IA substitui funcionários ou aumenta trabalhadores?
A mesma IA pode automatizar uma tarefa, multiplicar a capacidade de um profissional e criar novas funções de supervisão. Os dados de 2026 mostram que o resultado depende do desenho do trabalho.
A Era da Inteligência
IA substitui funcionários ou aumenta trabalhadores?
No capítulo anterior de A Era da Inteligência, eu cheguei a uma conclusão que parece contraditória: os dados ainda não mostram uma onda geral de desemprego causada pela IA, mas já existem sinais de pressão em partes específicas do mercado — sobretudo na contratação de entrada em ocupações onde a tecnologia consegue automatizar tarefas.
No primeiro capítulo da série, eu também argumentei que é preciso separar transformação tecnológica de narrativa financeira. Aqui precisamos fazer outra separação:
uma tecnologia pode substituir trabalho humano em uma etapa e, no mesmo processo, aumentar muito a capacidade do trabalhador que continua responsável pelo resultado.
Por isso, “a IA substitui funcionários ou aumenta trabalhadores?” é uma pergunta mal formulada quando tratada como escolha binária.
A resposta mais precisa é:
a IA substitui tarefas quando elas são delimitadas, repetíveis e verificáveis; aumenta trabalhadores quando contexto, julgamento, integração e responsabilidade continuam valendo mais que a execução bruta; e cria supervisão quando a automação avança mais rápido do que nossa capacidade de confiar nela sem controle.
A mesma empresa pode ter os três movimentos acontecendo ao mesmo tempo.
É isso que os dados de 2026 começam a deixar mais visível.
O dado empresarial mais útil: augmentation ainda é mais comum que corte de emprego
Um working paper do NBER publicado em abril de 2026 usa o suplemento de IA da pesquisa Business Trends and Outlook Survey, do U.S. Census Bureau, para observar adoção em empresas americanas.
Os números ajudam a colocar a discussão em escala.
Entre novembro de 2025 e janeiro de 2026:
- 18% das empresas usavam IA em pelo menos uma função;
- ponderando pelo emprego, a presença chegava a 32%;
- entre as empresas adotantes, o uso ainda era relativamente concentrado em poucas funções;
- 66% relatavam uso de IA para augmentation de tarefas;
- reduções de emprego atribuídas à IA apareciam em apenas 2% dos casos.
O estudo também encontrou uma diferença importante entre uso da IA pelo trabalhador e implantação operacional da IA pela empresa.
Uso em tarefas individuais — escrever, pesquisar, analisar documentos — não aparecia associado a redução de emprego quando os autores controlavam outras dimensões.
Já implantação funcional mais profunda e investimento operacional estavam associados a quedas de emprego em algumas especificações.
Isso sugere que existe uma diferença econômica enorme entre:
dar IA para um funcionário
↓
o funcionário produz mais
e
redesenhar um processo para que a IA execute etapas inteiras
↓
a empresa precisa de menos trabalho humano naquela etapa
A ferramenta pode ser a mesma.
O desenho organizacional é que muda.
“Automação” e “augmentation” não são propriedades fixas do modelo
É tentador imaginar que um modelo de IA seja “automático” ou “assistivo”.
Na prática, isso depende da forma como o sistema é usado.
A Anthropic acompanha esse ponto no Economic Index classificando interações em modos de colaboração.
Nos dados publicados em março de 2026, o uso de Claude.ai ficou ligeiramente mais orientado a augmentation. No tráfego de API empresarial, a parcela de uso automatizado caiu de forma relevante em relação à coleta anterior.
Isso é interessante porque a evolução não foi uma linha reta.
Em relatórios anteriores, o aumento de capacidade dos modelos parecia empurrar mais interações para delegação direta. Depois, usuários mais experientes voltaram a usar o modelo de forma mais colaborativa em vários contextos.
A própria Anthropic observa que usuários mais experientes tendem a:
- iterar mais;
- trazer tarefas mais complexas;
- usar IA mais em trabalho real;
- alcançar mais sucesso;
- e manter uma interação mais colaborativa.
A interpretação que faço é simples:
quando a tarefa fica mais importante, o profissional não necessariamente desaparece; muitas vezes ele sobe um nível na cadeia.
Sai de:
executar cada passo
para:
formular
→ delegar
→ revisar
→ decidir
→ integrar
→ responder pelo resultado
Isso continua sendo trabalho.
Só não é o mesmo trabalho.
O mercado já parece distinguir os dois modelos
A atualização de agosto de 2026 do Stanford Digital Economy Lab adiciona uma peça importante.
Os pesquisadores não encontraram deslocamento generalizado de empregos em toda a economia.
