O risco de automação nos países da OCDE

O risco da automação para empregos em países da OCDE: uma análise comparativa

Melanie Arntz, Terry Gregory e Ulrich Zierahn

Documentos de Trabalho da OCDE sobre Assuntos Sociais, Emprego e Migração n.º 189 — 2016

Resumo. Este estudo estima o risco de automação para empregos em 21 países da OCDE com uma abordagem baseada em tarefas. Ao contrário de outros estudos, leva em conta a heterogeneidade de tarefas entre trabalhadores de uma mesma ocupação e entre países. Em média, nos 21 países, 9% dos empregos são automatizáveis. A ameaça trazida pelos avanços tecnológicos parece, assim, bem menos pronunciada do que sugerem estimativas baseadas em ocupações. Há diferenças consideráveis entre os países da OCDE: a parcela de empregos automatizáveis é 6% na Coreia e 12% na Áustria.

Introdução

1. No passado, a mudança tecnológica frequentemente despertou temores de que novos meios tecnológicos deslocassem trabalhadores, dando origem ao que se chamou de desemprego tecnológico. Embora esses temores não tenham se confirmado nos avanços tecnológicos dos séculos XIX e XX — pois a criação de novos empregos em geral superou o efeito poupador de trabalho da adoção de novas tecnologias —, recentemente eles voltaram a crescer: avanços em automação e digitalização poderiam, afinal, anunciar o “fim do trabalho”, como já propôs Rifkin (1995). A noção subjacente é que automação e digitalização penetram cada vez mais no domínio de tarefas até há pouco genuinamente humanas, como raciocinar, perceber e decidir. Em livro amplamente discutido, Brynjolfsson e McAfee (2014) apresentam numerosos exemplos do que chamam de “Segunda Era das Máquinas”: carro sem motorista, fábrica inteligente em grande parte autônoma, robôs de serviço e impressão 3D. Essas tecnologias são impulsionadas por avanços em poder computacional, robótica e inteligência artificial e, em última análise, redefinem que tipos de capacidades humanas as máquinas conseguem exercer.

2. Assim, ao menos no debate público, a percepção predominante é que a substituibilidade de humanos por máquinas alcança qualidade nova e sem precedentes. Esses temores foram alimentados também por estudo de Frey e Osborne (2013), que tenta estimar a suscetibilidade do emprego à informatização. No artigo amplamente citado, eles classificam ocupações dos Estados Unidos quanto ao risco de serem suscetíveis à automação, perguntando a especialistas sobre o potencial tecnológico de automação no futuro próximo. O estudo sugere que 47% de todas as pessoas empregadas nos Estados Unidos trabalham em empregos que poderiam ser realizados por computadores e algoritmos nos próximos 10 a 20 anos. Estudos posteriores aplicaram o risco de automação no nível das ocupações a outros países, assumindo que o risco para uma dada ocupação é comparável entre países. Assim, diferenças entre países na parcela estimada de trabalhadores propensos à automação são movidas apenas por diferenças de estrutura ocupacional. Por essa abordagem, Pajarinen e Rouvinen (2014) estimam cerca de 35% de empregos suscetíveis à automação na Finlândia; Brzeski e Burk (2015), até 59% na Alemanha; e Bowles (2014), entre 45% e mais de 60% na Europa, com as forças de trabalho do sul europeu enfrentando maior exposição à automação potencial.

3. Diante desses números, o potencial de automação é percebido como ameaça que acabará fomentando desemprego tecnológico. Contudo, o estudo de Frey e Osborne (2013) também estimulou discussão sobre a interpretação desses resultados. Uma crítica, em particular, aponta que a automação normalmente busca automatizar certas tarefas, e não ocupações inteiras. Como ocupações geralmente consistem em um conjunto de tarefas, nem todas facilmente automatizáveis, o potencial de automatizar ocupações e postos de trabalho inteiros pode ser muito menor que o sugerido pela abordagem de Frey e Osborne. Além disso, mesmo dentro de ocupações, a heterogeneidade das tarefas realizadas em diferentes locais de trabalho parece enorme, como Autor e Handel (2013) mostraram. De fato, a maior parte do ajuste à informatização passada ocorreu por mudanças nas estruturas de tarefas dentro das ocupações, e não por mudança das participações de emprego entre ocupações.

4. Uma segunda crítica diz respeito a confundir o potencial de automação com perdas efetivas de emprego. A possibilidade técnica de usar máquinas em vez de pessoas para realizar certas tarefas não significa que a substituição de humanos por máquinas ocorra de fato. Em muitos casos, há obstáculos jurídicos e éticos que podem impedir essa substituição ou, ao menos, desacelerar substancialmente seu ritmo. A substituição também pode não ser economicamente razoável. Mesmo na ausência desses obstáculos, trabalhadores podem ajustar-se a uma nova divisão de trabalho entre máquinas e humanos mudando de tarefas.

5. O objetivo deste estudo é estimar o risco de automação para empregos em 21 países da OCDE, com base na abordagem de Frey e Osborne (2013), mas relaxando uma de suas hipóteses principais, como no estudo anterior para a Alemanha de Bonin et al. (2015). Em vez de presumir que são as ocupações que máquinas deslocam, argumentamos que certas tarefas podem ser deslocadas. Na medida em que conjuntos de tarefas diferem entre países e também dentro das ocupações, ocupações classificadas por Frey e Osborne como em risco de automação podem ser bem menos propensas à automação quando se considera que a maior parte das ocupações contém tarefas difíceis de substituir, pelo menos no futuro previsível.

6. Neste artigo, reestimamos a parcela de empregos em risco de automação para 21 países da OCDE, incluindo os Estados Unidos, com uma abordagem baseada em tarefas. Para isso, usamos a recém-divulgada base PIAAC — Programa para a Avaliação Internacional das Competências de Adultos —, que investiga estruturas de tarefas entre países da OCDE. No conjunto, encontramos que a parcela de empregos em risco de automação é, em média, 9% nos países da OCDE. Esses números, contudo, podem ter utilidade limitada para informar o impacto potencial dos avanços tecnológicos. O artigo discute diversas razões pelas quais eles não devem ser equiparados às perdas efetivas de emprego esperadas de avanços tecnológicos.

7. Constatamos que aplicar uma abordagem baseada em tarefas resulta em risco de automação muito menor que a abordagem baseada em ocupações. Por exemplo, enquanto Frey e Osborne encontram 47% de empregos automatizáveis nos Estados Unidos, a cifra correspondente aqui é apenas 9%. Portanto, a ameaça dos avanços tecnológicos é muito menos pronunciada que na abordagem ocupacional de Frey e Osborne. Essa diferença substancial ocorre porque, mesmo em ocupações que Frey e Osborne consideraram de alto risco, trabalhadores realizam, pelo menos em alguma medida, tarefas difíceis de automatizar, como tarefas que envolvem interação face a face.

8. Por fim, encontramos heterogeneidades entre os países da OCDE. Enquanto a parcela de empregos automatizáveis é 6% na Coreia, a taxa correspondente é 12% na Áustria. Como mostramos, parte das diferenças entre países pode refletir diferenças gerais na organização do local de trabalho, em investimentos anteriores em tecnologias de automação e na educação dos trabalhadores.

A ameaça de automação segundo Frey e Osborne

9. Com sua análise da suscetibilidade dos empregos à informatização, FO — daqui em diante, Frey e Osborne (2013) — iniciou discussão controversa sobre ameaças potenciais dos avanços tecnológicos atuais e futuros. No debate público, o resultado de que 47% dos empregos americanos poderiam estar em risco de automação no futuro próximo claramente alimentou o temor de que o desemprego tecnológico afetará parcela grande e crescente da população. Contudo, para interpretar corretamente tais resultados, é importante entender primeiro sua abordagem empírica.

10. FO se concentram nos avanços tecnológicos do que chamam de Machine Learning (ML) e Robótica Móvel (MR). O ponto de partida é a hipótese de que esses avanços diferem dos anteriores porque as capacidades tecnológicas para realizar tarefas que até recentemente eram consideradas genuinamente humanas estão crescendo rapidamente. Essas tarefas não se restringem mais a tarefas rotineiras, como supunham a maior parte dos estudos de economia do trabalho da década anterior. Em vez disso, máquinas são cada vez mais capazes de executar tarefas cognitivas não rotineiras, como dirigir ou redigir peças jurídicas. Avanços em aprendizado de máquina — por exemplo, estatística computacional e visão, mineração de dados e inteligência artificial — permitem automatizar tarefas cognitivas; o uso de ML na robótica móvel também permite automatizar determinadas tarefas manuais.

11. FO argumentam que, devido a esses avanços, a destruição criativa — isto é, desemprego tecnológico decorrente da busca de novos empregos por trabalhadores dispensados — provavelmente excederá o chamado efeito de capitalização. Este último é o efeito, que promove crescimento e em última instância cria empregos, dos avanços tecnológicos que, no passado, aparentemente superou o efeito inicial da tecnologia de poupar trabalho. Como a velocidade atual com que o trabalho humano se torna potencialmente obsoleto é alta e crescente, esforços para elevar habilidades e educação talvez não sejam mais suficientes para vencer a “corrida contra as máquinas”, na expressão de Brynjolfsson e McAfee (2011). Assim, poderiam surgir níveis sem precedentes de desemprego tecnológico. O único domínio de tarefas aparentemente isento dessa ameaça, segundo FO, relaciona-se ao que chamam de gargalos de engenharia: tarefas que máquinas não podem substituir no futuro próximo porque não podem ser definidas em termos de regras codificáveis e, portanto, de algoritmos.

12. Um desses gargalos se refere a tarefas relacionadas a percepção e manipulação, especialmente quando realizadas em situações não estruturadas. A capacidade de trabalhadores para lidar com objetos nesses contextos ainda é enorme desafio para engenheiros. Em especial, seres humanos provavelmente manterão vantagens comparativas duradouras na orientação em situações complexas e na reação a possíveis falhas e desafios não estruturados.

13. Outras tarefas que provavelmente permanecerão no domínio humano relacionam-se a criatividade e inteligência social. Segundo FO, criatividade é a capacidade de desenvolver ideias ou artefatos novos e significativos, como novos conceitos, teorias, literatura ou composições musicais. Embora certas partes dessas tarefas possam ser automatizáveis em alguma medida, FO consideram a criatividade verdadeira — que relaciona novas ideias ao contexto cultural e contemporâneo de percepções sociais em mudança — um domínio que provavelmente continuará dominado por humanos no futuro previsível. De modo semelhante, tarefas que exigem inteligência social, isto é, capacidade de responder de maneira inteligente e empática a uma contraparte humana, continuam domínio muito desafiador do ponto de vista da engenharia. Tarefas como persuadir, negociar ou cuidar de outras pessoas tendem, portanto, a permanecer genuinamente humanas mesmo no longo prazo.

