Melhore as habilidades de IA da sua equipe
Transforme seus negócios capacitando sua equipe com habilidades avançadas de IA por meio do DataCamp for Business. Obtenha melhores insights e eficiência.
um breve histórico do impacto da tecnologia no trabalho
Antes de analisarmos o possível impacto da IA generativa nos empregos hoje, vamos ver rapidamente como a tecnologia afetou nosso trabalho e a economia em momentos-chave da história recente (veja, por exemplo, Acemoglu, 2002).
1770 a 1970: automação contribuiu para o aumento da produtividade
No século 19, no Reino Unido, havia abundância de mão de obra de baixa qualificação, enquanto trabalhadores altamente qualificados eram escassos. Nesse período, fábricas simplificaram e automatizaram ofícios especializados, como a fiação de algodão na indústria têxtil. Isso trouxe ganhos substanciais de produtividade, mas também protestos como os motins luditas, em que artesãos destruíam máquinas para impedir justamente essa automação.
Um movimento semelhante ocorreu no início do século 20 com a introdução da linha de montagem, que aumentou (de forma massiva) a demanda por trabalhos repetitivos e de baixa qualificação. Desde a década de 1970, porém, isso virou exceção: a partir daí, novas tecnologias beneficiaram sobretudo os trabalhadores mais qualificados, ao substituir tarefas rotineiras não qualificadas ou semiespecializadas — muitas vezes desempenhadas por empregos de classe média —, como descrito a seguir.
Um exemplo é a automação generalizada no setor agrícola, primeiro com máquinas movidas a tração animal e depois com o motor a combustão, que substituíram trabalhos manuais árduos.
1970 a 2010: automação contribuiu para o aumento da desigualdade
Quando concluí meu doutorado em economia do trabalho e estatística há alguns anos, víamos quatro décadas de crescimento da desigualdade salarial. Esse aumento foi, em grande medida, efeito da maior demanda por trabalhadores mais escolarizados (somada à pressão para baixo nos salários de funções passíveis de offshoring). Outros fatores, claro, também contam muito aqui, como a queda na cobertura sindical.
Foi uma tendência surpreendente, já que a expansão educacional levou a um grande aumento na oferta de jovens graduados altamente qualificados no mesmo período. A automação "não inteligente", como robôs, combinada ao offshoring, foi amplamente adotada, especialmente na manufatura, e substituiu antigos empregos de classe média, geralmente com tarefas rotineiras e automáticas (veja Autor et al., 2022).
Exemplos incluem tarefas repetitivas de montagem, separação e triagem, bem como registro e cálculo. O Excel da Microsoft mudou claramente os trabalhos típicos de escritório, e cargos como caixa de banco ou operador de telefonia praticamente desapareceram. Ao mesmo tempo, não vivemos um mundo sem empregos porque surgiram carreiras antes inexistentes, como analistas de dados, técnicos de turbinas eólicas ou conselheiros de saúde mental. O surgimento desses cargos não é diretamente efeito da automação, mas a automação e o aumento de produtividade nos liberaram para focar em novos domínios.
Os efeitos macroeconômicos gerais dessas novas tecnologias ficaram aquém do esperado. Os ganhos de produtividade desaceleraram visivelmente desde o início dos anos 1970 (com uma breve exceção no estouro da bolha das pontocom no fim dos anos 1990; veja Moss et al., 2020). O laureado com o Nobel Robert Solow descreveu isso no famoso paradoxo da produtividade: “Você vê a era do computador em todo lugar, menos nas estatísticas de produtividade”.
Há um amplo debate sobre por que, exatamente, os computadores não nos tornaram mais produtivos (p. ex., erro de medição ou produtos aparentemente gratuitos como Wikipedia ou redes sociais), mas os motivos exatos seguem controversos. O que não se discute é o fato de que o crescimento da produtividade é hoje cerca de metade do observado nos trinta anos após a Segunda Guerra Mundial.
2010 até a COVID-19: crescimento do emprego sem avanços de IA e sem progresso tecnológico ligado à pandemia
Embora a recuperação (e o crescimento da produtividade) após a Grande Recessão tenha sido decepcionante, a demanda por trabalho foi forte — como titulou o The Economist em 2019: “O mundo rico vive um boom de empregos sem precedentes.” Esses ganhos de emprego foram amplamente impulsionados por fatores não ligados a novas tecnologias, como estímulos econômicos, juros baixos e maior participação feminina no mercado de trabalho.
