O impacto da IA generativa sobre empregos, produtividade e organização do trabalho

Este artigo sintetiza evidências empíricas sobre como a inteligência artificial generativa (IA generativa) está afetando produtividade, emprego e organização do trabalho. Com base em experimentos, dados de firmas, estudos de plataformas e novas pesquisas representativas com trabalhadores e empresas na Austrália, Dinamarca, Alemanha, Coreia, Kuwait, Reino Unido e Estados Unidos, conclui que os ganhos de produtividade são reais, embora frequentemente não verificados e desiguais. O deslocamento de empregos em grande escala continua limitado, e as economias de tempo relatadas pelos trabalhadores — alguns pontos percentuais das horas de trabalho — ainda não se traduziram em maior produção medida, rendimentos ou emprego. Os principais riscos estão no aumento das desigualdades, na erosão de oportunidades para trabalhadores jovens e na reorganização do trabalho, com implicações para coordenação, autonomia e qualidade do emprego.

A inteligência artificial generativa (IA generativa) está se difundindo rapidamente nos locais de trabalho, remodelando como as tarefas são realizadas e como o trabalho é organizado. Enquanto indicadores ex ante de exposição à IA ajudam a identificar quais empregos podem ser afetados, as evidências empíricas emergentes permitem que formuladores de políticas avaliem como a IA generativa começou, de fato, a influenciar mercados de trabalho.

Com base em evidências de experimentos, dados de firmas, plataformas de trabalho digital e estudos organizacionais, este relatório sintetiza as principais conclusões de Del Rio Chanona et al. (2025) sobre os efeitos da IA generativa na produtividade e no emprego.

Há três mensagens centrais. Primeiro, a IA generativa pode produzir ganhos substanciais de produtividade, mas eles se distribuem de forma desigual entre tarefas, trabalhadores e contextos organizacionais. Segundo, a IA generativa pode ampliar desigualdades de desempenho e de acesso a oportunidades de trabalho, além de remodelar a organização do trabalho de formas que prejudiquem produtividade e qualidade do emprego. Terceiro, os ganhos de produtividade documentados no nível da tarefa ainda não apareceram como maior produção, rendimentos ou horas trabalhadas medidas, nem em pesquisas representativas de trabalhadores na Dinamarca, Coreia e Estados Unidos, nem em pesquisas de firmas que cobrem quatro economias avançadas: Austrália, Alemanha, Reino Unido e Estados Unidos. Os trabalhadores parecem captar a economia de tempo principalmente como lazer no trabalho e como realocação para tarefas que a tecnologia não afeta, e não como expansão da produção, redução da pressão de trabalho ou aumento salarial. Isso dá origem ao “paradoxo da agregação” (Chan e Shedania, 2026).

Por fim, a IA generativa começa a remodelar a própria organização do trabalho. As evidências sugerem que a IA afeta não somente tarefas individuais, mas a organização do trabalho como conjuntos de atividades interdependentes. Em vez de eliminar ocupações inteiras, ela reorganiza sobretudo tarefas dentro dos empregos, com trabalhadores realocando esforço para tarefas menos facilmente substituídas pela automação. Em alguns contextos, a assistência de IA permite que trabalhadores menos experientes executem tarefas antes reservadas a especialistas, achatando hierarquias de habilidade e mudando a composição das equipes. Ao mesmo tempo, maior dependência de sugestões geradas por IA pode reduzir a diversidade de ideias e gerar produtos mais padronizados.

Uma literatura empírica em rápida expansão, revisada em Del Rio Chanona et al. (2025), mostra que a IA generativa pode elevar a produtividade, mas que a dimensão e a distribuição dos ganhos dependem fortemente do escopo e da complexidade da tarefa, bem como da forma como a IA é integrada ao fluxo de trabalho.

Tabela 1. Panorama das evidências experimentais

Síntese das evidências de produtividade e desigualdade entre trabalhadores. “Consistentemente” corresponde a mais de 80% de concordância entre estudos; “majoritariamente”, a 70–80%; “tende a”, a 60–70%; “misto”, a menos de 60%. “Evidência limitada” significa que menos da metade dos estudos informou o resultado. Os percentuais entre parênteses são efeitos típicos.

