O ChatGPT foi lançado em 30 de novembro de 2022. Desde então, a pergunta sobre o que a inteligência artificial generativa fará com o emprego saiu dos seminários e entrou nas conversas de família. Reuni aqui, em três partes, o que a pesquisa empírica já consegue responder, com atenção ao Brasil. A exposição das ocupações é ampla. O ganho de produtividade medido dentro de uma tarefa é grande e maior para quem tem menos experiência. O efeito sobre o emprego total, até agora, não aparece nos dados. A exceção está na entrada dos jovens no mercado de trabalho, e a evidência sobre ela ainda é frágil.
Cito cada estudo pela versão de working paper, nota técnica ou relatório que consultei, e indico a data da versão quando ela muda os números.
A exposição é ampla, e o Brasil fica no meio do caminho
O primeiro passo da literatura foi medir quais ocupações executam tarefas que um modelo de linguagem consegue fazer. Eloundou, Manning, Mishkin e Rock classificaram as tarefas de mais de mil ocupações americanas. Pelo critério deles, cerca de 80% dos trabalhadores dos Estados Unidos têm ao menos 10% das tarefas expostas, e 19% têm ao menos metade das tarefas expostas.
O FMI fez a conta para 142 países com um índice anterior, que mede exposição à inteligência artificial em geral, não só à generativa. Cerca de 40% do emprego mundial está em ocupações de alta exposição. A parcela é de 60% nas economias avançadas, de 40% nas emergentes e de 26% nos países de baixa renda. No Brasil, é de 41%.
O FMI também separa as ocupações expostas em dois grupos. No de alta complementaridade, a IA tende a ajudar quem trabalha. No de baixa complementaridade, tende a substituir tarefas. Nas economias avançadas, 27% do emprego está no primeiro grupo e 33% no segundo. Nas emergentes, 16% e 24%.
Para o Brasil, há duas medidas recentes feitas com a PNAD Contínua. Daniel Duque, em nota do FGV Ibre publicada em abril de 2026, reporta o mapeamento de Peruchetti, Barbosa Filho e Feijó com um índice da OIT construído para a IA generativa. No terceiro trimestre de 2025, quase 30 milhões de trabalhadores, ou 29,6% da população ocupada, estavam em ocupações com algum grau de exposição. Cerca de 5,2 milhões estavam no gradiente mais elevado.
O relatório do PRISMA, observatório de negócios da ESPM, usa o mesmo índice geral do FMI sobre a PNAD Contínua do terceiro trimestre de 2025 e descreve quem está no grupo de alta exposição, definido ali como as ocupações a mais de um desvio-padrão acima da média do índice. Trabalhadores com superior completo são 16% dos ocupados e 58% do grupo exposto. Brancos são 42% e 57%. Mulheres, 51% e 55%. A classe DE, com renda abaixo de R$ 1.745, é 37% dos ocupados e 21% do grupo exposto.
Esses números medem potencial. A nota do Ibre resume o ponto numa frase: exposição potencial não é impacto realizado.
Dentro da tarefa, o ganho é grande e maior para quem tem menos experiência
A evidência sobre o que a IA generativa faz no trabalho vem de estudos que acompanham trabalhadores com e sem acesso à ferramenta. Brynjolfsson, Li e Raymond, em working paper revisto em novembro de 2024, analisaram 5.172 atendentes de suporte técnico de uma empresa de software, que receberam em datas diferentes um assistente que sugere respostas durante o atendimento. O acesso aumentou em 15% o número de atendimentos resolvidos por hora, em média. O ganho foi de 36% no quintil de menor habilidade e nulo no de maior habilidade.
Por tempo de casa, o padrão se repete. Quem tinha menos de um mês de empresa passou a resolver 0,7 atendimento a mais por hora. Quem tinha mais de um ano não ganhou nada. Com o assistente, um atendente com dois meses de casa rendia o mesmo que um atendente sem assistente com mais de seis meses.
Os autores fazem uma conta de envelope. Se a demanda por atendimento não crescer, a empresa atenderia o mesmo volume com 12% menos horas de trabalho.
Na economia como um todo, o efeito ainda é pequeno
Ganho dentro de uma tarefa não vira crescimento automaticamente. Daron Acemoglu fez a conta para os Estados Unidos combinando a exposição de Eloundou e coautores, o custo de adotar a tecnologia e os ganhos medidos nos estudos de produtividade. Pelas hipóteses dele, 20% das tarefas estão expostas, mas só 23% delas compensariam ser automatizadas, o que dá 4,6% das tarefas nos próximos dez anos. O efeito sobre a produtividade total dos fatores seria de no máximo 0,66% em dez anos. É uma calibração, não uma estimativa, e o autor pede que os números sejam lidos como sugestivos.
