Quais Empregos a IA Transforma em Vez de Substituir

Por Victor Hoang · Atualizado em 22 de setembro de 2026

A IA não substitui empregos. Ela substitui tarefas dentro dos empregos, deixa outras em paz e acrescenta algumas novas, como conferir o próprio trabalho, que antes não existiam. Um cargo muda de forma quando tarefas suficientes se deslocam, mas o emprego em si raramente some de uma vez. Essa distinção, tarefa versus emprego, é a diferença entre planejar bem e ler uma manchete assustadora.

Todo número do tipo "X% dos empregos serão automatizados" que você viu desde 2013 mede algo diferente do que a maioria das pessoas supõe. Alguns contam ocupações, outros contam tarefas, outros contam exposição teórica e outros contam o que os trabalhadores realmente fazem com a IA hoje. Nenhum responde ao que um líder precisa saber: o que acontece com este organograma em dezoito meses. Este artigo nomeia as previsões e seus autores para que você mesmo as avalie, e mostra o que realmente acontece quando um terço das tarefas de um cargo muda. Para as evidências de estudos controlados sobre IA e trabalho em geral, e não só as previsões sobre empregos, veja como a IA está mudando o trabalho e o que as evidências mostram.

Por Que "A IA Vai Tirar o Meu Emprego?" É a Pergunta Errada

Um cargo é um pacote. "Analista financeiro" reúne extração de dados, construção de modelos e a apresentação de um número a um VP nervoso. "Atendente de suporte" reúne ler um e-mail irritado, consultar um pedido, decidir se vale flexibilizar uma política e escrever uma resposta que não soe como carta-modelo. Não há duas tarefas com a mesma relação com a IA. Algumas são reconhecimento de padrões que um modelo faz bem hoje. Outras exigem pesar o histórico de um cliente contra uma política que ninguém escreveu, um julgamento, e não uma consulta.

Tratar "analista financeiro" como uma unidade indivisível e perguntar se a IA vai "tirá-lo" produz uma resposta de sim ou não para uma pergunta que nunca foi de sim ou não. A pergunta honesta é quais tarefas se deslocam, quais ficam e o que é acrescentado depois que as deslocadas se vão. Esse é o enquadramento que os economistas do trabalho usam há duas décadas, e é o que este artigo usa do começo ao fim, porque ele prevê o que vem a seguir.

A Tarefa, Não o Emprego, É a Unidade Que Importa

O economista do MIT David Autor construiu o framework de modelagem que a maioria dos economistas do trabalho ainda usa para isso, em um artigo de 2013 chamado "The Task Approach to Labor Markets". Sua tese central: a tecnologia não compete com ocupações, compete com tarefas dentro delas. Um computador ou um modelo substitui tarefas que seguem regras explícitas e codificáveis (o que Autor chama de tarefas rotineiras) e complementa os trabalhadores em tarefas que exigem julgamento flexível ou comunicação dependente de um contexto que uma regra não captura.

Esse framework explica algo que as manchetes de "47% dos empregos em risco" nunca poderiam: por que os caixas de banco não desapareceram quando chegaram os caixas eletrônicos e por que os paralegais não desapareceram quando o software de revisão de documentos ficou bom. A tecnologia absorveu uma fatia rotineira do trabalho e deixou as tarefas que exigiam julgamento, relacionamento ou responsabilização para um humano continuar fazendo. A composição de tarefas do emprego mudou. O título do cargo, em geral, não.

O artigo mais recente de Autor, de 2024, "Applying AI to Rebuild Middle Class Jobs", acrescenta uma segunda peça: a automação tem um efeito de deslocamento, em que a tecnologia assume tarefas que um humano fazia, e um efeito de reintegração, em que ela cria novas tarefas que só um humano, ou um humano supervisionando uma máquina, consegue fazer. As ondas de automação anteriores reintegraram aproximadamente tantas tarefas quanto deslocaram, embora raramente para os mesmos trabalhadores ou no mesmo prazo, e é por isso que a transição parece disruptiva mesmo quando a contagem de empregos no longo prazo se mantém. O argumento de Autor para a IA é ainda mais otimista: como ela consegue codificar uma fatia do julgamento especializado e entregá-la a trabalhadores com menos credenciais, ela poderia ampliar quem pode tomar decisões de maior risco, e não apenas automatizá-las. Isso é um potencial declarado, não um resultado consolidado.

