e Caribe pode variar entre instituições. Neste estudo, os autores adotam uma abordagem pragmática: incluem o maior número de países para os quais encontram dados de qualidade suficiente nas bases do Banco Mundial, da OIT e de outras fontes relevantes. A amostra final reúne 22 países, apresentados na Figura 1 por grupo de renda do Banco Mundial em 2022 e população total. A região é muito heterogênea: vai de ilhas caribenhas com menos de meio milhão de habitantes a países populosos, como Brasil e México; inclui países de alta renda, como Uruguai e Panamá, e países de menor renda, como Nicarágua e Honduras.

Figura 1: PIB per capita, população e situação de renda dos países da ALC incluídos na amostra.

Embora exista ampla literatura sobre impactos de mudança tecnológica nos resultados do mercado de trabalho da ALC (por exemplo, Dutz et al., 2018), espera-se que a incidência da IA generativa seja diferente da de rupturas anteriores. Autor (2024) argumenta que o impacto transformador de novas tecnologias ocorre pela remodelação da especialização humana. Ele ilustra a hipótese com dois exemplos: adoção da produção em massa nos séculos XVIII e XIX e adoção de tecnologias digitais desde os anos 1960. A produção em massa transformou o trabalho complexo de artesãos em tarefas simples e autocontidas, executadas por trabalhadores de produção com máquinas novas e supervisionadas por pessoas de maior escolaridade. A demanda crescente por essa “especialização em massa” veio acompanhada de número crescente de concluintes do ensino médio, contribuindo para o surgimento de nova classe média.

Mais tarde, tecnologias digitais passaram a executar tarefas rotineiras ao codificá-las em regras determinísticas. Tarefas não rotineiras não podiam ser substituídas porque não são adquiridas por aprendizado de regras, mas por aprender fazendo. Como resultado, as tecnologias digitais criaram nova forma de especialização: permitiram que profissionais obtivessem e processassem informações com mais eficiência e dedicassem mais tempo a interpretá-las e aplicá-las. Empregos rotineiros substituídos tendiam a estar no meio da distribuição de rendimentos, enquanto os não rotineiros complementados pela digitalização se concentravam no topo, levando à polarização do mercado de trabalho.

Em contraste, a IA pode executar tarefas não rotineiras que frequentemente exigem conhecimento tácito. Ela pode permitir que trabalhadores sem posição de elite — como enfermeiros — tomem decisões complexas e automatizar parte das tarefas de trabalhadores muito qualificados, como médicos, engenheiros de software e advogados. Os impactos finais sobre empregos, contudo, dependem de outros fatores. Por exemplo, impactos diretos de automação podem ser compensados por efeitos positivos sobre produtividade que reforcem a demanda por trabalho.

Embora ainda não existissem avaliações granulares anteriores de exposição ocupacional à IA generativa para a ALC, estudos mais amplos haviam comparado a região a outras. GBB (2023) situava a ALC no meio do ranking regional de exposição potencial à automação, com 2,5% do emprego total nessa categoria. Quanto ao potencial de ampliação de capacidade, o mesmo estudo colocava a região como terceira a partir de baixo, com 12,8% do emprego. O estudo global do Fórum Econômico Mundial (2023), embora não fornecesse ranking regional específico, projetava uma rotatividade estrutural do trabalho em cinco anos de 22% na ALC, pouco abaixo da média global, de 23%. Portanto, a região pode ser caracterizada como conjunto de economias com exposição média à IA generativa: menor que a das nações mais industrializadas, mas maior que a de regiões de baixa renda, tornando-se referência intermediária relevante.

Figura 2: Potencial de automação e de ampliação de capacidade: ALC em comparação com outras regiões.

Fonte: Gmyrek et al. (2023).

Em teoria, a ascensão da IA generativa e seus efeitos positivos potenciais sobre produtividade do trabalho oferecem oportunidade significativa para países em desenvolvimento. Estudos recentes do setor privado chegam a sugerir que adoção disseminada de IA poderia adicionar de 0,1 a 1,5 ponto percentual ao crescimento anual da produtividade em países de alta renda, com estimativas pouco menores para mercados emergentes (Goldman Sachs, 2023; McKinsey, 2023). Essas projeções podem ser especialmente atraentes para a ALC, região que enfrenta há muito tempo uma lacuna persistente de produtividade diante de outras áreas do mundo. Enquanto países em desenvolvimento da Ásia e da Europa reduziram sua distância de produtividade em relação aos Estados Unidos entre 1990 e 2019, a distância da ALC cresceu no mesmo período (FMI, 2022). As tendências recentes também preocupam: apesar de variação entre países, o crescimento agregado da produtividade na ALC ficou quase nulo desde o início da desaceleração global dos últimos dez anos (Dieppe, 2021).

As barreiras à inovação e à adoção de tecnologia têm sido particularmente importantes para limitar a produtividade na ALC. A IA generativa poderia romper esse impasse? Estudos empíricos recentes em ambientes ocupacionais específicos sugerem efeitos grandes: Peng et al. (2023), em experimento controlado com programadores profissionais, encontraram redução de 56% no tempo de tarefas de programação quando havia acesso a assistente de IA generativa. Brynjolfsson et al. (2023) identificam aumento da produtividade de agentes de suporte ao cliente, medido por problemas resolvidos por hora, concentrado em trabalhadores iniciantes e de menor habilidade. Noy e Zhang (2023) encontram que acesso ao ChatGPT melhora a produtividade de profissionais da escrita, elevando a qualidade e reduzindo o tempo de produção, com maiores benefícios para trabalhadores de menor capacidade.

Apesar desse potencial, há motivos importantes para cautela na ALC e nas economias emergentes. Primeiro, projeções macroeconômicas iniciais podem ser otimistas demais e partir de modelos excessivamente simplificados. Acemoglu (2024) combina tarefas consideradas expostas por Eloundou et al. (2023), seu impacto efetivo sobre o PIB, a economia de escala de tempo das tarefas e a viabilidade econômica da implantação de IA (Svanberg et al., 2024). O resultado é ganho modesto de 0,71% de produtividade total dos fatores ao fim de dez anos; ao considerar tarefas difíceis de aprender, cai para 0,55%, correspondente a 0,92% adicional de crescimento do PIB em dez anos. O impacto ocupacional também depende de como a tecnologia será implementada. Doellgast et al. (2023) sugerem que os benefícios de produtividade são menores se novas ferramentas servirem principalmente ao controle de trabalhadores, limitando criatividade e oportunidades de maior valor por inovação em produtos e serviços. Acemoglu também mostra que o resultado depende das novas tarefas que surgirão; algumas podem gerar pouco valor econômico ou até “males públicos” — por exemplo, tarefas que respondem à maior complexidade e custo da segurança de rede ou à manipulação de conteúdo — contabilizados indevidamente como PIB por seu valor monetário.

Segundo, adoção e exposição devem ser mais lentas em países em desenvolvimento, onde menos trabalhadores usam tecnologias digitais. Duas pessoas na mesma ocupação podem ter exposição muito diferente se uma usa computador ou internet no trabalho e a outra não. A cobertura de internet nos países da ALC varia de menos de 50% a mais de 90% da população e a divisão digital acompanha claramente as diferenças de renda entre países. O objetivo central do artigo é quantificar o efeito limitador dessas lacunas, que também serve como aproximação dos desafios de regiões de renda e infraestrutura digital ainda menores. A hipótese de trabalho é que acesso a computador e internet no trabalho é requisito mínimo para realizar ganhos de produtividade de ferramentas de IA generativa: sem esse básico, o trabalhador fica excluído desses ganhos no contexto profissional.

