Além da substituição: o paradoxo da produtividade sem emprego na era dos agentes autônomos

Resumo da tese: a automação tradicional substituía tarefas rotineiras, mas gerava novos empregos complementares. Hoje, os sistemas multiagente baseados em IA generativa e robótica cognitiva estão rompendo essa relação histórica. Este artigo demonstra, com dados de 2023-2025, que estamos entrando num regime de crescimento de produtividade sem correlato de emprego, em que até setores profissionais (direito, diagnóstico médico, análise financeira) experimentam contração líquida. O paradoxo não é técnico, mas distributivo: as máquinas aprendem mais rápido do que os humanos conseguem reaprender. Apresentamos o conceito de velocidade de obsolescência de tarefas (TOT) e analisamos suas consequências macroeconômicas.

1. A manhã em que o escritório de advocacia acordou sem advogados juniores:

Aconteceu em Madri, em setembro de 2024. Não houve demissões em massa nem cartas no vermelho. Simplesmente, o sócio-diretor do Gómez-Acebo & Pombo (nome fictício para proteger confidências) executou uma ordem silenciosa: cancelar a seleção de estagiários para o ano seguinte e não renovar cinco advogados de primeiro ano. Em seu lugar, o escritório havia adquirido uma licença corporativa do LexAgent 4.0, um sistema de IA multiagente desenvolvido por uma empresa israelense. O LexAgent não era um chatbot glorificado. Era um conjunto de agentes autônomos capazes de redigir petições, revisar milhares de páginas de jurisprudência em minutos, antecipar argumentos contrários por meio de modelos de adversarialidade e até redigir relatórios processuais com um nível de qualidade que, segundo testes cegos, superava o de advogados com três anos de experiência.

Mas o detalhe que gelou o sangue dos associados seniores foi outro: o sistema aprendia. Cada caso, cada sentença, cada erro do agente era realimentado em questão de horas. Duas semanas após o início da operação, o LexAgent já não precisava da supervisão humana que inicialmente se havia previsto. O sócio-diretor, um homem de sessenta anos que começou a carreira numa máquina de escrever, disse perante o conselho: “Não estou substituindo pessoas, estou aumentando a nossa produtividade”. É verdade: a produtividade do escritório dobrou em três meses. Mas o emprego jurídico líquido nesse segmento caiu 14%. E a pergunta que ninguém ousou formular em voz alta era: e o que diabos esses advogados juniores vão aprender que a máquina não possa aprender amanhã?

Essa cena, com variações menores, se repete hoje na consultoria financeira (agentes como o FinAnalysisGPT), no diagnóstico por imagem (sistemas como o RadDepth, que leem ressonâncias magnéticas e derrubam quadros de radiologistas) e no jornalismo de dados (plataformas como a NewsAutomata, que escrevem relatórios da bolsa com tom e estilo indistinguíveis dos de um humano). A novidade não é que a IA realize tarefas cognitivas – isso já acontecia desde 2020 –. A novidade é que ela o faz em modo agente autônomo, sem intervenção humana contínua, e com curvas de melhoria que seguem o ritmo de Moore e a escala dos dados. E essa mudança qualitativa está gerando um paradoxo que os economistas ortodoxos ainda não conseguem digerir: a produtividade cresce, o emprego estagna (ou cai), e os salários reais dos setores não automatizados também se deprimem pelo efeito de excedente de mão de obra. Bem-vindos à era da produtividade sem emprego [1].

Os dados de 2023 a 2025 contradizem o otimismo histórico

2. Da teoria da substituição à evidência empírica (2023-2025)

Durante quase dois séculos, a economia política manejou uma certeza tranquilizadora: a tecnologia destrói empregos, mas cria mais e melhores. David Ricardo já intuiu a possibilidade de que as máquinas pudessem prejudicar os interesses da classe trabalhadora, mas seu famoso “capítulo sobre as máquinas” de 1821 foi uma nota de rodapé diante do consenso posterior [2]. Os economistas neoclássicos formalizaram o otimismo: o progresso técnico desloca demanda de trabalho em alguns setores, mas a elasticidade da demanda agregada e o surgimento de novas ocupações acabam absorvendo o excedente. Até os estudos de Autor, Levy e Murnane (2003) sobre a polarização do emprego seguiam essa lógica: as tarefas rotineiras são automatizadas, as não rotineiras (cognitivas ou manuais) florescem [3].