Mas, entre jovens de 22 a 25 anos em ocupações altamente expostas à IA, o emprego ficou cerca de 19% abaixo do contrafactual construído a partir de ocupações menos expostas.
Mais relevante para este capítulo: as quedas se concentraram em ocupações nas quais o uso da IA tende mais para automação.
Nas ocupações em que o uso aparece mais como complemento ao trabalhador, o emprego ficou estável ou cresceu, especialmente entre profissionais mais experientes.
Isso não prova que toda vaga de augmentation está protegida.
Também não prova que toda vaga de automação vai desaparecer.
Mas é um sinal coerente com uma hipótese econômica importante:
quando a IA reduz o custo de uma tarefa que continua complementar ao julgamento humano, a produtividade pode aumentar a demanda pelo trabalhador; quando ela substitui diretamente o resultado pelo qual o trabalhador era contratado, a pressão sobre a quantidade de trabalho tende a ser maior.
É a velha diferença entre complemento e substituto, agora aparecendo em sistemas capazes de executar trabalho cognitivo.
A mudança pode acontecer antes de aparecer no salário ou nas horas
Outro estudo do NBER ajuda a enxergar o que acontece dentro da empresa antes de a mudança aparecer nos indicadores agregados.
Pesquisadores acompanharam adoção de chatbots de IA em ocupações expostas na Dinamarca e ligaram pesquisas de uso a registros administrativos.
Na revisão de março de 2026, eles encontraram efeitos praticamente nulos sobre salários e horas trabalhadas nos dois primeiros anos depois do lançamento do ChatGPT — e conseguiram rejeitar efeitos maiores que cerca de 2% nesse período.
Se olhássemos só para salário e jornada, poderíamos concluir que quase nada mudou.
Mas mudou.
Os empregadores reorganizaram tarefas e passaram a criar trabalho novo ligado a:
- geração de conteúdo com IA;
- supervisão da IA;
- integração da IA nos processos;
- adaptação de rotinas;
- coordenação entre pessoas e sistemas.
Esse é um ponto central desta série.
o mercado de trabalho pode mudar por dentro antes de mudar por fora.
A função continua com o mesmo nome.
O salário continua parecido.
A jornada continua parecida.
Mas a composição do trabalho já não é a mesma.
A autonomia dos agentes está crescendo rápido
Também não podemos usar os dados atuais de augmentation como garantia de que a proporção permanecerá igual.
Os agentes estão ganhando capacidade de executar tarefas mais longas.
Em junho de 2026, a OpenAI publicou uma análise de uso do Codex mostrando que, em maio, 70,2% da amostra de usuários individuais haviam feito pelo menos uma solicitação estimada como equivalente a mais de uma hora de trabalho humano.
25,6% haviam feito pelo menos uma solicitação estimada acima de oito horas.
Esses tempos são estimativas feitas por modelo, não cronômetros de trabalho humano real, então precisam ser tratados como direcionais.
Ainda assim, o sinal é claro:
o horizonte de delegação está crescendo.
Antes, a IA completava uma frase.
Depois, uma função.
Depois, um arquivo.
Agora, agentes passam minutos ou horas:
- navegando em repositórios;
- alterando vários arquivos;
- rodando testes;
- consultando ferramentas;
- fazendo análise;
- iterando até um critério de conclusão.
Isso aumenta o espaço para automação.
Mas aumenta também a importância da pergunta: quem define o critério de conclusão e quem verifica se o resultado está realmente certo?
Human-in-the-loop não é freio; é arquitetura econômica
“Human-in-the-loop” costuma aparecer como expressão de segurança.
Eu acho mais útil tratá-la também como uma decisão de arquitetura e de custo.
Uma empresa pode organizar trabalho com IA em pelo menos três modelos.
1. Automação direta
A IA recebe uma entrada e entrega a saída sem revisão humana obrigatória.
Faz sentido quando a tarefa tem:
- regra clara;
- baixa ambiguidade;
- resultado fácil de verificar automaticamente;
- baixo custo de erro;
- grande volume;
- pouco contexto fora do sistema.
Exemplo simples:
entrada estruturada
↓
classificação automática
↓
regra determinística valida
↓
ação de baixo risco
Aqui, colocar uma pessoa revisando 100% das saídas pode destruir a vantagem econômica.
2. Augmentation
A IA produz uma parte do trabalho, mas a pessoa continua conduzindo a tarefa.
É forte quando existe:
- contexto difícil de codificar;
- negociação;
- julgamento;
- adaptação;
- necessidade de entender exceções;
- responsabilidade profissional;
- integração de várias fontes.
Um desenvolvedor usando um agente para preparar um diff é um exemplo.
A IA pode escrever muito código.
O profissional ainda precisa decidir:
- se a mudança resolve o problema correto;
- se viola uma regra de negócio;
- se introduz dívida técnica;
- se o teste prova o que deveria;
- se a mudança pode ir para produção.