14. Nesse contexto, FO discutem o modelo de tarefas de Autor et al. (2003), que considera uma função de produção agregada com retornos constantes de escala e dois tipos de insumos de trabalho: tarefas rotineiras, tecnicamente substituíveis por capital, e tarefas não rotineiras, que não são substituíveis. FO adaptam esse modelo redefinindo o domínio das tarefas suscetíveis à automação e das que, por causa dos gargalos de engenharia, não o são. Assim, tarefas potencialmente automatizáveis vão além das tarefas rotineiras definidas por Autor et al. (2003), refletindo novos avanços em aprendizado de máquina e robótica móvel.

15. Uma diferença importante entre o modelo de tarefas usado por Autor et al. (2003) e FO é que o primeiro discute a substituição de tarefas rotineiras por máquinas como resultado de firmas que maximizam lucros. Portanto, se a substituição ocorre depende não apenas de capacidades tecnológicas, mas do preço relativo de executar tarefas com humanos ou máquinas. Em contraste, FO avaliam apenas a capacidade técnica de substituir certa tarefa por máquinas, e não sua viabilidade econômica.

16. Para identificar a capacidade de substituir ocupações por máquinas, a análise empírica de FO usa a versão de 2010 dos dados ONET. Essa base contém informações sobre o conteúdo de tarefas de 903 ocupações nos Estados Unidos e se baseia na avaliação de analistas do mercado de trabalho, especialistas e trabalhadores de determinada ocupação. Para combinar dados de salários e emprego a essas ocupações, FO agregam as 903 ocupações ONET em 702 ocupações da Classificação Ocupacional Padrão do Departamento do Trabalho (SOC), tomando a média das tarefas reportadas pelo O*NET quando ocupações precisavam ser agregadas.

17. Em seguida, FO pedem a pesquisadores de aprendizado de máquina, em oficina no Departamento de Ciências de Engenharia da Universidade de Oxford, que classifiquem ocupações como automatizáveis ou não, com base nas estruturas de tarefas reportadas. Para essa classificação, selecionam apenas 70 ocupações cujos rótulos os especialistas consideravam suficientemente seguros. Depois imputam a automatizabilidade às 632 ocupações restantes. Primeiro, examinam se a classificação subjetiva se relaciona sistematicamente a nove atributos objetivos das ocupações ligados aos gargalos de engenharia identificados — por exemplo, destreza manual, originalidade e percepção social. Essas tarefas-gargalo foram definidas somente após a oficina e não integravam as estruturas de tarefas ocupacionais que fundamentaram a avaliação dos especialistas. FO estimam várias versões de um modelo probabilístico para examinar o poder desses atributos em prever a automatizabilidade de uma ocupação. Repetem o exercício com 100 subamostras aleatórias das 70 ocupações classificadas e encontram alto poder preditivo dos atributos para a avaliação subjetiva da automatizabilidade de cada ocupação.

18. As estimativas do modelo são usadas para prever a probabilidade de que cada uma das 632 ocupações não avaliadas por especialistas possa ser automatizada. FO distinguem ocupações de baixo risco — abaixo de 30% —, risco médio — 30% a 70% — e alto risco — acima de 70%. Combinando essa informação com o número de empregados de cada ocupação nos Estados Unidos, reportado para 2010 pelo Bureau of Labor Statistics, FO concluem que 47% de todos os empregos americanos estão na categoria de alto risco, “o que significa que as ocupações associadas são potencialmente automatizáveis em algum número não especificado de anos, talvez uma década ou duas” (FO, 2013, p. 38). Segundo eles, empregos de serviços, vendas e escritório caem especialmente na categoria de alto risco, como mostra a Figura 1. Para além das ocupações de alto risco, FO supõem que a automação ocorrerá em ritmo muito mais lento, pois os gargalos de engenharia precisam ser resolvidos primeiro. Também concluem que o risco de automação é maior para trabalhadores pouco qualificados e para ocupações de baixos salários, sugerindo que a automação poderia afetar esses grupos de forma desproporcional.

19. Embora FO enfatizem repetidamente que se concentram apenas em capacidades tecnológicas, seus resultados sobre empregos “em risco” de automação e os estudos subsequentes provocaram debate acalorado sobre ameaças potenciais dos avanços tecnológicos. Há, porém, muitas razões pelas quais a automatizabilidade de empregos pode não se traduzir em perdas reais de emprego. Além de outras razões discutidas na seção “Interpretação e crítica”, um fator principal deixado de lado por FO é que normalmente não é uma ocupação, mas certa tarefa, que pode ou não ser automatizada: são tarefas, e não ocupações, que estão em risco. A seção seguinte apresenta, por isso, uma abordagem alternativa para estimar o risco de automação em 21 países da OCDE com base no conteúdo efetivo de tarefas dos empregos.

Automatizabilidade de empregos em países da OCDE — uma abordagem baseada em tarefas

20. A seguir, transferimos a automatizabilidade fornecida por FO para outros países da OCDE. Alguns autores fizeram isso supondo que ocupações nesses países são comparáveis às dos Estados Unidos. Para derivar cenários de automação semelhantes aos de FO, transferiram diretamente a automatizabilidade reportada por FO no nível ocupacional aos dados de emprego específicos de ocupação da Alemanha, Finlândia ou países europeus. Chamamos esse método de abordagem baseada em ocupações. Sua principal desvantagem é supor que ocupações sejam similares entre países. Além disso, correspondências diretas entre classificações ocupacionais desses países e a SOC dos Estados Unidos geralmente não existem. Por fim, FO supõem que ocupações podem ser automatizadas, assumindo que trabalhadores da mesma ocupação têm estruturas de tarefas idênticas. Porém, as estruturas de tarefas dos trabalhadores diferem marcadamente dentro das ocupações. Logo, mesmo dentro delas, trabalhadores provavelmente ficam expostos à automação de modos muito diferentes, a depender das tarefas que executam. Seguimos, portanto, uma abordagem alternativa baseada em tarefas. Em resumo, estimamos a relevância das tarefas para a automatizabilidade de empregos nos Estados Unidos e usamos essa relação empírica para transferir a automatizabilidade a outros países da OCDE. No restante do capítulo, apresentamos primeiro os dados e a metodologia; depois, os resultados da abordagem baseada em tarefas para os Estados Unidos, antes de transferir a automatizabilidade aos demais países.

A. Dados e metodologia

21. Neste artigo, seguimos uma abordagem baseada em tarefas para transferir os resultados de FO a outros países da OCDE. A abordagem se baseia na ideia de que a automatizabilidade de empregos depende, em última instância, das tarefas que trabalhadores executam nesses empregos e de quão facilmente essas tarefas podem ser automatizadas. Por isso, estimamos a relação entre tarefas no local de trabalho nos Estados Unidos e a automatizabilidade de FO. Em seguida, usamos essa relação estatística para transferir a automatizabilidade a empregos de outros países da OCDE. À primeira vista, o procedimento tem semelhanças com a análise de FO, que estima como a avaliação dos especialistas sobre automatizabilidade no nível ocupacional se relaciona a certas tarefas-gargalo, para transferir esses resultados a outras ocupações. Porém, enquanto FO usam somente um conjunto limitado de tarefas-gargalo que reflete estruturas médias de tarefas no nível da ocupação, nós nos apoiamos em dados individuais de pesquisa sobre uma lista abrangente de tarefas que as pessoas efetivamente realizam no local de trabalho. Assim, com dados individuais, levamos em conta que pessoas na mesma ocupação frequentemente executam tarefas muito diferentes. Além disso, as estruturas de tarefas são autorreportadas pelos indivíduos e, portanto, provavelmente são melhor indicador de suas tarefas reais.

22. A análise se baseia em dados do Programa para a Avaliação Internacional das Competências de Adultos (PIAAC). Os dados PIAAC são fonte única que contém indicadores de microdados sobre características socioeconômicas, habilidades, informações relacionadas ao emprego, tarefas de trabalho e competências. Mais importante: são comparáveis entre os países participantes. Assim, permitem relaxar a hipótese de que as estruturas de tarefas são iguais entre países.

23. Para implementar a abordagem por tarefas, estimamos a relação entre as tarefas dos trabalhadores e a automatizabilidade dos empregos nos Estados Unidos. Para isso, vinculamos o indicador de automatizabilidade de FO às observações americanas nos dados PIAAC, com base em códigos ocupacionais. Como o PIAAC disponibiliza apenas códigos ISCO de dois dígitos, surge um problema de atribuição. Portanto, atribuímos múltiplos valores de automatizabilidade a cada indivíduo do PIAAC e seguimos abordagem de imputação múltipla. Para cada indivíduo, identificamos por esse método a automatizabilidade com maior probabilidade. Em particular, seguindo Ibrahim (1990), implementamos o seguinte algoritmo de Expectativa-Maximização (EM).

(1) Em um primeiro passo, regredimos a automatizabilidade y sobre N características x dos empregos: yᵢⱼ = Σₙ₌₁ᴺ βₙxᵢₙ + εᵢⱼ. i são os indivíduos nos dados PIAAC e j são as duplicatas desses indivíduos, porque múltiplas automatizabilidades yᵢⱼ são atribuídas a cada indivíduo i. βₙ são os parâmetros a estimar e representam a influência das características relacionadas ao emprego sobre a automatizabilidade de cada emprego. A automatizabilidade é restrita ao intervalo de 0% a 100%. Usamos o Modelo Linear Generalizado (GLM) de Papke e Wooldridge (1996), no qual a variável dependente é transformada para um intervalo sem restrição. Consideramos ainda dois pesos conectados multiplicativamente. O primeiro é necessário porque os indivíduos foram duplicados no conjunto de dados: ele é construído para somar um para cada indivíduo e, no passo inicial, é o inverso do número de duplicatas desse indivíduo. O segundo é o peso de replicação dos dados PIAAC.

(2) Em um segundo passo, prevemos a automatizabilidade ŷᵢ. Esses valores não variam dentro dos indivíduos, pois as características xᵢₙ são constantes dentro deles. Comparando as automatizabilidades yᵢⱼ com ŷᵢ, podemos determinar a probabilidade de que yᵢⱼ, dadas as características relacionadas ao emprego xᵢₙ e o modelo estimado, seja a automatizabilidade verdadeira. Com base nessa probabilidade, recalculamos o primeiro peso e retornamos ao passo 1. Executamos o algoritmo até os pesos convergirem.

24. Implementamos o modelo para indivíduos empregados, com base em observações americanas do PIAAC, excluindo forças armadas, pessoas sem informação ocupacional e pessoas cuja ocupação está disponível apenas no nível ISCO de um dígito. As variáveis explicativas cobrem principalmente indicadores de tarefas no local de trabalho, mas também consideramos gênero, educação, competências, renda, setor, tamanho da firma e outras variáveis auxiliares. As variáveis explicativas, estatísticas descritivas e definições estão na Tabela 2 do Anexo A. O modelo e os parâmetros estimados mostram a influência das variáveis explicativas sobre a automatizabilidade nos Estados Unidos. Então aplicamos esse modelo e seus parâmetros estimados aos dados PIAAC dos outros países da OCDE para prever a automatizabilidade nesses países.

