Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.
Como os índices de risco de emprego por IA são calculados importa mais do que o número da manchete. O projeto de Karpathy, o Goldman Sachs, o Fundo Monetário Internacional (FMI) e a Anthropic usam construções diferentes de “exposição”, portanto seus percentuais não são intercambiáveis.
A mesma ocupação pode receber pontuações muito diferentes dependendo do método por trás, e nenhuma dessas medidas, sozinha, diz se você vai perder o emprego.
TL;DR
- Os números públicos de “risco de emprego por IA” não são uma métrica única. Muitos partem da exposição teórica baseada nas habilidades ou tarefas do cargo, enquanto a Anthropic também mede o uso observado de IA; pesquisas com empregadores, como a do Fórum Econômico Mundial, usam ainda outro instrumento.
- Medidas teóricas e medidas de uso observado podem divergir muito para a mesma ocupação. Na comparação da Anthropic de março de 2026, a medida teórica de Eloundou et al. colocou as tarefas de computação e matemática em 94% de exposição, enquanto a medida de exposição observada da Anthropic chegou a 33%.
- Um estudo revisado por pares publicado em 2025 na PNAS Nexus comparou doze índices de exposição com o risco de desemprego e descobriu que o melhor índice individual explicava sozinho 10,7% da variação; combinar os doze elevava esse valor para 29,8%.
- Antes de confiar no próximo número de “risco de emprego por IA” que você vir, a pergunta útil é qual método o produziu, não apenas o que o número diz.
O Que Este Artigo Não Aborda
Este artigo explica um mecanismo, não dá um veredicto sobre nenhum emprego específico, então algumas perguntas próximas ficam fora do seu escopo:
- Ele não classifica quais ocupações são as mais seguras ou as mais ameaçadas. Isso é outro tipo de texto.
- Ele não analisa as tendências atuais de contratação por idade ou senioridade; esses resultados do mercado de trabalho precisam de uma base de evidências separada dos índices de exposição.
- Ele não prevê para onde vai a capacidade da IA. A questão metodológica se mantém independentemente de quão bons os modelos futuros ficarem.
Como funciona a pontuação de exposição teórica: O*NET, AIOE, Goldman Sachs e o FMI
O índice AI Occupational Exposure, conhecido como AIOE, cruza dez categorias de aplicações de IA com 52 habilidades ocupacionais do O*NET. Uma matriz construída por crowdsourcing avalia o quanto cada aplicação de IA se relaciona com cada habilidade humana, e a pontuação é então ponderada pela prevalência e importância dessas habilidades numa dada ocupação. Os economistas Edward Felten, Manav Raj e Robert Seamans publicaram o método no Strategic Management Journal em 2021. Ele se tornou uma base influente para tentativas posteriores de medir a exposição ocupacional à IA.
O ponto importante do AIOE é que ele mede exposição, não adoção. Ele estima o quanto os avanços em aplicações de IA se sobrepõem às habilidades que uma ocupação exige; não diz se os empregadores estão usando IA ali, se a adoção compensa economicamente ou se o emprego vai cair.
O FMI adaptou a medida de exposição de Felten, Raj e Seamans numa nota de discussão da equipe técnica de janeiro de 2024 e a combinou com um índice de complementaridade separado, que capta o quanto uma ocupação está protegida da substituição total por fatores como julgamento humano, contexto social e presença física. Com esse arcabouço, o FMI estimou que quase 40% do emprego global está em ocupações de alta exposição, chegando a cerca de 60% nas economias avançadas.
A análise do Goldman Sachs de abril de 2026 dá um passo semelhante: combina um índice anterior de substituição por IA com o índice de complementaridade dos economistas do FMI para separar a substituição provável da ampliação. O Goldman estima um freio líquido de cerca de 16.000 empregos por mês no crescimento das folhas de pagamento dos EUA no último ano, enquanto ocupações com potencial de ampliação por IA acrescentaram cerca de 9.000 empregos por mês.
Nota: O relatório Future of Jobs do Fórum Econômico Mundial projeta 92 milhões de empregos deslocados e 170 milhões criados até 2030, mas não é construído da mesma forma. Ele vem de uma pesquisa com mais de 1.000 empregadores relatando as mudanças de quadro que esperam: uma autodeclaração dos empregadores, não uma pontuação por decomposição de tarefas. Dois instrumentos estruturalmente diferentes acabam citados na mesma frase de “X milhões de empregos”.