Terceiro, além de infraestrutura física, custos de software afetam a viabilidade econômica. Licenças básicas de produtos como ChatGPT ou Microsoft Copilot podem custar US 20 a US 30 por usuário ao mês, valor significativo se aplicado a muitos funcionários. Soluções empresariais — por integração simples de API ou sistemas proprietários mais complexos — podem custar muito mais. Em países de alta informalidade, como os da ALC, esses custos são proibitivos para muitas empresas pequenas, fora do alcance de apoio público à adoção tecnológica rápida. Mesmo nos Estados Unidos, Svanberg et al. (2024) estimam que, entre ocupações com alta exposição teórica à IA, custos atuais de automação com visão computacional fariam a maioria das empresas adiar a implementação. Mesmo queda rápida de custos resultaria em implantação gradual; em países da ALC, com menor renda e mais limitações digitais, o processo tende a ser ainda mais lento, sobretudo em empresas pequenas e no setor informal.¹

Quarto, trabalhadores precisam de nível mínimo de habilidades fundamentais para aproveitar plenamente a tecnologia (Autor, 2024), e tais habilidades tendem a ser mais escassas em países em desenvolvimento (OCDE/PIAAC, 2019). Na ALC, a lacuna de estoque e qualidade do capital humano diante de países desenvolvidos já era relevante antes de 2020 (Bakker et al., 2020), e o fechamento de escolas na pandemia ampliou-a (Schady et al., 2023). Experimentos recentes com IA generativa se concentram em grupos muito especializados, que executam tarefas complexas e provavelmente estão no topo da distribuição de habilidades digitais da maior parte dos países em desenvolvimento. Portanto, a evidência de redução de desigualdade de habilidades dentro desses grupos não pode ser extrapolada diretamente para toda a economia. O amplo setor informal da ALC também reduz a transferibilidade de habilidades, por oferecer menos treinamento no trabalho ou esquemas públicos de desenvolvimento de competências do que países de alta renda.

Quinto, experimentos e modelos macroeconômicos recentes não incorporam efeitos de equilíbrio geral ou de segunda ordem sobre emprego. Produtividade maior pode elevar emprego e salários em setores com demanda de consumo em crescimento rápido, mas não necessariamente em setores de demanda estável (Autor, 2024). Esses efeitos diferem entre países. Em economias em desenvolvimento, onde grande parcela da força de trabalho é informal e adoção tecnológica e investimento privado se concentram em pequena parcela de firmas formais (Cirera e Cruz, 2022), trabalhadores deslocados de empregos formais podem ter mais dificuldade de encontrar empregos de qualidade do que em países ricos. Embora o estudo não modele esses efeitos em detalhe, suas estimativas de exposição fornecem perfil dos grupos socioeconômicos mais prováveis de experimentar os impactos de primeira ordem.

Historicamente, ao lado da África Subsaariana, a ALC é uma das regiões mais desiguais do mundo (Banco Mundial, 2016a), e sua desigualdade de renda é fortemente influenciada por mudanças na estrutura do mercado de trabalho (Azevedo et al., 2013). As preocupações com novas tecnologias são coerentes com evidências de ondas recentes de mudança tecnológica, que tenderam a favorecer trabalhadores qualificados e ampliar a diferença entre baixa e alta renda (Acemoglu e Restrepo, 2022; Autor et al., 2008). A modelagem de Acemoglu (2024) também sugere que, em quase todos os cenários teóricos, a implantação de IA tende a ampliar a desigualdade entre capital e trabalho e a desigualdade de renda entre grupos demográficos, com consequências particularmente negativas para mulheres norte-americanas de baixa escolaridade.²

Na ALC, Dutz et al. (2018) discutem desafios digitais e inclusão em estudos de caso da adoção tecnológica latino-americana. O impacto distributivo da IA depende de ganhos de produtividade e produção superarem o deslocamento de trabalho por substituição tecnológica. Ainda que o uso de IA na América Latina permaneça baixo, evidência recente é mais consistente com mudança tecnológica enviesada para habilidades que com o modelo de polarização de empregos (Brambilla et al., 2023; Messina et al., 2016; Messina e Silva, 2018). Conclusões semelhantes aparecem em literatura sobre o restante do mundo em desenvolvimento (Das e Hilgenstock, 2022), embora Maloney e Molina (2016) encontrem evidência de polarização incipiente no Brasil e no México.

As ocupações da ALC também diferem visivelmente por gênero. Para homens, a maior parcela do emprego está em ocupações elementares, agricultura, silvicultura e pesca, seguidas por artesanato e ofícios. Para mulheres, as maiores categorias são serviços e vendas, seguidas por ocupações elementares. Em serviços e vendas, o padrão é semelhante entre grupos de países: homens predominam apenas em serviços de proteção, enquanto mulheres têm parcelas muito maiores em cuidado pessoal, vendas e serviços pessoais. No nível ISCO de dois dígitos, excluídas profissões de TI, ciência e engenharia, mulheres estão significativamente mais presentes em categorias profissionais, sobretudo ensino, saúde, administração empresarial e ocupações jurídicas, sociais e culturais. Esse padrão se estende ao trabalho de escritório e se intensifica conforme aumenta a renda dos países, o que merece atenção porque categorias de escritório e profissionais foram identificadas como mais expostas ao risco de automação por IA generativa.

Como diferenças de estrutura ocupacional correspondem a diferentes níveis de habilidade e escolaridade — apoio administrativo, técnicos e profissionais situam-se usualmente nas faixas média e alta de habilidade da ISCO-08 —, a IA generativa que siga as estruturas existentes pode afetar a desigualdade total de renda. No melhor cenário, aumenta a produtividade de trabalhadores de menor habilidade em ocupações expostas, permitindo rendas maiores e distribuição mais ampla. No pior, automatiza empregos de escritório, técnicos e profissionais, largamente ocupados por mulheres, enquanto oportunidades em empregos ampliados por IA permanecem limitadas devido à concentração do emprego atual em ocupações elementares e no setor informal, onde adoção tecnológica e investimento são baixos. Os resultados detalhados por grupo socioeconômico pretendem esclarecer esses efeitos de primeira ordem. Os autores ressaltam que resultados finais dependerão também das políticas e marcos legais, tema fora do escopo regional; as estatísticas por país disponibilizadas junto à publicação podem subsidiar essas políticas.³

Desigualdades de acesso à tecnologia e de estrutura ocupacional podem determinar se o ganho de produtividade se espalha ou se aprofunda desigualdades. No cenário mais favorável, a IA generativa amplia a produtividade de trabalhadores menos qualificados em ocupações expostas, permitindo maior renda e distribuição de rendimentos mais abrangente. No pior cenário, a transição automatiza empregos predominantemente femininos em ocupações administrativas, técnicas e profissionais, mas cria poucas oportunidades de empregos ampliados por IA. O risco é agravado pela concentração de emprego atual em ocupações elementares e no setor informal, onde adoção tecnológica e investimento privado são baixos. Por isso, o estudo apresenta perfil detalhado dos grupos socioeconômicos mais expostos. Os resultados finais dependerão também dos marcos de política presentes e futuros; embora a análise de políticas e leis nacionais esteja fora do escopo, as estatísticas detalhadas disponibilizadas junto à publicação podem subsidiar esse debate.