25. Por esse procedimento, levamos em conta que não ocupações inteiras, mas empregos específicos, estão expostos à automatizabilidade, dependendo das tarefas realizadas nesses empregos particulares. O procedimento se baseia na ideia de que empregos com parcelas maiores de tarefas automatizáveis estão mais expostos que empregos com parcelas maiores de tarefas não automatizáveis — os “gargalos”, na terminologia de FO. Ele permite diferenças de estrutura de tarefas dentro das ocupações e se concentra especificamente no emprego individual. É menos restritivo que a abordagem ocupacional, que supõe estruturas ocupacionais de tarefas idênticas nos Estados Unidos e em outros países. Ainda assim, assumimos que trabalhadores com a mesma estrutura de tarefas enfrentam a mesma automatizabilidade em todos os países da OCDE. Qualquer diferença de automatizabilidade entre países passa, então, a originar-se de diferenças de estruturas de tarefas ou de outras variáveis explicativas entre eles.

B. Resultados para os Estados Unidos

26. Apresentamos abaixo os resultados principais para os Estados Unidos; os resultados detalhados do modelo estão no Anexo B. Em geral, constatamos que a automatizabilidade de empregos é menor em empregos com altas exigências educacionais ou que requerem cooperação com outros empregados, ou em que as pessoas passam mais tempo influenciando outras. Assim, as tarefas de baixo risco refletem parcialmente o que FO chamaram de gargalos de engenharia. A automatizabilidade é maior em empregos com parcela alta de tarefas relacionadas a trocar informações, vender ou usar dedos e mãos. Isso se assemelha à evidência da literatura baseada em tarefas, segundo a qual as chamadas tarefas rotineiras estão sujeitas à automação, enquanto tarefas interativas ou cognitivas têm menor probabilidade de ser substituídas por máquinas e computadores.

27. A Figura 2 compara a automatizabilidade prevista de empregos nos Estados Unidos pelos dados PIAAC, aplicando as abordagens por tarefas e por ocupações. Para a abordagem por ocupações, vinculamos todos os valores potenciais de FO a cada indivíduo dos dados US-PIAAC com base na ocupação ISCO de dois dígitos. O resultado se parece fortemente com a estrutura bipolar conhecida de FO e exibida na Figura 1: a maioria dos empregos recebe automatizabilidade muito alta ou muito baixa, e poucos têm automatizabilidade média. Em contraste, a abordagem por tarefas exibe padrão muito diferente: os dois polos da distribuição movem-se para valores menos extremos. Assim, menos empregos têm valores muito altos ou muito baixos de automatizabilidade quando se leva em conta a variação das estruturas de tarefas dentro das ocupações. Como resultado, apenas 9% de todos os indivíduos nos Estados Unidos enfrentam alta automatizabilidade — isto é, pelo menos 70%. A cifra contrasta com FO, que afirmam que 47% dos empregos americanos estão em alto risco de automação.

Deixar de considerar a variação de tarefas dentro das ocupações exerce, aparentemente, impacto enorme sobre a automatizabilidade estimada dos empregos. Isso ocorre porque, mesmo em ocupações que FO esperam estar em alto risco de automação, pessoas frequentemente executam tarefas difíceis de automatizar, como tarefas interativas — por exemplo, trabalho em grupo ou interações face a face com consumidores e clientes. Dois exemplos ilustram:

• Segundo FO, pessoas na ocupação de “auxiliares de escrituração, contabilidade e auditoria” (código SOC 43-3031) enfrentam potencial de automação de 98%. Contudo, somente 24% dos empregados nessa ocupação conseguem realizar o emprego sem trabalho em grupo nem interações face a face.
• Segundo FO, pessoas na ocupação de “vendedor de varejo” (código SOC 41-2031) enfrentam potencial de automação de 92%. Apesar disso, somente 4% dos vendedores de varejo realizam seu trabalho sem trabalho em grupo e sem interações face a face.

28. Em conclusão, usar informação sobre o uso de tarefas no nível individual produz estimativas significativamente menores de empregos “em risco”, pois trabalhadores em ocupações com automatizabilidades altas, segundo FO, frequentemente realizam tarefas difíceis de automatizar.

C. Resultados para outros países da OCDE

29. A Figura 3 mostra a parcela de trabalhadores em alto risco por país da OCDE, isto é, a parcela de trabalhadores cuja automatizabilidade é ao menos 70%. A participação é mais alta na Alemanha e na Áustria, 12%, e mais baixa na Coreia e na Estônia, 6%. Os resultados para a Alemanha são muito parecidos com uma pesquisa representativa recente entre empregados alemães, na qual 13% consideram provável ou altamente provável que seu emprego seja substituído por máquinas. Eles também são comparáveis a Dengler e Matthes (2015), que usam metodologia diferente e encontram 15% de empregos em risco de automação na Alemanha. O estudo também encontra distribuição bipolar de automatizabilidade, com polarização moderada.

30. Um resultado interessante da Figura 3 é que a distribuição de automatizabilidade entre países não se presta a interpretação imediata dos fatores subjacentes. Para compreender melhor as razões das diferenças entre países, decompomos a diferença na parcela de trabalhadores em alto risco entre cada país e os Estados Unidos em componentes intrassetorial e intersetorial, quanto a três dimensões: indústria, ocupação e educação. Em cada caso, o componente entre grupos reflete a diferença de automatizabilidade devida à diferença entre países em estrutura industrial, ocupacional ou educacional; o componente dentro dos grupos reflete a diferença decorrente de trabalhadores nas mesmas indústrias, ocupações ou grupos educacionais realizarem mais — ou menos — tarefas automatizáveis.

31. A Tabela 1 mostra que diferenças nas estruturas industrial e ocupacional explicam pouco das diferenças na parcela de trabalhadores de alto risco entre cada país e os Estados Unidos: os componentes entre indústrias e entre ocupações importam pouco para a maior parte dos países. Em vez disso, trabalhadores nas mesmas indústrias e ocupações realizam tarefas de automatizabilidade diferente nesses países em relação aos trabalhadores dos Estados Unidos. A educação, contudo, tem papel grande em muitos países. Na maioria, o componente dentro da educação é negativo, o que implica que pessoas com a mesma educação em geral realizam tarefas menos automatizáveis que nos Estados Unidos. Porém, em muitos países, o componente entre educação é positivo: maior parcela de trabalhadores tem níveis educacionais associados a tarefas mais automatizáveis — trabalhadores de baixa ou média qualificação. Isso ocorre porque os Estados Unidos têm parcela maior de trabalhadores altamente educados, que em geral realizam menos tarefas automatizáveis. Os resultados também se mantêm quando se focalizam requisitos educacionais dos empregos, e não a educação efetiva.

Fonte: cálculos dos autores com base na Survey of Adult Skills (PIAAC), 2012.

Interpretação e crítica

38. Como discutido, FO preveem que as tecnologias permitam automatizar parcela substancial dos empregos nas duas décadas seguintes. Além disso, supõem que o processo prossiga, no médio prazo, para além dos empregos mais propensos e, no limite, afete até os que hoje parecem relativamente seguros da automação. A abordagem por tarefas, que considera a heterogeneidade das tarefas no local de trabalho dentro das ocupações, já reduz fortemente a parcela prevista de empregos em alto risco. Esse resultado divergente aconselha claramente cautela na interpretação dessas previsões. O simples fato de FO terem escolhido uma abordagem baseada em ocupações, abstraindo da variação intraprofissão nas tarefas realizadas e transferindo avaliações de especialistas de 70 ocupações às demais com base em apenas três gargalos de engenharia e nove tarefas relacionadas, tem forte efeito sobre o resultado.

39. Mesmo na abordagem menos restritiva baseada em tarefas, há boas razões para cautela. Primeiro, ela ainda reflete capacidades tecnológicas baseadas em avaliações de especialistas, e não o uso efetivo dessas tecnologias, o que pode superestimar a automatizabilidade dos empregos. Segundo, mesmo quando novas tecnologias são cada vez mais usadas, o efeito sobre perspectivas de emprego depende de os locais de trabalho se ajustarem ou não a uma nova divisão do trabalho. Trabalhadores podem ajustar-se realizando cada vez mais tarefas complementadas pelas novas tecnologias. Terceiro, a abordagem considera apenas empregos existentes; porém, o uso dessas tecnologias provavelmente cria novos empregos. Além disso, tecnologias novas podem exercer efeitos positivos sobre demanda de trabalho quando elevam demanda de produtos por maior competitividade e aumentam a renda dos trabalhadores. Assim, locais de trabalho provavelmente estão menos “em risco” do que parece à primeira vista. A seguir, discutimos esses três aspectos.

A. Superestimação das capacidades tecnológicas e sua utilização retardada

40. Aos especialistas que avaliaram a automatizabilidade das 70 ocupações no estudo de FO foi perguntado se “as tarefas desse emprego podem ser suficientemente especificadas, condicionadas à disponibilidade de grandes dados, para serem realizadas por equipamento controlado por computador de ponta”. É muito provável que a avaliação resultante superestime as possibilidades tecnológicas. Em primeiro lugar, especialistas tendem a superestimar o potencial de novas tecnologias. Em especial, a vantagem comparativa das máquinas em relação aos trabalhadores costuma ser superestimada para tarefas que envolvem flexibilidade, capacidade de julgamento e senso comum. De modo mais geral, é problemática a classificação de ocupações ou tarefas em domínios distintos de automatizável e não automatizável. Além disso, a maioria dos empregos provavelmente não é suficientemente bem definida para ser de fato substituída por máquinas. Sobre os avanços em robótica, Pratt (2015) afirma que robôs especializados melhorarão em tarefas bem definidas, mas, no mundo real, há muito mais problemas ainda a resolver do que formas atualmente conhecidas de resolvê-los.

41. Além disso, a condição necessária para utilizar essas tecnologias em termos de disponibilidade de dados e computadores pode não estar satisfeita, ao menos não imediatamente. Um relatório de monitoramento sobre a digitalização da economia alemã para o Ministério Federal de Assuntos Econômicos revelou que a digitalização da manufatura ainda era baixa e avançaria apenas lentamente até 2020. Por exemplo, pesquisa do ZEW (2015) entre firmas alemãs mostra que só 18% conheciam o conceito de “Indústria 4.0”, projeto do governo alemão para fomentar digitalização e interconexão industrial; até então, só 4% haviam iniciado ou estavam prestes a iniciar tais projetos. O uso das tecnologias claramente fica atrás das possibilidades tecnológicas. Isso também pode se relacionar à escassez de pessoal qualificado para lidar com essas tecnologias, pois sua introdução pode exigir oferta de habilidades complementares no mercado de trabalho. Janssen e Mohrenweiser (2014), por exemplo, investigam a introdução do sistema de controle numérico computadorizado (CNC) na regulamentação alemã de aprendizagem para operação de máquinas de corte. A alteração afetou negativamente trabalhadores formados antes dela, que não aprenderam o uso da tecnologia em sua formação formal. Porém, só foram afetados os que trocaram de ocupação depois da mudança, sugerindo que os demais aprenderam a tecnologia no trabalho. Isso indica que as firmas implementaram a tecnologia CNC em larga escala apenas depois que sua aplicação foi introduzida no currículo da formação de aprendizagem.

