SÉRIE: AUTÔMATOS E ALMAS

Oito estudos sobre o emprego na era da inteligência artificial e da robótica

Por Dr. Ricardo Petrissans Aguilar

Diretor do Laboratório do Futuro, Montevidéu

Resumo da tese: o discurso hegemônico de governos, consultorias e organismos internacionais sustenta que a solução para o desemprego tecnológico é a requalificação permanente da força de trabalho. Este artigo demonstra, com dados de curvas de aprendizado humano vs. curvas de fine-tuning de IA, que a velocidade de obsolescência de competências supera hoje a velocidade de aquisição de novas competências por parte dos trabalhadores médios. Analisamos estudos longitudinais de empresas que investiram milhões em upskilling e obtiveram retornos nulos em termos de empregabilidade sustentada. Concluímos que a requalificação em massa é, na melhor das hipóteses, um paliativo; na pior, uma ideologia que isenta as corporações e o Estado de intervir sobre o modelo de automação.

O discurso do upskilling e a velocidade da obsolescência

1. O evangelho segundo o LinkedIn: um curso, uma certificação, uma oração

Quem navega pelo LinkedIn por mais de quinze minutos inevitavelmente esbarra no mantra: «O futuro pertence a quem se atualiza». «Aprenda, desaprenda, reaprenda». «O trabalho não desaparece, se transforma». Todos esses slogans, brilhantemente cunhados por consultorias como McKinsey, Deloitte e o Fórum Econômico Mundial, compõem uma espécie de teologia neoliberal do upskilling: o trabalhador é o responsável último por sua empregabilidade; se fica obsoleto, é porque não estudou o suficiente; se a máquina o vence, é porque não soube correr mais rápido.

Essa teologia tem dois pilares. O primeiro, empírico: as transições laborais históricas (da agricultura para a indústria, da indústria para os serviços) foram resolvidas com formação e requalificação. O segundo, normativo: o Estado não deve frear a inovação tecnológica, mas financiar programas de requalificação para que os trabalhadores «saltem» para os novos nichos. Ambos os pilares, examinados à luz da IA generativa e dos agentes autônomos, mostram-se frágeis como gesso [1].

Comecemos com uma anedota –pequena, quase insignificante, mas reveladora. Em 2023, uma grande rede de supermercados britânica, a Tesco, implementou um sistema de IA para a gestão de estoques e a atribuição de turnos. Os funcionários de reposição e os caixas receberam um curso on-line de 40 horas sobre «operação assistida por inteligência artificial», certificado por uma entidade credenciada. O curso ensinava a interpretar os alertas do sistema, a reinserir dados manuais quando o algoritmo falhava e a lidar com a interface de supervisão. Seis meses depois, o sistema foi atualizado para uma versão com aprendizado por reforço que já não precisava de supervisão humana para 94% das ocorrências. Os trabalhadores, que haviam investido tempo e esforço (a empresa não pagou as horas do curso, apenas o acesso), descobriram que a competência recém-aprendida havia sido reduzida a uma tarefa residual que mal ocupava 3% de sua jornada. No restante do tempo, o sistema lhes atribuía tarefas de limpeza ou apoio logístico com remuneração menor. A requalificação havia sido uma miragem: eles haviam se treinado para operar uma versão do sistema que já não existia [2].

Esse caso não é isolado. É a manifestação concreta do que, no artigo 1, chamamos de velocidade de obsolescência de tarefas (TOT). Quando a TOT é inferior ao tempo necessário para projetar, ministrar e assimilar um curso de upskilling, a requalificação se torna uma corrida perdida de antemão. E a evidência sugere que, para um número crescente de ocupações, já cruzamos esse limiar.

2. Curvas de aprendizado humano versus curvas de fine-tuning de IA

Para entender por que a requalificação tradicional fracassa, devemos comparar duas dinâmicas temporais: a curva de aprendizado humano e a curva de melhoria dos modelos de IA por meio de fine-tuning ou aprendizado por reforço.

A curva de aprendizado humano segue, em média, uma função logarítmica: a melhoria inicial é rápida (alguns dias ou semanas para atingir um nível básico), mas depois se torna progressivamente mais lenta. Dominar uma competência complexa (programação, diagnóstico médico, design gráfico profissional) requer, segundo estudos de Ericsson e colegas, cerca de 10.000 horas de prática deliberada distribuídas ao longo de vários anos [3]. Mesmo para competências medianas (manejo de um software de gestão, redação de relatórios estruturados), estimam-se entre 200 e 500 horas de prática supervisionada para atingir um nível de produtividade aceitável. O esquecimento também segue uma curva: sem prática contínua, as habilidades decaem em semanas ou meses.

