A IA agêntica quebra a premissa por trás de toda previsão de exposição de tarefas

As previsões do mercado de trabalho assumiram que a automação remove tarefas uma a uma e deixa a ocupação de pé. A IA agêntica, que completa fluxos de trabalho inteiros, invalida essa premissa, e uma nova pontuação composta, Exposição de Tarefas Agênticas (ATE), foi criada para medir o que os modelos antigos não conseguem.

Resumo Executivo

Previsões anteriores de automação, incluindo aquelas construídas sobre a estrutura de tarefas de Autor-Levy-Murnane, compartilham uma premissa: a ocupação sobrevive como uma casca de coordenação ao redor do trabalho humano restante.

Sistemas de IA agêntica satisfazem quatro critérios: recebem uma especificação de objetivo, selecionam e invocam ferramentas autonomamente, mantêm o estado ao longo de etapas de inferência e produzem um produto de trabalho concluído sem intervenção humana em etapas intermediárias.

A pontuação ATE combina pontuações de capacidade de IA, fatores de cobertura de fluxo de trabalho e velocidade logística de adoção. Analistas de crédito, juízes e especialistas em sustentabilidade atingem pontuações ATE de 0,43-0,47.

O artigo aplica o ATE a 236 códigos SOC em seis grandes grupos ocupacionais em cinco regiões tecnológicas dos EUA, e se descreve como a primeira aplicação empírica multirregional da estrutura de exposição de tarefas voltada especificamente para sistemas de IA agêntica.

Junto com o deslocamento, o artigo identifica dezessete categorias ocupacionais emergentes, concentradas em colaboração humano-IA, governança de IA e operações de IA específicas de domínio.

As previsões que exageraram #

Robôs industriais de fato deslocaram trabalhadores da manufatura. Eles não fizeram isso no cronograma ou na escala que as previsões iniciais implicavam. Essa frase deveria deixar qualquer pessoa que lê previsões do mercado de trabalho por profissão um pouco cautelosa, porque descreve um padrão: a direção estava certa e a magnitude estava errada.

O número de manchete mais conhecido nessa literatura vem de Frey e Osborne, que pediram a especialistas para pontuar 702 ocupações dos EUA quanto à "computadorizabilidade" geral. O resultado deles foi que 47% das ocupações estavam em alto risco. É um número impressionante, e viajou longe.

Arntz, Gregory e Zierahn mostraram então o que acontece quando a análise desce ao nível da tarefa e leva em conta a heterogeneidade de tarefas dentro de ocupações nominalmente expostas. As estimativas de alto risco caem para 9-14% nos países da OCDE. A distância entre 47% e 9-14% não é uma discordância de arredondamento. Ela reflete uma escolha sobre a unidade de análise, e a escolha move a resposta por um fator de três ou mais.

A fonte é franca ao afirmar que o debate entre estimativas no nível da ocupação e no nível da tarefa não está resolvido. O que o campo alcançou foi um consenso prático: a decomposição no nível da tarefa é necessária, e os rótulos no nível da ocupação são grosseiros demais. Esse consenso é o alicerce sobre o qual o restante do argumento se apoia. É também o alicerce que a IA agêntica coloca sob tensão.

Como funcionam as estruturas de tarefas #

Para ver de onde vem a tensão, ajuda ser preciso sobre o que a tradição de tarefas reivindica.

Autor, Levy e Murnane particionaram tarefas ocupacionais ao longo de dois eixos: rotineiras versus não rotineiras, e cognitivas versus manuais. O argumento deles era que a automação substitui o rotineiro enquanto complementa o não rotineiro. É uma ideia limpa, e deu a trabalhos posteriores um vocabulário para falar sobre quais partes de um emprego uma máquina poderia absorver.