Quais Tipos de Tarefa Estão Realmente Expostos

Nem toda tarefa de um cargo tem a mesma relação com a capacidade da IA. Agrupar as tarefas por tipo, e não por título de cargo, é o que torna uma previsão útil em vez de vaga.

Tarefas rotineiras e baseadas em regras: altamente expostas

Tarefas com uma entrada clara, uma saída clara e uma regra ligando as duas são a categoria mais exposta, e assim é desde muito antes da IA generativa. Entrada de dados, revisão de documentos em formato padrão, agendamento e geração de relatórios a partir de modelos se encaixam aqui. A IA (e a RPA antes dela) não precisa entender o trabalho, só precisa que a regra seja explícita e as exceções sejam raras.

Síntese de informação e primeiros rascunhos: altamente expostos, mas mais ampliados do que eliminados

Resumir um documento, redigir um e-mail ou reunir pesquisas de várias fontes é exatamente o que a IA generativa atual faz bem. A tarefa não desaparece do cargo. Ela encolhe de "passar duas horas escrevendo" para "passar quinze minutos editando", o que muda a habilidade que o cargo exige, de produzir para julgar, sem eliminar o cargo.

Julgamentos sob ambiguidade: resistentes

Decidir se vale abrir uma exceção à política, pesar prioridades conflitantes com informação incompleta ou tomar uma decisão que gera responsabilização se der errado continua resistente, não porque um modelo não consiga produzir uma resposta, mas porque alguém precisa assumir as consequências de uma resposta errada. É aqui que o design human-in-the-loop faz jus ao nome: o modelo propõe, uma pessoa decide e responde por isso.

Presença física, relacionamentos e confiança de alto risco: resistentes

Tarefas que exigem estar fisicamente presente, construir um relacionamento ao longo do tempo ou ser a pessoa em quem um cliente confia para algo que não contaria a um chatbot continuam resistentes por outro motivo: o valor vem em parte de quem faz, e não só do que é produzido. Uma negociação, uma conversa difícil de desempenho ou um trabalho de cuidado presencial se encaixam aqui. O prêmio humano trata de por que algumas empresas deliberadamente colocam uma pessoa nesses pontos de contato específicos, como estratégia, e não como decisão de custo.

Novas tarefas que a IA cria: verificação, orquestração, tratamento de exceções

Esta é a categoria que a maioria das previsões de perda de empregos ignora, porque ela não existia quando foram escritas. À medida que a IA assume mais trabalho rotineiro e de redação, alguém precisa verificar o resultado, decidir qual ferramenta ou agente deve cuidar de determinada solicitação e pegar os casos em que o modelo produz algo errado com toda a confiança. São tarefas novas, não tarefas antigas encolhidas, e tendem a cair nas mesmas pessoas cujas tarefas rotineiras acabaram de ser automatizadas, parte do motivo de "o emprego desapareceu" raramente corresponder ao que de fato aconteceu.

O Que Acontece com um Emprego Quando 30% das Tarefas Mudam

Imagine uma equipe de suporte em que um terço do volume de tickets eram perguntas simples e repetitivas: redefinição de senha, status de pedido, reembolsos padrão. A IA agora cuida dessa fatia de ponta a ponta, totalmente automatizada ou com um humano aprovando em segundos uma resposta sugerida. Ninguém da equipe perdeu o emprego naquele dia. O que mudou foi a composição do que sobrou.

Os dois terços restantes ficam mais difíceis: casos ambíguos, clientes irritados, exceções que não cabem no roteiro. Um atendente que antes passava a maior parte do turno em tickets fáceis agora passa a maior parte em tickets difíceis, mais uma tarefa nova que não existia um ano atrás: conferir por amostragem as respostas automáticas da IA em busca de erros de tom ou de fato. O cargo continua existindo. A habilidade que ele recompensa passou de "dar conta do volume rapidamente" para "lidar com a ambiguidade e pegar os erros da IA", um perfil de contratação diferente e, muitas vezes, um headcount menor, embora o emprego de ninguém tenha sido eliminado de forma direta.

Esse é o padrão em torno do qual vale planejar, não o binário "esse emprego vai existir daqui a cinco anos?". Um cargo pode sobreviver à transição e ainda assim precisar de menos pessoas e de habilidades diferentes das que constam na descrição de cargo arquivada. Perguntar "quais tarefas estão mudando e o que o pacote restante exige" leva à resposta certa meses antes de "quais empregos serão automatizados" levaria.

