De onde vêm os números de exposição à IA, e por que a régua que os produz tem furo

Working paper do NBER constrói inventários de tarefas a partir de entrevistas com trabalhadores, mostra que a base ocupacional usada como régua está incompleta e altera estimativas de exposição à int…

10 de novembro de 2026 · 5 min de leitura

Duas trabalhadoras conferindo uma lista de tarefas em prancheta diante das prateleiras de um almoxarifado

Toda semana circula uma estatística com a mesma estrutura: tantos por cento das tarefas de uma profissão são automatizáveis por inteligência artificial. O número aparece em apresentação de conselho, em plano de headcount e em reportagem sobre o futuro do trabalho.

Vale saber de onde ele sai, porque isso muda o peso que ele deveria ter numa decisão.

A resposta curta

Quase todo estudo público desse tipo é calculado sobre a mesma base: o O*NET, a base de informação ocupacional pública dos Estados Unidos, que lista, para cada profissão, o conjunto de tarefas que a compõem. O pesquisador pega essa lista de tarefas, estima quais delas um modelo de IA consegue executar, soma e publica o percentual.

Um working paper divulgado pelo National Bureau of Economic Research (NBER) em novembro de 2026 mostra que essa lista está incompleta, quantifica o tamanho do buraco e demonstra que preencher o buraco muda a resposta final.

O trabalho se chama TaskNet: Building Occupational Task Inventories from Worker Interviews at Scale, de Jennifer Wang, Andreas Haupt, Isaac Robinson, Phil Lewis, Erik Brynjolfsson e Diyi Yang.

Como o TaskNet funciona

Em vez de partir da descrição formal da ocupação, o sistema parte de quem faz o trabalho. Ele conduz entrevistas com trabalhadores, padroniza o que cada um relata em uma lista individual de tarefas e agrega essas listas em um inventário por ocupação.

Aplicado a seis ocupações com níveis diferentes de escolaridade e de exposição à IA, o sistema entrevistou 132 trabalhadores e gerou 2.726 relatos, que viraram 202 descrições de tarefas.

Dois resultados dão a dimensão da diferença. O primeiro é de qualidade: segundo o paper, as 202 descrições tiveram 100% de aceitação pelos analistas do O*NET Center, contra cerca de 65% de aceitação das sugestões que trabalhadores enviam pelo processo padrão da base. O segundo é de cobertura: as descrições foram validadas por 318 profissionais em exercício, em 7.923 avaliações de relevância e importância.

O tamanho do buraco

Comparado à base publicada para as mesmas seis ocupações, o inventário construído a partir dos trabalhadores cobre 75% das 118 tarefas que o O*NET lista, acrescenta 79 tarefas sem equivalente na base e refina outras 58.

Em um teste com trabalhadores que ficaram de fora da amostra usada para montar o inventário, o TaskNet cobriu 89% das tarefas relatadas por eles, contra 79% do O*NET. Em anúncios de vaga de empregadores, o alinhamento foi de 72,5%, contra 70,2%.

E o efeito que interessa a quem lê percentual de automação: segundo os autores, o inventário mais completo altera as estimativas de exposição à IA, inclusive para desenvolvedores de software e advogados, duas ocupações no centro do debate.

Ou seja, a conta muda quando a lista de tarefas muda.

Por que isso aparece agora

A pressão por números de exposição à IA cresceu muito mais rápido que a infraestrutura de dados que os sustenta. Descrições ocupacionais são caras de produzir e demoram a ser atualizadas, enquanto a mudança no conteúdo do trabalho, quando acontece, aparece primeiro na rotina de quem executa, não no documento que descreve a função.

O que o estudo demonstra é que dá para fechar essa distância em escala, com entrevista estruturada, sem esperar o ciclo de atualização da base oficial.

O que uma empresa faz com isso

Duas coisas, e a segunda é mais útil que a primeira.

A primeira é tratar números prontos de exposição à IA com a margem de erro que eles realmente têm. Um percentual calculado sobre uma lista de tarefas incompleta herda a incompletude. Usar esse número como insumo de decisão de quadro, de plano de treinamento ou de reestruturação é apoiar uma decisão cara em uma régua que o próprio campo acabou de mostrar que tem furo.

A segunda é replicar o método dentro de casa. Se a base pública dos Estados Unidos, mantida por um centro especializado, está desatualizada em relação ao que os trabalhadores de fato fazem, é razoável supor que o inventário de tarefas de uma empresa média esteja em situação pior. Descrição de cargo, organograma e manual de processo são documentos de intenção, e envelhecem.

Antes de automatizar, mapear. E mapear com quem executa a tarefa, não com quem supervisiona o resultado.

O inventário de tarefas, e não o organograma, é a unidade de análise que faz sentido para um projeto de inteligência artificial. O organograma diz quem responde a quem. Ele não diz o que de fato é feito, com que frequência, com qual insumo e com qual critério de qualidade, que é exatamente o que determina se uma tarefa pode ou não ser apoiada por um modelo.

Os limites do próprio estudo

A amostra é pequena: 132 trabalhadores em seis ocupações. Um inventário melhor para seis ocupações não é um inventário melhor para todas.

A validação externa mais forte, a aceitação pelos analistas do O*NET Center, atesta qualidade de redação e pertinência das descrições. Não é prova de que o inventário resultante esteja completo nem correto.

Há ainda uma circularidade que convém reconhecer: usa-se inteligência artificial para mapear tarefas que a inteligência artificial pode afetar, e o relato do trabalhador carrega o viés do que ele considera importante, visível ou ameaçado. Isso não invalida o método, mas pede cautela em leituras finas por ocupação.

E vale separar duas coisas que o debate mistura com frequência: o estudo mapeia tarefas e recalcula exposição. Ele não decide nada sobre automação. A passagem de tarefa exposta para função eliminada continua sendo uma escolha de gestão, não um resultado técnico.

O que acompanhar

O ponto a observar daqui para frente é se esse tipo de inventário, construído a partir do relato de quem trabalha, começa a alimentar as bases oficiais de forma contínua, e se os estudos de exposição à IA passam a declarar sobre qual versão de inventário foram calculados.

Enquanto isso não acontece, a regra prática é simples: quando aparecer um percentual de automação, pergunte qual lista de tarefas produziu aquele número. A resposta costuma ser mais frágil que o gráfico.

Continue explorando

Posts relacionados