IA generativa e empregos

O estudo atualiza o Índice Global de Exposição Ocupacional à IA generativa da OIT de 2023, incorporando avanços tecnológicos e maior familiaridade dos usuários com as ferramentas. A partir de amostra representativa das 29.753 tarefas da classificação ocupacional polonesa, os autores pesquisaram 1.640 pessoas empregadas e obtiveram 52.558 avaliações de potencial de automação para 2.861 tarefas. Essas avaliações foram comparadas a pesquisa e rodadas de discussão em estilo Delphi com especialistas internacionais; o resultado alimenta assistente de IA que prediz escores nas tarefas documentadas da ISCO-08.

Os escores de 2025 usam quatro gradientes crescentes de exposição. Ocupações administrativas continuam com maior exposição; algumas ocupações intensamente digitalizadas ganharam exposição, refletindo capacidades expandidas da IA generativa em tarefas especializadas profissionais e técnicas. Globalmente, uma em cada quatro pessoas ocupadas está em profissão com alguma exposição; 3,3% do emprego global está no gradiente mais alto. A diferença é grande entre mulheres (4,7%) e homens (2,4%) e se amplia em países de alta renda. Como a maior parte das ocupações reúne tarefas que seguem exigindo contribuição humana, a transformação de empregos é o impacto mais provável.

Autores, metadados e siglas

Paweł Gmyrek é pesquisador sênior e Janine Berg, economista sênior, no Departamento de Pesquisa da OIT. Karol Kamiński, Filip Konopczyński, Agnieszka Ładna, Konrad Rosłaniec e Marek Troszyński são vinculados ao NASK-PIB, instituto nacional de pesquisa do Ministério de Assuntos Digitais da Polônia. A publicação é o ILO Working Paper 140 (ISBN web PDF 9789220421857; ISSN digital 2708-3446).

Siglas centrais: IA (inteligência artificial), API (interface de programação de aplicações), CAWI (entrevista web assistida por computador), GenAI (IA generativa), ISCO-08 (Classificação Internacional Uniforme de Ocupações de 2008), LLM (grande modelo de linguagem), LFS (pesquisa de força de trabalho), O*NET (Occupational Information Network) e DP (desvio-padrão).

Em agosto de 2023, a OIT publicou suas primeiras estimativas globais de exposição ocupacional potencial à IA generativa, motivadas pela preocupação de que a tecnologia substituísse grande parcela do trabalho do conhecimento. Desde então, LLMs ganharam capacidades de reconhecimento de imagem e de produção de áudio e vídeo, e novas aplicações surgiram com a conexão a APIs. A GenAI passou a ser comparada a tecnologia de propósito geral, capaz de gerar aplicações e inovações em muitos setores e de induzir transformações econômicas e sociais de longo prazo.

Para compreender efeitos sobre empregos existentes, a OIT firmou parceria com a NASK, instituto de pesquisa do Ministério de Assuntos Digitais da Polônia. O estudo parte do método da OIT de 2023, que usava descrições de tarefas da ISCO-08 no nível de quatro dígitos e GPT-4 para estimar escores de exposição por tarefa e ocupação, depois combinados a dados oficiais de força de trabalho. A nova pesquisa adiciona classificação polonesa nacional de seis dígitos com quase 30 mil tarefas — cerca de dez vezes a estrutura da ISCO-08 —, avaliações humanas e verificação de especialistas.

Foram entrevistadas 1.640 pessoas empregadas na Polônia, em todos os grandes grupos ISCO-08, para avaliar o potencial de automação de tarefas representativas de seu grupo. Especialistas nacionais e internacionais revisaram em detalhe uma grande amostra e validaram ou ajustaram os escores iterativamente. Ao preservar o elo hierárquico com a ISCO-08 e focar viabilidade tecnológica em vez de contexto nacional específico, o sistema usa avaliações humanas para predizer quase 30 mil tarefas de cerca de 2.500 ocupações polonesas de seis dígitos e, em seguida, recalibrar a base ISCO-08 usada em 2023. Por fim, produz estimativas globais, regionais e por faixa de renda da parcela de emprego potencialmente transformável.