A curva de fine-tuning de um modelo de IA é radicalmente diferente. Um grande modelo de linguagem (LLM) retreinado, como o GPT-5 ou seu equivalente de código aberto, pode ser ajustado a uma tarefa específica (por ex., redação de relatórios jurídicos) com algumas centenas de exemplos rotulados e algumas horas de computação. Em questão de um dia, o modelo atinge um desempenho superior ao percentil 70 dos humanos que realizam essa mesma tarefa. Uma semana adicional de treinamento com retroalimentação humano-no-circuito eleva o desempenho ao percentil 90. E, se se introduz aprendizado por reforço a partir de preferências humanas (RLHF), o modelo pode superar o melhor humano disponível em tarefas bem definidas em menos de um mês [4].

Essa assimetria temporal é brutal. Enquanto um trabalhador humano precisa de meses ou anos para dominar uma competência complexa, um sistema de IA pode superá-lo nessa mesma competência em semanas e, depois, por meio de atualizações periódicas (a cada trimestre ou a cada mês), continuar melhorando sem limite aparente. O trabalhador, por sua vez, quando termina de se formar, descobre que a máquina já é melhor que ele na tarefa para a qual se formou. E, se tenta se formar em uma nova tarefa, o ciclo se repete. A imagem é a de Sísifo: a pedra da requalificação rola ladeira acima, mas o topo se eleva à mesma velocidade que o impulso humano [5].

As implicações para a política educacional são devastadoras. Os grandes programas de «reskilling em massa» promovidos pela União Europeia (o Pacto para as Competências, dotado de 8 bilhões de euros) ou pelo governo dos EUA (American Workforce Initiative) partem de uma suposição implícita: existe um intervalo de tempo razoável no qual os trabalhadores podem adquirir novas competências antes que a automação os alcance. Mas, se esse intervalo se reduziu a semanas, o investimento em formação se deprecia quase instantaneamente. Não porque a formação seja ruim, mas porque a tecnologia corre mais rápido que a pedagogia [6].

O que mostram os casos da AT&T e dos cobots na Baviera

3. O estudo longitudinal da AT&T: 1,2 bilhão de dólares e uma lição amarga

Entre 2020 e 2024, a empresa de telecomunicações americana AT&T conduziu um dos experimentos de requalificação mais ambiciosos da história corporativa. Diante da obsolescência de sua rede de cobre e da migração para redes definidas por software (SDN), a empresa anunciou um programa de upskilling em massa para seus 250.000 técnicos e operadores. O custo estimado superou 1,2 bilhão de dólares, incluindo plataformas de aprendizado on-line, convênios com universidades (Udacity, Coursera) e liberação de horas de trabalho para formação. O objetivo era reconverter os técnicos de cobre em especialistas em redes IP, automação e cibersegurança [7].

Os resultados, publicados em um estudo interno vazado para o The Wall Street Journal (2025) e posteriormente analisado por acadêmicos do MIT, foram decepcionantes. Apenas 18% dos trabalhadores formados conseguiram comprovar competências suficientes para serem realocados nos novos postos. Já 42% abandonaram o programa antes de concluí-lo (por frustração ou por dificuldades de conciliação com a vida familiar). Os 40% restantes concluíram a formação, mas, nas provas práticas, tiveram desempenho inferior ao dos sistemas de IA que a empresa já havia implantado para a gestão autônoma de redes. Nas palavras de um executivo citado anonimamente: «Gastamos mais de um bilhão para ensinar nossa gente a fazer coisas que uma máquina já fazia melhor enquanto eles aprendiam». O resultado líquido foi uma redução de 23% do quadro de pessoal na área técnica, com indenizações milionárias que quase dobraram o custo do upskilling [8].

