15 de setembro de 2026
Inteligência Artificial como Agente de Transformação no Mercado de Trabalho
Maria Izabel Cardoso da Costa; Lidiane Mendes Barbosa
DOI: 10.22167/2675-6528-202602270
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A ascensão da Quarta Revolução Industrial, impulsionada pela Inteligência Artificial (IA) generativa, alterou profundamente a relação entre capital e trabalho ao automatizar tarefas cognitivas não rotineiras. O objetivo geral consistiu em analisar as percepções de profissionais operacionais de diferentes setores sobre o impacto da IA no mercado de trabalho, identificando tendências e desafios. A metodologia empregou pesquisa exploratória e descritiva, com abordagem quantitativa por meio de um survey. O instrumento de coleta de dados foi um questionário estruturado, aplicado a 124 respondentes, utilizando escalas Likert e de múltipla escolha. Os resultados demonstraram um estágio avançado de adoção tecnológica (74,2%), caracterizando a amostra como “early adopters”. Identificou-se que o ganho de eficiência liberou entre uma e oito horas semanais para a maioria, embora subsistam barreiras críticas como a falta de treinamento e preocupações éticas. Notou-se uma resistência significativa ao gerenciamento algorítmico e à substituição do julgamento humano em decisões críticas, como no conceito de “Hospital Agente”. Apesar do otimismo quanto à produtividade, a sustentabilidade da força de trabalho depende de políticas urgentes de “reskilling” e da preservação da agência humana. A supervisão humana permaneceu indispensável em áreas que exigem empatia e responsabilidade moral.
Palavras-chave: Automação; Competências Digitais; Ética Tecnológica; Mercado de Trabalho.
1. Introdução
A história da humanidade é marcada por grandes avanços tecnológicos que, desde a Revolução Industrial, levantam preocupações sobre o futuro do emprego e o impacto da automação. Contudo, esses progressos não apenas impulsionaram o crescimento econômico, mas também geraram novas tarefas e oportunidades de trabalho, conforme apontado por Acemoglu e Restrepo (2018) e Brynjolfsson et al. (2018). Cada nova onda tecnológica intensifica esses debates, como observado por Gmyrek et al. (2023).
Enquanto as tecnologias do século XX afetaram predominantemente os trabalhadores manuais, os avanços a partir de 2010, especialmente em Machine Learning, têm focado na capacidade dos computadores de executar tarefas cognitivas e não rotineiras. Essa mudança profunda está remodelando a relação entre capital e trabalho, conforme discutido por Acemoglu e Restrepo (2018), Agarwal et al. (2018), Acemoglu et al. (2022) e Gmyrek et al. (2023).
A trajetória das revoluções industriais, da máquina a vapor (Primeira Revolução Industrial) ao trabalho fordista (Segunda Revolução Industrial) e à era digital (Terceira Revolução Industrial), culminou na atual Quarta Revolução Industrial, ou Indústria 4.0 (Marx, 1996; Carvalho e Pinho, 2009; Pereira et al., 2023). Esta era é caracterizada por tecnologias como a Inteligência Artificial, a robótica e a Internet (Schwab, 2016; Pereira et al., 2023), que rompem barreiras entre os mundos físico e virtual, impactando o mercado de trabalho e apresentando riscos para empregos repetitivos ou de baixa qualificação (Quintela, 2018).
No centro dessa nova era, a Inteligência Artificial (IA) emerge como um agente de transformação paradigmático. Impulsionada por técnicas de aprendizado de máquina e vastos conjuntos de dados (Acemoglu et al., 2022; Patil et al., 2024), a IA se estabelece como um novo fator de produção que amplifica tanto o trabalho quanto o capital (Acemoglu et al., 2022). Tecnicamente, a IA é conceituada como um sistema que percebe o ambiente e atua sobre ele para atingir objetivos específicos (Russell et al., 2019; Felten et al., 2018; Felten et al., 2019). Esse cenário gera visões contrastantes: enquanto alguns preveem um futuro com menos empregos, outros a veem como um meio de aumentar a produtividade e aprimorar a experiência de trabalho (Agarwal et al., 2018; Acemoglu et al., 2022; Patil et al., 2024).
