O motor de probabilidades: por que a IA ainda não tomou seu emprego — e por que isso importa para o Congresso

Em junho, o Datafolha entrevistou 2.004 brasileiros em 139 municípios sobre suas expectativas quanto à inteligência artificial. O resultado surpreende quem segue o debate público sobre o tema: o medo de perder o emprego para máquinas caiu de 56% para 48% em um ano, e a fatia de quem não teme nenhuma substituição subiu de 41% para 49%. Ao mesmo tempo, o uso profissional da tecnologia por quem já ouviu falar dela avançou de 17% para 24%. O brasileiro está usando mais IA e temendo menos por seu emprego — um movimento que caminha na direção oposta à retórica apocalíptica de parte da indústria de tecnologia.

O contraste ficou explícito neste mês, quando Dario Amodei, executivo-chefe da Anthropic — empresa por trás do assistente Claude —, divulgou um documento defendendo políticas públicas de estímulo à contratação para conter o que descreveu como risco de desemprego em massa provocado pela IA. Amodei integra uma ala do Vale do Silício apelidada de "catastrofista", associada à crença de que o avanço da tecnologia pode gerar disrupção social severa. Economistas ouvidos pela imprensa brasileira, no entanto, atribuem o recuo do medo a um fenômeno mais prosaico: a população percebeu que a ruptura anunciada, por ora, não se concretizou.

Máquinas que preveem, não que raciocinam

Uma explicação técnica para esse descompasso entre expectativa e realidade ganhou destaque no fim de junho, quando a jornalista e pesquisadora Zeynep Tufekci publicou um ensaio de opinião no New York Times argumentando que grandes modelos de linguagem não são, e talvez nunca sejam, "máquinas de raciocínio" — são, em suas palavras, motores de probabilidade que preveem qual resposta é estatisticamente plausível diante dos dados em que foram treinados, sem verificar se ela é correta ou lógica. É uma limitação estrutural, não um defeito de programação a ser corrigido em futuras versões.

O ensaio recupera episódios recentes para sustentar essa tese. Em março, golpistas convenceram o sistema de atendimento automatizado da Meta a devolver o controle de mais de 20 mil contas do Instagram — incluindo perfis ligados à Casa Branca do governo Obama e a um funcionário sênior do governo Trump — simplesmente escrevendo os comandos certos. A Air Canada desativou seus chatbots depois que um deles prometeu um reembolso inexistente e a companhia perdeu a ação judicial movida pelo cliente. O McDonald's recuou de um projeto de atendimento por IA em suas janelas de drive-thru após vídeos virais mostrarem o sistema adicionando, por engano, centenas de dólares em nuggets a um único pedido.

Esses casos não são falhas isoladas de engenharia, argumenta a autora: são a tecnologia operando exatamente como projetada. Um modelo de linguagem responde ao que é mais provável dentro do padrão que aprendeu — inclusive quando um golpista escreve um comando bem construído, ou quando um cliente insiste bastante com um chatbot de concessionária até obter, como aconteceu nos Estados Unidos, uma oferta "juridicamente vinculante" de venda de um utilitário esportivo por um dólar.

O limite entre o que pode e o que não pode ser automatizado

La distinção proposta no ensaio — e que tem relevância direta para o debate regulatório brasileiro — separa dois tipos de tarefa. De um lado, domínios formais e verificáveis, como programação de software, em que um resultado pode ser testado automaticamente como certo ou errado. É nessas áreas que a IA já produz impacto real e mensurável no mercado de trabalho. De outro, a maior parte das ocupações humanas — atendimento ao cliente, medicina, educação, funções de julgamento — não opera segundo critérios binários de acerto e erro, e por isso resiste à automação plena, mesmo com modelos cada vez mais sofisticados.

Essa fronteira ajuda a entender por que, quatro anos depois do lançamento do ChatGPT, o desemprego não disparou nos países que mais adotaram a tecnologia. No Brasil, um estudo do FGV Ibre, com metodologia da Organização Internacional do Trabalho, estimou que cerca de 30 milhões de trabalhadores — 29,6% da população ocupada — estavam em ocupações com algum grau de exposição à IA generativa no terceiro trimestre de 2025, dos quais 5,2 milhões no nível mais alto de exposição, concentrados entre jovens, trabalhadores mais escolarizados e empregados no setor de serviços do Sudeste. O economista Daniel Duque, pesquisador do FGV Ibre, avalia que cargos gerenciais ligados à tomada de decisão permanecem menos vulneráveis, já que a IA ainda não decide — apenas sugere.

Ao mesmo tempo, a rejeição da população brasileira à automação de decisões sensíveis permanece elevada: 68% desaprovam o uso de IA em decisões sobre tratamentos médicos e 67% se opõem a decisões automatizadas de concessão de crédito, prática já disseminada no setor bancário. O quadro sugere uma sociedade que aceita a IA como ferramenta de produtividade, mas resiste a delegar a ela decisões que afetam diretamente direitos e meios de vida — exatamente o tipo de distinção que o Congresso Nacional tenta transformar em lei desde 2023.