A formação era ruim? Não necessariamente. Os cursos eram tecnicamente sólidos, os instrutores competentes, os conteúdos atualizados. O problema foi de timing: a tecnologia de automação de redes avançou, durante o programa, mais rápido do que os trabalhadores conseguiam assimilar os novos conhecimentos. E, quando a IA atingiu um nível de autonomia suficiente, os postos para os quais os técnicos se formavam já não existiam como tais; restavam apenas postos de supervisão de alto nível (para os quais eram necessários engenheiros de software, não técnicos reconvertidos) e postos de manutenção física residual (para os quais a formação recebida era excessiva e inútil). A AT&T aprendeu do jeito difícil que a requalificação em massa, sem um controle sobre a velocidade da automação, é como tentar encher um barril sem fundo.

Esse caso não é excepcional. Uma metanálise realizada pelo Instituto Internacional de Estudos do Trabalho (Genebra, 2025) examinou 47 programas de upskilling empresarial em setores expostos à IA generativa (finanças, logística, atendimento ao cliente, diagnóstico médico). A conclusão foi clara: a taxa de sucesso (entendida como recolocação sustentada em um posto de salário igual ou melhor após a formação) não superou 21% em nenhum dos setores com TOT inferior a 8 meses. Nos setores com TOT superior a 18 meses (ainda existem: soldagem especializada, enfermagem geriátrica, reparo de maquinário antigo), a taxa de sucesso chegou a 63%. Ou seja, a variável crítica não é o investimento em formação, mas o tempo disponível antes que a IA torne obsoleta a competência-alvo [9].

4. A fábrica da frustração: robótica colaborativa e o paradoxo do «colega que te substitui»

Um âmbito privilegiado para observar a falácia da requalificação é o da robótica colaborativa (cobots). Diferentemente dos robôs industriais clássicos, que operavam em jaulas separadas dos humanos, os cobots são projetados para trabalhar lado a lado com os trabalhadores, auxiliando-os em tarefas pesadas ou repetitivas. A narrativa dominante, promovida por fabricantes como Universal Robots, Fanuc e ABB, é que os cobots «aumentam» a capacidade humana, não a substituem. Um trabalhador treinado pode «ensinar» o cobot por demonstração (arrastando seu braço) e depois supervisionar várias máquinas, aumentando sua produtividade e seu salário. Lindo, não é? [10]

A realidade, estudada em campo pela equipe da Universidade Técnica de Munique (2025), é mais turva. Em 32 fábricas de automóveis e eletrônicos na Baviera, foram introduzidos cobots de última geração com aprendizado por imitação. Os trabalhadores receberam uma formação intensiva de 80 horas para interagir com os cobots, programar rotinas básicas e resolver ocorrências. No início, o moral e a produtividade subiram. Mas, aos seis meses, os cobots haviam acumulado dados de demonstração suficientes para realizar a maioria das tarefas sem intervenção humana. A empresa, então, realocou os trabalhadores formados para outras linhas de produção –onde não havia cobots– e colocou os cobots para funcionar em modo autônomo, com supervisão remota a partir de um centro de controle. Os trabalhadores, que haviam investido 80 horas em aprender a colaborar com os cobots, viram-se fazendo tarefas que os cobots não podiam fazer porque não haviam sido treinados para elas (tarefas de descarte, limpeza, embalagem manual). O «aumento» virou deslocamento diferido. E a requalificação, uma passagem para tarefas pior remuneradas [11].

O conceito-chave aqui é o de curva de transferência de habilidades. Quando um trabalhador humano aprende uma tarefa, essa habilidade é pessoal e intransferível (a outro humano ela pode ser transmitida por meio de ensino, mas com perda). Quando um cobot aprende uma tarefa por demonstração, essa habilidade é facilmente copiável para outros cobots (basta carregar o modelo treinado). Portanto, a empresa tem um incentivo irresistível: uma vez que o cobot aprendeu o suficiente, dispensar o trabalhador que o ensinou e replicar o modelo a custo marginal zero. A requalificação do trabalhador se converte, assim, em um investimento em sua própria obsolescência acelerada. É a figura trágica do professor que ensina ao aluno tudo o que sabe, e depois o aluno o demite. Só que aqui o aluno é uma máquina [12].