Embora a automação de tarefas repetitivas já gerasse preocupações sobre o deslocamento de empregos (Patil et al., 2024; Virgílio e López, 2021), a ascensão da IA generativa expande a automação para tarefas cognitivas não rotineiras, criando eficiências antes inatingíveis (Gmyrek et al., 2023; Patil et al., 2024). Essa inovação, no entanto, levanta sérias preocupações sobre o potencial de deslocamento de mão de obra, a estabilidade econômica e a equidade social (Russell et al., 2019; Occhipinti et al., 2025). Os impactos na empregabilidade ainda são incertos (Zhang et al., 2021), e a crescente acessibilidade da tecnologia tem gerado ansiedade em relação à IA (Agarwal et al., 2018; Gmyrek et al., 2023; Lund et al., 2024; Patil et al., 2024).
Para além dos impactos diretos no mercado de trabalho, o avanço tecnológico intensifica a preocupação com o aumento da desigualdade de renda (Zhang et al., 2021; Lohr, 2022; Patil et al., 2024). Estima-se que, até 2030, a requalificação profissional será necessária para uma parcela significativa de trabalhadores a fim de atender às novas demandas do mercado (Manika et al., 2017; Russell et al., 2019; Zhang et al., 2021; Lohr, 2022; Patil et al., 2024). Os impactos da IA no emprego e nos salários em nível de indústria ou ocupação ainda são muito pequenos para serem detectados de forma conclusiva (Felten et al., 2018; Felten et al., 2019), e as consequências socioeconômicas, como o aprofundamento da desigualdade de renda e o surgimento de uma “divisão digital” entre nações, permanecem como questões abertas e críticas (Schwab, 2016; Lohr, 2022).
Diante desse cenário de rápidas transformações e incertezas, torna-se fundamental compreender como os profissionais percebem o impacto da Inteligência Artificial em suas rotinas e carreiras. Esta pesquisa tem o objetivo de analisar as percepções de profissionais operacionais de diferentes setores sobre o impacto da Inteligência Artificial no mercado de trabalho, identificando as principais tendências, desafios e transformações nas exigências de qualificação profissional.
2. Material e Métodos
O estudo adotou uma abordagem quantitativa, caracterizando-se como um Survey (levantamento) de natureza exploratória e descritiva. A dimensão exploratória buscou familiarizar-se com o fenômeno investigado, enquanto a descritiva teve como objetivo identificar padrões, tendências e percepções dos profissionais em relação ao uso da Inteligência Artificial (IA) no mercado de trabalho (Sampieri; Collado; Lucio, 2013; Marconi; Lakatos, 2017; Veiga et al., 2021; Gil, 2019; Mattar, 2022; Fink, 2003; Vergara, 2021).
O instrumento de coleta de dados foi um questionário estruturado (Apêndice I), composto por 21 questões e elaborado a partir da adaptação de escalas e indicadores validados em estudos anteriores (Malhotra, 2012; Creswell, 2014; Schultz, 1961; Becker, 1965; Bandura, 1977; Frey e Osborne, 2013; Davenport, 2019; WEF, 2020). O questionário foi dividido em três eixos temáticos: Bloco 1 (Perfil do Respondente), com 5 questões de múltipla escolha para caracterização sociodemográfica e profissional; Bloco 2 (Percepções sobre os Impactos da IA), com 9 questões sobre transformações na rotina e no mercado de trabalho; e Bloco 3 (Preparação e Adaptação), com 7 questões sobre ajuste individual e prontidão organizacional.
A população-alvo compreendeu profissionais operacionais de setores estratégicos, como saúde, educação, tecnologia e negócios. A estratégia de amostragem foi não probabilística por conveniência, utilizando a técnica snowball (bola de neve) (Babbie, 1999; Duarte, 2010; Malhotra, 2012). A divulgação do questionário foi realizada na rede social LinkedIn e complementada por contatos diretos via e-mail com escolas e associações de negócios (Freitas et al., 2000). Para a mensuração das variáveis, empregou-se a Escala Likert de cinco pontos, questões de múltipla escolha e questões de faixa numérica (Likert, 1932; Dalmoro e Andrade, 2013).