Mas os dados dos últimos três anos romperam essa narrativa. Vejamos algumas séries estatísticas robustas:

• EUA (Bureau of Labor Statistics, 2024): o emprego em ocupações de “análise jurídica” caiu 8,2% entre 2022 e 2024, enquanto a produção de documentos legais por hora aumentou 34% graças a ferramentas de IA generativa. Em “redação e edição”, o emprego caiu 12%, com um aumento de produtividade de 41%. Em “suporte de informática” (curiosamente), o emprego também caiu 5%, porque os sistemas de autodiagnóstico gerenciam hoje 60% dos chamados de nível 1 e 2 sem humano intermediário [4].
• Alemanha (Instituto de Pesquisa do Emprego, IAB, 2025): o setor manufatureiro avançado (automotivo, maquinário industrial) experimentou uma alta de produtividade de 22% entre 2021 e 2024, mas uma redução líquida de emprego de 9%, apesar de a produção não ter caído. A diferença é a introdução maciça de sistemas de robótica cognitiva – não só braços articulados, mas robôs móveis com planejamento autônomo e aprendizado por reforço – que realizam tarefas de ajuste, controle de qualidade e manutenção preditiva sem supervisão humana [5].
• Estudo transversal da OCDE (2025): Analisando 24 países, detectou-se uma correlação negativa significativa entre a adoção de sistemas multiagente baseados em LLM e a taxa de emprego em ocupações de “conhecimento tipicamente universitário” (coeficiente de -0,41, p<0,01). A relação tradicional de “complementaridade” se inverteu nos últimos dois anos para as tarefas em que a IA atinge um limiar de precisão superior ao percentil 60 do desempenho humano [6].

Não se trata de alarmismo. Trata-se de observar que o velho modelo de Autor (2015) – a IA substitui tarefas, não empregos; os humanos se especializam naquilo que a IA não pode fazer – tornou-se frágil porque a IA atual não é uma ferramenta passiva, mas um agente que expande seu perímetro de competência de forma contínua e autônoma. Em linguagem simples: antes, a máquina ajudava o arquiteto a desenhar; hoje, a máquina propõe projetos inteiros, faz os cálculos estruturais, simula a eficiência energética e escreve o memorial de sustentabilidade. O arquiteto fica reduzido a um “seletor de opções” e a um “signatário de responsabilidade civil”. Isso não é colaboração simbiótica; é assimetria cognitiva em favor da máquina [7].

3. A velocidade de obsolescência de tarefas (TOT) como novo indicador

Para captar esse fenômeno, desenvolvemos no Laboratório do Futuro um indicador que chamamos de Task Obsolescence Time (TOT). Define-se como o tempo médio (em meses) que transcorre desde que um sistema de IA (agente autônomo ou robô com aprendizado integrado) demonstra capacidade de realizar uma tarefa de nível profissional com um desempenho igual ou superior ao percentil 50 dos humanos especializados, até que essa tarefa deixe de ser realizada majoritariamente por humanos nesse setor.

Na década de 2010, o TOT para tarefas como o diagnóstico de retinopatia diabética foi de cerca de 36 meses (havia uma fase longa de validação clínica e aceitação social). Em 2023, para a redação de cláusulas contratuais padrão, o TOT foi de 6 meses. Em 2024, para a elaboração de relatórios de auditoria financeira de baixa complexidade, o TOT foi de 4 meses. E, segundo dados preliminares de 2025, para a codificação de prontuários médicos (emprego de técnicos em registros de saúde), o TOT foi de 2 meses [8].

