- O que a IA mais ameaça não são os trabalhadores de baixa renda, mas cargos de alta escolaridade e altos salários: o impacto da IA chega primeiro não aos “empregos fáceis”, mas aos “bons empregos”
- Programadores são a profissão nº 1 mais exposta. Com cobertura de 75%, estão no topo entre todas as ocupações; ao mesmo tempo, quem mais usa agentes de código também são os próprios desenvolvedores — uma situação paradoxal
- Ainda não há pessoas sendo demitidas por causa da IA, mas a porta de entrada para vagas júnior está se fechando em silêncio: em vez de cortar funcionários atuais, a IA substitui pessoas deixando de contratar novas
- A maior parte do trabalho que a IA poderia substituir em teoria ainda não está sendo substituída: no grupo de computação e matemática, a cobertura teórica é de 94%, mas na prática é de apenas 33%. Um alerta de que ainda há muito espaço para isso avançar
- Mulheres e pessoas com maior escolaridade estão mais expostas ao risco de substituição pela IA, com participação feminina 16 p.p. maior. Costuma-se pensar que a IA ameaça “empregos braçais masculinos”, mas os dados apontam o contrário
Principais descobertas (Key Findings)
- “Exposição observada (observed exposure)” é um indicador que combina a possibilidade teórica dos LLMs com dados de uso real para medir o grau de uso em tarefas voltadas à automação
- Dá peso maior ao uso automatizado e ao uso relacionado ao trabalho
- O uso real de IA representa apenas uma parte do potencial teórico, e a parcela de tarefas que a IA consegue executar e que de fato é usada ainda é baixa
- Quanto maior a exposição de uma ocupação, menor tende a ser a previsão de crescimento do emprego até 2034 do Bureau of Labor Statistics (BLS) dos EUA
- Trabalhadores em ocupações de alta exposição tendem, em média, a ter maior participação feminina, maior escolaridade, salários mais altos e idade mais avançada
- Desde o fim de 2022, não há evidência de aumento sistemático do desemprego, mas foi observada desaceleração na contratação de jovens
Contexto e objetivo da pesquisa
- O número de estudos tentando medir e prever o impacto da IA no mercado de trabalho cresceu rapidamente, mas a precisão preditiva das abordagens anteriores tinha limitações
- Um exemplo representativo é que cerca de 25% dos empregos classificados como vulneráveis à terceirização internacional ainda mantiveram forte crescimento de emprego dez anos depois
- Estudos sobre o impacto do emprego industrial de robôs chegaram a conclusões conflitantes, e o tamanho das perdas de empregos causadas pelo choque do comércio com a China continua em debate
- O objetivo deste estudo é estabelecer uma abordagem para medir o impacto da IA sobre o emprego e atualizar periodicamente a análise conforme surgirem novos dados
- Ao construir um framework antes que o impacto da IA fique claro, torna-se possível identificar desorganizações econômicas com mais confiabilidade do que em análises feitas só depois dos fatos
Inferência causal e contrafactuais (Counterfactuals)
- Quando o efeito é grande e abrupto, como na COVID-19, a inferência causal é mais fácil; já o impacto da IA pode não aparecer imediatamente nos dados agregados, como ocorreu com a disseminação da internet ou com o choque do comércio chinês
- A abordagem mais comum é comparar resultados entre ocupações com alta e baixa exposição à IA para isolar seu efeito de variáveis de confusão
- Este estudo também segue uma abordagem baseada em tarefas, combinando a medição teórica das capacidades da IA com dados de uso real agregados no nível ocupacional
Como a exposição é medida
- Combina três fontes de dados:
- Base de dados O*NET: lista de tarefas de cerca de 800 ocupações nos EUA
- Dados reais de uso do Claude baseados no Anthropic Economic Index
- Estimativas de exposição teórica por tarefa de Eloundou et al. (2023) (β): se um LLM pode mais que dobrar a velocidade de uma tarefa, recebe 1; se precisa de ferramentas adicionais, 0,5; se não é possível, 0
- Entre os motivos pelos quais tarefas teoricamente possíveis não aparecem no uso real estão limitações do modelo, restrições legais, exigências de software e etapas de validação humana
- Ex.: “transmitir informações de receita para a farmácia e aprovar a renovação do medicamento” tem exposição teórica β=1, mas não foi observado no uso real do Claude
- A exposição teórica e o uso real têm alta correlação, e 97% das tarefas observadas nos quatro relatórios anteriores do Economic Index pertenciam às categorias β=0,5 ou β=1
Indicador de exposição observada (Observed Exposure)