Acemoglu e Restrepo construíram uma estrutura formal em cima disso. Eles modelam o produto como resultado de um contínuo de tarefas alocadas entre capital e trabalho. Em sua formulação, a participação do trabalho sobe ou cai dependendo se a criação de novas tarefas, que eles chamam de canal de reintegração, supera o deslocamento de tarefas. Seguindo-os, a participação do trabalho no valor adicionado é escrita sL = W * L / Y = f(|NL| / |N|), onde W é a taxa salarial, L é o emprego e Y é o produto. Duas forças puxam uma contra a outra, e qual delas vence determina quem captura os ganhos.

Dois outros esforços de medição importam aqui porque transformaram a estrutura em números no nível da ocupação. Felten, Raj e Seamans construíram a pontuação de Exposição Ocupacional à IA (AIOE) vinculando avanços publicados na capacidade de IA à taxonomia de habilidades do O*NET. Eloundou et al. construíram uma medida paralela focada no GPT-4, combinando anotações de trabalhadores de multidão com autoavaliações do GPT-4 no nível da tarefa.

Sua descoberta principal foi que 80% dos trabalhadores dos EUA ocupam empregos onde pelo menos 10% das tarefas estão expostas a LLMs. A exposição mais pesada estava concentrada entre ocupações de altos salários que exigem diploma universitário. Esse resultado vai contra a intuição mais antiga de que a automação atinge primeiro o trabalho rotineiro e de menor salário, e explica por que a questão dos trabalhadores de colarinho branco tornou-se urgente.

O ponto cego que toda estrutura compartilha #

A fonte faz uma afirmação incisiva sobre todo esse trabalho. Toda estrutura citada compartilha um ponto cego arquitetural: elas modelam a automação como eliminando tarefas individuais enquanto a ocupação permanece intacta. Quase todas as previsões, incluindo aquelas construídas sobre a estrutura de tarefas de Autor-Levy-Murnane, compartilham a premissa de que a automação elimina tarefas uma de cada vez e a ocupação sobrevive como uma casca de coordenação ao redor do trabalho humano restante.

Essa é uma premissa sobre estrutura, não sobre tecnologia. Ela não diz nada a respeito de quão capaz a máquina é. Ela diz que, por mais tarefas que a máquina assuma, alguém ainda precisa manter o restante unido.

O paralegal torna o ponto concreto. Uma análise de exposição de tarefas pode sinalizar 80% das tarefas de um paralegal como expostas a LLMs e ainda assim concluir que a ocupação está segura, porque coordenar essas tarefas exige julgamento humano. A conclusão decorre da premissa da casca. As tarefas estão expostas, mas a costura entre elas não está, então o emprego permanece.

Então vem o movimento chave da fonte: o gargalo de coordenação que protegia o papel do paralegal está agora dentro do módulo de planejamento do agente. Se isso se sustenta, o raciocínio que mantinha o paralegal seguro deixa de funcionar. A proteção vinha da coordenação. A coordenação é exatamente o que um sistema agêntico faz.

Acho que esta é a ideia mais útil do artigo, e merece ser considerada em seus próprios termos. As estruturas mais antigas não estão erradas sobre as tarefas. Elas estão erradas sobre o que resta depois que as tarefas se vão. Uma medida que pontua tarefas uma por uma não consegue enxergar um sistema que lida com a sequência como uma unidade.

O que conta como agêntico #

Se o argumento depende de uma distinção, a distinção precisa de uma definição. A fonte fornece uma com quatro critérios. Um sistema de IA agêntica é aquele que:

recebe uma especificação de objetivo em vez de uma especificação de tarefa;
seleciona e invoca ferramentas autonomamente para perseguir o objetivo;
mantém o estado ao longo de múltiplas etapas de inferência; e
produz um produto de trabalho concluído sem intervenção humana em etapas intermediárias.

Esta é uma lista que vale a pena manter como lista, porque os critérios são discretos e cada um pode ser verificado. Um sistema que responde a um prompt falha no primeiro. Um sistema que precisa que uma pessoa aprove cada etapa intermediária falha no quarto.

