Automação ou ampliação: a escolha que define o trabalho com inteligência artificial

A inteligência artificial já consegue executar partes valiosas de um trabalho, mas os dados disponíveis indicam que o risco mais imediato para as empresas não é a extinção completa das profissões. É a eliminação silenciosa das primeiras oportunidades de aprendizagem. Quando uma organização entrega à ferramenta as tarefas que formavam iniciantes, ela reduz o custo de hoje e pode enfraquecer a própria fonte de profissionais experientes de amanhã.

Essa tese muda a pergunta que o dono de negócio precisa fazer. Em vez de começar por “quantas pessoas a IA substitui?”, ele deve perguntar quais tarefas serão automatizadas, quais serão ampliadas e onde a equipe continuará construindo julgamento. A diferença entre automação e ampliação deixou de ser um debate de filosofia da tecnologia. Ela já aparece em estudos sobre emprego, adoção de chatbots e organização do trabalho.

A contratação de jovens caiu 19% nas ocupações mais expostas à IA

O sinal mais concreto vem de um estudo do Stanford Digital Economy Lab, revisado em agosto de 2026 por Erik Brynjolfsson, Bharat Chandar e Ruyu Chen. Os pesquisadores usaram dados administrativos de folha de pagamento da ADP, empresa que processa pagamentos de milhões de trabalhadores nos Estados Unidos, observados até junho de 2026.

O estudo não encontrou evidência de uma destruição generalizada de empregos na economia americana. Encontrou algo mais concentrado: trabalhadores de 22 a 25 anos em ocupações expostas à inteligência artificial estavam 19% abaixo do nível que teriam alcançado se acompanhassem o ritmo de colegas da mesma idade em ocupações menos expostas. Trabalhadores experientes não apresentaram um desvio comparável.

O número precisa ser lido com cuidado. Os autores descrevem o resultado como um indicador descritivo, não como uma estimativa causal de que a IA eliminou 19% dos empregos. A diferença também aparece principalmente na contratação de jovens, e não em uma onda de demissões. A empresa pode manter o quadro atual e simplesmente deixar de abrir a vaga de entrada. Para quem olha só para desligamentos, o problema fica invisível.

O próprio estudo registra ressalvas importantes. A diferença diminui quando se controla a escolaridade, alguns movimentos divergentes já existiam antes da popularização da IA generativa e o resultado é mais forte na amostra da ADP do que em pesquisas nacionais. Isso não torna o achado irrelevante. Mostra que a pergunta correta é mais específica: em quais tarefas a tecnologia substitui o trabalho de entrada e em quais ela complementa a experiência?

A empresa pode economizar na entrada e perder sua próxima camada de especialistas

Uma carreira costuma começar por tarefas que parecem simples. O profissional revisa documentos, confere planilhas, pesquisa informações, responde solicitações, corrige pequenos erros e aprende a reconhecer exceções. Cada tarefa gera contexto para a seguinte. Quando a empresa retira todos esses degraus, ela ainda pode entregar o trabalho desta semana, mas perde um método de formação.

O problema não exige uma demissão em massa para aparecer. Basta reduzir a contratação de analistas juniores, assistentes, redatores iniciantes, programadores em começo de carreira ou profissionais de suporte. O especialista atual continua produzindo, porém passa a concentrar tarefas de revisão e decisão. Se ele sair, a organização terá menos gente que conhece o caminho percorrido até aquele nível.

O estudo de Stanford reforça essa leitura ao separar ocupações em que a IA funciona como substituta de tarefas daquelas em que funciona como complemento. A queda se concentra no primeiro grupo. Nas ocupações complementares, o emprego aparece estável ou em alta, principalmente entre profissionais experientes. A ferramenta não tem um efeito único: a forma de implantação interfere no resultado.

O estudo dinamarquês mostra que a mudança começa nas tarefas antes de aparecer no salário

Uma pesquisa de Anders Humlum e Emilie Vestergaard, publicada pelo National Bureau of Economic Research, acompanha outra parte do fenômeno. Os autores ligaram pesquisas de adoção de chatbots a registros administrativos do mercado de trabalho na Dinamarca. A rodada mais recente ouviu 25 mil trabalhadores em 7 mil locais de trabalho, distribuídos por 11 ocupações expostas à tecnologia.