O foco é GenAI, separada de usos mais amplos de IA, como algoritmos de aprendizado de máquina e reconhecimento de imagem industrial. Os autores apontam a crescente adoção no trabalho, a escassez de instrumentos específicos para GenAI e a flexibilidade metodológica para futuras extensões a outras tecnologias e setores. O artigo é o primeiro de uma série OIT-NASK sobre efeitos da IA no emprego; futuras publicações devem aplicar a abordagem detalhada ao mercado polonês, com métodos quantitativos e qualitativos e instrumentos abertos.

1. Abordagens por tarefas na literatura sobre automação

O ponto de partida é que empregos são “feixes de tarefas” (Autor, 2015). Automatizar uma tarefa pode ou não automatizar o emprego, conforme a importância dessa tarefa na ocupação. A abordagem procura modelar a interseção entre a capacidade de uma tecnologia automatizar determinada tarefa e as tarefas que constituem uma ocupação; o resultado pode ser substituição e automação integral ou transformação por automação parcial e complementaridade humano-máquina. Apesar de limitações, a literatura recente aponta vantagens analíticas do método.

Frey e Osborne (2013) combinaram opiniões de especialistas em TI a algoritmo de aprendizado de máquina para projeções ocupacionais nos Estados Unidos. APIs de GenAI facilitaram a combinação de conhecimento humano e capacidades algorítmicas. Eloundou et al. (2023) encontraram forte alinhamento entre previsões do GPT-4 e pesquisa com 70 especialistas em IA e usaram isso para escores sintéticos no mercado norte-americano. Muitos estudos dependem do O*NET, detalhado e público, o que força suposição forte de que efeitos locais se pareçam com os dos EUA. As tarefas variam muito entre países, especialmente em países em desenvolvimento; por isso, a ISCO-08 é denominador comum útil, enquanto a classificação polonesa detalhada acrescenta granularidade nacional atual.

2. Tarefas e ocupações no sistema polonês de seis dígitos

A Polônia é escolhida por ter uma das classificações mais detalhadas entre países europeus, uma população de 38 milhões e mapeamento direto para ISCO-08. A classificação contém 2.541 ocupações e 29.753 tarefas no nível mais detalhado; a ISCO-08 tem 423 ocupações em quatro dígitos. A Tabela 1 preservada abaixo resume a composição de grupos ocupacionais e o número de tarefas em cada nível.

do potencial de automação das tarefas

3.1 Previsões algorítmicas iniciais

No fim de 2024, os autores pediram a três LLMs — GPT-4, GPT-4o e Gemini Flash 1.5 — que estimassem o potencial de automação das tarefas. A distribuição dos escores por grande grupo ISCO-08 é apresentada na Figura 2. O padrão geral se alinha a trabalhos anteriores: maior exposição aparece em ocupações administrativas; os modelos diferem na dispersão e no nível de otimismo. A comparação com os escores OIT de 2023 indica maior alinhamento com a pontuação sintética do GPT-4o.

3.2 Seleção das tarefas para avaliação humana

Avaliar todas as 29.753 tarefas seria inviável. A seleção usa amostragem estratificada por grande grupo ocupacional, buscando representar tarefas e permitir comparações entre grupos. Cada participante recebe 35 tarefas, número definido após pré-teste. A Tabela 2 documenta quantidade de tarefas, tamanho desejado da amostra e alocações.

O cálculo segue a fórmula-padrão de tamanho amostral, apresentada no Apêndice 2 do relatório. Os autores fixaram 20 avaliações por tarefa: a referência da estatística da OIT considera pouco confiáveis observações com menos de 16 respondentes. A distribuição aleatória das tarefas preserva, no conjunto, um padrão semelhante ao da distribuição de escores inicialmente produzidos pelos modelos de linguagem; os participantes, porém, não receberam informação sobre essas distribuições prévias e avaliaram tarefas com amplo intervalo de potencial de automação.

Tabela 2. Seleção da amostra da pesquisa

Os tamanhos não ajustados usam 384 observações por grupo, correspondentes à fórmula-padrão com 95% de confiança, margem de erro de 0,05 e p=0,5; a coluna seguinte aplica correção para população finita. Forças armadas não entram na seleção. Cada pessoa recebeu 35 tarefas; os números podem não somar exatamente por arredondamento.

A atribuição aleatória preservou, no agregado, um padrão de distribuição de escores semelhante ao produzido inicialmente pelos modelos de linguagem. Os respondentes não foram informados dessa distribuição e receberam tarefas com ampla variedade de potenciais de automação.