Empresas começaram a contratar especialistas em IA por volta de 2010. A tendência acelerou novamente por volta de 2015, e há indícios de que esses negócios reduziram contratações em outras áreas. Ainda assim, até o início da pandemia de COVID-19, há pouca evidência de que os modelos iniciais de machine learning tenham afetado emprego ou salários (veja, por exemplo, Acemoglu et al., 2022).
A pandemia de COVID teve um impacto imprevisível em empresas e empregos, que de outra forma levaria uma década para acontecer. O trabalho remoto e o home office se disseminaram; se antes da COVID apenas cerca de 5% dos dias trabalhados eram em casa, isso saltou para 60% no auge da pandemia e desde então se mantém em torno de 30% (veja Bloom et al., 2023). Muitas empresas também aceleraram investimentos em automação, por exemplo, com robôs ou caixas de autoatendimento.
como os LLMs vão afetar trabalhos de escritório?
Esse breve passeio histórico mostra que o impacto da mudança tecnológica nos empregos não é óbvio. Economistas dizem que ela pode substituir habilidades (como no século 19) ou ampliá-las (como no século 20).
Em modelos econômicos modernos, às vezes chamados de modelo canônico revisitado (Acemoglu e Autor, 2011), assumimos que os empregos são um conjunto de tarefas e que existem diferentes grupos de habilidades humanas ou níveis de escolaridade, cada qual com sua vantagem comparativa.
Esses grupos podem se substituir, mas de forma imperfeita. Se novas tecnologias vão substituir certos grupos de habilidades depende, entre outros fatores, da demanda por tarefas específicas, da oferta ou disponibilidade desses grupos e de seus salários.
No geral, vimos países avançados com envelhecimento mais rápido, como Alemanha, Japão e Coreia do Sul, adotarem mais robôs em resposta à escassez de trabalhadores na produção. As empresas têm incentivo para inventar e adotar tecnologias que substituem habilidades quando faltam trabalhadores altamente qualificados, quando seus salários são altos ou quando há descompasso entre as competências demandadas e as disponíveis. Na DataCamp, trabalhamos ativamente para tornar certas habilidades em alta demanda acessíveis ao maior número de pessoas possível!
Curiosamente, até pouco tempo, muita gente provavelmente pensaria que novas inteligências artificiais, como carros autônomos, iriam primeiro substituir trabalhos manuais como motoristas de caminhão ou trem. Porém, as aplicações recentes de IA generativa mostram habilidades notáveis em tarefas típicas de escritório, como redigir textos, fazer pesquisas de base ou programar.
Vamos perguntar a LLMs como o ChatGPT quais tarefas ele poderia automatizar.
Ele sugere tradução, geração de texto, imagem e vídeo, composição musical, agentes conversacionais ou recomendações personalizadas. Essa lista evidencia por que alguns estudos indicam que a IA generativa pode impactar mais ocupações de maior renda. Esses trabalhos incluem professores de linguagem, literatura e história, serviços jurídicos, finanças, seguros e contabilidade (como discutem Felten et al., 2023).
Embora o impacto da IA generativa na educação provavelmente seja profundo — pense em assistentes de IA que permitem que alunos aprendam no seu ritmo —, parece improvável que cargos de docência sejam substituídos em grande número tão cedo (já que têm papéis essenciais além do que um chatbot ensina). No entanto, o avanço da IA generativa em reconhecimento de imagem, texto e áudio pode ter implicações profundas em pesquisas de base, diagnóstico médico, atendimento ao cliente ou análises (de dados).
Isso não significa que radiologistas, tradutores ou contadores vão desaparecer, mas é provável que esses trabalhos mudem bastante no futuro — dando aos médicos (tomara) mais tempo para focar nos pacientes e livrando-os de tarefas administrativas básicas.
estimativas da OpenAI e do Goldman Sachs sobre impactos em empregos
Um estudo coassinado pela OpenAI, criadora do ChatGPT, considera os novos LLMs como uma tecnologia de uso geral que, primeiro, pode ser incorporada a fluxos de trabalho versáteis em muitos domínios; segundo, melhora continuamente; e terceiro, leva a inovações e efeitos de transbordamento complementares.