Antes da aplicação definitiva, o questionário foi submetido a um pré-teste com um pequeno grupo de 10 profissionais para verificar clareza, objetividade, coerência e adequação das escalas, além de estimar o tempo de resposta. Os dados do pré-teste foram usados exclusivamente para ajustes finos no instrumento.
O questionário foi anônimo e voluntário, assegurando a privacidade e integridade das informações dos participantes. A pesquisa foi dispensada de submissão ao Comitê de Ética em Pesquisa (CEP), conforme a Resolução CNS nº 510, de abril de 2016 (Parágrafo único, Artigo 1º, Inciso I), por se enquadrar como pesquisa de opinião pública com participantes não identificados.
Os dados obtidos foram organizados e processados utilizando Google Sheets e Microsoft Excel. A análise consistiu na tabulação das respostas para apresentação dos resultados em termos percentuais, identificando a distribuição das opiniões e percepções dos participantes em cada bloco do questionário. Devido à amostragem não probabilística, os resultados refletem as respostas do grupo pesquisado, fornecendo uma compreensão preliminar sobre o impacto da IA no contexto investigado.
3. Resultados e Discussão
Foram coletadas 124 respostas, com 100% de adesão dos respondentes aos termos da pesquisa. Os dados do Bloco 1 revelaram um perfil de alta escolaridade, com 41,13% dos participantes possuindo pós-graduação (lato sensu ou MBA), 33,87% graduação e 13,71% mestrado.
Figura 1. Nível de escolaridade dos respondentes
Fonte: Resultados originais da pesquisa
Conforme a Figura 1, a maioria (56,45%) dos respondentes possui pós-graduação ou nível superior, o que é um preditor de menor ansiedade em relação à IA e maior recepção tecnológica (Lund et al., 2024; Patil, 2024). Esses profissionais, frequentemente “trabalhadores do conhecimento”, veem a IA como oportunidade de inovação, demandando letramento digital e senso crítico (Pereira et al., 2023; Patil, 2024; WEF, 2025).
A Figura 2 evidencia uma distribuição heterogênea dos respondentes por área de atuação, com predominância de Administração/Gestão (28,23%), seguida por Marketing/Vendas (11,29%) e Tecnologia/TI/Dados (7,26%), além de 33,06% em outras categorias. Esse padrão reforça o caráter transversal da Inteligência Artificial como tecnologia de propósito geral.
Figura 2. Área de atuação principal dos respondentes.
Fonte: Resultados originais da pesquisa
O avanço da IA generativa desloca a automação para atividades cognitivas não rotineiras (Occhipinti, 2025), ampliando a exposição de áreas como negócios, finanças e marketing (Gmyrek et al., 2023; Mainardi et al., 2024; Occhipinti, 2025; WEF, 2025). Profissionais em funções intensivas em conhecimento, como financistas e programadores, mostram maior suscetibilidade à integração com IA devido à natureza analítica e repetitiva de suas atividades (PIE, 2024; WEF, 2025). O impacto principal da IA, contudo, reside na ampliação da produtividade e eficiência operacional, em um modelo de complementaridade entre humanos e máquinas (Gmyrek et al., 2023; McKinsey, 2023).
Em termos hierárquicos, a amostra concentra-se em Analistas/Especialistas (29,84%) e Proprietários/Sócios/Autônomos (23,39%), com cargos de gestão somando 30,64%.
Figura 3. Nível hierárquico atual dos respondentes.
Fonte: Resultados originais da pesquisa
Essa composição, conforme a Figura 3, indica um público estratégico e técnico diretamente envolvido em decisões sobre automação (Occhipinti, 2025; WEF, 2025). A evolução tecnológica tende a substituir tarefas repetitivas, não ocupações integrais (Mainardi et al., 2024), exigindo que profissionais se direcionem a atividades de alta especialização que demandam competências humanas como liderança e senso crítico (Gmyrek et al., 2023). A predominância de líderes e especialistas na amostra sugere que a governança da IA é uma prioridade estratégica nas organizações analisadas (Occhipinti, 2025; WEF, 2025).
Quanto ao porte organizacional, a amostra apresenta equilíbrio entre profissionais de Micro/Pequenas empresas (40,32%) e de Grande porte (35,48%).