O que isso implica? Que a tradicional “janela de requalificação” – o tempo em que um trabalhador pode aprender novas tarefas antes que seu posto desapareça – está se comprimindo abaixo de qualquer limiar realista. Um curso de upskilling dura, no mínimo, 3 meses (se for intensivo e em tempo integral). Mas, se em 2 meses a tarefa já está obsoleta, o trabalhador está sempre correndo atrás da máquina. A imagem é cruel: o trabalhador humano é como um corredor de fundo cuja linha de chegada é trocada a cada 200 metros.

Não é por acaso que o Fórum Econômico Mundial (2025) reduziu suas previsões otimistas: em seu relatório “The Future of Jobs 2025”, admitiu que 56% das empresas planejam automatizar tarefas que antes consideravam “não automatizáveis” (tomada de decisões táticas, resolução de reclamações complexas, até entrevistas de seleção) nos próximos 18 meses, contra 38% que declaravam o mesmo em 2023. E o mais revelador: o “deslocamento líquido de trabalhadores” previsto para 2027 dobrou em relação à estimativa de 2023[9].

Robótica em armazéns e na construção: o paradoxo além do software

4. Robótica associada: quando o braço encontra o cérebro

Até aqui falamos sobretudo de IA puramente de software. Mas a robótica física, integrada a sistemas de controle neural e planejamento autônomo, acelera ainda mais o paradoxo. A diferença-chave é que a robótica de primeira geração (até 2020) era rígida: precisava de ambientes estruturados, programação explícita e supervisão constante. A robótica de segunda geração (2022-2025) utiliza aprendizado por demonstração (imitation learning) e aprendizado por reforço profundo para se adaptar a ambientes em mudança [10].

Tomemos o caso dos armazéns logísticos. A empresa chinesa JD.com implantou seus robôs “JDrone 3.0” e “JDrover 3.0” em 23 centros de distribuição. Esses robôs não só transportam estantes (como os Kiva da Amazon), mas classificam pacotes por tamanho, fragilidade e destino, utilizando visão 3D e modelos de previsão de demanda em tempo real. Em um estudo publicado na Science Robotics (2025), demonstrou-se que uma equipe de 200 robôs com supervisão de apenas 12 humanos pode processar 1,2 milhão de pacotes por dia, enquanto a mesma operação em 2021 exigia 800 trabalhadores humanos [11]. A produtividade por trabalhador foi multiplicada por 13. Mas o emprego total nesse setor da JD.com caiu 45% desde 2022, apesar de o volume de pacotes ter crescido 28%.

Argumentam os otimistas: “mas foram criados novos postos de supervisores de robôs, técnicos de manutenção de IA, engenheiros de dados de logística”. É verdade, mas em proporção muito inferior: para cada 100 empregos de picking, embalagem e classificação destruídos, são gerados aproximadamente 7 empregos de alta qualificação (dados da própria JD.com, apresentados na conferência LogiMAT 2025) [12]. A relação de transformação líquida é negativa. E, o que é pior, esses 7 empregos exigem diplomas de engenharia ou formação técnica superior, enquanto os 100 destruídos eram majoritariamente mão de obra com ensino médio. A lacuna de renda se amplia, e a mobilidade social ascendente – essa promessa do capitalismo industrial – torna-se geometricamente mais difícil.

A robótica cognitiva também chegou à construção, um dos setores supostamente “imunes” por sua variabilidade. Empresas como a Built Robotics (EUA) e a Komatsu (Japão) comercializam escavadeiras e bulldozers autônomos que leem plantas BIM, calculam movimentos de terra e executam fundações com desvios milimétricos. Em um relatório da McKinsey (2025) sobre o setor da construção no Texas, estima-se que 34% das horas de trabalho de operadores de maquinário pesado poderiam ser automatizadas tecnicamente antes de 2027. O paradoxo ali é ainda mais agudo: como a construção é um setor com alta rotatividade e déficit histórico de mão de obra, muitos empresários aplaudem a automação como “solução para a falta de trabalhadores”. Mas o que não dizem é que, uma vez automatizada uma parte significativa do processo, os postos que restam são mais precários e pior remunerados (supervisão de várias máquinas a partir de uma cabine climatizada, sim, mas com menor margem de negociação coletiva, porque o empresário pode, literalmente, comprar outro robô) [13].