42. Mesmo que houvesse pessoal suficientemente qualificado, empresas decidem investir em novas tecnologias segundo os preços relativos de capital e trabalho para realizar determinada tarefa. Embora a literatura sobre mudança tecnológica enviesada para rotinas tenha mostrado que a queda dos preços do capital computacional reduziu a demanda por empregos intensivos em rotina, não está claro quando será alcançado o ponto de equilíbrio para máquinas executarem tarefas mais complexas. Isso também dependerá do nível salarial, que é endógeno e reagiria a excesso de oferta de trabalho reduzindo salários e, assim, melhorando novamente as perspectivas de emprego dos trabalhadores. Por esse motivo, capacidades tecnológicas não precisam se traduzir em obsolescência tecnológica do trabalho humano. A abordagem empírica de FO deixa de lado muitos fatores que, em última instância, determinam a decisão de automatizar tarefas e substituir trabalho humano e impediriam que todas as capacidades tecnológicas fossem exauridas. FO declaram explicitamente, portanto, que sua abordagem se concentra em capacidades tecnológicas; a suscetibilidade de empregos à automação que buscam identificar refere-se somente a essas capacidades.

43. Além das razões empresariais para velocidade baixa de adoção, pode haver obstáculos éticos ou jurídicos ao uso de tecnologias novas. Exemplo destacado, discutido por Thierer e Hagemann (2015) e Bonnefon et al. (2015), é o carro autônomo, que cria novos desafios jurídicos, como responsabilidade em caso de acidente. Há ainda questões éticas não resolvidas sobre como um algoritmo deve decidir entre colidir com um carro ou um caminhão. Alguns obstáculos poderão ser resolvidos algum dia, mas claramente desaceleram a difusão tecnológica. O exemplo dos carros sem motorista — frequentemente apontados como altamente disruptivos — ilustra: segundo o Boston Consulting Group (2015), sua parcela atingiria 10% em 2035, sugerindo velocidade de mudança bastante lenta.

44. Por fim, deve-se considerar uma forte preferência social por certas tarefas e serviços serem prestados por humanos, e não máquinas. Enfermagem ou cuidado de idosos, por exemplo, podem permanecer setores intensivos em trabalho, mesmo que robôs de serviço complementem cada vez mais essas profissões. Assim, alguns serviços humanos provavelmente continuarão a ter prêmio em relação aos produzidos roboticamente: há valor social associado a humanos realizarem certas tarefas, que tende a preservar sua vantagem comparativa.

45. Por todas essas razões, as capacidades tecnológicas avaliadas por FO provavelmente são superestimadas e não devem ser equiparadas ao uso efetivo dos avanços tecnológicos.

B. Ajuste das tarefas no local de trabalho

46. Mesmo que uma tecnologia entre efetivamente no processo produtivo, o impacto sobre o emprego depende de os locais de trabalho conseguirem ajustar-se às novas exigências. As tecnologias novas podem substituir certas tarefas e complementar outras. Portanto, se um local de trabalho será automatizado ou não depende claramente de as tarefas nele realizadas se deslocarem do primeiro para o segundo conjunto de tarefas. Diversos estudos sugerem que, embora tenha havido queda em empregos predominantemente rotineiros e automatizáveis, o ajuste ocorre principalmente pela mudança do conjunto de tarefas dentro das ocupações. Trabalhadores parecem deslocar tempo de trabalho de tarefas rotineiras e automatizáveis para tarefas complementares às máquinas.

47. A adoção de tecnologias novas parece vir acompanhada de nova divisão do trabalho, na qual trabalhadores realizam cada vez mais tarefas que complementam máquinas ou tarefas novas e mais complexas. Por exemplo, tarefas de monitoramento de máquinas provavelmente ganham importância. Assim, tecnologias novas dificilmente automatizarão por completo locais de trabalho ou ocupações em larga escala; elas tendem a transformar locais de trabalho e as tarefas envolvidas em certas ocupações. Enquanto trabalhadores conseguirem ajustar-se a essas novas exigências de tarefas, máquinas não precisam expulsá-los. Contudo, como os resultados de FO e as previsões do capítulo 3 sugerem, trabalhadores pouco qualificados realizam parcela muito maior de tarefas potencialmente automatizáveis que trabalhadores muito qualificados. Se as tarefas que complementam máquinas se tornarem cada vez mais complexas e exigentes, as perspectivas de emprego de trabalhadores sem certas habilidades podem piorar.

C. Ajuste macroeconômico e efeitos indiretos

48. O risco de automação previsto por FO se refere à ameaça — provavelmente superestimada — do impacto poupador de trabalho de tecnologias novas. Esse “risco de automação”, porém, não pode ser equiparado a perdas de emprego, pois há mecanismos de retroalimentação macroeconômica que também podem aumentar a demanda de trabalho. Arntz et al. (2014) revisam a literatura sobre esses mecanismos e destacam três que contrabalançam o efeito poupador de trabalho dos avanços tecnológicos.

49. Primeiro, tecnologias poupadoras de trabalho precisam ser produzidas, criando demanda por trabalho em novos setores e ocupações. Segundo o OECD Digital Economy Outlook (OCDE, 2015), o setor de TIC é motor-chave do crescimento econômico em países da OCDE. Entre 2008 e 2013, de 15% a 52% de todos os investimentos nesses países se relacionavam ao setor de TIC. Depois de uma desaceleração da contribuição do setor ao crescimento do emprego durante as crises econômicas, a parcela de empregos criados pelo setor de TIC nos países da OCDE alcançou 22% em 2013. FO não consideram esses efeitos positivos de demanda. Como focam apenas o risco percebido para empregos hoje existentes, também negligenciam que os empregos do futuro provavelmente serão complementares às tecnologias novas.

50. Segundo, tecnologias novas podem elevar a competitividade de uma firma, pois em geral aumentam produtividade. Com custos e preços menores, firmas enfrentam demanda maior por produtos e, assim, demandam mais trabalho, o que pode compensar parcialmente o efeito poupador de trabalho. Graetz e Michaels (2015), por exemplo, examinam o uso de robôs industriais em 17 países e não encontram impacto negativo sobre o total de horas trabalhadas no nível setorial. Portanto, o uso de tecnologias novas poupadoras de trabalho não reduziu a demanda de trabalho. De modo semelhante, Goos et al. (2014) desenvolvem modelo de demanda de trabalho no nível industrial para 16 países europeus e concluem que indústrias intensivas em rotina, com maior risco de introduzir tecnologias poupadoras de trabalho, ganham competitividade e enfrentam demanda crescente de produtos. Gregory et al. (2015) estimam modelo de demanda de trabalho para regiões europeias NUTS2 e mostram que regiões com participação inicial elevada de tarefas rotineiras e altamente automatizáveis ganharam competitividade; o efeito indireto positivo sobre a demanda regional de produtos mais que compensou o efeito de substituição poupador de trabalho. No total, constatam que a informatização gerou, de fato, 11,6 milhões de empregos líquidos nos 27 países europeus entre 1999 e 2010.

51. Terceiro, na medida em que as tecnologias novas complementam trabalhadores, a produtividade do trabalho aumenta. Isso pode levar a salários mais altos, emprego maior ou ambos, o que, por sua vez, eleva a renda do trabalho. Como consequência, esses trabalhadores podem demandar mais produtos e serviços, elevando novamente a demanda de trabalho na economia. Em seu modelo, Gregory et al. (2015) consideram esses processos de ajuste e concluem que eles tiveram papel forte no efeito líquido positivo da mudança tecnológica sobre o emprego na Europa. Para ondas passadas de inovação, diversos estudos sugerem que trabalhadores, ao menos no longo prazo, beneficiaram-se de avanços tecnológicos por salários e renda maiores, embora haja evidência de aumento ao menos temporário da desigualdade de renda ligado a algumas inovações. Para o passado recente, Graetz e Michaels (2015) também constatam que o uso de robôs industriais no nível setorial aumentou produtividade do trabalho e salários. Assim, quando trabalhadores se beneficiam de mudança tecnológica por renda salarial maior, o progresso tecnológico pode elevar adicionalmente a demanda de trabalho via aumento da demanda de produtos.

52. Em conjunto, esses mecanismos macroeconômicos podem compensar efeitos negativos poupadores de trabalho, de modo que grandes perdas de emprego permanecem improváveis. Ao contrário, o emprego total pode até aumentar. Wolter et al. (2015), por exemplo, simulam efeitos potenciais da digitalização futura sobre a economia alemã, sob o rótulo “Indústria 4.0”. Embora encontrem apenas pequenos efeitos negativos sobre o emprego total, seus resultados sugerem grandes deslocamentos de emprego entre indústrias e ocupações. Em outro artigo, Nordhaus (2015) desenvolve teoria de como novas tecnologias podem substituir plenamente o trabalho e analisa as condições necessárias para que o trabalho se torne obsoleto. Ao compará-las com indicadores recentes da economia americana, o teste sugere que a obsolescência do trabalho dificilmente se tornará relevante neste século. Portanto, embora os efeitos globais da automação futura sobre emprego presumivelmente sejam pequenos, o desenvolvimento de economias digitalizadas tende a se associar a grandes deslocamentos entre ocupações e indústrias, forçando trabalhadores a ajustar-se ao ambiente econômico em transformação.

Conclusões

53. Nos últimos anos, uma série de estudos reavivou preocupações de que a mudança tecnológica possa causar desemprego tecnológico disseminado. Frey e Osborne, em particular, desencadearam debate público ao afirmar que 47% dos empregos americanos estão em risco de automação. Este artigo contribui para o debate ao refletir sobre alguns problemas metodológicos desses estudos. Em especial, argumentamos que uma de suas limitações principais é ver ocupações, e não tarefas, como ameaçadas pela automação. Por isso, focalizamos o conteúdo de tarefas dos empregos, pois trabalhadores da mesma ocupação frequentemente realizam tarefas diferentes. Como argumentamos ao longo do texto, muitos trabalhadores em ocupações classificadas como vulneráveis à automação podem estar, na verdade, menos expostos do que antes se pensava, pois frequentemente realizam parcela substancial de tarefas interativas não rotineiras, sabidamente menos automatizáveis.

54. Estimamos, portanto, a automatizabilidade para 21 países da OCDE seguindo abordagem por tarefas, e não por ocupações. Usamos dados de tarefas efetivamente executadas no local de trabalho, pesquisadas recentemente na base PIAAC para países da OCDE. No conjunto, os números sugerem que 9% dos empregos da OCDE são potencialmente automatizáveis. Nos Estados Unidos, somente 9% dos empregos, e não 47% como propõem Frey e Osborne, enfrentam alta automatizabilidade. A ameaça dos avanços tecnológicos, assim, parece muito menos pronunciada que nos estudos de abordagem por ocupações. Encontramos ainda heterogeneidades entre países: a parcela de empregos automatizáveis é 6% na Coreia e 12% na Áustria. As diferenças podem refletir organização geral do local de trabalho, investimentos anteriores em tecnologias de automação e educação dos trabalhadores.