5. O argumento da complementaridade: resiste ao embate?

Os defensores do upskilling costumam brandir um argumento econômico sólido: a tecnologia não substitui empregos, mas tarefas; os humanos se reespecializam nas tarefas complementares que a máquina não pode fazer. Por exemplo, um contador que antes passava 70% de seu tempo calculando e registrando, agora, com planilhas automáticas, dedica esse tempo à análise estratégica e à consultoria fiscal. Isso é «complementaridade»: a máquina libera o humano para tarefas de maior valor agregado. Por que esse padrão não haveria de se repetir com a IA? [13]

A resposta é que a complementaridade requer duas condições. Primeira: que existam tarefas de valor que a máquina não possa realizar, nem agora nem em um futuro previsível. Segunda: que os humanos possam adquirir essas tarefas (deslocando sua atenção das tarefas automatizadas) com uma curva de aprendizado mais rápida que a curva de automação dessas mesmas tarefas. Ambas as condições estão se erodindo.

Quanto à primeira: a IA generativa e os agentes autônomos estão invadindo domínios que antes considerávamos exclusivamente humanos. Não apenas tarefas rotineiras, mas tarefas criativas (design de logotipos, composição musical, redação de roteiros), tarefas estratégicas (planejamento logístico, alocação de recursos), tarefas relacionais (atendimento ao cliente empático, negociação básica). A fronteira do «exclusivamente humano» recuou drasticamente. Segundo uma pesquisa com pesquisadores de IA realizada em 2025 pela Universidade de Oxford, 67% acreditam que a IA poderá realizar qualquer tarefa cognitiva que um humano realize em um prazo de 15 anos, e 34% acreditam que o prazo é de 8 anos [14].

Quanto à segunda: a velocidade de melhoria da IA é exponencial em muitos domínios, enquanto a velocidade de aprendizado humano é logarítmica. Portanto, mesmo que hoje existisse um nicho complementar não automatizável (por ex., a psicoterapia profunda), a máquina poderia aprender a fazê-lo (ou algo equivalente) antes que os humanos deslocados de outros setores se reconvertam a esse nicho. A metáfora do «humano que sobe a escada enquanto a máquina sobe de elevador» é cada vez mais precisa.

Um exemplo concreto: a programação de computadores. Até 2023, pensava-se que os programadores estariam entre os últimos a ser automatizados, porque a IA não conseguia raciocinar sobre sistemas complexos. Em 2025, sistemas como o Devin (da Cognition AI) e o Codex 2.0 já são capazes de escrever código completo para aplicações de médio porte, depurá-lo e implantá-lo, com supervisão humana mínima. A demanda por programadores juniores caiu 35% no Vale do Silício, e as projeções indicam que, até 2028, o papel de «programador» terá mutado para «especificador de requisitos e validador de código gerado por IA», um posto que requer habilidades diferentes e que provavelmente empregará 60% menos pessoas que o emprego original. A complementaridade aqui é real, mas quantitativamente pobre: para cada programador deslocado, surgem 0,4 posto de «especificador». E essa fração tende a diminuir [15].

Alternativas: jornada reduzida, tributação da automação e renda básica

6. Além do upskilling: propostas incômodas

Se a requalificação em massa não é a solução, o que fazer? Não respondo aqui com um programa completo (isso virá no artigo 5 desta série), mas adianto algumas linhas que rompem o tabu do pensamento único.

Primeira: reduzir a jornada de trabalho sem reduzir o salário, para distribuir o trabalho disponível entre mais pessoas. Isso não é upskilling, é work-sharing. Sua vantagem é que não exige que os trabalhadores adquiram novas competências; exige que a produtividade extra gerada pela IA se traduza em menos horas trabalhadas, não em demissões. Experiências-piloto na Bélgica (semana de 32 horas) e na Espanha (empresas aderentes a planos de redução) mostram resultados positivos em emprego e bem-estar, embora com resistências empresariais [16].

Segunda: tributar a automação para desacelerar seu ritmo em setores vulneráveis e financiar rendas de transição. Um «imposto sobre os robôs» (ou, mais precisamente, um imposto sobre a economia líquida de trabalho gerada pela automação) pode criar um incentivo para que as empresas automatizem em uma velocidade compatível com a absorção social. É polêmico, mas economistas como Lawrence Summers e Daron Acemoglu o defenderam em termos pragmáticos: melhor um imposto imperfeito do que uma catástrofe social [17].