3.3 Desenho e recrutamento da pesquisa

A pesquisa CAWI registrou idade, educação, anos de trabalho, conhecimento e frequência de uso de GenAI, expectativa de impacto no trabalho e avaliações de tarefas. A Tabela 3 reproduz as perguntas centrais. Os participantes avaliavam aleatoriamente 35 tarefas de pessoas em várias ocupações e deveriam estimar o quanto ferramentas GenAI, hoje disponíveis, poderiam executar cada uma; o instrumento deixa claro que se trata de possibilidade técnica, não de previsão de adoção, emprego ou salários.

A coleta foi feita em uma plataforma polonesa de pesquisa on-line usada tanto em estudos comerciais quanto científicos. Além das variáveis demográficas, o questionário perguntou há quanto tempo a pessoa trabalhava na ocupação atual, se já tinha ouvido falar de GenAI, seu nível de conhecimento, sua frequência de uso, o efeito esperado da tecnologia sobre empregos da área nos cinco anos seguintes e a possibilidade de substituição parcial ou total do próprio trabalho. Para cada tarefa, a escala ia de 0 (nenhum potencial de automação) a 100 (potencial completo); havia também a opção “não sei” e uma marcação sobre realizar ou não tarefa semelhante no trabalho atual.

Caixa de texto 1 — Pergunta de exemplo para avaliar automação de tarefa. “A seguir há uma lista de 35 tarefas desempenhadas por pessoas em diferentes ocupações. Avalie quanto você acha que a inteligência artificial pode automatizar cada tarefa. Use o controle deslizante em uma escala de 0 a 100, em que 0 significa nenhum potencial de automação e 100 significa potencial completo.” Exemplo mostrado: Ocupação: ator. Tarefa 1: desenvolver um conceito artístico próprio para um papel. Escala deslizante: 0–100. A pessoa podia marcar que executava tarefa semelhante no emprego atual ou responder “não sei”.

3.4 Limitações de desenho

As avaliações são percepções de pessoas empregadas, não teste técnico direto. Familiaridade desigual, descrição incompleta das tarefas e diferenças nacionais podem afetar o julgamento. Os autores enfrentam isso pela seleção representativa, perguntas de triagem, avaliação de especialistas, ajuste por IA e foco em viabilidade tecnológica, não em adoção provável. O resultado não projeta perda de emprego nem mede qualidade, frequência ou importância relativa de cada tarefa.

Há uma tensão metodológica assumida no relatório: gerentes e profissionais podem conhecer melhor a GenAI, enquanto trabalhadores de ocupações elementares ou manuais podem conhecer melhor a execução concreta de suas tarefas. Para reduzir essa assimetria, o questionário apresentou antes da avaliação uma explicação que separava IA em geral de GenAI e enumerava capacidades contemporâneas — produzir texto, traduzir, sintetizar fala, programar, gerar e descrever imagens. Em seguida, os escores da pesquisa principal foram confrontados com avaliação independente de especialistas; discrepâncias grandes eram discutidas e ajustadas manualmente.

Caixa de texto 2 — Introdução mostrada aos participantes. A IA permite tomar decisões a partir de dados — por exemplo, recomendar um produto em uma loja on-line, reconhecer placas de veículos na entrada de um estacionamento ou acionar uma cancela. A GenAI produz conteúdo novo, como imagens, texto e fala. O questionário menciona ChatGPT como ferramenta popular capaz de responder perguntas, redigir e-mails, preparar requerimentos, elaborar relatórios e resumir um texto. Entre as capacidades apresentadas estavam: escrever texto assumindo um papel específico, como funcionário público, poeta ou analista financeiro; traduzir entre idiomas; converter texto em fala; programar tarefas em linguagens como Python e HTML; gerar, reconhecer e descrever imagens. A explicação antecedia a avaliação e não afirmava que toda tarefa seria automatizada.

3.5 Pesquisa sobre potencial de automação

Foram obtidas 57.400 observações de 1.640 respondentes. Após exclusões de baixa qualidade e de respostas “não sei” em situações específicas, a base retida tem 1.535 pessoas e 52.558 pontos de dados. As Figuras 3 a 5 comparam sexo, idade e grupos ocupacionais da amostra à pesquisa de força de trabalho polonesa; há sobre-representação feminina em faixas jovens e sub-representação de profissionais, ao passo que grupos 1, 8 e 9 ficam sobre-representados.