55. O estudo demonstra a necessidade de entender a mudança tecnológica como substituta ou complementar de determinadas tarefas, e não de ocupações. Ignorar diferenças nas tarefas de empregos comparáveis pode levar a superestimar a automatizabilidade dos empregos. Além disso, diferenças na estrutura de tarefas explicam, em grande medida, diferenças nas projeções de emprego.

56. Ainda assim, nossos números devem ser interpretados com cautela. Primeiro, a abordagem continua a refletir capacidades tecnológicas, e não o uso efetivo dessas tecnologias, o que pode levar a superestimar ainda mais a automatizabilidade dos empregos. Segundo, mesmo se novas tecnologias forem cada vez mais adotadas na economia, o efeito sobre as perspectivas de emprego depende de os locais de trabalho se ajustarem a uma nova divisão do trabalho, pois os trabalhadores podem realizar cada vez mais tarefas complementares às novas tecnologias. Terceiro, a abordagem considera apenas empregos existentes, embora as novas tecnologias provavelmente também criem novos empregos. Além disso, novas tecnologias podem exercer efeitos positivos sobre a demanda por trabalho se elevarem a demanda por produtos por meio de maior competitividade e de um efeito positivo sobre a renda dos trabalhadores. Embora isso sugira que menos locais de trabalho provavelmente estarão “em risco” do que se supõe, as diferenças de automatizabilidade entre níveis educacionais são grandes. Isso sugere que trabalhadores de baixa escolaridade provavelmente arcarão com a maior parte dos custos de ajuste à mudança tecnológica, em termos de exigências de capacitação adicional e de requalificação ocupacional. Para esse grupo, recuperar a vantagem competitiva sobre as máquinas por meio do aprimoramento de competências e da formação pode ser difícil, sobretudo porque a velocidade da revolução tecnológica atual parece exceder o ritmo de suas antecessoras. Portanto, este estudo aponta claramente para a necessidade de concentrar mais atenção nas possíveis desigualdades e nas exigências de (re)capacitação decorrentes da mudança tecnológica do que na ameaça geral de desemprego que o progresso tecnológico possa ou não causar.

Anexo

Anexo A. Estatísticas descritivas e definições das variáveis

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

57. As variáveis são definidas da seguinte forma: indicador de gênero: homem (0), mulher (1); educação: ISCED 0, 1, 2, 3C (curta) (1), ISCED 3A-B, 3C (longa), 4A-B-C, 5B (2), ISCED 5A, 6 (3); indicador de setor: setor privado (0), setor público ou organizações sem fins lucrativos (1); tamanho da empresa/número de empregados: 1–10 (1), 11–1.000 (2), mais de 1.000 (3); responsabilidade por pessoal: sim (0), não (1); requisitos educacionais do emprego: ISCED 0–4 (0), ISCED 5–6 (1); experiência de trabalho exigida: menos de um ano (0), pelo menos um ano (1); regime de pagamento: remuneração por peça ou por hora, ou sem remuneração (0), remuneração mensal/anual (1); uso de computador no trabalho: sim (0), não (1); nível de uso de computador: simples (0), moderado ou complexo (1); não suficientemente desafiado no trabalho: sim (0), não (1); mais treinamento exigido no trabalho: sim (0), não (1); renda anual (posição percentilar): 0%–10% (1), 10%–25% (2), 25%–50% (3), 50%–75% (4), 75%–90% (5), 90%–100% (6); cooperação com outros: até um quarto do tempo (0), mais de um quarto do tempo (1).

58. As medidas de tarefas nos dados PIAAC são registradas pela frequência de uso. Redefinimos esses dados para calcular participações no tempo de trabalho. Para isso, primeiro redefinimos as respostas em uma escala de tempo de trabalho — por exemplo, “menos de uma vez por mês” como 1/30, “menos de uma vez por semana” como 1/7, e assim por diante. Em seguida, calculamos a soma disso em todas as tarefas, para cada trabalhador, e dividimos cada item de tarefa por essa soma. Dessa forma, obtemos a parcela do tempo de trabalho gasta em cada tarefa individual, supondo que as tarefas não sejam realizadas simultaneamente.

Anexo B. Resultados das estimações

59. Os resultados do modelo principal, Modelo A, são apresentados na Tabela 3. A tabela mostra as estimativas americanas da automatizabilidade dos empregos como função das tarefas de trabalho e de outras covariáveis. Observe que os coeficientes da tabela são estimativas de parâmetros de um modelo não linear e, por isso, não podem ser interpretados como efeitos marginais. Os resultados de modelos alternativos são apresentados a seguir.

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

60. No texto principal, discute-se o modelo de referência, Modelo A. Esse modelo é aplicado aos demais países da OCDE para extrapolar a automatizabilidade nesses países. Como, em alguns deles, nem todas as variáveis estão incluídas nos dados PIAAC, tivemos de reestimar a automatizabilidade das tarefas para os Estados Unidos com conjuntos restritos de variáveis explicativas. No total, estimamos quatro modelos, incluindo o modelo de referência, Modelo A. No Modelo B, excluímos o regime de pagamento; no Modelo C, excluímos as habilidades de resolução de problemas; e, no Modelo D, excluímos o regime de pagamento e os requisitos educacionais do emprego. Os resultados dos Modelos A, B e C são muito semelhantes. Isso é ilustrado na Figura 8, que mostra estimativas de densidade por núcleo do potencial de automação previsto. Somente para o Modelo D os resultados diferem de forma perceptível. O Modelo D baseia-se na seleção de variáveis disponível no PIAAC canadense.

Figura 8. Distribuição da automatizabilidade estimada (Estados Unidos)

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Anexo C. Resultados detalhados por países da OCDE

Figura 9. Distribuição da automatizabilidade por países da OCDE

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Assumimos que trabalhadores com a mesma estrutura de tarefas enfrentam a mesma automatizabilidade em todos os países da OCDE. Quaisquer diferenças de automatizabilidade entre os países decorrem, então, de diferenças nas estruturas de tarefas ou em outras variáveis explicativas.

B. Resultados para os Estados Unidos

Apresentamos a seguir os principais resultados para os Estados Unidos; os resultados detalhados do modelo estão no Anexo B. Em geral, constatamos que a automatizabilidade dos empregos é menor em ocupações com altas exigências educacionais ou que exigem cooperação com outros empregados, ou nas quais as pessoas passam mais tempo influenciando outras. Assim, as tarefas de baixo risco refletem parcialmente o que Frey e Osborne chamaram de gargalos de engenharia. A automatizabilidade é maior em empregos com alta parcela de tarefas relacionadas à troca de informações, vendas ou uso dos dedos e mãos. Isso se assemelha às evidências da literatura baseada em tarefas, segundo a qual tarefas chamadas rotineiras estão sujeitas à automação, enquanto tarefas interativas ou cognitivas têm menor probabilidade de substituição por máquinas e computadores; ver Acemoglu e Autor (2011) ou Autor (2013).

A Figura 2 compara a automatizabilidade prevista dos empregos nos Estados Unidos usando os dados PIAAC quando aplicamos a abordagem baseada em tarefas e a abordagem baseada em ocupações. Para a abordagem ocupacional, associamos todos os valores potenciais de Frey e Osborne a cada indivíduo dos dados PIAAC dos Estados Unidos com base na ocupação ISCO de dois dígitos. Nota 4. O resultado reproduz fortemente a estrutura bipolar conhecida de Frey e Osborne e mostrada na Figura 1: a maioria dos empregos recebe automatizabilidade muito alta ou muito baixa, e apenas poucos empregos têm automatizabilidade intermediária.

Em contraste, o resultado da abordagem baseada em tarefas exibe padrão muito diferente: os dois polos da distribuição deslocam-se para valores menos extremos de automatizabilidade. Portanto, menos empregos apresentam valores muito altos ou muito baixos quando se leva em conta a variação das estruturas de tarefas dentro das ocupações. Como resultado, apenas 9% de todos os indivíduos nos Estados Unidos enfrentam alta automatizabilidade, isto é, de pelo menos 70%. Esse número contrasta com Frey e Osborne, que argumentam que 47% dos empregos americanos estão em alto risco de automação. Evidentemente, não considerar a variação de tarefas dentro das ocupações exerce enorme impacto sobre a automatizabilidade estimada dos empregos. Mesmo em ocupações que Frey e Osborne esperam estar em alto risco, as pessoas frequentemente realizam tarefas difíceis de automatizar, como tarefas interativas — trabalho em grupo ou interações presenciais com clientes, por exemplo.

Isso pode ser ilustrado por dois exemplos:

• Segundo Frey e Osborne, pessoas na ocupação “auxiliares de escrituração, contabilidade e auditoria” (código SOC 43-3031) enfrentam potencial de automação de 98%. Porém, apenas 24% dos empregados dessa ocupação podem realizar seu trabalho sem trabalho em grupo nem interações presenciais.
• Segundo Frey e Osborne, pessoas na ocupação “vendedor de varejo” (código SOC 41-2031) enfrentam potencial de automação de 92%. Apesar disso, somente 4% dos vendedores de varejo realizam o trabalho sem trabalho em grupo e sem interações presenciais. Nota 5.

Nota 4. Para a abordagem ocupacional, associamos todos os valores potenciais de Frey e Osborne a cada indivíduo dos dados PIAAC americanos com base na ocupação ISCO de dois dígitos. Cada indivíduo recebe múltiplos valores de Frey e Osborne devido ao problema de atribuição. Damos o mesmo peso a cada observação dentro de cada indivíduo.

Nota 5. Esses resultados se baseiam na Princeton Data Improvement Initiative (PDII). Usamos essa base, e não a PIAAC, porque nela estão disponíveis códigos SOC de seis dígitos, o que permite contornar o problema de atribuição.

Figura 2. Distribuição da automatizabilidade nos Estados Unidos: abordagem por tarefas versus abordagem por ocupações

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Em conclusão, o uso de informação sobre a execução de tarefas no nível individual leva a estimativas significativamente menores de empregos “em risco”, pois trabalhadores em ocupações com alta automatizabilidade segundo Frey e Osborne frequentemente realizam tarefas difíceis de automatizar.

C. Resultados para outros países da OCDE

A Figura 3 mostra a participação de trabalhadores em alto risco por país da OCDE, isto é, a parcela de trabalhadores cuja automatizabilidade é de pelo menos 70%. Essa participação é mais alta na Alemanha e na Áustria, 12%, e mais baixa na Coreia e na Estônia, 6%. Nota 6. Os resultados para a Alemanha são muito semelhantes aos de uma pesquisa representativa recente entre empregados alemães, na qual 13% consideram provável ou muito provável que seu emprego seja substituído por máquinas, BMAS (2016). Além disso, os resultados alemães são comparáveis a estudo recente de Dengler e Matthes (2015), que usa abordagem metodológica diferente, mas também encontra 15% dos empregos em risco de automação. Eles também encontram distribuição bipolar de automatizabilidade com polarização moderada.

