EDIÇÃO #201 | NEWSLETTER SEMANAL DA ANÁLISE MACRO

58,1% dos empregos em risco? Fui atrás do número.

Fala, Reader, tudo bem por aí?

Essa semana esbarrei num site novo — o Profissões.org.br, um "atlas do trabalho brasileiro" — e logo na capa, o número que virou manchete no Brasil inteiro: 58,1% dos empregos no país correm alto risco de automação.

Fui atrás. Porque quando um número se repete tanto, ele deixa de ser dado e vira slogan.

Spoiler: o número existe, é sério, tem autor e DOI. Mas ele mede dados de 2017 com um método concebido em 2013. E enquanto ele domina o debate público, saiu em abril um outro estudo — FGV IBRE, metodologia da OIT — que chega num retrato bem diferente.

Não porque contradiz. Porque mede outra coisa.

Bora entender a diferença?

🎯 O número tem sobrenome

Primeiro, dar crédito. Os 58,1% vêm de Ottoni, Oliveira, Estrela, Santos & Barreira (2022), "Automation and job loss: the Brazilian case", publicado na Nova Economia. Está no SciELO, tem DOI, foi peer-reviewed.

O que o paper faz, em uma frase: pega as probabilidades de automação estimadas por Frey & Osborne (2017) — cuja versão preliminar circulou em 2013 — para ocupações americanas, faz a ponte para as ocupações brasileiras (SOC 2010 → ISCO 2008 → COD 2010 → PNADC 2017), e conta quantos ocupados estão em ocupações com probabilidade de automação acima de 70%.

Vaz/Ottoni et al. (2022) — em números

🔹 58,1% dos ocupados em alto risco (52,4 mi de 90,1 mi).

🔹 Decomposto: 55,1% no formal, 62% no informal.

🔹 Base: PNADC 2017 — pré-ChatGPT.

🔹 Limiar: probabilidade > 70%.

🔹 Horizonte declarado: 10 a 20 anos.

Uma referência de escala ajuda: para os Estados Unidos, Frey e Osborne chegam a 47,0% dos empregos automatizáveis no mesmo horizonte. O Brasil aparece em 58,1% — mais alto, puxado sobretudo pela informalidade, que responde por mais de 41% dos empregos no país.

Agora a parte que ninguém cita quando repete o 58,1%.

Os próprios autores escrevem, com todas as letras, que o número representa um "worst-case scenario". E que "innovations themselves also help create new jobs", de modo que a perda líquida de empregos "will likely be smaller than we estimate".

O paper não modela criação de vagas. Ele mede exposição no pior cenário possível.

O número é honesto. Quem usa como manchete é que faz a torção.

📊 O outro retrato — o que a IA generativa realmente alcança

Em 27 de abril de 2026, Daniel Duque publicou no Blog do IBRE um post sobre estudo de Peruchetti, Barbosa Filho e Feijó. A pergunta é outra: não "quais ocupações uma máquina pode fazer no longo prazo", mas quais tarefas a IA generativa já alcança hoje — e se ela substitui ou complementa quem as executa.

A metodologia também muda. Índice da OIT, estruturado por tarefas (não por ocupação inteira), padrão ISCO-08, aplicado sobre PNADC de 2022T1 a 2025T2. Desenho de diferenças-em-diferenças dinâmico, com exposição congelada em 2022T3.

FGV IBRE / OIT — IA generativa no Brasil (3T2025)

🔹 29,6% da população ocupada com algum grau de exposição (quase 30 milhões).

🔹 5,2 milhões no gradiente mais elevado de exposição.

🔹 ~20% combinam alta exposição com baixa complementaridade — o grupo de fato vulnerável.

🔹 Pouco mais de 20% combinam alta exposição com elevada complementaridade — potencial de ganho salarial.

Fonte: Blog do IBRE, 27/04/2026, sobre Peruchetti, Barbosa Filho & Feijó.

Repare em duas coisas.

Primeiro, a decomposição por complementaridade. Exposição não é sinônimo de risco. Metade das pessoas em ocupações expostas está do lado em que a IA tende a ampliar produtividade e salário. A outra metade, no grupo vulnerável.

Quando a conta é feita direito, o "risco de verdade" é da ordem de 20% — não de 58%.

Segundo, o perfil. A exposição à IA generativa é maior entre mulheres, jovens, mais escolarizados, no Sudeste, em serviços (informação/comunicação e financeiro). É o oposto do perfil de risco por rotina do Frey-Osborne.

É outro país sendo descrito.

⚙️ Por que os dois estão certos

Os dois números não se contradizem. Medem coisas diferentes. Três diferenças fazem o trabalho aqui.

Vaz et al. (2022) — o que mede

🔹 Unidade: ocupação inteira.

🔹 Métrica: risco de automação por rotina/destreza.

🔹 Base: PNADC 2017 · Frey-Osborne (2017).

🔹 Natureza: cenário de pior caso.

🔹 Perfil atingido: rotineiro, menos escolarizado.

FGV IBRE / OIT (2026) — o que mede

🔹 Unidade: tarefas (ISCO-08).

🔹 Métrica: exposição à IA generativa × complementaridade.

🔹 Base: PNADC 2022T1–2025T2 · dif-em-dif dinâmico.

🔹 Natureza: medida empírica recente.

🔹 Perfil atingido: mais escolarizado, serviços, Sudeste.

1. Ocupação vs. tarefa. Frey-Osborne classifica a ocupação inteira como automatizável; a OIT decompõe em tarefas. É a correção metodológica que a literatura fez depois de 2013 — e que derruba as estimativas.
2. Risco vs. exposição. "Alto risco" é veredito. "Exposição" é medida — só vira risco quando cruzada com baixa complementaridade. O resto pode virar ganho de produtividade.
3. Inversão do perfil. A automação clássica ameaçava a base da distribuição educacional. A IA generativa toca o meio e o topo.

Um número de 2017 não responde uma pergunta de 2026.

🔓 O que fazer com isso

A variável que importa, tanto para política pública quanto para carreira, é complementaridade.

Se sua tarefa é alta em exposição e baixa em complementaridade, você é substituível. Se é alta em exposição e alta em complementaridade, você fica mais produtivo — e provavelmente mais bem pago.

A pergunta útil não é "minha ocupação está na lista dos 58%?". É: das tarefas que eu executo, quais a IA faz melhor sozinha e quais ela faz melhor comigo?

Sobre o atlas em si — o Profissões.org.br — vale como mapa de atividades. A metodologia própria dele (Índice de IAtização, seis dimensões, regressão logística com TF-IDF) é interessante para navegar ocupações. Mas o 58,1% que aparece na capa é citação externa ao Vaz et al. (2022) — não é resultado do atlas. O próprio atlas escreve, literal, que "não estima pessoas que perderão o emprego".

Use como mapa. Não como oráculo.

📄 Papers da semana

A curadoria da semana ficou curiosamente alinhada ao tema de hoje: boa parte destes papers está justamente tentando medir o que o debate público prefere anunciar.

• ​Human Capital, AI, and Labor Commoditization — modela como a IA generativa comoditiza habilidades cognitivas e comprime prêmios salariais. Por que importa: é o mecanismo teórico por trás da inversão de perfil que discutimos acima — a IA tocando o meio e o topo da distribuição educacional. (NEP-AIN, 01/06/2026)
• ​Will AI Broadly Raise Living Standards or Drive Income and Wealth Inequality? — discurso do Fed sobre a distribuição dos ganhos da IA. Por que importa: o eixo macro-distributivo da mesma pergunta, vindo de quem decide juros. (NEP-PAY, 14/07/2026)
• ​AI Adoption in S&P 500 Firms — mapeia adoção de IA generativa nas listadas e correlações com produtividade. Por que importa: o capex trilionário está mesmo virando produtividade? (NEP-AIN, 01/07/2026)
• ​AI Premium — documenta o prêmio de mercado embutido em ações expostas a IA e testa sua persistência. Por que importa: calibra a conversa de bolha com valuation ajustado por narrativa. (NEP-AIN, 01/06/2026)
• ​Assessing the Benefits of Optimized Agentic AI Systems for Asset Pricing — NBER avalia ganhos de sistemas agênticos em previsão de retornos. Por que importa: separa retórica de evidência no hype de multi-agente. (NEP-AIN, 01/07/2026)
• ​The Future of AI in Capital Markets — panorama do CEPR sobre IA generativa em mercados de capitais e risco sistêmico. Por que importa: conecta capex e bolha a efeitos estruturais na intermediação financeira. (NEP-AIN, 01/10/2025)
• ​Harnessing Artificial Intelligence for Monitoring Financial Markets — LLMs e machine learning no monitoramento de mercados em tempo real. Por que importa: referência acadêmica para o papel da IA em dados alternativos e sinais de mercado. (NEP-AIN, 01/10/2025)
• ​Data, Power and Emissions: The Environmental Cost of AI — estima demanda de energia e emissões da expansão de data centers. Por que importa: liga o boom de capex a preços de energia e inflação de commodities. (NEP-AIN, 01/09/2025)

📊 Modelo da semana — DSGE

A economia inteira num sistema de equações — o que bancos centrais usam.

O DSGE (Dynamic Stochastic General Equilibrium) representa a economia como sistema de equações derivadas do comportamento otimizador de agentes: famílias que escolhem consumo e trabalho, firmas que fixam preços, banco central que segue regra de juros. Dinâmico (ao longo do tempo), estocástico (choques aleatórios), equilíbrio geral (todos os mercados se ajustam juntos).

A intuição: o comportamento agregado emerge de decisões microeconômicas explícitas. As famílias reagem hoje ao que esperam do futuro, e essa antecipação muda o efeito de qualquer política. Por partir de fundamentos, resiste melhor à crítica de Lucas.

E é o contraponto elegante ao Frey-Osborne. O DSGE parte de fundamentos (preferências, tecnologia) justamente para sobreviver a mudanças de regime. Aplicar probabilidades americanas de 2013 a ocupações brasileiras de 2017 e projetar 20 anos à frente é o oposto — uma relação reduzida, estimada num regime, extrapolada para outro.

A crítica de Lucas vale para previsão de automação também. Coeficiente estimado num mundo sem ChatGPT não sobrevive intacto num mundo com ChatGPT.

📘 Livros da semana — Inferência causal para economistas

Separar correlação de causa: o que todo analista de dados precisa dominar.

Não é coincidência com o tema de hoje. Esta edição inteira é sobre medir a coisa certa — e o estudo do IBRE usa diferenças-em-diferenças dinâmico — desenho quase-experimental de inferência causal — justamente para não confundir "estar exposto à IA" com "perder o emprego por causa dela". Frey-Osborne não estima efeito causal nenhum: estima capacidade técnica de automação.

A diferença entre as duas coisas é a diferença entre a lista abaixo e um chute.

• ​Causal Inference in Python — Matheus Facure (2023) · O'Reilly Media
• ​Causal AI — Robert Ness (2025) · Manning
• ​Causal Inference and Discovery in Python — Aleksander Molak (2023) · Packt
• ​Causal Inference for Data Science — Aleix Ruiz de Villa (2025) · Manning
• ​Causal Inference in R — Subhajit Das (2024) · Packt

Curadoria O'Reilly Learning.

🧠 Insight final

A pergunta que dominou o debate por uma década — "vou ser substituído?" — é a pergunta errada. Ela pressupõe ocupação como unidade indivisível e futuro como cenário único.

A pergunta certa, a que os dados de 2026 sabem responder, é outra: minhas tarefas são substituíveis ou complementares? Uma virou risco. A outra virou ganho. Estão nos dois lados da mesma medida de exposição.

Número velho responde pergunta velha. Se você ainda está debatendo os 58,1%, está discutindo o Brasil de 2017 com o método de 2013 — enquanto o Brasil de 2026 já tem espelho próprio.

📎 Material da semana

📄 Resumo da semana (PDF) — o digest completo das newsletters que embasou esta edição.

🎧 Ouça em podcast — esta edição em áudio.

Um abraço,
​Vítor Wilher​
Análise Macro

A verdade está nos dados.