Poucos respondentes relatam uso frequente de GenAI: 50,1% dizem nunca usar e outros 26% raramente; 17,4% usam algumas vezes por mês, 4,8% regularmente e menos de 2% muito frequentemente. As expectativas de impacto também variam: 26,5% não esperam efeito e 30,2% esperam efeito leve; trabalhadores manuais, agrícolas e operadores tendem a esperar menos impacto que ocupações de escritório, gestores e técnicos. As Figuras 6 a 10 apresentam uso, expectativas e escores de tarefa segundo sexo, grupo, familiaridade e reconhecimento da tarefa.

O texto original registra que 71,2% já tinham ouvido falar de GenAI, mas o uso era limitado: 50,1% declararam nunca usá-la e 26% raramente. As respostas “não sei” foram cerca de duas vezes mais frequentes em ocupações manuais ou técnicas; após a exclusão de 105 participantes que deixaram de classificar mais da metade das tarefas e de 1.167 observações “não sei”, o número de tarefas da amostra ainda permaneceu em 2.861. Os autores não aplicaram pesos corretivos por familiaridade ou crenças: em 91,5% das tarefas, a pessoa não declarou executar uma tarefa semelhante, e atribuir maior credibilidade a certos perfis exigiria hipóteses que poderiam introduzir novo viés.

de validação por especialistas

Especialistas não podem revisar as 2.861 tarefas; por isso, os autores selecionam amostra representativa e agrupam semanticamente tarefas semelhantes. A Figura 11 mostra as etapas de pontuação e a Figura 12 ilustra dendrograma usado na revisão do agrupamento. Especialistas nacionais e internacionais analisam tarefas, discutem divergências em rodadas do tipo Delphi e registram justificativas para manter ou ajustar o escore. Esse nível adicional busca separar conhecimento prático local de avaliação de viabilidade internacional.

O painel incluiu especialistas da OIT, da NASK e do Ministério da Família, Trabalho e Política Social da Polônia. A seleção privilegiou entendimento de mercados de trabalho, da complexidade das ocupações e de aplicações reais das tarefas; experiência em desenvolver IA não era requisito. A justificativa é substantiva: previsões centradas apenas em capacidade técnica podem superestimar o que é viável em contextos de trabalho, sobretudo em tarefas que dependem de destreza e de manipulação de materiais complexos. A validação, portanto, prioriza a execução concreta e as restrições atuais da tecnologia.

5. Ajuste da subamostra da pesquisa

As avaliações humanas, dos especialistas e dos modelos são comparadas. A correlação entre escores ajustados por GPT-4o e Gemini é 0,96, embora o GPT-4o seja mais otimista em alguns casos. A Tabela 4 preserva exemplos de grandes revisões: tarefas físicas como soldagem recebem redução; atividades de organização temática e estimativas financeiras recebem ajustes conforme o papel viável da IA. Para as 2.253 tarefas sem revisão direta (2.861 menos 608), dois modelos predizem ajustes; os autores revisam manualmente casos de mudança maior que 25% em relação ao escore de 2023 e submetem divergências à arbitragem humana.

Os 608 itens da amostra de especialistas são apresentados com ocupação, agrupamento semântico, média da pesquisa reescalada para 0–1 e descrição integral da tarefa. Os dois modelos recebem os dois tipos de julgamento sem que o painel de especialistas seja apresentado como intrinsecamente superior: um grupo é descrito como tendo conhecimento prático do trabalho e outro como tendo conhecimento teórico de tecnologia e mercados de trabalho. A instrução exige justificar cada ajuste pela natureza da tarefa e pelas capacidades atuais da GenAI, em vez de apenas calcular a média das duas pontuações.

Tabela 4. Exemplos de ajustes entre a pesquisa e os especialistas

Os valores abaixo são: média da pesquisa, escore dos especialistas e escore final arbitrado, todos na escala de 0 a 1. São exemplos das maiores revisões para baixo e para cima; a justificativa é parte do procedimento, não uma previsão de que a tarefa deixará de requerer pessoas.