A produtividade cresce porque a execução ficou barata.
O valor humano migra para a decisão.
3. Automação supervisionada
Esse é o meio-termo mais interessante para agentes.
O sistema executa sozinho dentro de limites, mas encontra pontos nos quais precisa:
- apresentar evidência;
- pedir aprovação;
- escalar uma exceção;
- aguardar uma decisão;
- ou permitir intervenção humana.
Por exemplo:
issue
↓
agente implementa
↓
testes automáticos
↓
evidência
↓
review humano
↓
homologação
↓
aprovação de deploy
Observe que a pessoa não precisa revisar cada token gerado.
Ela entra nos pontos em que o custo potencial de uma decisão errada é maior do que o custo de pedir supervisão.
Essa é a diferença entre supervisão inteligente e transformar todo agente em estagiário que pede permissão a cada passo.
A pergunta prática é: onde colocar o humano?
Um estudo do Stanford Digital Economy Lab publicado em 2025 entrevistou 1.500 trabalhadores de domínio e avaliou mais de 844 tarefas em 104 ocupações.
Os pesquisadores criaram uma Human Agency Scale para medir quanto envolvimento humano os trabalhadores desejavam manter em diferentes tarefas.
O resultado é útil justamente porque desmonta duas ideias simplistas.
Primeira:
nem tudo que tecnicamente pode ser automatizado é algo que trabalhadores querem automatizar.
Segunda:
não existe um nível ideal único de autonomia para todas as profissões.
As preferências variam de acordo com a tarefa.
Isso faz sentido.
Pouca gente se importa se um sistema automatiza:
- formatação;
- classificação de baixa consequência;
- extração repetitiva de dados;
- criação de rascunhos;
- checagens mecânicas.
A resistência cresce quando a tarefa envolve:
- relacionamento;
- julgamento moral;
- decisão sobre pessoas;
- responsabilidade legal;
- segurança;
- consequências financeiras;
- interpretação contextual.
É por isso que “capacidade do modelo” não determina sozinha “nível ótimo de automação”.
Uma matriz melhor que “IA ou funcionário”
Eu usaria quatro perguntas para decidir o desenho de um workflow.
| Dimensão | Quanto maior… | Tendência |
|---|---|---|
| Repetibilidade | mais iguais são as entradas e saídas | mais automação |
| Verificabilidade | mais fácil provar automaticamente que está certo | mais automação |
| Custo do erro | maior a consequência de uma saída errada | mais supervisão |
| Ambiguidade/contexto | mais informação tácita, negociação e exceção | mais augmentation |
Isso produz quatro zonas úteis.
Zona A — automatize
Alta repetibilidade, alta verificabilidade, baixo custo de erro.
Exemplos:
- normalização de dados;
- classificação simples;
- geração de relatório interno;
- transformação de formato;
- checks automatizados.
Zona B — automatize com exceções
A maior parte do fluxo é previsível, mas existe uma cauda de casos difíceis.
Exemplos:
- triagem de suporte;
- conciliação;
- revisão de documentos;
- qualificação de leads;
- monitoramento operacional.
O sistema resolve o normal e escala o anormal.
Zona C — aumente o profissional
A IA acelera pesquisa, rascunho, análise ou execução, mas a pessoa ainda concentra contexto e responsabilidade.
Exemplos:
- programação;
- estratégia;
- análise financeira;
- criação;
- consultoria;
- gestão.
Zona D — mantenha decisão humana explícita
O agente pode preparar, simular, reunir evidência ou sugerir.
Mas a decisão final permanece humana.
Exemplos:
- contratar ou demitir;
- liberar dinheiro;
- aprovar acesso privilegiado;
- executar deploy de alto risco;
- tomar decisão clínica;
- assumir compromisso jurídico.
Essa matriz é mais útil do que perguntar se “a profissão será automatizada”.
Uma profissão contém tarefas distribuídas por várias zonas.
Por que supervisão pode virar o novo gargalo
Existe um problema importante na promessa de agentes autônomos.
Imagine que um agente faça em cinco minutos uma tarefa que levava uma hora.
Parece um ganho de 12x.
Mas agora inclua:
- 15 minutos para revisar;
- 10 minutos para corrigir uma exceção;
- 5 minutos para conferir evidência;
- risco de retrabalho;
- uma falha grave a cada determinado número de execuções.
O custo real deixa de ser apenas o custo do modelo.
Ele passa a incluir:
custo por resultado válido
=
execução da IA
+ integração
+ supervisão
+ retrabalho
+ custo esperado de falha
No próximo capítulo da série, a pergunta de custo vai ficar ainda mais direta: quando um agente fica realmente mais barato que um funcionário?
