A onda de desemprego por IA não chegou, e o motivo não é falta de adoção

Em junho, a taxa de desemprego nos Estados Unidos ficou em 4,2%, perto do pleno emprego. Isso inclui as funções mais expostas à inteligência artificial. Não é o número que a maioria dos executivos esperava depois de três anos ouvindo que a IA ia esvaziar escritórios inteiros.

A explicação mais confortável seria que a adoção ainda é pequena. Os dados apresentados por Peter McCrory, responsável pela área de economia da Anthropic, dizem o contrário. Cerca de 20% das empresas já usam IA em pelo menos uma função. No setor de informação, são 40%. A produção de IA, ajustada por qualidade, cresceu mais de 2.000% por ano em 2024 e 2025. A escala já existe, e o efeito esperado sobre o desemprego, até aqui, não apareceu.

Isso importa porque a maioria das decisões de estrutura organizacional tomadas nos últimos dois anos partiu de um raciocínio simples: a IA faz tarefas, tarefas compõem cargos, logo tarefas automatizadas significam cargos eliminados. O raciocínio é limpo, fácil de apresentar em conselho e continua errando a previsão. Entender por que ele erra é a diferença entre reorganizar uma empresa e desmontá-la.

Cargos não são pacotes fixos de tarefas

Quando uma parte do trabalho passa para a máquina, o cargo não desaparece. Ele se recompõe em volta do que sobrou.

Um analista de crédito que antes gastava metade da semana montando planilhas, checando documentos e escrevendo pareceres padronizados não vira meio analista quando essa metade é automatizada. Ele passa a analisar mais casos, a olhar as exceções que antes ficavam na fila e a discutir política de risco com quem toma a decisão final. A pessoa continua ocupada, mas o conteúdo do dia mudou.

Os dados sustentam essa leitura. Nenhuma ocupação do banco de dados O*NET tem todas as suas tarefas sistematicamente absorvidas pelo Claude. E entre 81 mil usuários analisados, o ganho mais citado foi de escopo: pessoas fazendo mais coisas, com mais proficiência. Redução de trabalho não foi o padrão dominante.

Para quem decide orçamento, essa distinção é decisiva. Automatizar tarefas gera capacidade adicional. Transformar essa capacidade em corte de custo exige que a empresa decida ativamente não usar o escopo que acabou de ganhar.

O retorno da experiência subiu, não caiu

O exemplo mais concreto vem de um estudo de sete meses sobre o uso do Claude Code. A expectativa razoável era que a programação com agentes nivelasse o campo: se o agente escreve o código, a vantagem de quem tem vinte anos de experiência encolhe.

Aconteceu o oposto. Pessoas com conhecimento mais profundo do domínio conseguem delegar melhor para o agente, acertam mais na primeira tentativa e se recuperam melhor quando o agente erra. O retorno do trabalho rotineiro de codificação caiu, e o retorno do julgamento subiu.

Isso faz sentido quando se olha o que o agente exige da pessoa. Ele precisa de um problema bem formulado, de contexto sobre o sistema em volta e de alguém capaz de perceber rápido que a saída está plausível mas errada. Nada disso é habilidade de ferramenta. É experiência acumulada em um domínio específico.

O mesmo mecanismo aparece fora da engenharia. Em jurídico, em compras, em precificação, em atendimento complexo, o agente produz volume. Quem sabe distinguir uma resposta correta de uma resposta convincente define se aquele volume ajuda a empresa ou cria passivo.

A pressão aparece nas vagas de entrada, não nas demissões

Se o desemprego não subiu, isso não significa que nada esteja acontecendo com o trabalho. Significa que a pressão está em outro lugar.

Ela aparece como menos vagas de entrada abertas, reposição mais lenta quando alguém sai e expectativa maior sobre cada pessoa que fica. As taxas de contratação de trabalhadores jovens em funções expostas à IA enfraqueceram. McCrory é cuidadoso nesse ponto: parte disso se explica pelo mercado de trabalho americano atual, que contrata pouco e demite pouco, independentemente de IA.

Ainda assim, o padrão merece atenção porque se acumula com o tempo. Uma empresa que congela contratação júnior por três anos não sente o impacto no próximo trimestre. Sente daqui a cinco anos, quando precisar de gente com experiência suficiente para julgar bem e descobrir que não formou ninguém. O júnior de hoje é o profissional que, em 2031, vai saber quando o agente está errado.

O próprio McCrory delimita o alcance do argumento: ele fala do próximo ano, não da próxima década. À medida que os agentes ficam mais capazes, e à medida que a IA começa a contribuir para a própria inovação, esse padrão pode mudar. Tratar a estabilidade atual como estado permanente seria o erro simétrico ao pânico.

A pergunta que muda a decisão de orçamento

A pergunta que circula em conselho hoje é quanto quadro de pessoal a IA permite cortar. Ela produz um número rápido e uma decisão frágil. A pergunta mais útil é outra: a IA está sendo gerenciada como programa de redução de pessoal ou como forma de ampliar o que as pessoas experientes conseguem assumir?

Os dados até aqui favorecem a segunda leitura. E há um indicador simples para acompanhar internamente. Em vez de medir apenas quantas horas foram economizadas, medir o que passou a caber na semana de trabalho de quem antes não tinha tempo. Se a resposta for "nada, só sobrou tempo", a empresa capturou eficiência e não mudou nada de estrutural.

Quem trata a IA como corte de custo pode descobrir, tarde, que eliminou exatamente o tipo de experiência que os agentes tornaram mais valiosa. A capacidade de perceber que a resposta está errada não se contrata com urgência. Ela se acumula por anos, dentro da própria operação.