Figura 4. Porte da organização onde os respondentes atuam.
Fonte: Resultados originais da pesquisa
Os dados da Figura 4 desafiam o paradigma de que tecnologias de ponta são exclusivas de grandes corporações (IOE, 2024). A IA Generativa, com sua alta acessibilidade e baixo custo (Patil, 2024), tornou-se vital para PMEs otimizarem processos e inovarem (IOE, 2024; Occhipinti, 2025; WEF, 2025), possibilitando que pequenos negócios a adotem em proporções equivalentes às grandes organizações (Agarwal et al., 2018; Gmyrek et al., 2023; Lund et al., 2024).
A análise da familiaridade com a Inteligência Artificial revela alta adoção: 74,19% dos respondentes já a utilizam em suas rotinas, enquanto 21,77% ainda não possuem contato prático com a tecnologia.
Figura 5. Familiaridade com IA
Fonte: Resultados originais da pesquisa
Conforme a Figura 5, os dados corroboram a rápida penetração de modelos de linguagem em atividades corporativas (Gmyrek et al., 2023; IOE, 2024). Contudo, a adoção desigual pode ampliar lacunas de produtividade, tornando o letramento digital indispensável para evitar a obsolescência de habilidades (Patil, 2024). Programas de requalificação (reskilling e upskilling) são essenciais para a sustentabilidade da força de trabalho (Patil, 2024; IOE, 2024; Mainardi et al., 2024; Occhipinti, 2025).
A análise das atividades com maior potencial de automação destaca a criação de conteúdos (35,48%) e o processamento de dados (32,26%), conforme detalhado na Figura 6.
Figura 6. Função e automatização
Fonte: Resultados originais da pesquisa
A Figura 6 evidencia a expansão da IA generativa para além de tarefas operacionais, alcançando dimensões cognitivas e criativas do trabalho (IOE, 2024; Occhipinti, 2025). Essa transformação está associada a uma percepção otimista do futuro profissional, na qual 76,6% dos respondentes acreditam que a IA atuará como catalisadora de novas funções.
Figura 7. IA como catalisador de novas funções
Fonte: Resultados originais da pesquisa
Os dados da Figura 7 revelam um público predominantemente otimista, alinhado à literatura que prevê novas demandas e ocupações emergentes, especialmente em supervisão, desenvolvimento e governança de sistemas inteligentes (Gmyrek et al., 2023; IOE, 2024; McKinsey, 2023). Quanto aos ganhos de eficiência, 41,13% dos respondentes relatam economia de 1 a 3 horas semanais e 23,39% economizam entre 4 e 8 horas.
Figura 8. Redução do tempo gasto em tarefas rotineiras.
Fonte: Resultados originais da pesquisa
Os resultados da Figura 8 evidenciam o fenômeno de “aumentação” do trabalho, onde a IA complementa capacidades humanas, automatizando tarefas rotineiras e liberando tempo para atividades estratégicas (Davenport e Kirby, 2016; IOE, 2024), consolidando-se como vetor de produtividade e crescimento econômico (McKinsey, 2023; Goldman Sachs, 2023).
Todavia, a materialização desses benefícios exige superar barreiras estruturais, sendo as principais Preocupações com Segurança e Ética (33,87%) e a Falta de Treinamento (28,23%).
Figura 9. Barreiras para adaptar a IA
Fonte: Resultados originais da pesquisa
De acordo com a Figura 9, o déficit de competências (skills gap) é o maior entrave à transformação dos negócios (IOE, 2024), enquanto o uso corporativo da tecnologia impõe dilemas críticos sobre privacidade e vieses algorítmicos. O potencial transformador da IA depende da capacidade organizacional de promover uma “IA responsável”, fundamentada em governança e transparência (Gmyrek et al., 2023; Mainardi et al., 2024). A percepção desses desafios reflete-se na busca por competitividade, com 29,84% dos respondentes considerando o domínio da IA essencial para a relevância profissional.
Figura 10. Conhecimento e competitividade
Fonte: Resultados originais da pesquisa
Conforme a Figura 10, a demanda por novas competências é central, destacando-se o Pensamento Crítico (58,1%) e o Prompt Engineering (41,1%) como habilidades vitais.