- Exposição observada quantifica, entre as tarefas que os LLMs teoricamente podem acelerar, a proporção que é realmente usada de forma automatizada em ambientes de trabalho reais
- Condições para que a exposição de uma ocupação seja alta:
- a tarefa ser teoricamente viável com IA e mostrar frequência de uso relevante no Anthropic Economic Index
- ser usada em contexto relacionado ao trabalho
- ter alta taxa de automação ou implementação via API (automação recebe peso total, uso como apoio recebe metade do peso)
- as tarefas impactadas pela IA representarem uma parcela relevante do trabalho total da ocupação
- A diferença entre a cobertura teórica (azul) e a exposição observada real (vermelho) é grande; a IA ainda está muito abaixo de sua capacidade teórica
- Grupo de computação e matemática: cobertura teórica de 94%, cobertura real de 33%
- Grupo de escritório e administração: cobertura teórica de 90%
Ocupações com maior exposição
- Entre as 10 ocupações com maior exposição observada, as 3 primeiras são:
- Computer Programmers: cobertura de 75% (Claude é amplamente usado para programação)
- Customer Service Representatives: crescimento das tarefas principais no tráfego de API de 1st-party
- Data Entry Keyers: a automação se destaca nas tarefas principais de ler documentos-fonte e inserir dados, com cobertura de 67%
- 30% dos trabalhadores têm cobertura 0, pois suas tarefas não atingem o limite mínimo
- Exemplos desse grupo: cozinheiros, mecânicos de motocicleta, salva-vidas, bartenders, lavadores de louça e atendentes de vestiário
Relação entre exposição e projeções de emprego do BLS
- Ao comparar a exposição observada com as projeções de crescimento do emprego por ocupação do BLS para 2024–2034, quanto maior a exposição, mais fraca é a perspectiva de crescimento
- Um aumento de 10 p.p. na cobertura reduz a projeção de crescimento do BLS em 0,6 p.p. (com base em regressão ponderada pelo nível de emprego)
- Essa correlação não aparece quando se usa apenas o indicador teórico β de Eloundou et al. → isso sugere que a exposição observada é, de forma independente, um indicador preditivo mais útil
Características demográficas dos trabalhadores em ocupações de alta exposição
- Com base no período imediatamente anterior ao lançamento do ChatGPT (agosto a outubro de 2022), ao comparar o grupo dos 25% mais expostos com o grupo de 0% de exposição:
- a probabilidade de pertencer ao grupo de alta exposição é 16 p.p. maior para mulheres
- é 11 p.p. maior para brancos, e a probabilidade para asiáticos é cerca de 2 vezes maior
- o salário médio é 47% maior
- proporção com pós-graduação: 4,5% no grupo não exposto vs. 17,4% no grupo de alta exposição (quase 4 vezes mais)
Resultados da análise de desemprego
- O motivo para escolher a taxa de desemprego como principal indicador da análise é que ela captura de forma mais direta a situação de quem quer trabalhar, mas não consegue encontrar emprego
- Na tendência da taxa de desemprego desde 2016, durante a COVID-19 a taxa subiu muito mais no grupo não exposto (com maior peso de ocupações presenciais)
- Após o lançamento do ChatGPT, a mudança na taxa de desemprego do grupo de alta exposição não é estatisticamente significativa (houve pequena alta, mas indistinguível de zero)
- Exemplos de cenários que este framework seria capaz de detectar:
- se os 10% do topo fossem totalmente demitidos, a taxa de desemprego desse grupo passaria de 3% para 43%, e a taxa geral de 4% para 13%
- o cenário de uma “grande recessão white-collar” (desemprego dos 25% do topo dobrando de 3% para 6%) também poderia ser detectado por esta análise
Sinais de desaceleração na contratação de jovens
- Brynjolfsson et al. (2025) analisam que o emprego de trabalhadores de 22 a 25 anos em ocupações de alta exposição caiu de 6% a 16%, principalmente por redução nas contratações, e não por aumento de demissões
- Neste estudo, a própria taxa de desemprego dos jovens em ocupações de alta exposição permaneceu estável
- A queda nas contratações pode não aparecer na taxa de desemprego: muitos jovens entrando no mercado podem não registrar uma ocupação no CPS ou até sair do próprio mercado de trabalho
- Usando dados em painel do CPS, o estudo acompanha a taxa de novo emprego de pessoas de 22 a 25 anos separando ocupações de alta e baixa exposição
- desde 2024, a taxa de entrada em ocupações de alta exposição começou a cair visualmente
- a taxa mensal de emprego em ocupações de baixa exposição permanece estável em 2%, enquanto a entrada em ocupações de alta exposição caiu cerca de 0,5 p.p.