Humlum e Vestergaard, em working paper revisto em março de 2026, medem o efeito sobre rendimentos, horas e salários com registros administrativos da Dinamarca. Eles cruzaram esses registros com pesquisas feitas com trabalhadores de onze ocupações expostas, de contadores a desenvolvedores de software. A adoção foi rápida. Onde o empregador não tomou iniciativa nenhuma, 41% já tinham usado um chatbot no trabalho. Onde o empregador incentivou o uso, ofereceu ferramenta própria e treinou os funcionários, 93%.
Ainda assim, até dezembro de 2024, os rendimentos, as horas e os salários de quem adotou não se moveram em relação aos de quem não adotou. As estimativas descartam efeitos acima de 2%. Os usuários relataram economia de cerca de 3% das horas de trabalho. A única margem que se mexeu foi a troca de ocupação.
O sinal de alerta está na contratação de jovens
Se o emprego total não mudou, a composição pode ter mudado. Brynjolfsson, Chandar e Chen usam dados de folha de pagamento da ADP, com 3,5 a 5 milhões de empregados por mês nos Estados Unidos. Na versão de agosto de 2026, com dados até junho daquele ano, o emprego de jovens de 22 a 25 anos nos dois quintis mais expostos caiu cerca de 11% desde novembro de 2022. Nos três quintis menos expostos, o emprego da mesma faixa cresceu cerca de 10%. Os trabalhadores de 35 a 49 anos nas ocupações mais expostas cresceram cerca de 10%.
A queda veio de menos contratações, não de mais demissões. E o sinal negativo aparece nas ocupações em que a IA é usada para automatizar tarefas, não naquelas em que é usada para complementar o trabalho. Os autores tratam esses resultados como fatos descritivos, não como efeito causal. Quando se controla a parcela de trabalhadores com diploma universitário em cada ocupação, a estimativa cai pela metade ou mais, e em uma das duas amostras deixa de ser estatisticamente significante. Os autores leem as duas estimativas como limites de um intervalo, porque a escolaridade pode ser um canal pelo qual a IA afeta o trabalho, e não só um fator de confusão. Os autores também reconhecem que a magnitude parece específica da base da ADP, embora a direção se repita em outras bases.
O estudo dinamarquês testa esse canal diretamente e não o encontra. Nos locais de trabalho que incentivaram o uso de chatbots, a participação de jovens de 22 a 25 anos no emprego não mudou, com estimativas que descartam efeitos maiores que um terço de ponto percentual. Humlum e Vestergaard sugerem que outras forças, como o ambiente macroeconômico ou congelamentos de contratação por antecipação, podem explicar a queda do emprego jovem.
Em mercados de freelancers, o efeito apareceu cedo. Hui, Reshef e Zhou compararam, na plataforma Upwork, profissionais de escrita com os de ocupações menos afetadas. Depois do lançamento do ChatGPT, os primeiros passaram a fechar 2% menos trabalhos por mês e a ganhar 5,2% menos na plataforma. Os autores não observam o que acontece fora dela.
Para o Brasil, a nota de Duque traz um primeiro exercício nessa direção. Ele usa a PNAD Contínua de 2022 a 2025 e compara pessoas com perfis demográficos mais e menos propensos a estar em ocupações expostas, com a exposição fixada antes do lançamento do ChatGPT. Entre jovens de 18 a 29 anos, os coeficientes ficam crescentemente negativos depois da chegada da IA, para ocupação e para renda, e se aprofundam ao longo de 2024 e 2025. Para os grupos de 30 a 44 e de 45 a 59 anos, oscilam em torno de zero, embora o autor registre, na renda, uma tendência negativa nos períodos mais recentes. A nota não reporta as magnitudes em texto, só em gráficos. O autor corrige os coeficientes por uma tendência linear estimada no período anterior à IA, mas não reporta teste formal de tendência prévia. O próprio autor pede cautela: o índice mede potencial de exposição, não adoção, e a janela ainda é curta.
O ajuste pode recair sobre quem ainda não entrou
A leitura conjunta dá um quadro coerente, mas provisório. Onde há registros administrativos, o emprego total ainda não se moveu de forma detectável. A produtividade sobe dentro da tarefa, sobretudo para quem está começando. Há sinais, nos Estados Unidos e no Brasil, de que a entrada de jovens em ocupações expostas ficou mais difícil, e esses sinais ainda não sobrevivem a todos os testes.
Os resultados guardam uma tensão. A ferramenta que mais eleva a produtividade de quem tem pouca experiência pode reduzir a demanda por esses mesmos trabalhadores. Se a empresa precisa de menos horas para o mesmo volume, o ajuste pode vir pela contratação, e quem paga é quem ainda não entrou.