Figura 11. Habilidades Críticas
Fonte: Resultados originais da pesquisa
Os dados da Figura 11 alinham-se às diretrizes do Fórum Econômico Mundial (WEF, 2025), que posiciona o pensamento analítico como competência central para supervisionar decisões automatizadas. O Prompt Engineering reflete a urgência do letramento em IA, embora o diferencial competitivo resida na combinação de competências técnicas com habilidades sociais e inteligência emocional (Davenport, 2020; IOE, 2024; WEF, 2025). Quanto às perspectivas futuras, a maior concentração de respondentes permanece neutra (28,23%), enquanto 23,39% acreditam que a IA trará mais oportunidades que riscos.
Figura 12. Perspectivas futuras
Fonte: Resultados originais da pesquisa
Embora a Figura 12 aponte um otimismo moderado, essa percepção da tecnologia como aliada alinha-se à projeção de novos postos em governança e análise de dados (Acemoglu e Restrepo, 2019). Essa ambivalência encontra lastro na identificação das tarefas mais passíveis de automação, como geração de relatórios e análise de dados (33,06%).
Figura 13. Tarefas Rotineiras e suas automatizações
Fonte: Resultados originais da pesquisa
Conforme a Figura 13, essas tarefas técnicas são o foco imediato da automação. Contudo, a percepção de riscos revela uma preocupação relevante com a ampliação das desigualdades sociais (26,61%).
Figura 14. IA e a desigualdade social
Fonte: Resultados originais da pesquisa
Os dados da Figura 14 dialogam com a literatura clássica, que argumenta que os ganhos de produtividade tecnológicos raramente são distribuídos de forma equitativa (Frey e Osborne, 2013; Acemoglu e Restrepo, 2019). Para mitigar essa “divisão digital”, tornam-se indispensáveis políticas de requalificação contínua da força de trabalho (Gmyrek et al., 2023; Mainardi et al., 2024; Occhipinti, 2025).
No Bloco 3, focado no suporte institucional e desenvolvimento de competências, observa-se uma lacuna crítica: 43,5% dos respondentes não dedicaram tempo a treinamentos em IA nos últimos 12 meses, enquanto apenas 14,5% investiram mais de três dias em formação.
Figura 15. Investimento individual em treinamento formal em IA
Fonte: Resultados originais da pesquisa
Este baixo engajamento individual correlaciona-se diretamente à carência no ambiente corporativo, onde 34,68% dos profissionais sentem-se totalmente desamparados por suas organizações quanto ao fornecimento de recursos e capacitação.
Figura 16. Recursos e treinamentos fornecidos pela organização
Fonte: Resultados originais da pesquisa
Conforme as Figuras 15 e 16, o cenário ilustra o skills gap (lacuna de habilidades), apontado globalmente como a principal barreira à transformação dos negócios (Drucker, 1954; IOE, 2024; WEF, 2025). A falta de competências é citada por 63% dos empregadores como o maior entrave para os próximos anos (WEF, 2025), e menos da metade dos trabalhadores globais recebe orientação adequada (IOE, 2024). Assim, os dados confirmam a necessidade premente de estratégias de reskilling e upskilling, sob risco de obsolescência tecnológica (Brynjolfsson e McAfee, 2014; Patil, 2024; Mainardi et al., 2024).
No que tange aos riscos, 28,23% dos profissionais identificam falhas na gestão da mudança — como carência de comunicação e treinamento — como o principal obstáculo institucional.
Figura 17. Riscos na adoção da IA
Fonte: Resultados originais da pesquisa
Em contrapartida, observa-se uma tendência moderada à inovação: 33,06% dos respondentes percebem um incentivo neutro e 25,81% sentem que a cultura organizacional estimula ativamente a experimentação.
Figura 18. Incentivo as ferramentas de IA
Fonte: Resultados originais da pesquisa
De acordo com as Figuras 17 e 18, a identificação da gestão da mudança como gargalo reflete uma barreira global, onde a resistência cultural e estrutural é um dos maiores entraves, pois a IA exige reconfiguração de processos e mentalidades (Schein, 1992; Kotter, 1996; Patil, 2024). O incentivo ainda em transição reforça a urgência de promover uma “cultura de inovação” para garantir a competitividade na era da inteligência artificial (WEF, 2025).