Em termos mais simples, um agente recebe um objetivo, seleciona ferramentas, executa um plano de múltiplas etapas, verifica sua própria saída e entrega um produto de trabalho finalizado. Sistemas agênticos encadeiam chamadas de ferramentas, mantêm memória persistente ao longo das etapas, planejam sequências de múltiplas ações e se autocorrigem quando saídas intermediárias falham nas verificações de qualidade.

O detalhe da autocorreção importa mais do que parece à primeira vista. Um pipeline que quebra quando uma etapa falha ainda precisa de um humano por perto. Um sistema que percebe uma verificação de qualidade fracassada e tenta novamente absorveu parte da supervisão que costumava justificar a presença do humano.

O artigo define seu tema desta forma: agentes de IA autônomos capazes de completar fluxos de trabalho ocupacionais inteiros em vez de tarefas discretas. A palavra "inteiros" carrega o peso. Todo o argumento é sobre a lacuna entre uma tarefa discreta e um fluxo de trabalho completo.

Por que o momento é agora #

A fonte oferece dois tipos de evidência de que a questão não é hipotética. O primeiro diz respeito à capacidade. Modelos da classe do GPT-4 atingiram ou superaram os limiares de pontuação de aprovação no exame da ordem dos advogados e no Exame de Licenciamento Médico dos EUA, e ficaram a poucos pontos percentuais de passar no CFA Nível I. Esses são exames de credenciamento para profissões que restringem a entrada precisamente porque o trabalho é difícil.

O segundo diz respeito à implantação. Grandes fornecedores de tecnologia corporativa, incluindo Amazon, Microsoft, Salesforce, ServiceNow e Workday, divulgaram implantações agênticas em produção tocando fluxos de trabalho de colarinho branco em suas teleconferências de resultados e apresentações a investidores de 2024. Estas são implantações em produção, não demonstrações de pesquisa, e foram anunciadas a investidores em vez de acadêmicos.

A fonte lê essas divulgações como o tipo que as empresas fazem apenas quando as implantações já estão afetando o planejamento do quadro de funcionários. A fonte enquadra isso como uma interpretação, não uma medição, e deve ser mantida como tal. Nada no registro que recebi relata números de quadro de funcionários diretamente. Mas a inferência é razoável: as empresas não costumam colocar uma implantação diante dos investidores a menos que ela importe para a base de custos.

Junte os dois e o argumento para uma nova medida é direto. A capacidade por si só não forçaria a questão, e tampouco alguns pilotos. A capacidade que já está cruzando limiares profissionais, em sistemas que já estão em produção, força.

A pontuação ATE: o que ela mede e o que não mede #

A resposta do artigo é a pontuação de Exposição de Tarefas Agênticas. É uma métrica composta que estende a estrutura de deslocamento de tarefas de Acemoglu-Restrepo para levar em conta a cobertura de fluxo de trabalho de ponta a ponta, os benchmarks atuais de capacidade de IA agêntica e a velocidade de adoção corporativa. A pontuação mede o grau em que uma ocupação o está exposta ao deslocamento de ponta a ponta por sistemas atuais de IA agêntica.

Três ingredientes entram na conta: pontuações de capacidade de IA, fatores de cobertura de fluxo de trabalho e velocidade logística de adoção. O fator de cobertura de fluxo de trabalho é a peça que aborda diretamente o ponto cego. A fonte diz que o que falta em trabalhos anteriores é uma medida de se a composição completa do fluxo de trabalho de uma ocupação se encaixa dentro do envelope operacional da IA agêntica, e formaliza isso como o fator de cobertura de fluxo de trabalho. As pontuações mais antigas perguntam se uma tarefa está exposta. Esta pergunta se todo o fluxo de trabalho cabe dentro do que um agente pode fazer.