Nota integral da Tabela 1. A classificação da direção dos resultados considera a parcela de estudos que reporta cada desfecho: “consistentemente” indica concordância superior a 80%; “majoritariamente”, de 70% a 80%; “tende a”, de 60% a 70%; e “misto”, inferior a 60%. Estudos que não informam determinado desfecho são excluídos desses cálculos. “Evidência limitada” indica que menos da metade dos estudos reportou o resultado. Os percentuais entre parênteses mostram tamanhos de efeito típicos. Os resultados de Daniotti et al. (2025) foram atualizados da versão preprint revisada por Del Rio-Chanona et al. (2025) para refletir os achados publicados.

Em ensaios randomizados controlados (RCTs) voltados a tarefas relativamente simples, são comuns grandes economias de tempo em redação e programação: tarefas de escrita de nível intermediário são concluídas substancialmente mais rápido com apoio de IA (Noy e Zhang, 2023), e padrões semelhantes aparecem na redação profissional e criativa (Li et al., 2024) e em exercícios de redação jurídica (Choi et al., 2024). Entretanto, boa parte desse ganho de velocidade pode refletir colagem passiva: trabalhadores enviam resultados da IA com edição mínima. Isso sugere automação, e não aprimoramento de habilidades, sobretudo entre trabalhadores menos qualificados, para os quais o desempenho da IA já atende aos requisitos da tarefa.

Na programação, assistência no estilo Copilot pode acelerar substancialmente tarefas delimitadas (Peng et al., 2023). A evidência também traz ressalvas importantes: em redação criativa ou intensiva em expertise, a IA pode reduzir a originalidade ou prejudicar o desempenho de especialistas por ancoragem e menor diversidade (Chen e Chan, 2024; Doshi e Hauser, 2024); em resolução de problemas matemáticos, a assistência pode reduzir o desempenho quando os usuários não conseguem detectar erros ou alucinações (Kim e Moon, 2024).

Além de texto e código, experimentos de classificação mostram que a colaboração humano–IA não é automaticamente benéfica. Em radiologia, fornecer previsões da IA não melhora necessariamente a precisão diagnóstica (Agarwal et al., 2023). Em julgamentos baseados em imagens, a IA pode elevar a precisão, mas os efeitos dependem da calibração e da autoavaliação do usuário (Caplin et al., 2024). Evidências de preparação para debates também sugerem que os benefícios podem se concentrar nos melhores desempenhos, em vez de equalizar resultados (Roldán-Monés, 2024).

Para tarefas complexas em ambientes controlados, a literatura é menor, mas oferece lições mais nuançadas sobre quando ganhos de produtividade se convertem em melhores decisões. Estudos sobre consultoria, escrita acadêmica, trabalho geral de conhecimento e trabalho jurídico indicam que a IA generativa pode melhorar velocidade e, às vezes, qualidade; os efeitos, porém, são mais sensíveis à ambiguidade, ao contexto e à capacidade do usuário de julgar quando a IA não é confiável (Dell’Acqua et al., 2023; Usdan et al., 2024; Haslberger et al., 2025; Schwarcz et al., 2025). Um mecanismo recorrente é a “fronteira tecnológica irregular”: o desempenho melhora quando as tarefas estão dentro da fronteira de capacidade do modelo; fora dela, os resultados podem ser enganosos e ampliar riscos de erro, especialmente sob confiança excessiva.

Experimentos de campo confirmam esse padrão. No telemarketing, a divisão sequencial do trabalho — IA na geração de contatos e humanos na persuasão — aumenta o desempenho de agentes mais qualificados, mas pode prejudicar os menos qualificados ao deixar para eles uma concentração maior de casos difíceis (Jia et al., 2024). No suporte ao cliente, assistência conversacional em tempo real melhora produtividade e qualidade sobretudo dos trabalhadores menos experientes, estreitando diferenças de desempenho (Brynjolfsson, Li e Raymond, 2025). Na escala organizacional mais ampla, evidência inicial sobre adoção do Microsoft 365 Copilot em muitas firmas sugere economias relevantes de tempo em tarefas individuais rotineiras, em especial e-mails e elaboração de documentos, mas sinais limitados de transformação organizacional profunda no curto prazo (Dillon et al., 2025). Entre empreendedores, os efeitos médios podem ser pequenos, enquanto trabalhadores de alto desempenho se beneficiam e os de baixo desempenho podem ser prejudicados, refletindo diferenças em converter sugestões genéricas de IA em ações específicas ao contexto (Otis et al., 2023).