- estimativa média no período pós-ChatGPT: taxa de emprego em ocupações de alta exposição 14% menor em relação a 2022 (com significância estatística apenas marginal)
- essa queda não foi observada entre trabalhadores com mais de 25 anos
- Ainda assim, há interpretações alternativas: jovens não contratados podem ter permanecido em empregos anteriores, escolhido outras ocupações ou voltado aos estudos
Limitações do estudo e próximos passos
- O indicador de Eloundou et al. usado atualmente precisa ser atualizado com base nas capacidades dos LLMs no início de 2023
- No futuro, há planos de incorporar continuamente os dados de uso do Claude para atualizar a evolução da cobertura por tarefa e ocupação
- Acompanhar como recém-formados com diplomas em áreas de alta exposição estão reagindo no mercado de trabalho é uma tarefa central de continuidade
- Este framework pode ser expandido para outros dados de uso e para contextos de outros países
1 comentários
Comentários do Hacker News
Trabalhei na Big Tech nos últimos 10 anos e saí há um mês
Trabalhando fora de uma empresa, sinto que minha produtividade aumentou umas 50 vezes
Observando o impacto da IA na produtividade, os LLMs são fortes em (1) escrever código boilerplate, (2) converter código entre linguagens, (3) aprender e resumir conceitos novos e (4) tarefas simples como documentação
Mas em grandes empresas esse tipo de trabalho não acontece com tanta frequência. A maior parte do tempo é gasta com reuniões e integração de sistemas
A única vez em que a IA realmente ajudou foi em hackathons. Fora isso, ela acabou até aumentando meu trabalho
Já quando trabalho de forma independente, sinto um grande ganho de produtividade nos quatro pontos. Também me preocupo menos com questões legais ou bugs de deploy
No fim, dependendo de “quem usa”, a IA pode ser um divisor de águas ou não
Mas, se você der à IA o root access da sua vida, só vai se decepcionar. A IA sempre precisa do controle do arquiteto
Eu deixo a IA redigir e-mails, mas eu mesmo faço o envio. Permito acesso aos dados, mas a decisão final é minha
Por causa das lições da época do MongoDB, abordo novas tecnologias com cautela. Agora criei eu mesmo um wrapper em Elixir e construí automações com Ash framework e Phoenix
Uso vários modelos em paralelo para que nenhuma empresa conheça todos os meus dados. O verdadeiro desafio é a privacidade
Mas, em grandes empresas, escrever código representa só uns 20% do trabalho, então os outros 80% continuam sendo o gargalo
Queria perguntar às pessoas que dizem não sentir ganho de produtividade com IA: onde exatamente vocês travam?
Descrevi meu fluxo de trabalho em um comentário anterior, e até em uma codebase legada reduzi pela metade várias etapas
Hoje quase não escrevo código diretamente; só reviso as mudanças sugeridas pelo LLM. Os resultados são assustadoramente bons
Se o trabalho ficou mais rápido, então basta fazer mais trabalho. Devolvemos a receita para a comunidade e criamos valor real
Mas, em código complexo, acabam levando a queda de qualidade. Se você quer código sustentável, é melhor fazer por conta própria
A implementação inicial foi rápida, mas a fase de debug provavelmente vai levar muito mais tempo
Ignorou as instruções e bagunçou a limpeza do código, então o custo acabou ficando 5 vezes maior
Mesmo assim, dizem que melhorou desde dezembro, então pretendo tentar de novo
Continua no nível de um substituto para o Stack Overflow
Eu cuido mais de operação e manutenção do que de escrever código
Até agora a IA quase não impactou meu trabalho. Na verdade, o Docker trouxe uma mudança muito maior
Erra até funções básicas e comete muitos erros de lógica
Tecnologias como cloud, Terraform e Ansible trouxeram mudanças muito maiores
Como no artigo da Wikipédia, é um período em que a tecnologia é visível, mas não aparece nas estatísticas
Agora estamos até considerando reduzir PMs e engineering managers. É a maior mudança dos meus 35 anos de carreira
Como é uma ONG pequena, graças à IA fazemos mais trabalho com o mesmo orçamento. Com isso, a velocidade e a qualidade de aprendizado também melhoraram
Mas o volume de trabalho não diminui. Pelo contrário, acabamos fazendo ainda mais
Como desenvolvedor, minha produtividade dobrou, mas a carga de trabalho continua a mesma
As expectativas subiram junto, então no fim só tivemos um cronograma mais comprimido
O projeto em que estou trabalhando agora tem uma escala que eu nem teria tentado sem IA
Mesmo assim, ainda não confio totalmente na saída dos LLMs. Tenho até medo de rodar o SwiftLint
Ainda assim, a velocidade do projeto aumentou absurdamente. Algo que antes levaria 2 anos está mais da metade pronto em um mês
Acho que o impacto real da IA não é tão grande
Quem usa IA bem fica um pouco mais produtivo, mas se mostrar isso, o trabalho aumenta 10 vezes
A mudança de verdade está com desenvolvedores indie e freelancers
Não confio no que dizem empresas que vendem produtos de IA
Um colega do marketing usa o LLM aprovado pela empresa (Gemini) só para trabalho de fachada,
e faz o trabalho de verdade no Claude da conta pessoal
O motivo é o medo de que a empresa colete os prompts para treinar um modelo que o substitua
A empresa parou de contratar juniores
Agora é mais eficiente deixar a IA fazer o trabalho que eles faziam
Mas isso é apenas um ajuste temporário. No futuro, quando a forma da especialização mudar, as contratações devem voltar
O problema não é a IA, e sim fatores macroeconômicos como a estrutura de receita
Fico me perguntando se, nos logs do Claude, o impacto não foi estimado apenas pela frequência de exposição
Isso seria como um vendedor de óleo de cobra pesquisar os próprios clientes e concluir que “não é preciso médico”
A interpretação dos dados se sustenta sobre uma premissa completamente distorcida