Nota 6. Excluímos a Federação Russa da amostra. Quando restringimos a amostra PIAAC russa às observações em que todas as variáveis relevantes não estão ausentes, a distribuição dessas variáveis deixa de ser representativa. Os resultados para o Canadá devem ser tratados com alguma cautela, pois faltam variáveis explicativas relevantes para extrapolar a automatizabilidade; ver Anexo B.

Figura 3. Participação de trabalhadores com alta automatizabilidade, por países da OCDE

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Um resultado interessante da Figura 3 é que a distribuição da automatizabilidade entre países não se presta a uma interpretação imediata de seus fatores subjacentes. Para aprofundar as razões dessas diferenças, decompomos, para cada país e os Estados Unidos, a diferença na participação de trabalhadores em alto risco em um componente interno e um componente entre grupos, em três dimensões: indústria, ocupação e escolaridade. Nota 7. Em cada caso, o componente entre grupos reflete a diferença de automatizabilidade decorrente da diferença entre países na estrutura industrial, ocupacional ou educacional; o componente interno reflete a diferença decorrente de trabalhadores nas mesmas indústrias, ocupações ou grupos educacionais realizarem tarefas mais, ou menos, automatizáveis.

Os resultados da Tabela 1 mostram que diferenças nas estruturas industriais e ocupacionais explicam pouco das diferenças na participação de trabalhadores em alto risco entre cada país e os Estados Unidos: os componentes entre indústrias e entre ocupações são pequenos na maior parte dos países. Em vez disso, trabalhadores das mesmas indústrias e ocupações realizam tarefas com automatizabilidade diferente nesses países em comparação aos Estados Unidos. A escolaridade, porém, tem papel importante em muitos países. Na maioria deles, o componente interno à escolaridade é negativo, implicando que pessoas com a mesma escolaridade geralmente realizam tarefas menos automatizáveis que nos Estados Unidos. Entretanto, em muitos países o componente entre escolaridades é positivo, implicando que maior parcela de trabalhadores tem níveis educacionais associados a tarefas mais automatizáveis, isto é, trabalhadores de qualificação baixa ou média. Isso ocorre porque os Estados Unidos têm parcela maior de trabalhadores muito escolarizados, que geralmente realizam menos tarefas automatizáveis. Os resultados também valem quando focalizamos requisitos educacionais dos empregos, em vez da escolaridade efetiva. Nota 8.

Nota 7. Para calcular o componente entre indústrias, primeiro atribuímos pesos a cada indivíduo. Esses pesos são os mesmos para todos os indivíduos da mesma indústria. Escolhemos os pesos de forma que a participação de trabalhadores por indústria de cada país se pareça com a estrutura industrial americana. Recalculamos então a participação de trabalhadores em alto risco e calculamos a diferença desse número para a participação original em alto risco de cada país. Essa diferença corresponde ao componente entre grupos; a diferença restante entre o país e os Estados Unidos corresponde ao componente interno.

Nota 8. Resultados disponíveis mediante solicitação.

Tabela 1. Decomposição das diferenças entre países na participação de trabalhadores em alto risco

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Por exemplo, na Áustria os trabalhadores geralmente realizam menos tarefas automatizáveis que americanos com o mesmo nível educacional, mas a Áustria tem parcela maior de trabalhadores de baixa e média qualificação, que realizam tarefas mais automatizáveis. Como o segundo efeito domina, a Áustria tem, no agregado, parcela maior de trabalhadores em alto risco. Na Coreia, ao contrário, ambos os efeitos são negativos: os coreanos realizam menos tarefas automatizáveis em cada nível educacional e uma parcela maior alcançou níveis educacionais associados a tarefas menos automatizáveis, em comparação aos Estados Unidos.

Concluímos, portanto, que diferenças entre países frequentemente refletem o fato de indivíduos da mesma indústria, ocupação ou até grupo educacional realizarem tarefas diferentes. Mas qual poderia ser a razão? A seguir discutimos brevemente duas explicações potenciais: (1) diferenças gerais na organização do local de trabalho; e (2) diferenças na adoção de novas tecnologias. Para ilustrar a primeira, considerem dois países, A e B, que adotaram tecnologias comparáveis. A automatizabilidade ainda pode ser maior no país A se sua organização do trabalho depender menos de trabalho em grupo ou de interações presenciais que a do país B. Isso é ilustrado na Figura 4, que mostra a relação entre a participação [continua na página seguinte].

de pessoas em alto risco e a incidência de tarefas de comunicação no nível dos países. Em média, países cuja organização do trabalho dá maior ênfase a tarefas comunicativas também têm menor participação de empregos em alto risco. Por exemplo, empregos na Itália e na Alemanha apresentam baixos níveis de comunicação, enquanto empregos nos Estados Unidos e no Reino Unido são mais comunicativos. No conjunto, a análise mostra que diferenças genuínas de organização do trabalho são relevantes para as diferenças de automatizabilidade entre países.

Figura 4. Automatizabilidade e comunicação

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Para ilustrar a segunda razão, suponham que não existam diferenças genuínas na organização do trabalho entre os países A e B. A automatizabilidade do país A ainda pode ser maior que a do país B porque o país B investe mais em novas tecnologias de automação e, assim, já substituiu trabalho por capital na realização das tarefas automatizáveis. De fato, a automatizabilidade é menor em países que já investem muito em TIC, como mostra a Figura 5. Portanto, alta automatizabilidade pode refletir potencial ainda não utilizado de automação. Se o uso ampliado de tecnologias de automação produz efeitos benéficos ou adversos para os trabalhadores não é algo que se possa determinar antecipadamente.

Figura 5. Investimentos em TIC e automatizabilidade

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

No geral, concluímos que comparar automatizabilidades entre países não é simples e exige mais informações sobre a adoção de novas tecnologias em cada país, sua estrutura econômica e educacional, sua organização do trabalho e as estruturas de tarefas resultantes. A educação — em particular, a estrutura educacional dos trabalhadores — parece desempenhar papel importante. Países com forte concentração de trabalhadores muito qualificados geralmente têm menor participação de trabalhadores em alto risco, pois esses trabalhadores em geral realizam menos tarefas automatizáveis que os de baixa qualificação. Por isso, a seguir focalizamos a relação entre educação e automatizabilidade.

Apesar das diferenças entre países, uma característica comum a todos é que a automatizabilidade diminui fortemente com o nível de escolaridade e com a renda dos trabalhadores: são sobretudo indivíduos de baixa qualificação e baixa renda que enfrentam alto risco de automatizabilidade. Isso é mostrado nas Figuras 6 e 7 para uma média ponderada Nota 9 de todos os países da OCDE. Os resultados para países individuais estão no Anexo C.

Nota 9. As figuras se baseiam em dados ponderados, de modo que países grandes tenham maior influência nos resultados. Ainda assim, os resultados são muito semelhantes quando se usam dados não ponderados.

Figura 6. Participação de trabalhadores com alta automatizabilidade, por escolaridade

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Figura 7. Participação de trabalhadores com alta automatizabilidade, por renda

Fonte: cálculo dos autores com base na Pesquisa de Competências de Adultos (PIAAC) (2012).

Interpretação e crítica

Como discutido, Frey e Osborne preveem que as tecnologias permitirão automatizar parcela substancial dos empregos nas duas décadas seguintes. Também supõem que esse processo continue além dos empregos mais suscetíveis no médio prazo e, em última análise, afete até aqueles que hoje parecem relativamente seguros da automação. Conforme discutido no capítulo anterior, aplicar uma abordagem baseada em tarefas, que considera a heterogeneidade das tarefas dentro das ocupações, já reduz fortemente a participação prevista de empregos em alto risco de automação. Esse resultado divergente certamente exige cautela ao interpretar tais previsões. A simples escolha, por Frey e Osborne, de uma abordagem ocupacional que abstrai a variação das tarefas realizadas dentro de uma ocupação e transfere avaliações de especialistas para as ocupações restantes a partir de somente três gargalos de engenharia e nove tarefas relacionadas tem efeito forte no resultado.

Porém, mesmo para a abordagem menos restritiva baseada em tarefas, há boas razões para cautela. Primeiro, ela ainda reflete capacidades tecnológicas segundo avaliações de especialistas, e não a utilização efetiva dessas tecnologias, o que pode levar à superestimação da automatizabilidade dos empregos. Segundo, mesmo quando novas tecnologias são usadas cada vez mais, seu efeito sobre as perspectivas de emprego depende de os locais de trabalho se ajustarem ou não a uma nova divisão do trabalho. Os trabalhadores podem se ajustar, realizando cada vez mais tarefas complementadas pelas novas tecnologias. Terceiro, a abordagem considera somente empregos existentes; contudo, o uso dessas tecnologias provavelmente criará novos empregos. Além disso, novas tecnologias podem ter efeitos positivos sobre a demanda por trabalho se elevarem a demanda por produtos, por melhor competitividade, e a renda dos trabalhadores. Portanto, os locais de trabalho provavelmente estão menos “em risco” do que parece à primeira vista. A seguir, discutimos esses três aspectos em mais detalhe.

A. Superestimação das capacidades tecnológicas e defasagem em sua utilização

Os especialistas que avaliaram a automatizabilidade das 70 ocupações no estudo de Frey e Osborne foram perguntados se “as tarefas desse emprego podem ser suficientemente especificadas, condicionadas à disponibilidade de big data, para serem realizadas por equipamentos de última geração controlados por computador” (Frey e Osborne, 2013, p. 30). É muito provável que a avaliação resultante superestime as possibilidades tecnológicas. Em primeiro lugar, especialistas tendem a superestimar o potencial de novas tecnologias (Autor, 2014, 2015; Pfeiffer e Suphan, 2015). Em particular, a vantagem comparativa das máquinas em relação aos trabalhadores costuma ser superestimada para tarefas que envolvem flexibilidade, capacidade de julgamento e senso comum. De modo geral, a classificação de ocupações ou tarefas nos domínios distintos de automatizável e não automatizável é problemática (Green, 2012; Rohrbach-Schmidt e Tiemann, 2013; Pfeiffer e Suphan, 2015). Nota 10. Além disso, a maior parte dos empregos provavelmente não é definida com precisão suficiente para ser de fato substituída por máquinas. Como afirma Pratt (2015) sobre os avanços na robótica: robôs especializados melhorarão na realização de tarefas bem definidas, mas, no mundo real, há muito mais problemas a resolver do que formas atualmente conhecidas de resolvê-los.

Nota 10. Green (2012, p. 41) observa, com dados do Reino Unido, que a classificação de tarefas nos domínios distintos “rotineiro”, isto é, automatizável, e “não rotineiro”, isto é, não automatizável, é problemática. Rohrbach-Schmidt e Tiemann (2013) também concluem que os resultados sobre os efeitos da mudança tecnológica na Alemanha são sensíveis à classificação subjetiva das tarefas como rotineiras ou não rotineiras. Pfeiffer e Suphan (2015, p. 11) criticam que as razões pelas quais tarefas específicas são caracterizadas como rotineiras ou não rotineiras não são claras: o processo de decisão introduz potencial de raciocínio circular, pois a atribuição segue uma suposição já feita sobre a probabilidade de automação.