As evidências de campo e quase-experimentais sobre desenvolvimento de software revelam efeitos altamente dependentes do contexto. Em um experimento com desenvolvedores empresariais de múltiplas firmas, assistentes de programação aumentaram tarefas concluídas, com ganhos maiores entre os menos experientes (Cui et al., 2025). Contudo, experimento controlado com desenvolvedores experientes de código aberto constatou que ferramentas de IA elevaram o tempo de conclusão em 19% (Becker et al., 2025). Uma pesquisa que explora a proibição temporária do ChatGPT na Itália não encontra mudanças gerais de produtividade para desenvolvedores experientes e identifica pequenas desacelerações na depuração; desenvolvedores menos experientes aumentaram tanto quantidade quanto qualidade quando o acesso à IA foi removido (Kreitmeir e Raschky, 2024). Dados do GitHub apontam ganhos modestos, de 2% a 4%, concentrados em desenvolvedores experientes; iniciantes não apresentam benefícios significativos (Daniotti et al., 2026).

Pesquisas representativas ajudam a colocar esses achados em contexto macroeconômico. Entre 5.512 trabalhadores coreanos, Suh e Oh (2026) encontram uso de IA generativa no trabalho por 51,8% dos respondentes, com economia média de 3,8% do tempo de trabalho ativo — equivalente a 1,4% das horas para toda a força de trabalho. A correlação ponderada entre economias de tempo autorrelatadas e mudanças autorrelatadas de produção é baixa: os trabalhadores poupam tempo, mas, em média, não produzem mais. A pesquisa populacional em tempo real dos Estados Unidos encontra magnitudes semelhantes: usuários relatam economia de 5,4% das horas semanais e, de novo, 1,4% do total de horas da economia assistido por IA generativa (Bick, Blandin e Deming, 2025). Registros administrativos dinamarqueses mostram economias autorrelatadas de cerca de 3% das horas, sem efeito detectável sobre rendimentos ou horas registradas em até dois anos após o lançamento do ChatGPT (Humlum e Vestergaard, 2025). Na Coreia, a economia de tempo é absorvida sobretudo como aumento de 1,3 ponto percentual na parcela de tempo destinada a lazer no trabalho e como realocação de tarefas; uma única tarefa com maior economia responde por aproximadamente 70% da redução total de tempo do usuário.

Em conjunto, a evidência sustenta uma mensagem clara: o efeito da IA generativa na produtividade depende da complexidade da tarefa, da expertise do trabalhador e do contexto de implementação. A tecnologia pode elevar substancialmente a produtividade em tarefas bem delimitadas, mas muitos ganhos em tarefas simples refletem automação passiva, não aperfeiçoamento de competências. Em trabalho complexo, os resultados dependem da capacidade dos trabalhadores de avaliar a confiabilidade da IA e evitar confiança excessiva. Os efeitos sobre a desigualdade variam conforme o contexto: a IA tende a estreitar diferenças de desempenho em tarefas simples, mas pode ampliá-las em trabalho complexo e intensivo em julgamento, especialmente quando usuários não têm expertise para validar os resultados.

Embora os efeitos sobre a produtividade estejam cada vez mais documentados, as evidências sobre demanda de trabalho e emprego permanecem mais limitadas e específicas de cada contexto. No conjunto, há até agora pouca evidência de perdas de emprego em larga escala diretamente atribuíveis à IA generativa. Há, contudo, sinais iniciais de ajustes importantes na demanda por tarefas, nos padrões de contratação e na estrutura do emprego, sobretudo em ocupações fortemente dependentes de tarefas cognitivas rotineiras.

Dados digitais de plataformas de trabalho on-line fornecem algumas das evidências mais claras de efeitos de substituição. Estudos com anúncios de emprego e dados de plataformas mostram que, após a difusão de ferramentas de IA generativa, a demanda por competências associadas a redação rotineira e tradução caiu de forma significativa (Liu et al., 2025; Qiao et al., 2024; Yilmaz et al., 2023), ao passo que a demanda por competências de IA, como machine learning e processamento de linguagem natural, aumentou (Teutloff et al., 2024). Evidência emergente também aponta queda de demanda em tarefas de desenvolvimento de software e web, especialmente no trabalho mais rotineiro e de entrada (Demirci et al., 2025).