3.1 Exposição ocupacional à IA generativa

Os autores combinam várias bases de dados para estimar a exposição ocupacional à IA, explorando as vantagens específicas de cada uma. O indicador principal são as pontuações de exposição à IA de Gmyrek, Berg e Bescond (2023) no nível ISCO-08 de quatro dígitos. Essas pontuações usam a documentação técnica da ISCO-08, que lista tarefas típicas para cada um dos 436 grupos ocupacionais detalhados e serve de base para vincular pesquisas nacionais de trabalho ao padrão internacional comparável da OIT.

GBB partem de Eloundou et al. (2023), que encontraram forte alinhamento entre previsões do GPT-4 e uma pesquisa com 70 especialistas em IA sobre possibilidade de automatizar tarefas ocupacionais com LLMs; também se apoiam em Bubeck et al. (2023), que testa extensamente as capacidades do modelo, incluindo elaborar relações lógicas, resolver tarefas complexas e justificar decisões. Pela API do GPT-4, os autores construíram chamada sequencial que percorreu cada uma das 3.123 tarefas da documentação e pediu avaliação da viabilidade técnica de realizá-la com GPT-4 ou LLM de capacidade semelhante. A escala vai de 0 a 1; 1 significaria execução plena e autônoma, sem operador humano — nenhuma tarefa recebeu 1. O modelo também deveria justificar cada pontuação por escrito.

Pontuações e justificativas foram revisadas quanto à consistência e estabilidade das previsões no tempo, com leitura humana das justificativas. Tarefas com pontuação acima de 0,8, isto é, alta possibilidade de automação, foram transformadas em embeddings e agrupadas por algoritmo de clusterização semântica; os grupos principais resultantes foram revisados por pessoas.

As pontuações de tarefas de cada ocupação geram sua média e seu desvio-padrão. Esses dois momentos são usados para classificar ocupações. Uma ocupação é de alto potencial de automação quando sua média é maior que 0,6 e a diferença entre média e desvio-padrão é maior que 0,5. É de alto potencial de ampliação de capacidade quando sua média é menor que 0,4 e a soma de média e desvio-padrão é maior que 0,6: algumas tarefas podem ser automatizadas, mas o papel humano permanece essencial na maioria. Ocupações entre essas duas categorias formam o “grande desconhecido”: dependendo do avanço tecnológico e de aplicações adjacentes, como agentes baseados em LLM, podem aproximar-se da automação ou da ampliação. As demais são consideradas não afetadas, entendendo-se que a IA generativa atual tem impacto mínimo ou nulo em suas tarefas.

Embora GBB calculem escores separados para países de alta e baixa renda, os resultados são muito semelhantes; por isso, o artigo usa os de países de alta renda para todos os países. O apêndice compara GBB a Felten et al. (2023) e Prytkova et al. (2024). Os autores também consideram medidas alternativas: os escores baseados em habilidades de Felten e coautores, construídos a partir da classificação O*NET dos Estados Unidos e posteriormente ligados a ocupações ISCO-08; e os escores baseados em patentes de exposição a tecnologias digitais de Prytkova e coautores. Os escores de Felten se alinham amplamente aos de GBB, mas classificam grupo muito maior de gerentes e profissionais como altamente exposto. Como essa cobertura parece pouco realista em grande parte dos países em desenvolvimento, o artigo escolhe GBB: há vínculo direto com a documentação ISCO-08 e foco exclusivo em IA generativa.

A escolha é reforçada por Nurski e Ruer (2024), que encontram resultados gerais semelhantes entre abordagens por tarefas e por habilidades na Europa. Para efeitos sobre emprego, a análise por tarefas é particularmente vantajosa porque feixes de tarefas representam melhor a realidade cotidiana das ocupações (Autor, 2015) e porque a parcela de tarefas afetadas permite distinguir melhor transformação de emprego e deslocamento tecnológico. A literatura já usa amplamente a abordagem, inclusive com escores de tarefas gerados por IA (Acemoglu, 2024; Eloundou et al., 2023).

No primeiro passo, ocupações ISCO-08 de quatro dígitos são marcadas nas três categorias de GBB. Com a coleção harmonizada de microdados da OIT, obtêm-se para 18 países as participações de emprego em ocupações de quatro dígitos por categoria de exposição. Calcula-se também a composição por grupos ocupacionais de dois dígitos. Depois, as pesquisas harmonizadas de domicílios do SEDLAC permitem calcular exposição entre e dentro de 16 países latino-americanos. A amostra SEDLAC reúne cerca de 900 mil observações individuais.

O SEDLAC oferece variáveis harmonizadas individuais, incluindo agregados de renda usados para medir pobreza, características demográficas e resultados do mercado de trabalho. No segundo passo, os escores GBB são imputados às pessoas conforme sua ocupação ISCO-08 declarada. Isso é direto em oito países com ocupações de quatro dígitos e permite comparar os cálculos às estimativas da OIT. Outros oito países têm somente escores de dois dígitos. Quando há estrutura de emprego de quatro dígitos da OIT para o mesmo país, usam-se as participações de exposição de dois dígitos obtidas antes; quando não há, usa-se a estrutura de um país “semelhante”. A semelhança é definida por algoritmo hierárquico de agrupamento que usa composição do emprego por ISCO de dois dígitos, PIB per capita em PPC e população total.

No quarto passo, as participações estimadas de automação, ampliação e grande desconhecido são imputadas às respostas individuais no nível ISCO de dois dígitos. Isso permite agregar os dados por sexo, área rural ou urbana, idade (15–24, 25–34, 35–44, 45–54 e 55–64), escolaridade, pobreza, quintil de renda, formalidade, vínculo de trabalho e setor. Em cada grupo, automação, ampliação, grande desconhecido e outras ocupações somam 100%; os resultados são, portanto, a participação do emprego de cada tipo de exposição dentro do grupo analisado.

3.2 Uso de computador no trabalho

Até aqui, a variação de exposição entre e dentro dos países decorre somente da estrutura ocupacional: a mesma ocupação recebe o mesmo escore em todos os contextos nacionais. Para reduzir essa limitação, o estudo introduz variação pelo uso de computador na mesma ocupação em países diferentes. Primeiro, imputa medidas de exposição da ISCO-08 de quatro dígitos aos microdados do PIAAC da OCDE. Essas pesquisas trazem informações detalhadas sobre tarefas e perguntam se a pessoa usa computador — e internet — no trabalho. Para cada grupo de exposição, distinguem-se usuários e não usuários de computador. Não usar computador significa que, ainda que a ocupação tenha potencial de ampliação por IA generativa, os ganhos de produtividade dificilmente se materializarão pela falta de acesso à infraestrutura digital.