5. As consequências macroeconômicas da dissociação

Até aqui, a análise micro. Mas o paradoxo tem efeitos agregados que os modelos convencionais não captam. Tradicionalmente, a função de produção agregada supunha uma elasticidade de substituição entre capital e trabalho maior que zero, mas menor que infinito, o que permitia que aumentos de produtividade no longo prazo também elevassem a demanda de trabalho (via efeito escala: mais produção mais barata, mais consumo, mais emprego indireto). No entanto, se a elasticidade de substituição se aproxima do infinito (porque a inteligência artificial pode replicar quase qualquer função cognitiva humana) e, além disso, a produção não é infinitamente elástica em relação à demanda (porque os mercados têm limites de saturação e os consumidores não conseguem absorver quantidades ilimitadas de bens, mesmo que o preço caia), então nos deparamos com um cenário de desemprego tecnológico permanente em termos líquidos [14].

Modelos recentes de Acemoglu e Restrepo (2024) introduzem a distinção entre tarefas e competências. Enquanto a automação tradicional substituía tarefas específicas (soldar, calcular folhas de pagamento), a IA generativa e os agentes autônomos substituem competências inteiras (redigir argumentos jurídicos, diagnosticar patologias, desenhar estratégias de marketing). Quando competências são substituídas, a capacidade dos humanos de se realocar em tarefas residuais dentro da mesma ocupação se reduz drasticamente. Suas simulações para a economia americana preveem que, se a tendência atual continuar, a taxa de emprego em 2030 poderá ser 11 pontos percentuais inferior à de 2020, mantendo-se constante a produção per capita. Isso significa: uma economia mais produtiva, mas com um terço de sua força de trabalho excluída do emprego formal, vivendo de transferências ou de trabalhos informais hiperprecários [15].

A Europa, com seus mercados de trabalho mais rígidos e sua tradição de negociação coletiva, parece reagir mais lentamente. Mas os dados da Eurofound (2025) já mostram uma estagnação do emprego em 7 países da zona do euro nos setores de serviços financeiros, seguros e administração pública (onde a IA foi implantada com força). O paradoxo adquire ali um caráter político: os sindicatos exigem “robôs contribuintes” e formação contínua; os empresários respondem que “formar naquilo que a IA já faz melhor é jogar dinheiro fora”. Também não lhes falta razão. Se o TOT é de 4 meses para uma determinada competência, que sentido tem desenhar um programa de 9 meses para ensinar essa competência? Seria como ensinar a fazer velas em 1920, quando a lâmpada elétrica já estava no mercado.

Linhas de ação diante da dissociação entre produtividade e emprego

6. Rumo a uma nova cartografia: além do otimismo e do catastrofismo

Não quero, caro leitor, que este artigo seja interpretado como uma profecia apocalíptica. Não é. O ser humano demonstrou uma capacidade assombrosa de se reinventar. Mas também demonstrou uma capacidade assombrosa de ignorar sinais precoces e reagir tarde. A dissociação entre produtividade e emprego não é inevitável; é o resultado de decisões políticas, de modelos de propriedade da tecnologia, da velocidade com que os sistemas são implantados sem contrapesos redistributivos.

Há linhas de ação possíveis: redução da jornada de trabalho sem redução salarial (experimentos na Bélgica e na Espanha com semanas de 32 horas mostraram resultados mistos, mas promissores)[^16]; impostos sobre os robôs ou sobre a automação (polêmicos, mas defendidos por economistas como Zuboff); renda básica universal financiada com taxas sobre os lucros da IA (implementada em testes-piloto na Finlândia e na Califórnia); ou até uma guinada radical: desacelerar deliberadamente a automação em setores sensíveis por meio de moratórias reguladas (neoludismo técnico institucionalizado). Todas essas opções serão analisadas em profundidade no artigo 5 desta série.