Eles estimam que 15% de todas as tarefas executadas pela força de trabalho nos Estados Unidos possam ser realizadas significativamente mais rápido com LLMs. Se tecnologias complementares forem adicionadas, esse percentual pode superar a metade de todas as tarefas.
Exemplos de tarefas altamente expostas são escrita e programação, enquanto ciência ou pensamento crítico não são. A exposição é calculada aqui considerando se “um LLM ou sistema baseado em LLM reduziria o tempo necessário para um humano realizar [...] ou concluir uma tarefa em pelo menos 50%”. No geral, eles constatam que empregos que exigem mais educação, treinamento e experiência tendem a ser mais expostos.
O Goldman Sachs estima que dois terços de todos os empregos nos Estados Unidos serão ao menos parcialmente afetados pela IA generativa (com 25% a 50% de suas tarefas potencialmente automatizáveis). Eles, porém, não preveem demissões em massa e veem a IA generativa mais como tecnologia complementar aos humanos do que substituta.
impactos de curto prazo da IA generativa
Esse é provavelmente um limite superior para os impactos de curto e médio prazo, já que novas tecnologias normalmente exigem tempo de adoção. A IA generativa deve ser adotada mais rápido do que, por exemplo, a internet, que levou uma ou duas décadas para virar mainstream de fato.
questões legais e éticas em torno da adoção de IA generativa
Mesmo assim, tecnologias novas enfrentam barreiras a superar. Há questões legais particularmente relevantes em ocupações de escritório bem remuneradas e incertezas sobre automatizar tarefas em educação, medicina ou serviços profissionais.
Quem seria, por exemplo, o responsável caso a IA generativa cometa um erro? E quanto a possíveis violações de Copyright decorrentes de varrer a web em massa para treinar o modelo? Vale acrescentar que as próprias empresas que publicam LLMs recentes reconhecem que esses modelos às vezes falham de forma espetacular (e parece complicado avaliar exatamente por quê).
disrupção de trabalhos específicos pela IA generativa
Esses obstáculos não afetam de forma igual todos os trabalhos de escritório. A IA generativa pode — e provavelmente já está — desorganizando segmentos específicos do mercado de trabalho. Pense em marketing, que muitas vezes envolve rascunhos de textos bastante genéricos, ou em suporte ao cliente, onde chatbots evoluíram muito. LLMs parecem tão capazes de traduzir, sintetizar e até interpretar textos que é difícil imaginar que seguiremos precisando do mesmo número de tradutores no futuro.
Ferramentas como Google Tradutor ou DeepL já são excelentes, e o primeiro caso de uso do BERT do Google foi justamente tradução. Em seguida, funções relativamente simples de desenvolvimento de software e criação de conteúdo padrão em mídia e educação podem ser parcialmente terceirizadas para máquinas, assim como tarefas de paralegal ou preparação de impostos.
Empregos de atendimento ao cliente certamente serão afetados, dado o enorme progresso em tarefas conversacionais de suporte. Por exemplo, um working paper recém-divulgado, coassinado por Erik Brynjolfsson, estima que a IA generativa aumentou o desempenho de mais de 5.000 agentes de atendimento ao cliente em cerca de 14% em média — principalmente para trabalhadores mais novos, mas quase nada para os mais experientes.
Para os trabalhadores afetados, o efeito de terceirizar para máquinas (automação) e terceirizar para outros países (offshoring) é muito parecido. Seus trabalhos serão codificados e executados localmente por robôs mais baratos ou poderão ser transferidos eletronicamente ou fisicamente para outros países e feitos por mão de obra mais barata.
impactos de longo prazo da IA generativa
O impacto da IA generativa na nossa economia, no médio e longo prazo, certamente será profundo. Combinada a outras tecnologias, como robótica, a maioria dos empregos será afetada em algum grau (ainda que professores de educação infantil, garçons ou trabalho social, por ora, sejam apostas relativamente seguras).