Evidências da China acrescentam uma perspectiva sobre diferentes contextos econômicos. Chen et al. (2025) mostram que a exposição à IA generativa varia amplamente entre ocupações e que as firmas respondem principalmente reorganizando tarefas, e não reduzindo o número de trabalhadores. Isso reforça a visão de que a IA generativa afeta a demanda de trabalho ao remodelar conjuntos de tarefas e requisitos de habilidades, não eliminando ocupações inteiras.

Embora alguns estudos sugiram redução do emprego para trabalhadores de entrada em ocupações expostas à IA, o consenso emergente aponta evidência robusta limitada para efeitos generalizados de deslocamento. Teutloff et al. (2024) documentam menor demanda por freelancers menos experientes em tarefas expostas à IA em plataformas on-line, um segmento altamente flexível no qual a substituição de tarefas pode ocorrer mais rapidamente que no emprego tradicional. A evidência potencialmente mais forte para efeitos amplos vem de Klein Teeselink (2025), que encontra redução de emprego em postos júnior em firmas britânicas com alta exposição à IA. O estudo reconhece limitações importantes: dados de emprego do LinkedIn provavelmente super-representam trabalhadores profissionais e a janela de observação de 30 meses dificulta excluir outros choques simultâneos. Nos Estados Unidos, Brynjolfsson et al. (2025) relatam queda relativa de 16% no emprego de trabalhadores de 22 a 25 anos em ocupações expostas à IA, mas a conclusão recebe críticas metodológicas: a cronologia antecede o lançamento do ChatGPT e coincide com aperto monetário em setores sensíveis a juros, sugerindo vetores macroeconômicos, e não tecnológicos (Frank et al., 2026; Iscenko e Millet, 2026). Em contraste, dados administrativos abrangentes da Dinamarca não encontram efeitos sobre rendimentos, horas trabalhadas ou criação líquida de empregos até 2024 (Humlum e Vestergaard, 2025).

Os efeitos agregados sobre o emprego permanecem modestos apesar da difusão rápida da IA. A adoção corporativa ainda é limitada: dados do Censo dos Estados Unidos mostram que apenas cerca de 12% das grandes empresas relataram uso de IA para produção no fim de 2025. A distância provavelmente reflete barreiras de implementação, incluindo incerteza regulatória, preocupações com confiabilidade e necessidade de investimentos complementares em infraestrutura e redesenho organizacional. Como em tecnologias de propósito geral anteriores, os efeitos plenos sobre o mercado de trabalho podem levar anos para aparecer.

Evidência do lado das firmas confirma esses padrões. Yotzov et al. (2026) pesquisaram cerca de 6 mil diretores financeiros, CEOs e executivos seniores nos Estados Unidos, Reino Unido, Alemanha e Austrália. Cerca de 70% das firmas relatam uso ativo de IA, concentrado nas mais jovens e produtivas, mas mais de 80% delas não relatam efeito da IA sobre emprego nem produtividade nos três anos anteriores. O uso médio entre executivos é de cerca de 1,5 hora por semana, e um quarto não reporta uso algum. Para os três anos seguintes, executivos preveem aumento de produtividade de 1,4% e corte de emprego de 0,7%, enquanto empregados pesquisados em paralelo preveem aumento líquido de emprego de 0,5% — diferença de 1,2 ponto percentual entre quem decide a adoção e quem a vivencia.

Os efeitos da IA generativa vão além da produtividade individual e alcançam a organização do trabalho. Ferramentas de IA são incorporadas a equipes, fluxos de trabalho e processos gerenciais, influenciando coordenação, tomada de decisão e desempenho coletivo. Estudos experimentais e organizacionais mostram que a IA generativa pode melhorar a velocidade, a consistência e a qualidade média dos resultados de equipes, sobretudo em atividades intensivas em conhecimento, como brainstorming, programação, marketing e elaboração de documentos (Dell’Acqua et al., 2023; Brynjolfsson, Li e Raymond, 2025). Ao fornecer acesso rápido a informação e sugestões padronizadas, ela pode reduzir gargalos cognitivos e custos de coordenação dentro das equipes.

Esses mesmos mecanismos introduzem trocas importantes. Vários estudos mostram que a dependência de sugestões da IA pode reduzir a diversidade de ideias e produzir convergência em torno de soluções médias, restringindo criatividade e inovação quando a heterogeneidade de perspectivas é essencial (Dell’Acqua et al., 2023).