O exercício inicial é feito para Chile, Equador, México e Peru, os quatro países da ALC no PIAAC, e para Eslovênia e Nova Zelândia. Como apenas quatro países latino-americanos aparecem no PIAAC, a medida é extrapolada para todo o SEDLAC. Os autores estimam, com todos os países do PIAAC, modelo preditivo da probabilidade individual de uso de computador usando variáveis presentes nas duas bases: ocupação ISCO de dois dígitos, grupos de idade, sexo, escolaridade, PIB per capita, usuários de internet por cem pessoas e assinaturas de banda larga fixa por cem pessoas. As últimas variáveis capturam o vínculo entre desenvolvimento econômico e digital da economia e uso de computador no trabalho.

O modelo é um Logit. Estimada a probabilidade de uso de computador em cada pessoa do SEDLAC, a probabilidade de não uso é seu complemento. A probabilidade de exposição à IA e uso de computador é o produto das duas probabilidades. Por exemplo, para grupo com probabilidade média de 0,23 de exposição à ampliação e probabilidade média de 0,7 de usar computador, a probabilidade conjunta é 0,161; com probabilidade de 0,3 de não usar, a exposição à ampliação sem uso de computador é 0,069. O passo final calcula as medidas de exposição para as mesmas características sociodemográficas, agora divididas simultaneamente pelo uso de computador no local de trabalho.

4.1 Comparação dos níveis de exposição entre países

Como a análise emprega o mesmo arcabouço de GBB — automação, ampliação e grande desconhecido —, a parcela total exposta à IA generativa em cada país é a soma dessas três categorias. A Figura 7 ordena os países: a exposição total vai de 26%–27% em Barbados, Equador e Bolívia a 37%–38% no Uruguai e na Costa Rica. A Argentina chega a 44%, mas fica fora do gráfico porque sua pesquisa de força de trabalho cobre apenas cidades maiores e tornaria a comparação confusa.

Figura 7: Exposição total à IA generativa por país.

É fundamental que essa apresentação não seja lida como a afirmação de que até 40% do emprego na ALC está exposto à automação. Entre as parcelas relativamente grandes de exposição potencial, apenas 2% a 5% do emprego, conforme o país, está em ocupações com potencial de automação integral. Os percentuais de ampliação são sempre maiores, entre 8% e 14%. O grande desconhecido também é amplo: no médio prazo, ocupações nessa zona podem migrar significativamente para automação ou ampliação, conforme a tecnologia seja aplicada para automatizar tarefas ou criar novas tarefas complementares (Acemoglu, 2024). No curto prazo, a parcela com potencial de desaparecer por automação é muito menor que a parcela que pode ser transformada.

As comparações assumem que a mesma ocupação tem exposição semelhante em país de alta renda e, por exemplo, Guatemala. Evidências empíricas sugerem que a suposição nem sempre vale, pois o conteúdo de tarefas da mesma ocupação varia com o desenvolvimento econômico (Caunedo et al., 2023; Lewandowski et al., 2019; Lo Bello et al., 2019). Países mais ricos, em média, têm ocupações mais intensivas em tarefas interpessoais não rotineiras; se elas forem menos automatizáveis, o método subestima a exposição no mundo em desenvolvimento. Países mais pobres, por outro lado, têm mais tarefas manuais não rotineiras; se elas forem menos automatizáveis, o método superestima a exposição nesses países. A seção seguinte reduz parte dessa limitação ajustando as medidas pelo uso de computador no trabalho.

Como referência, o estudo faz a mesma estimação para países de alta renda. De acordo com a discussão teórica, a exposição total da ALC se relaciona fortemente à renda: mercados de trabalho mais ricos têm proporcionalmente mais ocupações que interagem diretamente com IA generativa. Os países mais ricos da região se aproximam da referência de alta renda, cuja exposição total chega a 43%. Há, contudo, variabilidade relevante dentro de cada categoria, explorada pelas divisões socioeconômicas.

Figura 8: Potencial de automação — detalhamento por características socioeconômicas.

Na Figura 8, pontos pretos representam medidas de exposição de cada país para cada grupo e pontos vermelhos, a média. Em média, a participação de empregos femininos expostos à automação é o dobro da participação entre homens. A dispersão entre países também é maior entre mulheres, com casos extremos de diferença ainda maior. Empregos urbanos têm parcela de exposição à automação significativamente maior; as participações são mais altas entre jovens de 15–24 e 25–34 anos, e entre pessoas com escolaridade média e sobretudo alta. A média é maior entre não pobres, aumenta quase linearmente com a renda domiciliar e é mais elevada entre empregos formais e assalariados. Por setor, o maior potencial de automação aparece em bancos, finanças e seguros, seguido de administração pública e defesa. O perfil médio, portanto, é: mulher, urbana, jovem, de escolaridade média ou alta, não pobre, renda relativamente elevada e emprego formal assalariado em finanças/seguros ou no setor público.

Figura 9: Potencial de ampliação de capacidade — detalhamento por características socioeconômicas.

A Figura 9 repete a análise para ampliação. Alguns padrões se parecem com os da automação, mas há diferenças importantes. O efeito de gênero é bem menor: em todos os países a parcela feminina exposta ainda é maior, mas a diferença é muito menor e, em alguns casos, desprezível; a variação entre países é maior. A idade também não exibe padrão dominante: as médias são algo maiores nas faixas de 25–34 e 35–44. Assim, por sexo e idade, os benefícios potenciais de transformação são distribuídos mais igualmente que o risco de automação. Mantêm-se as associações com urbanização, escolaridade alta, não pobreza, formalidade e rendas maiores.

A diferença principal está no vínculo e no setor. Automação predomina entre assalariados; ampliação é relativamente maior entre assalariados e autônomos e tem participações especialmente altas em educação, saúde e serviços pessoais. As ocupações autônomas expostas cobrem todo o espectro: trabalhadores elementares não classificados em outra parte, cabeleireiros, vendedores de mercado, motociclistas, arquitetos, corretores de imóveis, fotógrafos e músicos. Em síntese, escolaridade e renda altas, área urbana, formalidade e juventude se associam à exposição geral, mas sexo, vínculo e setor diferenciam o tipo: mulheres e assalariados de bancos, finanças, seguros e administração pública têm maior automação; assalariados e autônomos em educação, saúde e serviços pessoais concentram maior ampliação.

4.2 Infraestrutura digital e potencial de transformação

Até aqui, a análise supõe exposição igual para todos os países dentro de uma categoria ISCO de dois dígitos. Agora, as previsões de uso de computador introduzem variação dentro das ocupações e dos países. Como o computador é condição inicial para usar IA generativa, o critério separa exposição teórica da viabilidade prática de transformação no contexto nacional. O estudo se concentra em características digitais por país, tipo de exposição e sexo. A abordagem por trabalhador indica que habilidades são cruciais para a divisão digital; a lacuna também pode depender de características das empresas e de suas decisões de investimento em IA. Embora não haja consenso sobre efeitos da IA no emprego, há amplo consenso de que a divisão tecnológica pode se ampliar entre empresas de tamanhos diferentes.

Os dados PIAAC permitem comparar Chile, Equador, México e Peru a Eslovênia e Nova Zelândia sob o mesmo instrumento e anos de coleta correspondentes. Os quatro países latino-americanos têm participação de empregos com potencial de ampliação semelhante à dos dois desenvolvidos; o Chile tem a maior parcela total da amostra. Mas todos ocupam a parte inferior da escala quanto ao uso de computador dentro desses empregos. No México e no Peru, as proporções são quase inversas às da Eslovênia: empregos com potencial de transformação e computador representam 5,1%–5,4% do emprego, enquanto empregos transformáveis sem computador são 8,5%–8,7%. Na Nova Zelândia, são 11,8% com computador e potencial de ampliação, contra apenas 2,3% sem computador. Embora a digitalização tenha aumentado, o PIAAC é uma das melhores ferramentas disponíveis para capturar lacunas relativas entre contextos muito e pouco digitalizados.

Figura 10: Empregos com potencial de ampliação e acesso a computador no trabalho, com dados PIAAC.

Na análise principal, imputa-se ao SEDLAC a probabilidade prevista pelo PIAAC de usar computador; a análise ampliada, no apêndice, exige uso simultâneo de computador e internet. Logo, a análise principal adota limiar menor da lacuna digital; exigir ambos é condição mais rigorosa e aumenta as lacunas. Na Figura 11, laranja representa empregos com computador disponível e azul-claro, empregos sem computador.

Figura 11: Exposição por país, tipo de exposição e acesso à infraestrutura digital.

Em ocupações com potencial de automação, a parcela que não usa computador costuma ser muito baixa: a maioria desses empregos já está digitalizada. Exceções importantes são Nicarágua, Guatemala e Honduras, onde aproximadamente metade dos empregos com potencial de automação é prevista como não usuária de computador. Em países pobres, a falta de infraestrutura pode ser amortecedor temporário contra automação iminente para algumas ocupações; tendência que pode se estender a países de menor renda fora da região. A figura reafirma também que empregos expostos à automação são desproporcionalmente femininos.

Para ocupações com potencial de ampliação, a situação difere. A distribuição é mais igual entre mulheres e homens, e a parcela que não usa computador também se distribui de forma mais equilibrada. As zonas azul-claras representam potencial de transformação que não pode ser alcançado devido à limitação de infraestrutura; caso a transformação produza ganhos de produtividade, representam ganhos potenciais inalcançáveis.

O estudo quantifica esse efeito. Ponderado pelo emprego total de cada país, o potencial de ampliação não realizado equivale a 6,24% do emprego feminino e 6,22% do masculino. Como parcela de todos os empregos com potencial de ampliação, corresponde a 44% dos empregos femininos e 50% dos masculinos. Aplicando esses percentuais às estimativas modeladas de emprego da OIT para 2023, há aproximadamente 17 milhões de empregos nos 16 países da amostra SEDLAC que poderiam, em teoria, obter produtividade adicional com a transformação por IA generativa, mas não podem fazê-lo por falta de infraestrutura digital: cerca de 7 milhões são ocupados por mulheres e quase 10 milhões por homens.

4.3 Padrões dentro dos países

O artigo apresenta Colômbia e Costa Rica como exemplos de análise interna; detalhamentos para cada país estão no apêndice e no portal público. A Figura 12 pode ser lida horizontalmente: na Colômbia, entre mulheres, 5,5% do emprego se expõe ao risco de automação, 11,3% está na categoria de ampliação e 22,5% no grande desconhecido; o restante são ocupações fora das três categorias. Áreas escuras representam empregos com computador no trabalho e áreas claras, empregos do mesmo tipo de exposição sem computador. Entre empregos femininos com potencial de automação, muito poucos não usam computador; entre os com potencial de transformação, a restrição digital alcança aproximadamente metade.

Figura 12: Exposição por país, tipo e características detalhadas do trabalhador e do emprego.

Lida verticalmente, a Figura 12 mostra diferenças internas. Na Colômbia, potencial elevado de automação é maior entre mulheres, 5,5%, que entre homens, 1,6%; e entre empregos urbanos, 3,9%, que rurais, 0,8%. A parcela também é maior entre jovens, diminui conforme a idade sobe e aumenta com escolaridade e renda domiciliar. Os cortes detalhados permitem interpretações específicas de cada país, necessárias para políticas adequadas.

4.4 Ocupações que explicam os efeitos

A Figura 13 retém apenas ocupações em que pelo menos um quarto das observações de uma categoria ISCO de dois dígitos cai em algum grupo de exposição. Em muitos países, mais da metade dos profissionais de ensino está na categoria ampliação com computador. Guatemala, Honduras e Nicarágua são exceções: a maioria dos docentes tem potencial de ampliação, mas sem computador no trabalho. Diferenças de desenvolvimento digital podem, portanto, limitar seriamente os benefícios de IA generativa para sistemas educacionais nos países mais pobres.

Figura 13: Ocupações ISCO de dois dígitos por tipo de exposição e país, para participações acima de 25%.

Outras ocupações que podem se beneficiar de ampliação e já usam computador incluem profissionais jurídicos, sociais e culturais; escriturários de registros numéricos e materiais; profissionais da saúde; técnicos de informação e comunicação; e alguns montadores em países de maior renda. Os exemplos dados incluem advogados tributários usando IA para analisar casos, assistentes sociais com software de gestão de casos, arquivistas digitais e eletricistas usando ferramentas de diagnóstico ou instrução baseadas em IA.

Parte maior dos empregos de montadores, porém, fica em ampliação sem computador, ao lado de trabalhadores de serviços pessoais e coleta de resíduos. Em contexto com computador e internet, algumas tarefas poderiam se beneficiar: cuidadores domiciliares poderiam usar programação e gestão de clientes para coordenar serviços; empresas de resíduos, rastrear materiais e otimizar rotas. Sem infraestrutura digital, os benefícios ficam fora de alcance. Isso pressupõe adoção para apoiar tarefas, não para aumentar controle algorítmico e reduzir a autonomia, o que pode piorar condições de trabalho (Adams-Prassl et al., 2023; OIT, 2023c).

Há também variedade de ocupações no grande desconhecido, cuja vasta maioria já usa computador: profissionais e técnicos de negócios/administração, técnicos de informação e comunicação, escriturários de atendimento ao cliente, escriturários gerais e de digitação, e gestores de hotelaria, varejo e outros serviços. Profissionais de negócios podem ter análise de dados simplificada; técnicos, logística mais eficiente; atendentes, apoio à resolução de dúvidas. À medida que a tecnologia evolui, o equilíbrio entre ampliação e automação pode mudar, redefinindo mais rapidamente alguns empregos de atendimento e aumentando seu risco de automação completa. Grande parcela de atendentes já está na categoria de alto potencial de automação, com uso de computador na maioria dos casos, o que encurta a distância até a automação integral.

4.5 Exposição diferencial por nível de rendimentos

Por fim, o estudo aprofunda a relação entre rendimentos do trabalho e exposição ocupacional à IA generativa, apenas entre ocupações que já usam computador. Usa os microdados mais recentes de cada país e separa assalariados e autônomos. Para comparabilidade, apresenta a renda mediana de cada ocupação ISCO de dois dígitos como porcentagem da renda mediana dos assalariados de toda a amostra nacional. A mediana é preferida por ser resistente a valores extremos e representar melhor a renda típica em distribuições assimétricas.

Figura 14: Rendimentos de ocupações expostas à IA generativa, por situação de emprego, para exposição acima de 25%.

Pontos cinza representam todas as ocupações com dados suficientes para calcular renda mediana; pontos coloridos, somente as categorias de dois dígitos nas quais pelo menos um quarto dos empregos está exposto a automação, ampliação ou grande desconhecido e usa computador. O tamanho representa a participação no emprego. Entre assalariados, quase todas as ocupações expostas ficam ao redor ou acima da renda mediana; entre autônomos, há mais ocupações abaixo dela. Automação se agrupa, em geral, entre a mediana e o equivalente a duas medianas, com poucos empregos de informação e comunicação acima desse limite. Ampliação se concentra entre 1,5 e três vezes a mediana dos assalariados. O grande desconhecido se espalha mais: há autônomos de vendas abaixo da mediana e maiores rendimentos próximos de três medianas.

Em perspectiva, a maioria das categorias expostas corresponde a empregos de renda média e média-alta; quase não há ocupações de baixa renda com exposição significativa. Os primeiros efeitos da IA generativa tendem, portanto, a incidir sobre pessoas já inseridas em empregos de maior renda e maior exigência de habilidades, enquanto empregos de pessoas pobres provavelmente ficam fora dos efeitos imediatos dessa transição.

O estudo examina a exposição à IA generativa nos mercados de trabalho da ALC e encontra, ao mesmo tempo, impacto potencial disseminado e forte variabilidade entre grupos demográficos e setores. Entre 30% e 40% do emprego está exposto de alguma maneira; a exposição se relaciona à situação econômica dos países. Isso não significa automação. Para a vasta maioria desses empregos, o potencial está em transformar as tarefas realizadas. As estimativas de automação variam de 2% a 5% do emprego conforme o país. Embora pareçam modestas, não devem ser banalizadas: envolvem meios de subsistência. Parte dos empregos do grande desconhecido pode aproximar-se da automação à medida que a tecnologia e suas aplicações às tarefas de trabalho avancem.

Comparar os resultados a outros estudos é difícil: os conceitos, a disponibilidade de dados, a apresentação e a cobertura de países não ricos divergem. Eloundou et al. (2023) estimam que até 80% da força de trabalho dos EUA poderia ter ao menos 10% das tarefas afetadas e 19% poderia perder ao menos metade das tarefas para LLMs; a comparação direta com este arcabouço é limitada, salvo pela predominância de ampliação sobre automação. McKinsey (2023) aponta o trabalho do conhecimento como mais exposto, mas enfatiza valor adicional da produtividade. O Future of Jobs do Fórum Econômico Mundial concentra-se em grandes empresas e aponta funções administrativas como as de declínio mais rápido. Goldman Sachs (2023) sugere que a maior parte dos empregos e setores é apenas parcialmente exposta e tende mais a ser complementada que substituída. Os autores não identificam trabalhos anteriores com detalhamento comparável para ALC; suas estimativas totais geralmente são menores que os 40% de Cazzaniga et al. (2024) para economias emergentes, embora países latino-americanos mais ricos cheguem mais perto desse valor.

Independentemente das diferenças nacionais, empregos urbanos, de maior escolaridade, formais e de pessoas de maior renda relativa interagem mais com a IA generativa. Trabalhadores jovens enfrentam maior exposição, inclusive a automação, em especial em finanças, seguros e administração pública. Esses grupos podem estar mais bem posicionados para obter benefícios das novas tecnologias, mas a perda de empregos bem pagos, formais, qualificados e com predominância feminina dificilmente é cenário positivo para economias latino-americanas já muito informais e desiguais. Ao menos no efeito de primeira ordem, a classe média é o grupo com maior exposição geral em empregos e rendimentos, com muitas trajetórias possíveis para a transformação.

Os achados justificam intervenções públicas que minimizem rupturas de perdas súbitas de emprego por meio de proteção ao trabalho e maximizem benefícios produtivos: formação de competências fundamentais pode permitir que trabalhadores acompanhem a mudança e evitem obsolescência. A exposição maior de mulheres e jovens à automação reforça a importância da aprendizagem ao longo da vida. No curto prazo, sistemas de proteção social estabilizam choques macroeconômicos e reduzem o impacto sobre trabalhadores e domicílios, sobretudo quando combinados a programas de desenvolvimento de competências. No médio e longo prazo, reduzir a diferença de gênero na exposição exige enfrentar fatores que perpetuam segregação ocupacional por gênero, como normas sociais.

As parcelas de empregos que podem se beneficiar de transformação produtiva são, em todos os países, maiores que as de risco de automação — 8% a 12% do emprego —, especialmente em educação, saúde e serviços pessoais. Setores de atendimento, como varejo, comércio, hotéis e restaurantes, têm exposição elevada ao grande desconhecido; com políticas e incentivos adequados, também podem buscar ampliação produtiva. Daí surge uma narrativa atraente: no agregado, a transformação poderia gerar mais ganhos que perdas em emprego e economia.

O ajuste digital fornece informação nova para avaliar se falta de infraestrutura é amortecedor ou gargalo. A maior parte de quem se expõe à automação já usa tecnologias digitais, sugerindo que efeitos negativos potenciais podem se materializar sem demora. Em sentido oposto, infraestrutura insuficiente é grande gargalo para os efeitos positivos da ampliação: quase metade das ocupações que poderiam se beneficiar é impedida por deficiências digitais. O problema alcança 6,24% dos empregos de mulheres e 6,22% dos de homens. Limitação semelhante vale para o grande desconhecido: parte das ocupações poderia migrar para ampliação à medida que cresce a complementaridade entre IA e pessoas, mas as lacunas digitais bloqueiam esse cenário para parcelas grandes.

Em regiões de desenvolvimento econômico menor que a ALC, a divisão digital provavelmente é ainda mais severa. Equalizar acesso digital em países em desenvolvimento requer não só infraestrutura, mas incentivos para adoção produtiva de tecnologia — por exemplo, maior concorrência nos mercados, pela política doméstica e pelo comércio, e melhoria da qualidade educacional. Assim, a promessa transformadora da IA generativa não deixaria de fora quem mais precisa de suas vantagens.

A informalidade deve ter papel central na transição. Trabalhadores formais têm maior exposição à automação que os informais. Embora empregos formais normalmente tragam alguma cobertura de proteção social, sua automação não garante que as mesmas pessoas encontrem outro emprego formal. Como trabalhadores informais em países em desenvolvimento raramente migram para postos mais bem pagos e formais, permitir que a automação reduza lentamente o setor formal pode ampliar a informalidade. Políticas que reduzam a segmentação formal-informal melhoram a chance de trabalhadores deslocados retornarem ao setor formal. A transformação tecnológica também pode oferecer oportunidades de formalização eletrônica por serviços públicos inovadores.

O estudo reconhece limites e agendas futuras. Primeiro, os dados de uso de computador e internet no trabalho foram imputados a partir do PIAAC, a melhor estratégia disponível; novas pesquisas ao menos nas ocupações mais expostas aumentariam a precisão, e o segundo ciclo do PIAAC, de 2022–2023, poderá ser usado quando estiver público. Segundo, é necessário compreender melhor como tarefas ocupacionais variam entre países e organizar tais diferenças por grupos de renda e características regionais. Terceiro, acesso à internet precisa ser detalhado: latência, confiabilidade e tipo de dispositivo podem afetar adoção e impactos da IA generativa. Os autores pretendem continuar coletando dados sobre adoção de IA por empresas e trabalhadores de países em desenvolvimento, validar as medidas de exposição e adaptar respostas de política, e convidam instituições e administrações nacionais a colaborar na coleta desses dados.

As Figuras A1 a A6 do original comparam, respectivamente, os escores TechXposure e GBB; os escores de Felten et al. e GBB; a composição do mercado de trabalho por ISCO-08 de dois dígitos e sexo; o ranking de países por tipo de exposição; a medida de computador no trabalho do PIAAC com a medida de computador em casa do SEDLAC; e o total, por país, de empregos na categoria de ampliação sem computador no trabalho. Os gráficos originais são preservados abaixo; as tabelas textuais são reproduzidas na sequência.

Tabela A1. Observações individuais do SEDLAC, por país e ano

Tabela A2. Coeficientes estimados do uso de computador no trabalho, PIAAC

Nota: erros-padrão não são reportados, para preservar espaço de apresentação; estão disponíveis mediante solicitação, como no original.

Tabela A3. Regressão OLS agrupada com observações individuais e pesos populacionais normalizados por país

As referências permanecem no idioma e formato bibliográfico da publicação original. A bibliografia integral, incluindo bases de dados, materiais metodológicos e endereços, é reproduzida abaixo e pode ser conferida no PDF oficial.

• Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER Working Paper.
• Acemoglu, D.; Restrepo, P. (2018; 2022). Estudos sobre automação, tarefas e mercado de trabalho.
• Adams-Prassl, A. et al. (2023). Estudos sobre IA, controle algorítmico e condições de trabalho.
• Autor, D. (2015; 2024). Estudos sobre tarefas, especialização e mudança tecnológica.
• Caunedo, J.; Keller, E.; Shin, Y. (2023). Technology and the Task Content of Jobs across the Development Spectrum.
• Cazzaniga, M. et al. (2024). Estimativas de exposição à IA para economias emergentes.
• Comunale, M.; Manera, A. (2024). Revisão da literatura sobre IA generativa e trabalho.
• Dieppe, A. (2021). Evidências sobre desaceleração da produtividade global.
• Eloundou, T.; Manning, S.; Mishkin, P.; Rock, D. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models.
• Felten, E. et al. (2018; 2021; 2023). Medidas de exposição à IA baseadas em habilidades.
• Gmyrek, P.; Berg, J.; Bescond, D. (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality.
• Gmyrek, P.; Winkler, H.; Garganta, S. (2024). Buffer or Bottleneck? Employment Exposure to Generative AI and the Digital Divide in Latin America. Policy Research Working Paper 10863.
• ILO (2023a; 2023c; 2023e). Estimativas modeladas de emprego e estudos de proteção social e transição tecnológica.
• McKinsey (2023). The Economic Potential of Generative AI.
• Nurski, L.; Ruer, N. (2024). Comparação de medidas de exposição por tarefas e habilidades.
• OECD (2023); OECD/PIAAC (2019). Pesquisas de competências de adultos e IA no trabalho.
• Prytkova, E. et al. (2024). Medidas de exposição a tecnologias digitais baseadas em patentes.
• World Bank (2016). World Development Report 2016: Digital Dividends.
• World Economic Forum (2023). The Future of Jobs Report 2023.