Além disso, a condição necessária para utilizar essas tecnologias em termos de disponibilidade de dados e computadores pode não estar presente, ao menos não imediatamente. Um relatório de monitoramento da digitalização da economia alemã para o Ministério Federal de Assuntos Econômicos mostrou recentemente que a digitalização da manufatura ainda é bastante baixa e avançará lentamente até 2020 (Graumann et al., 2015). Por exemplo, pesquisa recente com empresas alemãs do ZEW (2015) mostra que apenas 18% conhecem o conceito de “Indústria 4.0”, projeto promovido pelo governo alemão para incentivar a digitalização e a interconexão da indústria. Até então, somente 4% das empresas haviam iniciado ou estavam prestes a iniciar projetos desse tipo. Portanto, a utilização das tecnologias claramente fica atrás das possibilidades tecnológicas.

Isso também pode estar ligado à escassez de pessoal qualificado capaz de lidar com essas novas tecnologias, pois sua introdução pode exigir oferta de competências complementares no mercado de trabalho (Acemoglu, 1998). Janssen e Mohrenweiser (2014), por exemplo, investigam a introdução do novo sistema de controle baseado em computador, o Controle Numérico Computadorizado (CNC), na operação de máquinas de corte, na regulamentação alemã de aprendizagem. Constatam que a mudança regulatória afetou negativamente trabalhadores formados antes dela, que não aprenderam a usar a tecnologia na formação formal. Contudo, somente trabalhadores que trocaram de ocupação depois da mudança foram afetados negativamente, o que sugere que os demais aprenderam a tecnologia no próprio trabalho. Isso indica que a tecnologia só foi implementada em larga escala pelas empresas depois que a aplicação do CNC foi introduzida no currículo da formação de aprendizes.

Mesmo que houvesse pessoal suficientemente qualificado, as empresas decidem investir em novas tecnologias conforme os preços relativos de capital e trabalho para executar determinada tarefa do processo produtivo. Embora a literatura sobre mudança tecnológica enviesada para tarefas rotineiras tenha mostrado que a redução dos preços do capital computacional diminuiu a demanda por empregos intensivos em rotina, não está claro quando será atingido o ponto de equilíbrio para máquinas realizarem tarefas mais complexas. Isso também dependerá do nível salarial, que é endógeno e reagiria a uma oferta excessiva de trabalho reduzindo salários e, assim, melhorando novamente as perspectivas de emprego dos trabalhadores. Por essa razão, capacidades tecnológicas não precisam se traduzir em obsolescência tecnológica do trabalho humano; ver Acemoglu e Restrepo (2015). A abordagem empírica de Frey e Osborne deixa de lado muitos fatores que determinam a decisão de automatizar tarefas e substituir trabalho humano, e que impediriam que todas as capacidades tecnológicas fossem exploradas. Eles próprios afirmam que sua abordagem se concentra em capacidades tecnológicas; a suscetibilidade dos empregos à automação que buscam identificar se refere apenas a essas capacidades.

Além de razões empresariais para a adoção lenta, podem existir obstáculos éticos ou legais ao uso de novas tecnologias. O carro autônomo, discutido por Thierer e Hagemann (2015) e Bonnefon et al. (2015), traz desafios jurídicos quanto à responsabilidade em caso de acidente. Há também questões éticas não resolvidas sobre como um algoritmo deve decidir entre colidir com um carro ou com um caminhão. Mesmo que parte desses obstáculos seja resolvida, eles claramente reduzem a velocidade de disseminação tecnológica. O caso dos carros sem motorista, frequentemente apontados como de alto potencial disruptivo, ilustra isso: segundo o Boston Consulting Group (2015), sua participação chegará a 10% apenas em 2035, sugerindo ritmo de mudança bastante lento.

Por fim, deve-se considerar a forte preferência social pela prestação de determinadas tarefas e serviços por humanos, em vez de máquinas. A enfermagem ou o cuidado de idosos, por exemplo, podem permanecer intensivos em trabalho, mesmo que robôs de serviço complementem essas profissões no futuro. Assim, alguns serviços humanos provavelmente continuarão a comandar prêmio em relação aos produzidos roboticamente, pois a sociedade atribui valor à realização humana de certas tarefas, preservando sua vantagem comparativa. Por todas essas razões, as capacidades tecnológicas avaliadas por Frey e Osborne provavelmente são superestimadas e não devem ser equiparadas ao uso efetivo dos avanços tecnológicos.

B. Ajuste das tarefas nos locais de trabalho

Mesmo que uma tecnologia entre efetivamente no processo produtivo, seu impacto sobre o emprego depende de os locais de trabalho conseguirem se ajustar às novas exigências. Em particular, novas tecnologias podem substituir certas tarefas e complementar outras. Portanto, a automatização de um local de trabalho depende claramente de as tarefas realizadas nele migrarem do primeiro para o segundo conjunto. Vários estudos sugerem que, embora tenha havido declínio de empregos predominantemente rotineiros e automatizáveis, o ajuste ocorre principalmente pela mudança do conjunto de tarefas dentro das ocupações (Autor et al., 2003; Spitz-Oener, 2006). Trabalhadores parecem deslocar o tempo de trabalho de tarefas rotineiras e automatizáveis para tarefas complementares às máquinas.

A adoção de novas tecnologias parece vir acompanhada de nova divisão do trabalho: trabalhadores realizam cada vez mais tarefas que complementam máquinas (Autor, 2013) ou tarefas novas e mais complexas (Acemoglu e Restrepo, 2015). Por exemplo, tarefas de monitoramento de máquinas provavelmente ganharão importância. Assim, é improvável que novas tecnologias automatizem completamente locais de trabalho ou ocupações em larga escala; elas antes transformam os locais de trabalho e as tarefas de determinadas ocupações. Enquanto trabalhadores conseguirem se ajustar às novas exigências de tarefas, máquinas não precisam expulsá-los. Contudo, como os achados de Frey e Osborne e as previsões do capítulo 3 sugerem, trabalhadores de baixa qualificação executam parcela muito maior de tarefas potencialmente automatizáveis que os de alta qualificação. Se as tarefas complementares às máquinas se tornarem mais complexas e exigentes, as perspectivas de emprego de trabalhadores sem certas competências podem piorar.

C. Ajuste macroeconômico e efeitos indiretos

O risco de automação previsto por Frey e Osborne se refere à ameaça, provavelmente superestimada, do impacto poupador de trabalho das novas tecnologias. Esse “risco de automação”, entretanto, não deve ser equiparado a perdas de emprego, pois há mecanismos de retroalimentação macroeconômica que também podem aumentar a demanda por trabalho. Arntz et al. (2014) revisam a literatura sobre esses mecanismos. Em particular, há três mecanismos que compensam o efeito poupador de trabalho dos avanços tecnológicos.

Primeiro, tecnologias poupadoras de trabalho precisam ser produzidas, criando demanda por trabalho em novos setores e ocupações. Segundo o OECD Digital Economy Outlook (OECD, 2015), o setor de TIC é motor central do crescimento econômico nos países da OCDE. Entre 15% e 52% de todos os investimentos nos países da OCDE estavam relacionados ao setor de TIC entre 2008 e 2013. Depois de uma redução na contribuição do setor ao crescimento do emprego durante as crises econômicas, a parcela de empregos criados pelo setor de TIC nos países da OCDE chegou a 22% em 2013. Frey e Osborne não consideram esses efeitos positivos de demanda. Ao focalizar apenas o risco percebido para empregos hoje existentes, também ignoram que empregos futuros provavelmente serão complementares às novas tecnologias.

Segundo, novas tecnologias podem elevar a competitividade das empresas porque normalmente aumentam a produtividade. Com custos e preços menores, as empresas enfrentam maior demanda pelos produtos e, assim, demandam mais trabalho, o que pode compensar parcialmente o efeito poupador de trabalho. Graetz e Michaels (2015), por exemplo, examinam o uso de robôs industriais em 17 países e não encontram efeito negativo sobre o total de horas trabalhadas no nível setorial. Portanto, o uso de novas tecnologias poupadoras de trabalho não reduziu a demanda por trabalho. De modo semelhante, Goos et al. (2014) desenvolvem modelo de demanda por trabalho no nível industrial para 16 países europeus e constatam que indústrias intensivas em rotina, com maior risco de introduzir tecnologias poupadoras de trabalho, ganham [continua na página seguinte].

competitividade e enfrentam aumento da demanda por produtos. De modo semelhante, Gregory et al. (2015) estimam um modelo de demanda por trabalho para regiões europeias NUTS2 e mostram que regiões com alta parcela inicial de tarefas rotineiras e altamente automatizáveis ganharam competitividade; o efeito positivo indireto sobre a demanda regional por produtos mais que compensou o efeito de substituição poupador de trabalho. No total, eles constatam que a informatização gerou 11,6 milhões de empregos líquidos nos 27 países europeus entre 1999 e 2010.

Terceiro, na medida em que as novas tecnologias complementam trabalhadores, a produtividade do trabalho aumenta. Isso pode levar a salários mais altos, emprego maior, ou ambos, elevando a renda do trabalho. Como consequência, esses trabalhadores podem demandar mais produtos e serviços e, novamente, aumentar a demanda por trabalho na economia. Em seu modelo de demanda por trabalho, Gregory et al. (2015) consideram esses processos de ajuste e concluem que tiveram papel importante no efeito líquido positivo da mudança tecnológica sobre o emprego na Europa. Para ondas passadas de inovação tecnológica, diversos estudos sugerem que trabalhadores, ao menos no longo prazo, se beneficiaram dos avanços por salários e rendas maiores, embora também haja evidência de aumento temporário da desigualdade de renda associado a algumas inovações; ver Mokyr et al. (2015). Para o passado recente, Graetz e Michaels (2015) também encontram que o uso de robôs industriais no nível setorial elevou tanto a produtividade do trabalho quanto os salários. Assim, na medida em que os trabalhadores se beneficiam da mudança tecnológica por renda salarial maior, o progresso tecnológico pode ampliar adicionalmente a demanda por trabalho via aumento da demanda por produtos.

No conjunto, esses mecanismos macroeconômicos podem compensar os efeitos negativos poupadores de trabalho das novas tecnologias, tornando improváveis perdas muito grandes de empregos. Pelo contrário, o emprego total pode até aumentar. Wolter et al. (2015) simulam os efeitos potenciais da digitalização futura na economia alemã, chamada de “Indústria 4.0”. Embora encontrem apenas pequenos efeitos negativos sobre o emprego total, os resultados sugerem grandes deslocamentos de emprego entre indústrias e ocupações. Em outro trabalho, Nordhaus (2015) desenvolve teoria de como novas tecnologias poderiam substituir totalmente o trabalho e analisa as condições necessárias para que o trabalho se torne obsoleto. Ao compará-las com indicadores recentes da economia americana, seu teste sugere que a obsolescência do trabalho dificilmente se tornará relevante neste século. Portanto, enquanto os efeitos gerais da automação futura sobre o emprego provavelmente serão pequenos, o desenvolvimento de economias digitalizadas tende a vir acompanhado de grandes deslocamentos entre ocupações e indústrias, forçando os trabalhadores a se ajustar ao ambiente econômico em transformação.