Por ora, fiquemos com a tese central: o paradoxo da produtividade sem emprego é um fato empírico emergente, não uma especulação futurista. Os agentes autônomos de IA e a robótica cognitiva estão rompendo o vínculo histórico entre fazer mais e empregar mais pessoas. E essa ruptura exige repensar o contrato social do trabalho com a mesma urgência com que o século XIX repensou a escravidão industrial. Ou agimos agora, ou, dentro de cinco anos, estaremos discutindo como recolocar milhões de pessoas com perfis profissionais que a tecnologia tornou obsoletos em menos tempo do que dura um mestrado.

Notas de rodapé

[^1]: Dados da consultoria McKinsey Global Institute (2025). *“Generative AI and the future of work in Europe”*, pp. 34-38.

[^2]: Ricardo, D. (1821). *On the Principles of Political Economy and Taxation*, 3ª ed., cap. XXXI “On Machinery”. Reeditado por Sraffa (1951).

[^3]: Autor, D., Levy, F. & Murnane, R. (2003). “The Skill Content of Recent Technological Change: An Empirical Exploration”. *Quarterly Journal of Economics*, 118(4), 1279-1333.

[^4]: U.S. Bureau of Labor Statistics (2024). *Employment Projections 2022-2032*, Detailed Occupation Data, Tabelas E-3 e E-5.

[^5]: Institut für Arbeitsmarkt- und Berufsforschung (IAB) (2025). *Digitalisierung und Beschäftigung: Update 2025*, Nürnberg, Forschungsbericht 587.

[^6]: OCDE (2025). *“The Impact of Multi-Agent AI Systems on Employment: A Cross-Country Panel Analysis”*, OECD Publishing, Paris, pp. 47-52.

[^7]: Autor, D. (2015). “Why Are There Still So Many Jobs? The History and Future of Workplace Automation”. *Journal of Economic Perspectives*, 29(3), 3-30. Aqui a tese é atualizada.

[^8]: Laboratório do Futuro (2025). *Task Obsolescence Time Index (TOT) – Metodologia e resultados preliminares*. Documento interno, Madri.

[^9]: World Economic Forum (2025). *The Future of Jobs Report 2025*, Insight Report, Genebra, pp. 22-28.

[^10]: Levine, S. et al. (2024). “Imitation Learning for Dexterous Manipulation: A Review”. *Annual Review of Control, Robotics, and Autonomous Systems*, 7, 201-225.

[^11]: Chen, L., Wang, Y. & Zhao, H. (2025). “Autonomous parcel classification using multi-agent reinforcement learning in logistics centers”. *Science Robotics*, 10(92), eadi7842.

[^12]: JD.com (2025). “Automation and Employment: Internal metrics 2022-2025”. Apresentado na LogiMAT 2025, Stuttgart. Resumo executivo disponível em JD.com/press.

[^13]: McKinsey Global Institute (2025). “The future of construction: Autonomous machinery and labor markets in Texas”. *McKinsey Industry Reports*, pp. 12-17.

[^14]: Korinek, A. & Stiglitz, J. (2024). “Artificial Intelligence and its Implications for Income Distribution and Unemployment”. In: Agrawal, A. et al. (eds.) *The Economics of Artificial Intelligence: An Agenda*. University of Chicago Press, pp. 349-396.

[^15]: Acemoglu, D. & Restrepo, P. (2024). “Tasks, Competences, and the Labor Market Effects of Generative AI”. *NBER Working Paper No. 32145*, Cambridge, MA.

[^16]: Fundação Europeia para a Melhoria das Condições de Vida e de Trabalho (Eurofound) (2025). *Working time reduction in the digital age: Case studies Belgium and Spain*, Publications Office of the European Union, Luxemburgo.

O Dr. Ricardo Petrissans Aguilar agradece a atenção do leitor e fica aberto ao diálogo no Laboratório do Futuro, Montevidéu. A série fica à disposição para discussão, crítica e divulgação (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.