As evidências também sugerem que a IA generativa altera como a expertise é distribuída nas organizações. Em alguns contextos, a assistência permite que trabalhadores menos experientes realizem tarefas antes reservadas a especialistas, achatando hierarquias de habilidade e alterando a composição das equipes (Brynjolfsson, Li e Raymond, 2025). Em outros, a IA desloca o foco do trabalho especializado da implementação para supervisão, verificação e julgamento, elevando a importância de avaliar e contextualizar os resultados da IA (Dell’Acqua et al., 2023). Assim, os ganhos organizacionais dependem não apenas do acesso à tecnologia, mas de como funções e responsabilidades são redesenhadas.

Uma literatura crescente enfatiza que a IA generativa afeta não somente tarefas individuais, mas o trabalho como conjuntos de atividades interdependentes. Ocupações não são coleções de tarefas separáveis, e a automação de uma tarefa não se traduz diretamente em deslocamento de um emprego. Trabalhos fundamentais mostram que habilidades e tarefas são agrupadas e interagem por complementaridades (Edmond e Mongey, 2021). Contribuições recentes indicam que a IA opera principalmente por reorganização dentro do emprego: trabalhadores realocam esforço para tarefas não deslocadas no mesmo trabalho (Hampole et al., 2025). O deslocamento dependerá do custo de desfazer esses conjuntos: conjuntos “fortes” tendem a persistir e ser reorganizados, e não substituídos (Garicano, Li e Wu, 2026); estrutura organizacional e hierarquias de conhecimento também importam, pois empregos são posições em hierarquias que se reorganizam, em vez de se dissolver, diante da IA (Ide e Talamàs, 2025). A IA transforma empregos ao mudar sua composição de tarefas, com efeitos heterogêneos entre trabalhadores (Freund e Mann, 2026). Em perspectiva mais longa, ocupações evoluem como conjuntos em expansão de tarefas, o que sugere que os empregos podem ser mais resilientes à automação à medida que incorporam novas tarefas dependentes de contribuição humana (Jackson, 2025).