Por enquanto, o ponto é outro.
quanto mais autônomo o agente, mais importante fica desenhar onde a validação acontece.
Se a revisão humana consome quase o mesmo tempo da execução original, a automação pode parecer impressionante em demo e decepcionar na operação.
Se a validação é rápida, amostrada ou automatizada, o ganho pode ser enorme.
O melhor desenho não maximiza autonomia; maximiza resultado válido
Esse é o erro que vejo com frequência na discussão sobre agentes.
A meta vira:
“quanto desse processo conseguimos fazer sem uma pessoa?”
Mas a pergunta econômica deveria ser:
“qual arquitetura produz mais resultados válidos por real gasto, com risco aceitável?”
Às vezes a resposta é 100% automática.
Às vezes é uma pessoa com IA.
Às vezes é um agente que executa 95% e para em dois gates.
Às vezes é uma equipe menor de profissionais mais experientes coordenando uma quantidade enorme de trabalho agentic.
O número de cliques humanos não é a métrica principal.
O resultado é.
O uso de IA ainda é amplo, mas raso
Um working paper do NBER publicado em agosto de 2026 traz outra cautela.
A IA generativa já aparece em muitas ocupações e tarefas, mas dentro da maioria delas a adoção ainda é rasa: menos da metade dos trabalhadores usa a tecnologia.
Isso significa que ainda estamos observando uma transição.
As empresas não chegaram todas ao mesmo desenho.
Algumas estão na fase:
funcionário + chatbot
Outras já estão em:
workflow + API
E as mais agressivas estão avançando para:
agentes + tools + regras + evidência + supervisão
Os efeitos sobre emprego não serão iguais nessas três fases.
Por isso, extrapolar o impacto final apenas a partir de quem usa chatbot hoje é arriscado.
O cenário que considero mais provável no curto prazo
Isto é interpretação, não fato.
Nos próximos anos, eu não espero uma divisão limpa entre “empresas que substituem pessoas” e “empresas que aumentam pessoas”.
Espero um processo mais confuso:
- tarefas simples e verificáveis serão automatizadas;
- profissionais usarão IA para produzir muito mais;
- equipes serão redesenhadas;
- algumas vagas de entrada desaparecerão ou diminuirão;
- funções de integração, avaliação e supervisão crescerão;
- empresas tentarão aumentar autonomia;
- incidentes e retrabalho empurrarão parte delas de volta para gates humanos;
- novos modelos mais confiáveis moverão novamente a fronteira.
Ou seja:
a fronteira entre automação e augmentation vai se mover continuamente.
Isso explica por que análises estáticas envelhecem tão rápido.
O trabalhador mais valioso pode ser o que sabe onde não automatizar
Há uma consequência importante para carreira.
Se execução básica fica abundante, saber usar IA deixa de ser diferencial suficiente.
O valor sobe para quem sabe:
- decompor um processo;
- identificar risco;
- definir critérios de aceite;
- criar testes;
- instrumentar evidência;
- medir retrabalho;
- decidir autonomia;
- desenhar fallback;
- assumir ownership.
Essas habilidades servem tanto para um funcionário quanto para um empreendedor.
E talvez sejam a diferença entre duas empresas usando exatamente o mesmo modelo:
uma apenas gera mais coisas.
A outra gera mais resultados confiáveis.
Se você quer praticar esse desenho em um workflow real
O capítulo recomenda naturalmente o Squad de Agentes, porque o workshop trabalha justamente com agentes supervisionados, ownership, handoffs, testes, evidência e gates humanos da issue ao deploy.
Não é uma defesa de manter pessoas em todo passo.
É o contrário: aprender a colocar a decisão humana onde ela compra mais confiabilidade por menos custo operacional.
Então: substituição ou aumento?
Os dois.
E essa resposta é menos evasiva do que parece.
Os dados atuais sugerem:
- augmentation ainda é uma forma dominante de adoção em muitas empresas;
- automação cresce conforme tarefas migram para workflows e agentes;
- impactos de emprego aparecem de forma mais forte onde a IA substitui tarefas do que onde complementa trabalhadores;
- mudanças de função e novas tarefas de supervisão podem surgir antes de efeitos visíveis em salário ou jornada;
- a autonomia técnica dos agentes está aumentando;
- o desenho dos gates humanos passa a ser parte da economia do sistema.
A pergunta mais útil deixa de ser:
“a IA vai substituir este funcionário?”
E passa a ser:
“quais tarefas devem ser automatizadas, quais devem aumentar a capacidade humana e quais decisões ainda precisam de uma pessoa responsável?”
É nessa arquitetura — e não no modelo isolado — que boa parte do futuro do trabalho será decidida.
Uma resposta