6. Ajuste de todos os escores da pesquisa

Depois de conciliar as 608 tarefas avaliadas por especialistas, o procedimento prevê ajustes para as 2.253 tarefas restantes da amostra principal. Cada tarefa é ligada a seu agrupamento de referência e a tarefas semanticamente próximas, no mesmo grande grupo ISCO-08 e intervalo de pontuação. GPT-4o e Gemini fazem previsões independentes; a correlação entre ambos em todos os pontos é 0,95, e o escore final previsto é a média das duas saídas. A Figura 15 separa, por grupo ocupacional, as médias da pesquisa, avaliações de especialistas, ajustes arbitrados e previsões para itens sem especialista; a tendência final reduz principalmente os escores de tarefas mais manuais.

7. Predição de escores sintéticos de tarefa para todas as ocupações ISCO-08 e de seis dígitos

O assistente de IA final recebe exemplos de 50 tarefas com maiores e 50 com menores escores e 30 tarefas semanticamente mais semelhantes à tarefa consultada. A base é consultada a cada chamada. O modelo prediz escores para 3.265 tarefas da ISCO-08 e todas as 29.753 tarefas polonesas. Em validação, os escores ajustados apresentam MAE 0,0494 e RMSE 0,0724; escores previstos, MAE 0,0684 e RMSE 0,0963. A correlação entre previsões baseadas em ISCO-08 e em tarefas polonesas é 0,92.

O relatório compara ajuste fino do modelo e uma estratégia de instruções avançadas. Como o conjunto de 2.861 tarefas é relativamente pequeno e o ajuste fino exigiria mais recursos, os autores optam por recuperar exemplos do banco vetorial a cada chamada. Assim, o contexto inclui extremos da distribuição e exemplos semanticamente semelhantes, permitindo que o modelo estime tarefas novas com referência explícita às pontuações humanas e especializadas já conciliadas.

Global Ajustado de Exposição à GenAI

O índice usa média ocupacional (\mu) e desvio-padrão (\sigma) dos escores de tarefa de cada ocupação ISCO-08 em quatro dígitos. Em vez das duas categorias extremas e do “grande desconhecido” de 2023, usa gradiente contínuo de quatro faixas expostas.

O novo esquema melhora legibilidade e permite empilhar estimativas de emprego em uma categoria geral de ocupações expostas. Também facilita acompanhar migração de ocupações entre faixas e comparar classificações nacionais. Há limite importante: ISCO-08 e base polonesa não informam frequência ou importância relativa das tarefas, portanto todas recebem o mesmo peso. Pesquisas futuras podem usar pesos, O*NET ou dados autorrelatados.

9. Mudanças nas classificações ocupacionais

Os escores de 2025 são amplamente consistentes com 2023, mas a média ocupacional cai ligeiramente de 0,30 para 0,29 e a dispersão dentro das ocupações é menor. Ocupações administrativas continuam mais expostas, embora várias tenham médias reduzidas após reavaliação prática: tomar notas de reuniões e agendar compromissos podem receber apoio forte da GenAI, mas ainda exigem esforço humano substancial. Das 13 ocupações no gradiente 4, a maioria é administrativa, incluindo digitadores, operadores de processamento de texto, auxiliares contábeis/escrituração e auxiliares gerais de escritório.

Em sentido oposto, desenvolvedores web e de mídia, especialistas estatísticos e de bases de dados e ocupações financeiras e de software ganharam exposição. O motivo é a multimodalidade e alguma capacidade agêntica adquirida por modelos desde 2023. Isso não implica que os empregos sejam estáticos: essas ocupações surgiram com a tecnologia e podem gerar novas tarefas. O caso histórico dos caixas bancários após caixas automáticos ilustra a possibilidade de redução de custos, abertura de agências e deslocamento para atendimento e aconselhamento mais complexos. Políticas decidirão se a evolução retreina e retém trabalhadores ou intensifica substituição e recrutamento de especialistas jovens.

globais de emprego revisadas

Com a lista de 112 ocupações expostas em quatro dígitos, os autores estimam participação dessas ocupações no emprego mundial, regional e por renda usando o modelo global da OIT, que combina microdados harmonizados e imputação hierárquica na estrutura ISCO-08. Aproximadamente um quarto do emprego global está em um dos quatro gradientes. Entre homens, cerca de um quinto dos empregos está em algum gradiente — 3,1% no gradiente 3 e 2,4% no gradiente 4. Entre mulheres, 5,7% estão no gradiente 3 e 4,7% no gradiente 4.

No gradiente mais alto, a desigualdade de gênero cresce com a renda nacional: em países de alta renda, 9,6% do emprego feminino e 3,5% do masculino estão no gradiente 4. A exposição agregada também cresce: 11% do emprego em países de baixa renda e 34% em países de alta renda. Esses são potenciais de exposição tecnológica, não previsões de substituição, desemprego ou redução de salários.