Vimos, nas últimas décadas, aumento na demanda e nos salários especialmente para trabalhos de alta qualificação, enquanto o número de empregos de classe média caiu e os salários de funções de baixa remuneração muitas vezes estagnaram. Mas também observamos outra tendência que levou à polarização do mercado de trabalho: um aumento na demanda por serviços, muitas vezes de baixa remuneração. Isso inclui entregar encomendas, repor prateleiras de supermercado, trabalho em armazém e serviços pessoais como limpeza, segurança ou cuidado de crianças e idosos. Acrescente aqui motoristas de caminhão, trem ou Uber.
três cenários possíveis para o futuro do desenvolvimento de IA generativa
Muitos desses trabalhos podem ser suscetíveis se tecnologias automotivas avançarem e robôs se tornarem ao mesmo tempo inteligentes e mais capazes de tarefas 3D não triviais. Consigo imaginar três cenários:
- Estamos vivendo um ponto de virada, e a IA generativa é uma tecnologia disruptiva como a prensa, a máquina a vapor ou a fabricação de transistores, resultando em mudanças significativas em como trabalhamos e vivemos, com melhoria contínua no médio prazo.
- A IA generativa pode exigir décadas de desenvolvimento antes de substituir com segurança tarefas humanas além de áreas específicas — como carros autônomos, que enfrentam limitações de segurança sem supervisão humana, apesar de grandes avanços há uma década.
- As tecnologias atuais talvez já tenham chegado ao auge, e não há muito mais por vir, semelhante aos mecanismos de busca em que o PageRank do Google revolucionou as buscas (tomando participação do Yahoo! e da Altavista) no início dos anos 2000, levando desde então a avanços incrementais.
Claro que não sabemos qual desses cenários vai prevalecer, mas estou bem mais otimista (e em parte apreensivo) de que estamos vendo uma tecnologia transformadora ganhar tração do que em qualquer momento desde os primórdios da internet.
vamos rumo a uma utopia de IA ou a uma distopia de IA?
Esses desdobramentos levarão a um futuro distópico em que restam poucos trabalhos — basicamente os que exigem contato direto com outras pessoas, desenvolvimento e manutenção dessas novas tecnologias, ou tarefas manuais complexas ou muito específicas?
Eu não acho.
Geralmente somos bons em inventar novos papéis que complementam a tecnologia ou fazem algo totalmente novo (como cientistas de dados, terapeutas de drama ou tatuadores). Por isso não me preocupo com um futuro sem empregos.
Ainda assim, se eu fosse líder de empresa, consideraria com muita seriedade o impacto potencial no meu negócio e pensaria estrategicamente sobre como reagir e quem contratar.
Como indivíduo, também pensaria com cuidado nas habilidades em que quero investir e se elas são suscetíveis à automação por máquinas inteligentes.
Como formulador de políticas públicas, eu incentivaria ainda mais a educação, revisaria o programa de estudos, aumentaria a conscientização de que podemos estar em um ponto de virada e evitaria direcionar especialmente os jovens para empregos que em breve podem ser automatizados.
leve isso para o próximo nível
O que você, individualmente — responsável pelo sucesso do seu negócio ou pelo desenvolvimento de outras pessoas —, pode fazer para tirar o máximo da IA generativa?
Acho que, hoje, há grande chance de estarmos vendo nascer uma nova mudança tecnológica de grande impacto. Por isso, recomendo fortemente entender os fundamentos por trás da IA generativa para decidir como reagir da melhor forma.
Como fazer isso? Você pode, por exemplo, aprender ChatGPT com o curso Introduction to ChatGPT da DataCamp (e outros cursos que lançaremos em breve) ou explorar alguns dos nossos recursos, como o guia de uso do ChatGPT em projetos de ciência de dados ou o nosso cheat sheet da OpenAI API em Python.
Claro, sugiro que você mesmo experimente essas novas tecnologias e crie algumas sequências de prompts. Se você já conhece mais sobre LLMs, também pode ler alguns dos artigos de pesquisa linkados abaixo e se manter atualizado sobre novas evoluções.
Fontes:
Você está treinando duas ou mais pessoas? Confira nossas soluções de negócios
Dê à sua equipe acesso à biblioteca completa do DataCamp, com relatórios centralizados, atribuições, projetos e muito mais