O resultado não confirma uma queda imediata de salários ou de horas. Usando uma comparação estatística entre trabalhadores e empresas que adotaram chatbots e grupos semelhantes que não adotaram, os pesquisadores encontraram efeitos médios próximos de zero sobre remuneração e horas registradas. Os intervalos de confiança permitiram descartar efeitos médios superiores a 2% dois anos depois do lançamento do ChatGPT.

O dado relevante está em outra camada. Cerca de 40% dos trabalhadores disseram ter usado chatbots no trabalho mesmo quando a empresa não estimulava o uso nem oferecia ferramenta corporativa ou treinamento. Esse percentual quase dobra em locais com iniciativas ativas. Nos ambientes que combinavam incentivo, ferramenta empresarial e treinamento, 93% dos trabalhadores haviam usado chatbots, 28% usavam diariamente e 19% relatavam economizar mais de uma hora por dia.

A economia de tempo não desapareceu. Cerca de 85% dos usuários disseram realocar o tempo economizado para outras tarefas. O estudo também encontrou novas atividades ligadas à geração de conteúdo, à revisão da resposta da IA e à integração da ferramenta ao fluxo de trabalho. Em locais com iniciativas ativas, aproximadamente 17% dos usuários relataram assumir tarefas novas criadas pelo uso do chatbot.

Essa evidência ajuda a separar produtividade de redução de quadro. Uma ferramenta pode acelerar a produção e mudar a composição do trabalho sem produzir aumento imediato no salário médio ou queda imediata no número de empregados. O efeito inicial pode estar no que cada pessoa faz durante o dia, e não na quantidade de pessoas que aparecem na folha.

A exposição de uma profissão não mede sozinha a substituição do profissional

David Autor e Neil Thompson, em material apresentado no MIT, chamam atenção para uma confusão frequente. Exposição à IA não significa automaticamente perda de emprego. Uma ocupação pode conter tarefas que o sistema executa, tarefas que o sistema ajuda a executar e tarefas que continuam dependentes de julgamento, responsabilidade ou interação humana.

Na estimativa apresentada pelos pesquisadores, os modelos de linguagem tinham relevância para cerca de 14% das tarefas de uma ocupação, em média. Com a adoção parcial de softwares complementares, a exposição subia para uma faixa de 30% a 34%. Com implementação completa desses recursos, chegava a 46% a 55%. Os números descrevem possibilidades técnicas de alcance, não uma previsão de quantos postos desaparecerão.

O mesmo material traz uma conta que muda a escala do debate. Em uma análise exploratória, apenas 1,86% das tarefas poderiam ser automatizadas integralmente por modelos de linguagem combinados a integrações de software sem supervisão humana. Mais de 71% tinham pelo menos algum componente que poderia ser executado com qualidade plausível. A distância entre 71% e 1,86% é de 69,14 pontos percentuais. Minha conta, feita a partir desses dois dados, indica que a maior parte do potencial está em partes da tarefa, e não na entrega autônoma do trabalho completo.

Para uma empresa, essa diferença tem consequência operacional. Um sistema pode preparar uma primeira versão de um relatório, mas alguém ainda precisa definir a pergunta, selecionar os dados, detectar uma exceção e responder pelo resultado. Se a organização chama todas essas etapas de “relatório automatizado”, ela confunde auxílio pontual com delegação integral.

O desenho de Douglas Engelbart preserva o aprendizado dentro da ferramenta

A distinção entre retirar o humano e ampliar sua capacidade aparece antes dos chatbots. Em 1962, Douglas Engelbart publicou Augmenting Human Intellect: A Conceptual Framework. O texto descreve um sistema em que computadores e pessoas trabalham juntos para aumentar a capacidade de lidar com problemas complexos, organizar argumentos e construir soluções.

Essa visão não exige que toda tarefa continue manual. Ela exige que a ferramenta seja desenhada para melhorar a capacidade de quem a usa. Um sistema que entrega uma resposta pronta pode economizar minutos. Um sistema que mostra fontes, alternativas, limites e critérios também pode ensinar o profissional a decidir melhor na próxima vez.