Referências da publicação

• Agarwal, N. et al. (2023). Combining Human Expertise with Artificial Intelligence: Experimental Evidence from Radiology. NBER Working Paper 31422.
• Becker, J.; Rush, N.; Barnes, B.; Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR.
• Bick, A.; Blandin, A.; Deming, D. J. (2025). The Rapid Adoption of Generative AI. NBER Working Paper 32966.
• Brynjolfsson, E.; Chandar, A.; Chen, R. (2024). AI Adoption and Hiring Patterns in U.S. Firms. Stanford Digital Economy Lab.
• Brynjolfsson, E.; Li, D.; Raymond, L. (2025). “Generative AI at Work”. The Quarterly Journal of Economics, 140(2), 889–942.
• Brynjolfsson, E.; Rock, D.; Syverson, C. (2021). “The Productivity J-Curve”. American Economic Journal: Macroeconomics, 13(1), 333–372.
• Caplin, A. et al. (2024). The ABCs of Who Benefits from Working with AI. NBER Working Paper 33021.
• Chan, C. Y. C.; Shedania, K. (2026). The Aggregation Paradox of AI. International Labour Office. https://doi.org/10.54394/00034342
• Chen, Q. et al. (2025). “Large Language Models at Work in China’s Labor Market”. China Economic Review, 92.
• Chen, Z.; Chan, J. (2024). “Large Language Models in Creative Work”. Management Science, 70(12).
• Choi, J. et al. (2024). “Lawyering in the Age of Artificial Intelligence”. Minnesota Law Review, 109.
• Cui, Z. K. et al. (2025). “The Effects of Generative AI on High-Skilled Work”. SSRN Electronic Journal.
• Daniotti, S. et al. (2026). “Who is using AI to code? Global diffusion and impact of generative AI”. Science.
• Dell’Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier. NBER Working Paper 31196.
• Del Rio Chanona, R. M. et al. (2025). AI and Jobs: A Review of Theory, Estimates, and Evidence. https://arxiv.org/abs/2509.15265
• Demirci, O.; Hannane, J.; Zhu, X. (2025). “Who is AI replacing?” Management Science.
• Dillon, E. W. et al. (2025). Shifting Work Patterns with Generative AI. NBER.
• Doshi, A. R.; Hauser, O. P. (2024). “Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content”. Science Advances, 10(28), eadn5290.
• Edmond, C.; Mongey, S. (2021). Unbundling Labor. Working Paper.
• Frank, M. R. et al. (2026). AI-exposed jobs deteriorated before ChatGPT. arXiv:2601.02554v1.
• Garicano, L.; Li, J.; Wu, Y. (2026). Weak Bundle, Strong Bundle: How AI Redraws Job Boundaries. Working Paper.
• Hampole, M.; Papanikolaou, D.; Schmidt, L. D. W.; Seegmiller, B. (2025). Artificial Intelligence and the Labor Market. NBER Working Paper 33509.
• Haslberger, M.; Gingrich, J.; Bhatia, J. (2025). “No Great Equalizer”. SSRN Electronic Journal.
• Hoffmann, M. et al. (2025). Generative AI and the Nature of Work. HBS Working Paper 25-021.
• Humlum, A.; Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects. NBER Working Paper 33777.
• Ide, E.; Talamàs, E. (2025). “Artificial Intelligence in the Knowledge Economy”. Journal of Political Economy, 133(12).
• ILO (2026). Adoption of Artificial Intelligence and productivity growth in Kuwait’s private sector. https://doi.org/10.54394/00033397
• Iscenko, Z.; Curto Millet, F. (2026). Looking for the Ladder: Is AI Impacting Entry-Level Jobs? Economic Innovation Group.
• Jackson, M. (2025). The Division of Rationalized Labor. Harvard University Press.
• Jia, N. et al. (2024). “When and how artificial intelligence augments employee creativity”. Academy of Management Journal, 67(1), 5–32.
• Klein Teeselink, B. (2025). “Generative AI and labor market outcomes: Evidence from the United Kingdom”. SSRN.
• Kim, D. G.; Moon, A. (2024). “From Helping Hand to Stumbling Block”. Applied Economics Letters, 1–5.
• Kreitmeir, D.; Raschky, P. A. (2024). The Heterogeneous Productivity Effects of Generative AI. arXiv:2403.0196.
• Li, Z. et al. (2024). “The value, benefits, and concerns of generative AI-powered assistance in writing”. CHI 2024 Proceedings, 1–25.
• Liu, T. et al. (2025). “The illusion of empathy”. AAAI Conference on Artificial Intelligence, 39(13), 14327–14335.
• Noy, S.; Zhang, W. (2023). “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence”. Science, 381(6654), 187–192.
• Otis, N. G. et al. (2023). The Uneven Impact of Generative AI on Entrepreneurial Performance. HBS Working Paper 24-042.
• Peng, S. et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590.
• Qiao, D.; Rui, H.; Xiong, Q. (2024). “AI and freelancers: Has the inflection point arrived?” ICIS 2024 Proceedings.
• Roldán-Monés, T. (2024). When GenAI Increases Inequality. EsadeEcPol Working Paper.
• Schwarcz, D. et al. (2025). AI-Powered Lawyering. Minnesota Legal Studies Research Paper 25-16.
• Song, F.; Agarwal, A.; Wen, W. (2023). “The Impact of Generative AI on Collaborative Open-Source Software Development”. SSRN Electronic Journal.
• Suh, D.; Oh, S. (2026). Generative AI and the Reallocation of Time. Bank of Korea, arXiv:2602.12695.
• Teutloff, O. et al. (2024). “Winners and Losers of Generative AI”. Journal of Economic Behavior & Organization, 235, 106845.
• U.S. Census Bureau (2025). Business Trends and Outlook Survey. https://www.census.gov/data/experimental-data-products/business-trends-and-outlook-survey.html
• Usdan, R.; Kleinberg, J.; Mullainathan, S. (2024). AI Assistance in General Knowledge Work.
• Yilmaz, E. D.; Naumovska, I.; Aggarwal, V. A. (2023). AI-driven labor substitution: Evidence from Google Translate and ChatGPT.
• Yeverechyahu, D.; Mayya, R.; Oestreicher-Singer, G. (2024). The Impact of Large Language Models on Open-source Innovation. arXiv:2409.08379.
• Yotzov, I. et al. (2026). Firm Data on AI. NBER Working Paper 34836.

Fonte oficial

MEROLA, Rossana; ERNST, Ekkehard; SAMAAN, Daniel; DEL RIO-CHANONA, Maria; TEUTLOFF, Ole. The impact of GenAI on jobs, productivity and work organization: a review of the empirical evidence. ILO Research Brief, Geneva: International Labour Office, 2026. DOI: 10.54394/00034628. Licença CC BY 4.0.