Fatos principais

• A tecnologia substitui tarefas rotineiras e codificáveis e complementa os trabalhadores em tarefas que exigem julgamento ou solução de problemas não estruturados; historicamente, a automação tanto desloca quanto reintegra tarefas ao longo do tempo. Fonte: Autor, "The Task Approach to Labor Markets" (NBER, 2013)
• A oportunidade distintiva da IA, segundo Autor, é estender a tomada de decisão de nível especializado a mais trabalhadores, e não só automatizar tarefas, embora isso seja um potencial declarado, ainda não um resultado medido em escala. Fonte: Autor, "Applying AI to Rebuild Middle Class Jobs" (NBER, 2024)
• A estimativa amplamente citada de Frey e Osborne, de 2013, segundo a qual 47% do emprego nos EUA corria alto risco de informatização, era um julgamento no nível da ocupação, e não uma medição no nível da tarefa, e não conseguia representar uma ocupação que muda em vez de desaparecer por inteiro. Fonte: Frey and Osborne, "The Future of Employment" (Oxford Martin School, 2013)
• Usando um método baseado em tarefas, a OCDE encontrou apenas cerca de 9% dos empregos em 21 países com alto risco de automação, aproximadamente um quinto do número de Frey e Osborne. Fonte: Arntz, Gregory, and Zierahn, "The Risk of Automation for Jobs in OECD Countries" (OECD, 2016)
• Quase uma década depois da publicação do número de 47%, o emprego nos EUA nas ocupações que ele apontou como de maior risco não havia colapsado como a previsão sugeria. Fonte: ITIF, "Oops: The Predicted 47 Percent of Job Loss From AI Didn't Happen" (2022)
• Em 2025, 47% das tarefas de trabalho são executadas principalmente por humanos, 22% principalmente por tecnologia e 30% por uma combinação, divisão que o WEF espera ver se aproximar de um equilíbrio até 2030. Fonte: World Economic Forum, Future of Jobs Report 2025
• O mesmo relatório do WEF projeta 170 milhões de novos empregos criados e 92 milhões deslocados no mundo até 2030, um ganho líquido de 78 milhões, junto com a mudança de quase 40% das habilidades essenciais. Fonte: World Economic Forum press release, January 2025
• O BLS agora atribui a cada ocupação detalhada uma classificação de exposição à IA baixa, moderada, alta ou "muito alta", mas explicitamente não distingue se essa exposição significa que uma tarefa será automatizada ou ampliada. Fonte: BLS, "Artificial Intelligence (AI) Exposure Categories"

As Previsões, Nomeadas e Verificadas

Todo grande número de automação em uma apresentação de diretoria tem um autor, um método e uma limitação declarada, e os três quase nunca chegam ao slide. Nomeá-los é o que separa uma previsão útil de uma assustadora.

Os 47% de Frey e Osborne (2013): o que realmente mediram

Frey e Osborne, ambos de Oxford, classificaram à mão 70 ocupações como automatizáveis ou não, por julgamento de especialistas, e depois treinaram um modelo de machine learning para estender esses rótulos a toda a base O*NET. O resultado foi uma pontuação de risco por ocupação, não por tarefa, então ele não conseguia representar uma ocupação em que algumas tarefas eram automatizáveis e outras não, o que descreve a maioria das ocupações. Os críticos também notaram que ele classificou ocupações como modelo de moda e motorista de ônibus escolar como de alto risco de formas que não correspondem à estrutura desses empregos. O número de 47% é uma estimativa genuína, revisada por pares, do potencial de informatização sob escolhas de modelagem específicas. Nunca foi uma previsão de que 47% dos trabalhadores estariam desempregados em vinte anos, e hoje as melhores práticas são os métodos baseados em tarefas, e não esse.

A correção baseada em tarefas da OCDE

Quando Arntz, Gregory e Zierahn refizeram uma pergunta parecida usando a composição de tarefas em vez de rótulos de ocupação inteira, a estimativa para a OCDE caiu para cerca de 9%, variando de 6% na Coreia a 12% na Áustria. A mesma pergunta ampla, uma resposta radicalmente diferente, porque a unidade de análise passou de "emprego" para "composição real de tarefas do emprego". Essa diferença de quase dez vezes é o melhor argumento para ler além do número da manchete e chegar ao método por baixo dele.

O que a década seguinte realmente mostrou

Em 2022, a Information Technology and Innovation Foundation examinou o que havia acontecido com as ocupações que Frey e Osborne apontaram como de maior risco. A perda de empregos em massa nessa escala não havia se materializado. Isso não significa que a automação não teve efeito, significa que o efeito apareceu como mudanças de tarefas e habilidades dentro das ocupações que sobreviveram, exatamente o que o framework baseado em tarefas prevê e o baseado em ocupações não consegue enxergar.