Como a Anthropic mede a “exposição observada” de forma diferente
O Economic Index da Anthropic, publicado pela primeira vez em fevereiro de 2025, parte de um tipo de dado completamente diferente: cerca de um milhão de conversas reais do Claude.ai, processadas por uma ferramenta interna chamada Clio que mapeia cada conversa para uma tarefa específica no mesmo banco de dados O*NET de onde os índices por decomposição de tarefas partem, sem que um pesquisador leia o chat subjacente. Onde o AIOE pergunta se a IA poderia plausivelmente fazer uma tarefa, o Index pergunta o que as pessoas estão pedindo que ela faça. Esse primeiro relatório dividiu as conversas em 57,4% de ampliação, em que o Claude ajuda enquanto uma pessoa ainda dirige o trabalho, contra 42,6% de automação, em que o Claude efetivamente faz a tarefa do início ao fim.
Em seu acompanhamento de março de 2026, a Anthropic transformou esses dados de uso numa nova medida de “exposição observada”. Ela parte das tarefas do O*NET e das estimativas teóricas de exposição de tarefas de Eloundou et al. (2023), e só conta uma tarefa como coberta quando ela aparece com frequência suficiente no uso profissional do Claude. Usos totalmente automatizados recebem peso integral, usos de ampliação recebem metade do peso, e a cobertura de tarefas é ponderada pela parcela de tempo que os trabalhadores dedicam a cada tarefa. Nas ocupações de computação e matemática, a medida teórica β de Eloundou et al. chega a 94% das tarefas, enquanto a medida de exposição observada da Anthropic chega a 33%. A diferença não é uma contradição: uma mede a viabilidade técnica, a outra acrescenta adoção e uso observados.
Nem todo mundo que lê os próprios relatórios da Anthropic aceitou a comparação sem questionar. Reagindo a um relatório relacionado de janeiro de 2026, um comentarista do Hacker News escreveu: “Eu esperava ver medidas da produtividade econômica gerada pelo uso de inteligência artificial. Em vez disso, o que estou vendo são medidas do uso de inteligência artificial.” É uma distinção que vale guardar: volume de uso e produtividade econômica não são a mesma coisa, e nenhum dos dois é a mesma coisa que perda de emprego.
Esse relatório de janeiro de 2026, a própria atualização sobre primitivas econômicas da Anthropic, mostra que a divisão entre ampliação e automação havia mudado de novo: a ampliação à frente com 52% das conversas contra 45% de automação, junto com um novo arcabouço de cinco partes que acompanha complexidade da tarefa, habilidades, caso de uso, autonomia da IA e sucesso da tarefa. Trate isso como um novo retrato de um índice em evolução, não como uma contradição dos números de fevereiro de 2025. Os padrões de uso mudam à medida que as pessoas encontram coisas novas que vale a pena delegar.
Um valor de exposição teórica de 94% e um valor de exposição observada de 33% podem descrever a mesma categoria ocupacional sem se contradizer, porque medem coisas diferentes.
Por que “exposição” não é a mesma coisa que “perda de emprego”
“Indicadores de exposição revelam suscetibilidade tecnológica, não resultados do mercado de trabalho.”
Organização Internacional do Trabalho, abril de 2026
Um índice de exposição teórica e um índice de exposição observada captam ambos algo real sobre a relação de um emprego com a capacidade da IA. Nenhum dos dois diz se esse emprego ainda existirá no ano que vem.
Em 2025, Morgan Frank, Yong-Yeol Ahn e Esteban Moro testaram essa lacuna com dados de desemprego dos EUA. Eles compararam doze índices de exposição publicados com o risco mensal de desemprego por ocupação e estado, construído a partir dos registros estaduais do seguro-desemprego. O melhor índice individual explicou 10,7% da variação do risco de desemprego entre ocupações, estados e meses; o conjunto dos doze índices explicou 29,8%. Um modelo de base usando requisitos de habilidades da ocupação, escolaridade, estado, ano e sazonalidade explicou 57,4%, e acrescentar o conjunto de índices de exposição elevou esse valor para 75,5%.
Em termos simples, um único índice de exposição é um preditor fraco do risco de desemprego. Uma parte muito maior da variação está associada à estrutura do mercado de trabalho que o índice não contém, incluindo requisitos de habilidades, escolaridade, geografia e sazonalidade.