Conclusões

Nos últimos anos, uma série de estudos reavivou a preocupação de que a mudança tecnológica possa causar desemprego tecnológico disseminado. Frey e Osborne, em particular, desencadearam debate público ao afirmar que 47% dos empregos americanos estão em risco de automação. Este trabalho contribui para o debate ao refletir sobre alguns problemas metodológicos desses estudos. Argumentamos, em especial, que uma de suas limitações centrais é tratar ocupações, e não tarefas, como ameaçadas pela automação. Por isso, focalizamos o conteúdo de tarefas dos empregos, já que trabalhadores da mesma ocupação frequentemente realizam tarefas diferentes. Como sustentamos ao longo do artigo, muitos trabalhadores em ocupações classificadas nesses estudos como vulneráveis podem, de fato, estar menos expostos à automação do que se pensava, pois muitas vezes realizam parcela substancial de tarefas interativas não rotineiras, conhecidas por serem menos automatizáveis.

Estimamos, portanto, a automatizabilidade em 21 países da OCDE com uma abordagem baseada em tarefas, e não em ocupações. Para isso, usamos dados sobre tarefas efetivamente realizadas no trabalho, recentemente coletados na base PIAAC para países da OCDE. No conjunto, nossos números sugerem que 9% dos empregos da OCDE são potencialmente automatizáveis. Nos Estados Unidos, somente 9% dos empregos, e não 47% como proposto por Frey e Osborne, enfrentam alta automatizabilidade. A ameaça dos avanços tecnológicos parece, assim, muito menos pronunciada do que em estudos baseados em ocupações. Também encontramos heterogeneidade entre países: enquanto a participação de empregos automatizáveis é 6% na Coreia, chega a 12% na Áustria. As diferenças podem refletir organização do trabalho, investimentos anteriores em tecnologias de automação e escolaridade dos trabalhadores.

O estudo demonstra a necessidade de enxergar a mudança tecnológica como substituta ou complementar de determinadas tarefas, e não de ocupações. Ignorar diferenças nas tarefas de empregos comparáveis pode levar à superestimação da automatizabilidade. Além disso, diferenças na estrutura de tarefas explicam em grande medida diferenças nas projeções de emprego.

Ainda assim, os números devem ser interpretados com cautela. Primeiro, a abordagem ainda reflete capacidades tecnológicas, e não o uso efetivo, o que pode superestimar a automatizabilidade. Segundo, mesmo com adoção crescente, o efeito sobre as perspectivas de emprego depende de os locais de trabalho se ajustarem a uma nova divisão do trabalho, com trabalhadores realizando mais tarefas complementares às novas tecnologias. Terceiro, a abordagem considera somente empregos existentes, embora novas tecnologias provavelmente também criem empregos. Elas ainda podem elevar a demanda por trabalho ao ampliar a demanda por produtos, por maior competitividade e por efeitos positivos sobre a renda dos trabalhadores. Embora isso sugira que menos locais de trabalho estejam “em risco” do que se suspeita, as diferenças de automatizabilidade entre níveis educacionais são grandes. Isso indica que trabalhadores menos escolarizados provavelmente arcarão com a maior parte dos custos de ajuste à mudança tecnológica, em exigências de formação adicional e requalificação ocupacional. Para esse grupo, recuperar vantagem competitiva sobre máquinas por aperfeiçoamento e treinamento pode ser difícil, sobretudo porque a velocidade da atual revolução tecnológica parece exceder a de suas antecessoras. O estudo aponta, portanto, para a necessidade de focalizar mais as desigualdades potenciais e as exigências de (re)qualificação decorrentes da mudança tecnológica do que a ameaça geral, incerta, de desemprego causada pelo progresso tecnológico.

Referências

Acemoglu, D. (1998), “Why Do New Technologies Complement Skills? Directed Technical Change and Wage Inequality”, Quarterly Journal of Economics, 113(4), p. 1055–1089.

Acemoglu, D. e D. H. Autor (2011), “Skills, tasks and technologies: Implications for employment and earnings”, Handbook of Labor Economics, v. 4, p. 1043–1171.

Acemoglu, D. e P. Restrepo (2015), “The Race Between Man and Machine: Implications of Technology for Growth, Factor Shares and Employment”, não publicado, dezembro de 2015.

Aghion, P. e P. Howitt (1994), “Growth and Unemployment”, The Review of Economic Studies, 61(3), p. 477–494.

Arntz, M., H. Bonin e U. Zierahn (2014), Auswirkungen des technologischen Wandels auf den Arbeitsmarkt, estudo para o Ministério Federal do Trabalho e Assuntos Sociais da Alemanha (BMAS).

Autor, D. H. (2015), “Why Are There Still So Many Jobs? The History and Future of Workplace Automation”, Journal of Economic Perspectives, 29(3), p. 3–30.

Autor, D. H. (2014), “Polanyi's Paradox and the Shape of Employment Growth”, trabalho preparado para a conferência Jackson Hole do Federal Reserve Bank of Kansas, 22 de agosto de 2014.

Autor, D. H. (2013), “The ‘task approach’ to labor markets: an overview”, Journal for Labour Market Research, 46(3), p. 185–199.

Autor, D. H. e M. J. Handel (2013), “Putting Tasks to the Test: Human Capital, Job Tasks, and Wages”, Journal of Labor Economics, 31(2), p. S59–S96.

Autor, D. H., F. Levy e R. J. Murnane (2003), “The Skill Content of Recent Technological Change: An Empirical Exploration”, The Quarterly Journal of Economics, p. 1279–1333.

Bonin, H., T. Gregory e U. Zierahn (2015), Übertragung der Studie von Frey/Osborne (2013) auf Deutschland, parecer breve por encomenda do Ministério Federal do Trabalho e Assuntos Sociais.

Bonnefon, J. F., A. Shariff e I. Rahwan (2015), “Autonomous Vehicles Need Experimental Ethics: Are We Ready for Utilitarian Cars?”.

Boston Consulting Group (2015), “Back to the Future: The Road to Autonomous Driving”.

Bowles, J. (2014), The Computerization of European Jobs, Bruegel, Bruxelas.

Brynjolfsson, E. e A. McAfee (2011), Race Against the Machines: How the Digital Revolution Is Accelerating Innovation, Driving Productivity, and Irreversibly Transforming Employment and the Economy, Digital Frontier Press.

Brynjolfsson, E. e A. McAfee (2014), The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies, W. W. Norton & Company.

Brzeski, C. e I. Burk (2015), Die Roboter kommen. Folgen der Automatisierung für den deutschen Arbeitsmarkt, ING DiBa Economic Research.

Bundesministerium für Arbeit und Soziales (BMAS, 2016), “Digitalisierung am Arbeitsplatz. Aktuelle Ergebnisse einer Betriebs- und Beschäftigtenbefragung”, Berlim.

Dengler, K. e B. Matthes (2015), “Folgen der Digitalisierung für die Arbeitswelt. Substituierbarkeitspotentiale von Berufen in Deutschland”, IAB Forschungsbericht 11/2015.

Frey, C. B. e M. A. Osborne (2015), “Technology at Work: The Future of Innovation and Employment”, Citi GPS, fevereiro de 2015.

Frey, C. B. e M. A. Osborne (2013), The Future of Employment: How Susceptible are Jobs to Computerization?, University of Oxford.

Goos, M., A. Manning e A. Salomons (2014), “Explaining Job Polarization: Routine-Biased Technological Change and Offshoring”, The American Economic Review, 104(8), p. 2509–2526.

Graetz, G. e G. Michaels (2015), “Robots and Work”, IZA Discussion Paper n. 8938.

Green, F. (2012), “Employee involvement, technology and evolution in job skills: A task-based analysis”, Industrial and Labor Relations Review, 65(1), p. 36–67.

Gregory, T., A. Salomons e U. Zierahn (2015), “Technological Change and Regional Labor Market Disparities in Europe”, Centre for European Economic Research, Mannheim.

Graumann, S., I. Bertschek, T. Weber et al. (2015), Monitoring-Report. Wirtschaft DIGITAL 2015, Ministério Federal de Economia e Energia, Berlim.

Ibrahim, J. G. (1990), “Incomplete data in generalized linear models”, Journal of the American Statistical Association, n. 85, p. 765–769.

Janssen, S. e J. Mohrenweiser (2014), “Skill supply, technology, and wages. Evidence from regulatory changes of mandatory training regulations”, trabalho apresentado nas reuniões anuais da American Economic Association, São Francisco, 3–5 de janeiro de 2016, MIMEO.

Mokyr, J., C. Vickers e N. L. Ziebarth (2015), “The History of Technological Anxiety and the Future of Economic Growth: Is This Time Different?”, The Journal of Economic Perspectives, 29(3), p. 31–50.

Nordhaus, W. D. (2015), “Are We Approaching an Economic Singularity? Information Technology and the Future of Economic Growth”, NBER Working Paper 21547.

OECD (2015), OECD Digital Economy Outlook 2015, OECD Publishing, Paris.

Pajarinen, M. e P. Rouvinen (2014), “Computerization Threatens One Third of Finnish Employment”, ETLA Brief, n. 22, p. 13.

Papke, L. E. e J. D. Wooldridge (1996), “Econometric Methods for Fractional Response Variables with an Application to 401(K) Plan Participation Rates”, Journal of Applied Econometrics, v. 11, p. 619–632.

Pfeiffer, S. e A. Suphan (2015), “The Labouring Capacity Index: Living Labouring Capacity and Experience as Resources on the Road to Industry 4.0”, Working Paper 2015, n. 2, University of Hohenheim.

Pratt, G. A. (2015), “Is a Cambrian Explosion Coming for Robotics?”, The Journal of Economic Perspectives, v. 29, n. 3, p. 51–60.

Rifkin, J. (1995), The End of Work: Technology, Jobs, and Your Future, Putnam, Nova York.

Rohrbach-Schmidt, D. e M. Tiemann (2013), “Changes in Workplace Tasks in Germany: Evaluating Skill and Task Measures”, Journal for Labour Market Research, 46(3), p. 215–237.

Spitz-Oener, A. (2006), “Technical Change, Job Tasks, and Rising Educational Demands: Looking outside the Wage Structure”, Journal of Labor Economics, v. 24, p. 235–270.

Thierer, A. D. e R. Hagemann (2014), “Removing Roadblocks to Intelligent Vehicles and Driverless Cars”, Wake Forest Journal of Law & Policy (2015), a publicar.

Wolter, M. I., A. Mönnig, M. Hummel et al. (2015), “Industrie 4.0 und die Folgen für Arbeitsmarkt und Wirtschaft. Szenario-Rechnungen im Rahmen der BIBB-IAB-Qualifikations- und Berufsfeldprojektionen”, IAB Forschungsbericht, n. 8/2015.

ZEW (2015), “IKT-Report. Unternehmensbefragung zur Nutzung von Informations- und Kommunikationstechnologien”, outubro de 2015, Zentrum für Europäische Wirtschaftsforschung, Mannheim.