O Future of Jobs 2025 do WEF: a divisão mais bem documentada hoje

O WEF pesquisou mais de 1.000 empregadores, representando 14 milhões de trabalhadores em 55 economias, para o seu relatório de 2025, os dados mais atuais sobre como o trabalho realmente se divide entre execução humana e de máquina. A linha de base de 2025, 47% só humano, 22% só tecnologia, 30% combinado, é em si evidência para a visão por tarefa: a maior parte do trabalho não é limpamente "automatizada" ou "não automatizada", é dividida dentro dos cargos.

Categorias de exposição à IA do BLS: úteis, mas leia as letras miúdas

As classificações de exposição mais recentes do BLS são os dados mais granulares do governo dos EUA disponíveis, mas o BLS é explícito ao dizer que "exposição" mede se a IA pode tocar uma grande parte das tarefas de uma ocupação, e não se ela vai substituir o emprego ou apenas tornar as pessoas mais rápidas no mesmo trabalho. Uma classificação de "exposição muito alta" para consultores financeiros pessoais se encaixa no padrão de augmentação aqui: o consultor continua existindo, a composição das tarefas muda.

Como Ler a Próxima Previsão Que Colocarem na Frente da Sua Liderança

Antes de um número de perda ou criação de empregos entrar em uma apresentação ao conselho, faça três perguntas. Qual é a unidade de análise, uma ocupação ou uma tarefa? Números no nível da ocupação exageram tanto o risco quanto a segurança, porque não enxergam a mudança parcial dentro de um cargo. Qual é o método: julgamento de especialistas, um modelo que extrapola o julgamento de especialistas ou dados de uso observado? O uso observado, cada vez mais disponível a partir dos fornecedores de IA e do trabalho mais recente de exposição do BLS, é o mais próximo da realidade. E a previsão declara as próprias limitações, como Autor, o WEF e o BLS fazem? Uma que não declara nenhuma é uma cujas limitações você ainda não encontrou.

O Que Isso Significa para os Cargos Sobre os Quais Você Está Realmente Decidindo

Nada disso defende que os efeitos da IA sobre o trabalho são pequenos ou distantes. Os próprios números do WEF projetam quase 40% das habilidades essenciais mudando até 2030, uma ruptura real por qualquer medida. O argumento é mais restrito: planeje com base na composição de tarefas dentro dos seus cargos, e não no título do cargo no organograma. Faça uma auditoria de quais tarefas são rotineiras e codificáveis, quais exigem julgamento ou confiança que ainda não podem ser delegados e quais novas tarefas de verificação ou orquestração estão surgindo em silêncio. Essa auditoria diz onde contratar, requalificar e reduzir headcount, mesmo que nenhum cargo tenha tecnicamente "desaparecido", meses antes de uma previsão por título de cargo dizer algo útil.

A visão por tarefa também explica por que o lado humano precisa de atenção deliberada, e não só de uma planilha. Quando a composição de tarefas de um cargo muda, muda também o que significa "fazer um bom trabalho" e o quanto uma pessoa confia em um modelo que agora precisa conferir, questões tratadas em como é, de fato, uma cultura AI-native e em como as equipes humano-agente redefinem a confiança.

Alguns riscos merecem nome. Verificação e orquestração não aparecem automaticamente só porque a empresa implantou agentes de IA ou copilots; alguém precisa assumir a tarefa de pegar os erros do modelo, ou a empresa descobre a falha por meio de um resultado errado que saiu com o nome de alguém, a falha que esta biblioteca chama de workslop. Também vale distinguir uma mudança genuína de capacidade de um marketing disfarçado dela, padrão tratado em o que é agent washing. E, como as mudanças na composição de tarefas se acumulam como dívida técnica, invisíveis até a conta chegar, tratar isso como uma revisão pontual em vez de uma auditoria contínua é um risco por si só, que um processo básico de governança de IA foi feito para detectar.

O título do cargo no organograma é o lugar menos útil para ver o que a IA está fazendo com a sua força de trabalho. A lista de tarefas por baixo dele é onde a mudança real acontece, uma tarefa por vez, nas duas direções.

Da próxima vez que alguém disser que um emprego está seguro ou condenado, pergunte de quais tarefas a pessoa está falando.