| Dimensão | Exposição teórica / baseada em tarefas | Exposição observada (Anthropic) |
|---|---|---|
| O que mede | Quanto de um emprego a IA poderia potencialmente afetar ou acelerar | Quais tarefas teoricamente viáveis aparecem no uso profissional do Claude |
| Quem usa | Usada em vários arcabouços de exposição acadêmicos e institucionais | A Anthropic, para o uso do seu próprio Claude.ai |
| Fonte dos dados | Componentes de cargos do O*NET mais avaliações de capacidade de IA específicas de cada método | Uso do Claude mais tarefas do O*NET e viabilidade teórica |
| O que capta bem | Onde a capacidade da IA poderia potencialmente afetar o trabalho | Adoção observada e como o trabalho é delegado ao Claude |
| O que deixa passar | Demanda, custo, regulação e se alguém se dá ao trabalho | Uso fora do Claude; reflete os usuários de um único produto |
| Valor de exemplo | Computação e matemática: 94% teórico (Eloundou et al.) | Computação e matemática: 33% observado |
Publicado em abril de 2026, o AI Jobs Transition Framework da OpenAI faz a mesma observação de outro ângulo. Em vez de tratar a exposição técnica como uma previsão de substituição, ele faz três perguntas: a IA consegue executar uma parcela significativa das tarefas de uma ocupação, uma pessoa continua central para entregar ou supervisionar o trabalho, e custos mais baixos poderiam aumentar a demanda o suficiente para absorver o ganho de produtividade? Aplicado a 921 ocupações que cobrem cerca de 148 milhões de empregos nos EUA, o arcabouço coloca cerca de 18% dos empregos na categoria de maior risco de automação, 24% em empregos que devem se reorganizar, 12% em empregos que podem crescer com a IA e 46% em empregos com menos mudanças imediatas esperadas.
No estudo da PNAS Nexus, o índice de exposição individual mais forte explicou sozinho 10,7% da variação do risco de desemprego.
Então, quando o próximo número de “risco de emprego por IA” aparecer no seu feed, o movimento útil é descobrir qual desses métodos o produziu antes de decidir se deve se preocupar. Um índice de exposição teórica diz onde a capacidade da IA se sobrepõe aos componentes de um emprego. Um índice de exposição observada acrescenta evidências sobre onde as pessoas já estão usando IA na prática. Nenhum dos dois, sozinho, diz se o emprego nessa ocupação vai subir ou cair; isso exige evidências do mercado de trabalho sobre contratações, demanda, salários e quadro de pessoal.
Perguntas frequentes
A exposição de um emprego à IA é a mesma coisa que perda de emprego?
Não. A exposição teórica descreve onde a capacidade da IA se sobrepõe ao trabalho de um cargo, enquanto a exposição observada acrescenta evidências sobre onde a IA está sendo usada na prática. Nenhuma é uma medida direta de perda de emprego. Um estudo revisado por pares de 2025 testou isso diretamente confrontando doze índices de exposição com dados reais de pedidos de seguro-desemprego nos EUA: o melhor índice individual explicou sozinho 10,7% da variação do risco de desemprego.
Como o risco de emprego por IA é realmente calculado?
Vários métodos estão por trás dos números rotulados como “risco de emprego por IA”. Os métodos de exposição teórica decompõem as ocupações em habilidades ou tarefas do O*NET e pontuam o quanto as capacidades da IA se sobrepõem a elas; o método exato de pontuação varia conforme o estudo. A abordagem de exposição observada da Anthropic combina a viabilidade teórica das tarefas com o uso real do Claude, o contexto de trabalho e o grau de automação. Os números resultantes diferem porque medem estágios diferentes entre a possibilidade técnica e a adoção no mundo real.
Por que rankings diferentes de risco de emprego por IA discordam sobre o mesmo emprego?
Em parte porque são construídos sobre métodos estruturalmente diferentes (decomposição de tarefas, pesquisa com empregadores e uso observado respondem a perguntas diferentes), e em parte porque até um mesmo método muda com o tempo. O próprio Economic Index da Anthropic colocou a ampliação em 57,4% das conversas do Claude em fevereiro de 2025 e em 52% em seu relatório de janeiro de 2026, com a automação se movendo na mesma proporção. Um retrato de uma data não é uma lei fixa.
Um índice alto de exposição à IA significa que meu emprego está desaparecendo?
Não por si só. Andrej Karpathy, que tirou do ar seu próprio projeto viral de exposição à IA em março de 2026, escreveu diretamente no próprio README que as pontuações são “estimativas grosseiras de um LLM… não previsões rigorosas” e que empregos de alta exposição serão mais frequentemente “remodelados, não substituídos”. A comparação da Anthropic torna a distinção visível: em computação e matemática, a medida teórica de Eloundou et al. chega a 94%, enquanto a medida de exposição observada da Anthropic chega a 33%. Um número alto numa escala de capacidade não é a mesma coisa que um emprego sendo tomado pela máquina.
Discussão
Comentários
Inicie sessão para participar na discussão.