Conclusão

O índice refinado combina banco de tarefas mais detalhado, julgamento de pessoas que trabalham, validação de especialistas e predição por IA. Ele mostra exposição ampla, mas heterogênea, e reforça que transformação de tarefas — não automação completa de ocupações — é o resultado mais provável. A ferramenta pode apoiar diálogo social e políticas focadas, desde que seus resultados sejam lidos como viabilidade técnica em um momento específico, sensível à evolução dos modelos, ao contexto local, à organização do trabalho e a escolhas de política.

, questionário e referências preservados

As páginas 48–76 do original reúnem a lista de ocupações ISCO-08 por gradiente (Tabela A1), a fórmula de amostragem, o questionário completo, as referências e os agradecimentos. A seguir, a tabela começa reproduzida em texto; os fac-símiles preservam a continuação integral, todos os códigos, valores, respostas, notas metodológicas e a bibliografia do documento.

Anexo 3. Questionário da pesquisa — tradução integral do instrumento

Tela de boas-vindas. “Prezadas pessoas participantes, pedimos que respondam esta pesquisa para compartilhar suas opiniões sobre novas tecnologias. A pesquisa é anônima, e os resultados serão analisados e apresentados apenas de forma agregada.”

Instrução antes das tarefas. “As páginas seguintes contêm tarefas realizadas por representantes de várias profissões. As tarefas que você avaliará podem ou não ser executadas por você agora ou no passado, mas pertencem ao conjunto de tarefas realizado no grupo profissional a que pertence. Portanto, avalie cada tarefa, inclusive as que não encontrou, com base em sua experiência e intuição.”

O instrumento registra que, na avaliação de tarefas, profissão e tarefa eram selecionadas aleatoriamente na base do fornecedor dentro de cada estrato ISCO-08 de um dígito. Para cada tarefa, a pergunta era: “Avalie em que medida você acredita que a IA generativa, como ChatGPT, pode automatizar a execução da tarefa a seguir.” A escala ia de 0 — “nenhum potencial de automação com GenAI” — a 100 — “potencial completo de automação com GenAI para a tarefa na profissão indicada”, com a opção “não sei”. O exemplo do questionário identifica a profissão engenheiro de transporte rodoviário e a tarefa participar do desenvolvimento de novos dispositivos de controle e medição de tráfego. Em seguida perguntava-se: “Você executa esta ou uma tarefa semelhante no trabalho?”, com respostas sim ou não.

Anexo 2. Fórmula de amostragem

Para atribuir tarefas de pontuação às pessoas avaliadoras, o relatório aplica a fórmula-padrão de tamanho de amostra:

$n = \frac{Z^2 \cdot p \cdot (1-p)}{E^2}$

Nela, n é o tamanho de amostra, Z é o valor-z (1,96 para 95% de confiança), p é a proporção estimada da população com determinada característica e E é a margem de erro (por exemplo, 0,05). Como não se conhecia a variabilidade das tarefas, o estudo usou a escolha mais conservadora, p=0,5, que maximiza p(1-p) e, portanto, gera o maior tamanho requerido para cada grupo.

Depois, aplica-se a correção para população finita, em que N é o número de tarefas da categoria ISCO-08 de um dígito:

$n_{ajustado} = \frac{n}{1 + \frac{n-1}{N}}$

Anexo 1. Ocupações ISCO-08 por gradiente de exposição

O original classifica 112 grupos ocupacionais como expostos, ordenados pela média dos escores de tarefa e pelo respectivo desvio-padrão. A tabela abaixo reproduz 93 deles; a lista integral consta do anexo da publicação original. A classificação não descreve a probabilidade de uma pessoa perder o emprego: ela descreve a exposição técnica das tarefas que compõem cada ocupação.