Terceira: renda básica universal (RBU) financiada com taxas sobre a propriedade da IA e dos dados. Essa solução não pretende preservar o emprego como eixo da distribuição de renda, mas desvincular renda e trabalho. É a opção mais radical, mas também a mais coerente com a dissociação entre produtividade e emprego. Os experimentos de RBU na Finlândia (2017-2018) e na Califórnia (2021-2023) apresentaram resultados mistos, mas a escala era pequena. Uma RBU generalizada seria uma mudança civilizatória.

Nenhuma dessas opções passa por pedir ao trabalhador que estude mais e melhor. Por isso a requalificação é, no fundo, uma ideologia conservadora: responsabiliza o indivíduo por um problema sistêmico, isenta as corporações e o Estado de regular o ritmo tecnológico e perpetua a ficção de que, com esforço individual suficiente, todos podemos ganhar a corrida contra a máquina. Não é assim. A máquina corre mais rápido. E negá-lo é condenar milhões à frustração e ao esgotamento.

[1]: Fórum Econômico Mundial (2025). *The Future of Jobs Report 2025*, Insight Report, Genebra, pp. 45-51.

[2]: Murphy, L. & Taylor, P. (2024). «Learning to operate the operator: A case study of AI inventory systems in UK retail». *Work, Employment and Society*, 38(4), 891-910.

[3]: Ericsson, A. & Pool, R. (2016). *Peak: Secrets from the New Science of Expertise*. Boston: Houghton Mifflin Harcourt. Atualização de dados em Ericsson (2024) «Deliberate practice and AI», *Psychological Review*.

[4]: Radford, A. et al. (2025). «Scaling laws for fine-tuning large language models». *OpenAI Technical Report*; veja-se também Hoffmann, J. et al. (2024). «Training compute-optimal large language models», *arXiv:2203.15556* atualizado.

[5]: Korinek, A. (2025). «The labor displacement paradox: AI learning rates vs human learning rates». *Journal of Economic Perspectives*, 39(2), no prelo.

[6]: Comissão Europeia (2024). *Relatório de acompanhamento do Pacto para as Competências*. Bruxelas: DG Emprego. Dados orçamentários e de execução.

[7]: Fonte interna recuperada pelo *The Wall Street Journal* (2025). «AT&T’s $1.2 billion retraining gamble falls short». Reportagem de C. Mims, 12 de março de 2025.

[8]: MIT Task Force on the Work of the Future (2025). *Case study: AT&T workforce transformation*. MIT Press, pp. 88-112.

[9]: Instituto Internacional de Estudos do Trabalho (Genebra, 2025). *Meta-analysis of corporate upskilling programs in AI-exposed sectors*. ILO Publications, documento de trabalho nº 127.

[10]: Universal Robots (2024). *White Paper: Collaborative robotics and the future workforce*. Odense, Dinamarca.

[11]: Bauer, W. & Schlund, S. (2025). «When the cobot becomes the boss: A longitudinal study of competence transfer». *International Journal of Human-Computer Studies*, 185, 103234.

[12]: Autor, D. & Mindell, D. (2024). «The skill transfer paradox in AI-assisted automation». *MIT Work of the Future Paper* No. 45.

[13]: Brynjolfsson, E. & McAfee, A. (2014). *The Second Machine Age*. New York: W.W. Norton. Atualização em Brynjolfsson (2025) «Complementarity in the age of generative AI», *Management Science*.

[14]: Grace, K. et al. (2025). «When will AI exceed human performance? Evidence from AI experts». *arXiv:2501.08877*.

[15]: Cognition AI (2025). *Devin Technical Report*. San Francisco. E análise de demanda na empresa de análise Burning Glass (2025). *The disappearing junior developer*.

[16]: Eurofound (2025). *Working time reduction in the digital age: Case studies Belgium and Spain*. Publications Office of the European Union, Luxemburgo.

[17]: Acemoglu, D. & Restrepo, P. (2024). «Taxing automation: A pragmatic proposal». *NBER Working Paper No. 32145*, Cambridge, MA.

O Dr. Ricardo Petrissans Aguilar agradece a atenção do leitor e permanece aberto ao diálogo no Laboratório do Futuro, Montevidéu. A série fica à disposição para discussão, crítica e difusão (sempre citando a fonte). O futuro do trabalho não está escrito. Mas, se não o escrevermos juntos, outros o farão por nós –talvez com algoritmos.

*Montevidéu / Laboratório do Futuro, maio de 2026*

Dr. Ricardo Petrissans Aguilar

Diretor do Laboratório do Futuro