O princípio serve para pequenos negócios. A empresa pode usar IA para resumir atendimentos e reservar ao funcionário a análise do caso. Pode gerar uma primeira versão de uma proposta e pedir que o vendedor justifique a solução escolhida. Pode sugerir correções de código e manter a revisão, o teste e a explicação como parte do treinamento do programador iniciante.

O proprietário precisa medir a aprendizagem junto com a produtividade

As evidências reunidas apontam para um indicador que costuma faltar nos projetos de IA: a capacidade de formação. A empresa mede tempo economizado, volume produzido, custo por atendimento e número de erros. Também deveria medir quantas tarefas iniciantes continuam disponíveis para ensinar, quantas decisões passam por revisão e quantas pessoas conseguem explicar o processo sem depender da ferramenta.

Uma implementação pode parecer eficiente porque concentra a produção nos profissionais mais experientes. Porém, se esses profissionais passam a revisar tudo e ninguém aprende a executar o trabalho, a eficiência é frágil. O ganho pode depender de poucas pessoas, aumentar o risco de interrupção e reduzir a sucessão interna.

O estudo da Dinamarca oferece uma pista para esse desenho. A adoção se associou a novas tarefas de supervisão, integração e criação, enquanto salários e horas ficaram estáveis no período analisado. O caso sugere que a empresa precisa redesenhar funções, não só instalar uma ferramenta. O treinamento precisa incluir o que fazer quando a resposta está errada, incompleta ou fora do contexto.

O plano de segunda-feira começa com um processo, não com a compra de um chatbot

O dono de negócio pode começar na segunda-feira com um inventário de uma semana. Deve escolher um fluxo concreto, como atendimento, financeiro, marketing, vendas ou suporte, e listar cada etapa executada por cada pessoa. Ao lado de cada tarefa, deve registrar quatro informações: tempo gasto, consequência de um erro, conhecimento que o iniciante aprende e possibilidade de revisão humana.

Depois, deve marcar cada etapa com uma das três decisões: automatizar, ampliar ou manter humana. Automatizar significa que a ferramenta executa a etapa sob uma regra clara e com amostragem de controle. Ampliar significa que a ferramenta produz rascunho, busca, classificação ou sugestão, enquanto uma pessoa decide e explica. Manter humana significa que o custo de erro ou a necessidade de julgamento não justificam a delegação.

O teste deve durar quatro semanas e comparar quatro medidas: tempo por entrega, taxa de retrabalho, erros encontrados na revisão e número de tarefas que um profissional iniciante aprendeu a executar. Se o tempo cair e o retrabalho subir, o projeto não entregou produtividade. Se o volume crescer e nenhum iniciante aprender o processo, a empresa economizou no curto prazo e criou uma lacuna de formação.

Por fim, o gestor deve conversar com a equipe que executa o fluxo. Quem está perto do trabalho sabe quais exceções não aparecem no manual e quais respostas da IA parecem corretas até causarem um problema. A decisão de automatizar precisa incluir essa experiência, definir um responsável pela revisão e registrar o que será reavaliado depois do primeiro mês.

A escolha decisiva é onde a IA entra na carreira

A evidência atual não autoriza uma previsão simples de desaparecimento do trabalho. Ela mostra uma transformação desigual, com pressão maior sobre a porta de entrada em algumas ocupações e reorganização de tarefas em outras. O dado de 19% entre jovens na amostra da ADP merece atenção, mas suas limitações também precisam ser preservadas. O estudo dinamarquês mostra que mudanças podem ficar escondidas nos salários enquanto alteram tarefas. O material do MIT mostra por que exposição não equivale a automação integral.

Para o empresário, a decisão mais importante não é escolher entre entusiasmo e medo. É desenhar um uso que reduza trabalho repetitivo sem retirar da equipe a chance de adquirir julgamento. A empresa que mede somente produção pode descobrir tarde que perdeu a próxima geração de especialistas. A que mede produtividade e aprendizagem terá mais condições de transformar inteligência artificial em capacidade duradoura.

Fontes consultadas

• Brazil Journal: AI é para automation ou augmentation? O que aprendi em Stanford
• Stanford Digital Economy Lab: Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence
• Stanford HAI: perfil de Rob Reich
• NBER Working Paper 33777: Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI
• MIT e NBER: Does automation replace experts or augment expertise? The answer is yes
• Doug Engelbart Institute: Augmenting Human Intellect: A Conceptual Framework, 1962