No tocante à disposição para novos modelos de trabalho, observa-se resistência significativa à perda de autonomia: 31,5% dos respondentes rejeitam categoricamente a supervisão integral por IA, enquanto apenas 7,3% demonstram aceitação plena.
Figura 19. Aceitação de supervisão por IA
Fonte: Resultados originais da pesquisa
Em contrapartida, a percepção de preparação individual para as transformações na carreira é mais positiva: 30,6% situam-se em nível intermediário e 29,8% sentem-se consideravelmente preparados.
Figura 20. Preparação para o futuro
Fonte: Resultados originais da pesquisa
A análise das Figuras 19 e 20 evoca o debate sobre o “gerenciamento algorítmico”, no qual algoritmos assumem a atribuição de tarefas humanas (Davenport e Kirby, 2016; Gmyrek et al., 2023). A rejeição evidenciada corrobora que ganhos de produtividade não são aceitáveis quando comprometem a agência humana (IOE, 2024; WEF, 2025).
O conceito de “Hospital Agente” — sistemas de IA para decisões clínicas sem intervenção humana — revelou uma barreira ética: 38,71% dos participantes discordam totalmente dessa autonomia, enquanto apenas 7,26% manifestam confiança plena.
Figura 21. Nível de confiança em diagnósticos e decisões médicas por IA
Fonte: Resultados originais da pesquisa
Conforme a Figura 21, embora a amostra encare a tecnologia como oportunidade de inovação (Lund et al., 2024), a rejeição a esse modelo estabelece a fronteira final da adoção: profissionais aceitam a IA para eficiência, mas a recusam quando ela substitui o julgamento humano em decisões críticas. Esse ceticismo é explorado pelo fenômeno da “caixa-preta”, que gera desconfiança devido à opacidade dos algoritmos. Para o WEF (2025), a supervisão humana permanece indispensável em áreas que demandam empatia e julgamento nuançado, reafirmando que a tecnologia deve servir como suporte, e não como substituta da responsabilidade ética.
A Tabela 1 sintetiza a correlação analítica dos dados obtidos, revelando um cenário de autodesenvolvimento resiliente. Enquanto os Blocos 1 e 2 demonstram que os profissionais estão extraindo ganhos de produtividade e dominando habilidades, o Bloco 3 expõe a fragilidade das organizações, onde a falta de suporte e de treinamento formal cria um risco estratégico. Em suma, o avanço da IA na amostra é liderado pelo indivíduo, e não pela instituição, o que gera o receio ético e a resistência à supervisão totalmente automatizada identificados nas questões finais.
Tabela 1. Correlação Analítica (N=124)
| Dimensão de Análise | Perfil Predominante (N=124) | Indicador Estratégico Relacionado |
|---|---|---|
| Escolaridade | Alta (56,45% com pós-graduação ou superior) | Menor ansiedade tecnológica / Melhor recepção da IA. |
| Hierarquia de Cargos | Estratégica e Técnica (30,64% gestão; 29,84% Analistas/Especialistas) | Publico com alto poder de decisão e exposição direta à automação. |
| Porte da Empresa | Equilibrado (40,32% PMEs vs. 35,48% Grandes Empresas) | Democratização tecnológica: IA é viável e vital para sobrevivência de PMEs. |
| Familiaridade com IA | Alta Adoção (74,2% utilizam ativamente) | Rápida penetração corporativa. Letramento é indispensável para evitar obsolescência. |
| Áreas de Maior Risco de Automação | Criação de Conteúdos (35,48%) e Processamento de Dados (32,26%) | Expansão da IA para dimensões cognitivas e criativas. Mudança estrutural do trabalho intelectual. |
| Percepção de Ganhos de Eficiência | Evidente (41,13% economizam 1-3h/semana) | Fenômeno de “Aumentação” do trabalho: IA como complemento às capacidades humanas. |
| Habilidades Vitais (Skills Gap) | Pensamento Crítico (58,1%) e Prompt Engineering (41,1%) | Urgência de letramento em IA. Diferencial competitivo é a união de técnico e humano. |
| Engajamento em Treinamento | Baixo (43,5% não treinaram nos últimos 12 meses) | Correlaciona-se com o sentimento de desamparo institucional (skills gap). |