O Congresso corre contra o calendário eleitoral

É nesse contexto que tramita o PL 2338/2023, o chamado Marco Legal da Inteligência Artificial, aprovado por unanimidade no Senado em dezembro de 2024 e hoje sob análise de uma comissão especial na Câmara dos Deputados, sob relatoria do deputado Aguinaldo Ribeiro (PP-PB). O texto adota uma arquitetura de regulação por risco, inspirada no AI Act europeu: proíbe usos considerados de risco excessivo, impõe exigências de governança e auditoria a sistemas de alto risco, garante às pessoas afetadas o direito a explicação e contestação de decisões automatizadas, e cria um Sistema Nacional de Regulação e Governança de IA sob coordenação estratégica da Autoridade Nacional de Proteção de Dados.

La votação final, inicialmente esperada ainda em 2025, foi adiada para 2026 — justamente o ano em que o Brasil também terá eleições municipais, o que aproxima o debate regulatório de temas politicamente sensíveis como deepfakes eleitorais e desinformação automatizada, área em que o Tribunal Superior Eleitoral já editou resoluções específicas desde 2024. Especialistas ouvidos pelo Jota apontam que a discussão em 2026 deixou de ser sobre se haverá marco regulatório e passou a ser sobre como estruturar o arranjo institucional capaz de fiscalizar e sancionar seu descumprimento — com multas administrativas que podem chegar a R$ 50 milhões por infração.

Essa arquitetura regulatória — precisa, documentada, fundada em auditoria e explicabilidade — é, em essência, uma tentativa de construir o que o ensaio da autora chama de "gaiolas simbólicas": camadas determinísticas de regras que contêm um sistema fundamentalmente probabilístico e imprevisível. É um esforço legítimo e necessário, mas que a autora do texto original argumenta ter um limite estrutural: descrever de forma exaustiva, em lógica simbólica, todo o universo de interações possíveis entre um cidadão e um sistema de IA — do atendimento bancário à concessão de um benefício do INSS — é uma tarefa que, na prática, talvez nunca se complete por inteiro.

Quando a própria fronteira da segurança falha

O caso mais recente e mais próximo dessa discussão envolve a própria Anthropic, empresa cujo executivo alertou este mês para o risco de desemprego em massa. Em 9 de junho, a companhia lançou dois novos modelos, batizados de Fable e Mythos, apresentados como particularmente avançados — e, por isso mesmo, sujeitos a salvaguardas reforçadas de segurança. Usuários determinados reportadamente encontraram formas de contornar essas proteções pouco depois do lançamento. Em razão dessa brecha, o Departamento de Comércio dos Estados Unidos impôs, em 12 de junho, controles de exportação que suspenderam o acesso a ambos os modelos até mesmo para funcionários estrangeiros da própria empresa; a medida foi revogada em 30 de junho, e o acesso restabelecido em 1º de julho.

O episódio, confirmado pela própria Anthropic em nota pública, ilustra o argumento central do debate: mesmo a empresa que constrói esses sistemas reconhece que não existem salvaguardas absolutamente intransponíveis. Se um dos laboratórios mais avançados do setor não consegue garantir contenção total sobre seu próprio produto, a tarefa que o Congresso brasileiro se propõe — regular por antecipação um sistema que nem seus criadores dominam por completo — ganha uma dimensão de complexidade que raramente aparece no debate público sobre o PL 2338.

Nem substituição em massa, nem irrelevância

Nem todos os economistas leem esse cenário como motivo de alarme. Daron Acemoglu, vencedor do prêmio Nobel de Economia, defende posição mais cautelosa: para ele, a IA deve substituir trabalhadores em tarefas específicas, mas não na mesma proporção em que a tecnologia avança — e o efeito de redução de custos e ganho de eficiência tende a gerar demanda por outros bens e, com ela, novas ocupações. O tamanho desse equilíbrio entre destruição e criação de postos de trabalho, reconhece Acemoglu, ainda é incerto, porque os ganhos de produtividade da IA generativa não estão plenamente comprovados em escala.

É esse ponto de incerteza — mais do que a certeza de catástrofe ou de irrelevância — que deveria orientar a política pública brasileira em 2026. A regulação por risco do PL 2338, o direito à explicação e à contestação de decisões automatizadas, e a rejeição popular ao uso de IA em contratações, tratamentos médicos e concessão de crédito compõem, juntos, um desenho institucional que não aposta no desaparecimento do trabalho humano nem na docilidade da máquina — mas na necessidade de manter, em cada decisão que afeta a vida das pessoas, um espaço para o julgamento que nenhum motor de probabilidades sabe replicar sozinho.