Referências bibliográficas

• Acemoglu, D. (2024). The Simple Macroeconomics of AI. MIT Working Paper 32487. https://www.nber.org/papers/w32487
• Acemoglu, D.; Kong, F.; Restrepo, P. (2024). Tasks At Work: Comparative Advantage, Technology and Labor Demand. https://doi.org/10.3386/w32872
• 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
• 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
• Autor, D. (2024). Applying AI to Rebuild Middle Class Jobs. NBER Working Paper 32140. https://doi.org/10.3386/w32140
• Bessen, J. E. (2016). How Computer Automation Affects Occupations: Technology, Jobs, and Skills. https://doi.org/10.2139/ssrn.2690435
• Bick, A.; Blandin, A.; Deming, D. J. (2024). The Rapid Adoption of Generative AI. https://doi.org/10.3386/w32966
• Bubeck, S. et al. (2023). Sparks of Artificial General Intelligence: Early Experiments with GPT-4.
• Cazzaniga, M. et al. (2024). Gen-AI: Artificial Intelligence and the Future of Work. FMI. https://www.imf.org/en/Publications/Staff-Discussion-Notes/Issues/2024/01/14/Gen-AI-Artificial-Intelligence-and-the-Future-of-Work-542379
• Comunale, M.; Manera, A. (2024). The Economic Impacts and the Regulation of AI: A Review of the Academic Literature and Policy Actions. FMI.
• Faverio, M.; Tyson, A. (2022). “What the data says about Americans’ views of artificial intelligence”. Pew Research Center.
• Felten, E. W.; Raj, M.; Seamans, R. (2023). Occupational Heterogeneity in Exposure to Generative AI. https://doi.org/10.2139/ssrn.4414065
• Frey, C. B.; Osborne, M. A. (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
• 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 96. https://doi.org/10.54394/FHEM8239
• Gmyrek, P.; Lutz, C.; Newlands, G. (2024). “A technological construction of society: Comparing GPT-4 and human respondents for occupational evaluation in the UK”. British Journal of Industrial Relations. https://doi.org/10.1111/bjir.12840
• Gmyrek, P.; Winkler, H.; Garganta, S. (2024). Buffer or bottleneck?: Employment Exposure to Generative AI and the Digital Divide in Latin America. OIT e Banco Mundial. https://doi.org/10.54394/TFZY7681
• Grampp, M.; Brandes, D.; Laude, D. (2023). Generative AI’s Fast and Furious Entry into Switzerland. Deloitte.
• Karger, E. et al. (2023). Forecasting Existential Risks: Evidence from a Long-Run Forecasting Tournament. Forecasting Research Institute Working Paper 1.
• Maison & Partners; ThinkTank (2024). POLACY O AI: codzienność, nadzieje, obawy. Varsóvia.
• McKinsey & Company (2023). The Economic Potential of Generative AI: The Next Productivity Frontier.
• Nurski, L.; Ruer, N. (2024). Exposure to Generative AI in the European Labour Market: Distributional Implications. Bruegel Working Paper.
• Nurski, L.; Vansteenkiste, S. (2024). De impact van technologie op beroepen. KU Leuven.
• Parker, K.; Horowitz, J.; O’Hanlon, J. (2025). U.S. Workers Are More Worried Than Hopeful About Future AI Use in the Workplace. Pew Research Center.
• Pew Research Center (2023). Americans Explain in Their Own Words What Makes Them Either More Concerned or More Excited about the Increased Presence of AI in Daily Life.
• Rutgers (2024). U.S. Workers Assess the Impacts of Artificial Intelligence on Jobs: Topline Survey Results. Heldrich Center for Workforce Development.
• Svanberg, M. et al. (2024). Beyond AI Exposure: Which Tasks Are Cost-Effective to Automate with Computer Vision? https://doi.org/10.2139/ssrn.4700751
• Tegtmeier, P. et al. (2022). “Criteria and Guidelines for Human-Centered Work Design in a Digitally Transformed World of Work”. International Journal of Environmental Research and Public Health, 19, 15506. https://doi.org/10.3390/ijerph192315506

O Anexo 2 aplica a fórmula padrão de tamanho de amostra a cada grupo ocupacional de um dígito da ISCO-08. O Anexo 3 conserva o questionário integral: apresenta as capacidades da GenAI aos respondentes, pede a avaliação de cada tarefa numa escala de potencial de automação e recolhe justificativas. Os autores esclarecem que IA generativa foi usada para depurar código, sugerir edições de texto e traduzir tarefas, descrições ocupacionais e o formulário do polonês para o inglês; a redação e os cálculos permanecem responsabilidade dos autores.

Fonte oficial

• Página oficial da OIT — Generative AI and jobs: A refined global index of occupational exposure
• PDF oficial da OIT
• DOI: 10.54394/HETP0387