| Percepção de Risco Institucional | Falhas na Gestão da Mudança (28,23% – comunicação/treinamento) | Resistência cultural é o maior gargalo. Necessidade de uma ‘cultura de inovação’. |
| Disposição ao Modelo de Trabalho | Rejeição à supervisão automatizada integral (31,5% discordam) | Preocupação com a perda da agência humana e “gerenciamento algorítmico”. |
| Fronteira Ética | Barreira intransponível: Autonomia para decisões críticas (Ex: Hospital Agente – 38,71% recusam) | Profissionais aceitam IA para eficiência, mas a recusam como substituta do julgamento humano moral. |
Fonte: Resultados originais da pesquisa
4. Conclusão
A presente pesquisa teve o objetivo de analisar as percepções de profissionais operacionais de diferentes setores sobre o impacto da Inteligência Artificial no mercado de trabalho, identificando as principais tendências e desafios. Verificou-se que a Inteligência Artificial já se encontra amplamente integrada ao cotidiano desses profissionais, com uma alta taxa de adoção que os caracteriza como “early adopters”. Observou-se que a automação avançou significativamente sobre tarefas cognitivas, como a criação de conteúdos e o processamento de dados, gerando ganhos de produtividade que liberaram entre uma e oito horas semanais para a maioria dos respondentes. Contudo, essa transição revelou barreiras críticas, como a falta de treinamento e preocupações éticas, evidenciando um descompasso entre a velocidade da evolução tecnológica e a capacidade de qualificação da força de trabalho. A principal contribuição do estudo reside na reconfiguração do paradigma de qualificação profissional, que se desloca da execução técnica para a curadoria estratégica, supervisão e tomada de decisão, exigindo a integração da eficiência das máquinas com competências humanas intrinsecamente não automatizáveis.
Apesar do otimismo quanto à produtividade, notou-se uma resistência significativa ao gerenciamento algorítmico e à substituição do julgamento humano em decisões críticas, como exemplificado pelo conceito de “Hospital Agente”, estabelecendo uma fronteira ética para a adoção plena da IA. A sustentabilidade das carreiras depende da preservação da agência humana e da responsabilidade moral, com a supervisão humana permanecendo indispensável em áreas que demandam empatia e discernimento nuançado. Como limitação, esta pesquisa se restringiu à análise de uma amostra não probabilística e de caráter transversal, o que impede a generalização dos resultados para a totalidade do mercado de trabalho brasileiro e não permite acompanhar a evolução das percepções ao longo do tempo. Sugere-se que futuras pesquisas explorem recortes setoriais específicos para identificar disparidades regionais ou por área de atuação, além de realizar estudos longitudinais que acompanhem como o avanço da autonomia da IA impactará a remuneração e a estabilidade dos cargos operacionais a longo prazo.
Referências Bibliográficas
Acemoglu D; Restrepo P. 2018. The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review, Vol. 108, No. 6.
Acemoglu, D.; Autor, D.; Hazell, J.; Restrepo, P.. 2022. “Artificial Intelligence and Jobs: Evidence from Online Vacancies.” Journal of Labor Economics 40 (S1): S293–340. https://doi.org/10.1086/718327.
Agarwal, A.; Gans, J.S.; Goldfarb, A. 2018. Prediction machines: The simple economics of artificial intelligence. Cambridge, MA: Harvard Business Review Press.
Brynjolfsson, E.; Mitchell, T.; Rock, D. 2018. “What can machines learn, and what does it mean for occupations and the economy?” AEA Papers and Proceedings 108:43–47.
Gmyrek, P., Berg, J., Bescond, D. (2023). Generative Al and jobs: A global analysis of potential effects on job quantity and quality. ILO Working Paper 96. Geneva: International Labour Office.
Marx, K. 1996. Maquinaria e grande indústria. In K. Marx. O Capital: crítica da economia política, Vol. 2, p. 7-133, São
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Negócios do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy
