O apocalipse do emprego
ainda não passou no teste dos dados

Em maio de 2025, o executivo-chefe da Anthropic, Dario Amodei, deu à Axios uma previsão que se tornaria referência obrigatória em qualquer debate sobre IA e trabalho: a inteligência artificial poderia eliminar até a metade dos empregos iniciais de colarinho branco em um prazo de um a cinco anos, empurrando o desemprego americano para algo entre 10% e 20%. A frase circulou o suficiente para se tornar quase um fato consumado no imaginário público — antes mesmo de qualquer dado confirmá-la.

É justamente esse hábito de tratar previsão como diagnóstico que o economista Toni Roldán-Monés contesta em artigo de opinião publicado no jornal espanhol El País. Nele, reúne seis argumentos da ciência econômica para questionar a tese do apocalipse do emprego — não para descartá-la, mas para submetê-la ao mesmo escrutínio que qualquer hipótese deveria enfrentar antes de ser aceita como verdade. É esse exercício, mais do que a previsão em si, que interessa a um caderno de economia: o que a evidência empírica disponível hoje realmente diz, e o que ainda é extrapolação alarmada de executivos de tecnologia com interesse direto no resultado?

O teste empírico ainda não confirmou a profecia

A primeira verificação é a mais simples: os números já mostram a destruição em massa anunciada? Uma pesquisa em andamento do National Bureau of Economic Research, conduzida pela Duke University em parceria com os Federal Reserve Banks de Atlanta e Richmond, ouviu 750 diretores financeiros americanos e chegou a uma estimativa de que apenas 0,4% dos postos de trabalho do país — cerca de 502 mil, num total de 125 milhões — devem ser eliminados por IA neste ano, com aproximadamente metade dessa perda concentrada em funções de escritório. Mesmo o salto nas demissões atribuídas à IA entre 2025 e 2026 ainda representa uma fração pequena do total de cortes anuais nos Estados Unidos.

No Brasil, a fotografia mais recente do IBGE aponta na mesma direção contraintuitiva. A população ocupada chegou a 103 milhões de pessoas em 2025, batendo o recorde da série histórica da Pnad Contínua, iniciada em 2012 — um avanço de 15,4% sobre o patamar de 89,3 milhões registrado naquele ano. No mesmo período, a taxa de desocupação caiu a 5,6%, o menor nível desde o início da série, quando era de 7,4%. São treze anos de digitalização acelerada, automação industrial e, mais recentemente, IA generativa — e o mercado de trabalho brasileiro segue absorvendo mais gente, não menos.

Isso não significa ausência de risco. Um estudo do Banco Mundial citado pela FGV IBRE mostrou que, nos Estados Unidos, as vagas em ocupações com pontuação de substituição por IA acima da mediana caíram em média 12% entre o fim de 2022 e junho de 2025, e esse efeito de substituição cresceu de aproximadamente 6% no primeiro ano para 18% no terceiro — sinal de que o impacto se acumula com a maturação da tecnologia, não de que já tenha chegado à escala anunciada por Amodei.

Tarefas, não empregos

O argumento central do artigo de Roldán-Monés — e da literatura econômica que ele cita — é que confundimos tarefa com emprego. Um exemplo mais revelador do que o do advogado escolhido pelo autor espanhol vem da radiologia. Em 2016, o pioneiro da IA Geoffrey Hinton recomendou publicamente que ninguém mais estudasse para ser radiologista, já que a leitura de exames seria totalmente automatizada. Quase uma década depois, a demanda por radiologistas nos Estados Unidos nunca foi tão alta: é hoje a terceira especialidade médica mais bem remunerada do país, com salários e número de profissionais em crescimento. A explicação é que apenas 30% do tempo de um radiologista é gasto olhando exames — o resto envolve desenvolver o plano de diagnóstico, conversar com colegas e com pacientes, e muitas outras tarefas que a IA não substitui.

É essa a tese central do livro Messy Jobs, dos economistas Luis Garicano (London School of Economics), Jin Li e Yanhui Wu (Universidade de Hong Kong): empregos são pacotes de julgamento, coordenação, responsabilização, conhecimento tácito e relações humanas — e quando as tarefas estão fortemente entrelaçadas dentro de uma função, a IA tem menos capacidade de eliminá-la por completo. No Brasil, o paralelo mais próximo está nas profissões regulamentadas que exigem assinatura técnica e responsabilidade civil: um cálculo estrutural pode ser feito por IA, mas a Anotação de Responsabilidade Técnica exigida pelo CREA continua exigindo um engenheiro habilitado; um laudo pode ser redigido por um modelo de linguagem, mas o registro no CRM segue sendo do médico.

É a mesma lógica do chamado “efeito O-Ring” — em alusão ao desastre do Challenger em 1986, quando a falha de uma única junta de vedação destruiu toda a missão. Aplicado ao trabalho, o princípio sugere que não basta automatizar a maior parte de uma função: se o humano continua sendo o gargalo para a fração final, que envolve julgamento e responsabilidade, a função sobrevive como um todo.

O preço cai, a demanda muda de endereço

Quando uma tecnologia barateia uma tarefa, a reação da demanda pode ser contraintuitiva. No Brasil, a categoria que reúne informação, comunicação e atividades financeiras, imobiliárias, profissionais e administrativas — justamente onde se concentram os empregos mais expostos a ferramentas de IA generativa — não encolheu: cresceu 40,1% em número de pessoas ocupadas entre 2012 e 2025, mais do que qualquer outro grande setor da economia brasileira. A explicação mais plausível não é que a IA poupou esses trabalhadores, mas que, ao reduzir o custo de produzir software, relatórios e análises, ela ampliou a quantidade de empresas dispostas a pagar por esses serviços — a mesma lógica que multiplicou o tráfego aéreo quando voar deixou de ser artigo de luxo.

Esse efeito já aparece nos dados americanos mais recentes sobre contratação. A mesma pesquisa de CFOs da Duke encontrou um padrão que contradiz o discurso público das grandes empresas de tecnologia: a adoção de IA pode estar levando a um aumento nas contratações entre empresas menores, que só recentemente começaram a investir na tecnologia e, à medida que a adoção avança, sinalizam planos de ampliar contratações em funções técnicas — o oposto do enxugamento anunciado pelas gigantes do setor.

A falácia que nos faz subestimar o próprio futuro

Há um viés cognitivo bem documentado pela economia do trabalho: tendemos a enxergar com clareza os empregos que existem hoje e a subestimar sistematicamente os que a próxima onda tecnológica vai criar. O estudo mais rigoroso sobre essa questão é de David Autor e coautores, publicado em 2024 na Quarterly Journal of Economics após dezoito anos de cruzamento de dados do censo americano com registros de patentes: a maioria dos empregos americanos atuais está em ocupações que só emergiram amplamente depois de 1940. Mais precisamente, cerca de 60% do emprego em 2018 estava em títulos de ocupação que não existiam em 1940 — e entre profissionais, a categoria que mais cresceu no período, essa proporção sobe para 74%.

A ressalva é importante, e a própria pesquisa de Autor a documenta: a partir de 1980, em diversos períodos a automação destruiu mais postos do que a tecnologia foi capaz de criar em compensação direta, com efeitos desiguais entre trabalhadores qualificados e não qualificados. A criação de trabalho novo não é automática nem garantida — é um processo que depende de investimento, formação e tempo, e que pode deixar grupos inteiros para trás antes de se materializar.

O gargalo é institucional, não tecnológico

Aqui o argumento precisa de um desvio que o artigo espanhol não faz, porque sua lente é europeia: o que determina se a IA vira ganho de produtividade ou aprofundamento de desigualdade não é a tecnologia, é a instituição que a recebe. É a tese central do economista Daron Acemoglu, Nobel de 2024: o impacto da automação na produtividade, no emprego e na desigualdade não é determinístico, mas depende criticamente das instituições, das políticas públicas, do poder relativo entre trabalhadores e capital e das escolhas sociais sobre o direcionamento da inovação. Países com instituições robustas tendem a transformar automação em produtividade; países com instituições frágeis tendem a converter automação em desigualdade.

Essa distinção é o que torna o caso brasileiro cientificamente interessante, e não apenas uma repetição tropical do debate americano. No terceiro trimestre de 2025, quase 30 milhões de trabalhadores no Brasil — 29,6% da população ocupada — estavam em ocupações com algum grau de exposição à IA generativa, com exposição maior entre mulheres, jovens, trabalhadores mais escolarizados e no setor de serviços, sobretudo informação, comunicação e serviços financeiros. Mas exposição não é destino: o mesmo estudo, baseado em dados do FMI, calcula que cerca de 20% dos ocupados combinam alta exposição com baixa complementaridade — o grupo realmente vulnerável a perdas de emprego —, enquanto outros 20% combinam alta exposição com elevada complementaridade, o que sugere potencial de ganhos de produtividade e salário. A diferença entre os dois grupos não está na tecnologia que usam, mas na formação, na regulação da profissão e no poder de negociação que têm para capturar parte do ganho de produtividade em vez de simplesmente serem substituídos.

O Brasil chega a esse teste com uma fragilidade estrutural que os Estados Unidos não têm na mesma escala: a taxa de informalidade do país foi de 38,1% da população ocupada em 2025, com disparidades regionais enormes — de 58,7% no Maranhão a 26,3% em Santa Catarina. É precisamente nesse contingente informal, sem registro, sem sindicato e sem complementaridade reconhecida pelo mercado, que o efeito apontado por Acemoglu tende a operar de forma mais cruel: pouca capacidade de negociar a divisão dos ganhos de produtividade que a IA eventualmente gerar. A aprovação, pelo Senado, do Projeto de Lei 2.338/2023, ao final de 2024, foi um primeiro passo institucional brasileiro nessa direção — mas regulação de IA e proteção do trabalhador ainda caminham em ritmos diferentes no país.

O veredito que falta

As seis hipóteses reunidas por Roldán-Monés resistem razoavelmente bem ao teste dos dados disponíveis até aqui — tarefas são substituídas antes de empregos inteiros desaparecerem, a elasticidade da demanda cria trabalho onde menos se espera, e a história econômica é generosa com quem subestimou sua própria capacidade de inventar ocupações novas. Nenhuma dessas constatações, porém, é motivo para complacência, e seria desonesto tratá-las como tal. O que a ciência econômica realmente ensina é mais modesto e, ao mesmo tempo, mais exigente: a tecnologia não decide por si só quem ganha e quem perde nessa transição. Decidem as instituições — e o teste verdadeiramente decisivo para o Brasil ainda não tem resultado.