Bibliografia original integral

• Acemoglu, D. (2024). The Simple Macroeconomics of AI. Massachusetts Institute of Technology.
• Acemoglu, D.; Anderson, G.; Beede, D.; Buffington, C.; Childress, E.; Dinlersoz, E.; Foster, L.; Goldschlag, N.; Haltiwanger, J.; Kroff, Z.; Restrepo, P.; Zolas, N. (2023). “Advanced Technology Adoption: Selection or Causal Effects?” AEA Papers and Proceedings, 113, 210–214. https://doi.org/10.1257/pandp.20231037
• Acemoglu, D. et al. (2024). “Automation and the Workforce: A Firm-Level View from the 2019 Annual Business Survey.” NBER Chapters.
• Acemoglu, D.; Restrepo, P. (2022). “Tasks, Automation, and the Rise in U.S. Wage Inequality.” Econometrica, 90, 1973–2016. https://doi.org/10.3982/ECTA19815
• Acemoglu, D.; Restrepo, P. (2018). Artificial Intelligence, Automation and Work. NBER Working Paper w24196. https://doi.org/10.3386/w24196
• Adams-Prassl, J.; Abraha, H.; Kelly-Lyth, A.; Silberman, M.; Rakshita, S. (2023). “Regulating algorithmic management: A blueprint.” European Labour Law Journal, 14, 124–151. https://doi.org/10.1177/20319525231167299
• Ananian, S.; Aubert, P.; Behaghel, L. (2006). “Travailleurs âgés, nouvelles technologies et changements organisationnels.” Économie et Statistique, 397, 21–49. https://doi.org/10.3406/estat.2006.7125
• Aubert, P.; Caroli, E.; Roger, M. (2006). “New technologies, organisation and age: firm-level evidence.” Economic Journal, 116, F73–F93. https://doi.org/10.1111/j.1468-0297.2006.01065.x
• Autor, D. (2024). “Applying AI to Rebuild Middle Class Jobs.” NBER Working Paper 32140. https://doi.org/10.3386/w32140
• Autor, D.; Dorn, D.; Katz, L.; Patterson, C.; van Reenen, J. (2020). “The Fall of the Labor Share and the Rise of Superstar Firms.” Quarterly Journal of Economics, 135, 645–709.
• Autor, D. H. (2015). “Why Are There Still So Many Jobs? The History and Future of Workplace Automation.” Journal of Economic Perspectives, 29, 3–30. https://doi.org/10.1257/jep.29.3.3
• Autor, D.; Katz, L.; Kearney, M. (2008). “Trends in U.S. Wage Inequality: Revising the Revisionists.” Review of Economics and Statistics, 90, 300–323.
• Azevedo, J.; Inchauste Comboni, M.; Sanfelice, V. (2013). Decomposing the recent inequality decline in Latin America. World Bank.
• Babina, T.; Fedyk, A.; He, A.; Hodson, J. (2024). “Artificial intelligence, firm growth, and product innovation.” Journal of Financial Economics, 151.
• Bakker, B.; Ghazanchyan, M.; Emmerling, J.; Vibha, V. (2020). The Lack of Convergence of Latin-America Compared with CESEE: Is Low Investment to Blame? IMF Working Paper.
• Brambilla, I.; César, A.; Falcone, G.; Gasparini, L.; Lombardo, C. (2023). “Routinization and Employment: Evidence for Latin America.” Revista Desarrollo y Sociedad, 131–176. https://doi.org/10.13043/DYS.95.4
• Brynjolfsson, E.; Li, D.; Raymond, L. (2023). Generative AI at Work. NBER Working Paper 31161. https://doi.org/10.3386/w31161
• Brynjolfsson, E.; Rock, D.; Syverson, C. (2021). “The Productivity J-Curve.” American Economic Journal: Macroeconomics, 13, 333–372. https://doi.org/10.1257/mac.20180386
• Carranza, E.; Das, S.; Kotikula, A. (2023). Gender-Based Employment Segregation: Understanding Causes and Policy Interventions.
• Caunedo, J.; Keller, E.; Shin, Y. (2023). “Technology and the Task Content of Jobs across the Development Spectrum.” World Bank Economic Review, 37, 479–493. https://doi.org/10.1093/wber/lhad015
• Cazzaniga, M. et al. (2024). Gen-AI: Artificial Intelligence and the Future of Work. IMF Staff Discussion Note.
• Chacaltana Janampa, J.; de Mattos, F.; García, J. (2024). New technologies, e-government and informality. ILO Working Paper 112.
• Comunale, M.; Manera, A. (2024). The Economic Impacts and the Regulation of AI: A Review of the Academic Literature and Policy Actions. IMF Working Paper.
• Das, M.; Hilgenstock, B. (2022). “The exposure to routinization: Labor market implications for developed and developing economies.” Structural Change and Economic Dynamics, 60, 99–113.
• Dieppe, A. (2021). Global Productivity: Trends, Drivers, and Policies.
• Doellgast, V.; O’Brady, S.; Kim, J.; Walters, D. (2023). AI in Contact Centers: Artificial Intelligence and Algorithmic Management in Frontline Service Workplaces.
• Donovan, K.; Lu, W.; Schoellman, T. (2023). “Labor Market Dynamics and Development.” Quarterly Journal of Economics, 138, 2287–2325. https://doi.org/10.1093/qje/qjad019
• Egana-delSol, P.; Bustelo, M.; Ripani, L.; Soler, N.; Viollaz, M. (2022). “Automation in Latin America: Are Women at Higher Risk of Losing Their Jobs?” Technological Forecasting and Social Change, 175, 121333. https://doi.org/10.1016/j.techfore.2021.121333
• Eloundou, T.; Manning, S.; Mishkin, P.; Rock, D. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models.
• Erumban, A.; Samaan, D.; Van Ark, B. (2024). Latin America’s Productivity Puzzle: Insights into diversification and structural change.
• Faverio, M.; Tyson, A. (2022). “What the data says about Americans’ views of artificial intelligence.” Pew Research Center.
• Felten, E.; Raj, M.; Seamans, R. (2021). “Occupational, industry, and geographic exposure to artificial intelligence.” Strategic Management Journal, 42, 2195–2217. https://doi.org/10.1002/smj.3286
• Felten, E.; Raj, M.; Seamans, R. (2023a). Occupational Heterogeneity in Exposure to Generative AI. https://doi.org/10.2139/ssrn.4414065
• Felten, E.; Raj, M.; Seamans, R. (2023b). “How will Language Modelers like ChatGPT Affect Occupations and Industries?” SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4375268
• Felten, E.; Raj, M.; Seamans, R. (2018). “A Method to Link Advances in Artificial Intelligence to Occupational Abilities.” AEA Papers and Proceedings, 108, 54–57. https://doi.org/10.1257/pandp.20181021
• Frey, C.; Osborne, M. (2017). “The future of employment: How susceptible are jobs to computerisation?” Technological Forecasting and Social Change, 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019
• Garrote, S.; Gomez, P.; Ozden, C.; Rijkers, B.; Viollaz, M.; Winkler, H. (2021). “Who on Earth Can Work from Home?” World Bank Research Observer.
• Gmyrek, P.; Berg, J.; Bescond, D. (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality. ILO Working Paper.
• Goldman Sachs (2023). The Potentially Large Effects of Artificial Intelligence on Economic Growth.
• Grampp, M.; Brandes, D.; Laude, D. (2023). Generative AI’s fast and furious entry into Switzerland. Deloitte.
• Gutiérrez, G.; Philippon, T. (2017). Declining Competition and Investment in the U.S. NBER Working Paper.
• Hui, X.; Reshef, O.; Zhou, L. (2023). The Short-Term Effects of Generative Artificial Intelligence on Employment. https://doi.org/10.2139/ssrn.4527336
• ILO (2023a). ILO Modelled Estimates (ILOEST database).
• ILO (2023b). ISCO documentation: part III. Definitions of major groups, sub-major groups, minor groups and unit groups.
• ILO (2023c). World Employment and Social Outlook 2023: The value of essential work.
• ILO (2023d). World Social Protection Report 2020–22: Social protection at the crossroads.
• ILO (2023e). The ILO strategy on skills and lifelong learning 2030.
• IMF (2022). Productivity in Latin America and the Caribbean: Recent Trends and the COVID-19 Shock.
• Lane, M.; Williams, M.; Broecke, S. (2023). The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers. OECD. https://doi.org/10.1787/ea0a0fe1-en
• Lewandowski, P.; Park, A.; Hardy, W.; Du, Y. (2019). “Technology, Skills, and Globalization: Explaining International Differences in Routine and Nonroutine Work Using Survey Data.”
• Lo Bello, S.; Sanchez Puerta, M.; Winkler, H. (2019). From Ghana to America: The Skill Content of Jobs and Economic Development. World Bank Policy Research Working Paper.
• Maloney, W.; Molina, C. (2016). Are automation and trade polarizing developing country labor markets, too? World Bank Policy Research Working Paper.
• McKinsey (2023). Economic potential of generative AI.
• Messina, J.; Pica, G.; Oviedo, A. (2016). Job Polarization in Latin America. Inter-American Development Bank.
• Messina, J.; Silva, J. (2018). Wage Inequality in Latin America. World Bank.
• Noy, S.; Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381, 187–192. https://doi.org/10.1126/science.adh2586
• Nurski, L.; Ruer, N. (2024). Exposure to generative AI in the European labour market: distributional implications.
• OECD (2023). The impact of AI on the workplace. OECD Artificial Intelligence Papers 288. https://doi.org/10.1787/ea0a0fe1-en
• OECD/PIAAC (2019). Skills Matter: Additional Results from the Survey of Adult Skills. Paris: OECD.
• Ozdeneron, H. (2023). AI-Exposed Jobs Employ More Women. Revelio Labs.
• Peng, S.; Kalliamvakou, E.; Cihon, P.; Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. https://doi.org/10.48550/arXiv.2302.06590
• Pew Research Center (2023). Americans explain in their own words what makes them either more concerned or more excited about AI.
• Prytkova, E.; Petit, F.; Liu, D.; Chowdhury, S.; Conti, T. (2024). The Employment Impact of Emerging Digital Technologies.
• Restrepo, P. (2023). Automation: Theory, Evidence, and Outlook. NBER Working Paper 31910. https://doi.org/10.3386/w31910
• Rutgers (2024). U.S. Workers Assess the Impacts of Artificial Intelligence on Jobs: Topline Survey Results.
• Schady, N.; Holla, A.; Sabarwal, S.; Silva, J.; Yi, C. (2023). Collapse and Recovery: How the COVID-19 Pandemic Eroded Human Capital and What to Do about It.
• Svanberg, M.; Li, W.; Fleming, M.; Goehring, B.; Thompson, N. (2024). Beyond AI Exposure: Which Tasks are Cost-Effective to Automate with Computer Vision? https://doi.org/10.2139/ssrn.4700751
• Webb, M. (2020). The Impact of Artificial Intelligence on the Labor Market.
• World Economic Forum (2023). The Future of Jobs Report 2023.
• World Bank (2016a). Poverty and Shared Prosperity 2016: Taking on Inequality. https://doi.org/10.1596/978-1-4648-0958-3
• World Bank (2016b). World Development Report 2016: Digital Dividends.

Fonte oficial

• Banco Mundial — página da publicação
• PDF oficial — Policy Research Working Paper 10863
• Pacote de reprodutibilidade do Banco Mundial