Duas outras peças da construção são especificadas. O termo wo,t é a relevância ponderada pela importância da tarefa t na ocupação o, extraída das classificações de importância de tarefas do O*NET. E CAP(t), o termo de capacidade, é estimado a partir da literatura de benchmarks de IA e relatórios de implantação de profissionais. Assim, a importância da tarefa vem de um banco de dados ocupacional padrão, enquanto a capacidade vem de duas fontes: benchmarks e relatórios de campo.

O artigo é explícito sobre o método, e o leitor deve cobrá-lo por isso. As pontuações ATE são calculadas algoritmicamente a partir de dados de tarefas do O*NET usando parâmetros de adoção calibrados; elas não são estimativas de regressão. Isso tem consequências práticas. Uma estimativa de regressão vem com o aparato usual de erros padrão e argumentos de identificação. Um composto algorítmico calibrado não, e suas saídas são projeções derivadas de modelo, uma expressão que o próprio artigo usa para seus números de deslocamento. Elas descrevem o que o modelo implica sob seus parâmetros. Elas não relatam o que aconteceu.

Eu diria que esse é um enquadramento honesto, e é o correto para um problema de previsão onde a coisa sendo prevista ainda não ocorreu. Um composto construído a partir de entradas declaradas pode ser inspecionado, questionado e recalibrado. Se alguém discorda sobre a velocidade de adoção, sabe qual botão girar.

Onde o modelo a aplica #

A aplicação empírica é ampla. O artigo aplica a estrutura ATE a 236 códigos da Classificação Ocupacional Padrão (SOC) abrangendo seis grandes grupos ocupacionais, gerando projeções de deslocamento derivadas do modelo em cinco grandes regiões tecnológicas dos Estados Unidos para o período de 2025-2030. As cinco regiões são a Área da Baía de São Francisco, Seattle-Tacoma-Bellevue, Austin-Round Rock, Nova York-Newark e Boston-Cambridge.

O artigo descreve isso como a primeira aplicação empírica multirregional da estrutura de exposição de tarefas voltada especificamente para sistemas de IA agêntica. Essa é uma reivindicação de prioridade feita pelos autores, e não posso verificá-la a partir do material diante de mim. O que posso dizer é que o desenho regional é uma resposta sensata a um problema que os estudos de nível nacional compartilham: a exposição é uma propriedade das ocupações, mas a adoção é uma propriedade de lugares e empresas.

Nos resultados que a fonte fornece, analistas de crédito, juízes e especialistas em sustentabilidade atingem pontuações ATE de 0,43-0,47. O agrupamento merece um segundo olhar. Um analista de crédito, um juiz e um especialista em sustentabilidade não se parecem entre si em treinamento, remuneração ou trabalho diário. O que eles têm em comum, segundo o relato do artigo, é uma pontuação na mesma faixa. Eu leria isso como um ponto contra qualquer classificação preguiçosa de empregos em "seguros" e "em risco" por setor ou por criatividade percebida.

Eu também resistiria a ler mais no número do que a fonte suporta. O material que tenho dá a faixa para essas três ocupações e não diz como ela se compara com o restante dos 236 códigos. Portanto, o número mostra que esses papéis estão substancialmente expostos na escala do artigo. Ele não mostra que são os mais expostos.

As descobertas regionais vêm com uma ressalva que vale a pena repetir. O artigo afirma que os efeitos na força de trabalho de Seattle em 2026-2027 antecipam o que a força de trabalho nacional não técnica mais ampla experimentará em 2028-2030. Essa é uma previsão com uma defasagem declarada, e é condicional. Lê-se como uma hipótese que o modelo produz, e não deve ser tomada como um fato estabelecido. Mas é um tipo útil de afirmação, porque é específica o suficiente para estar errada. Se o padrão inicial de Seattle não se transferir para a força de trabalho não técnica nacional até 2028, o modelo tem um problema que não pode explicar facilmente.

O lado da reintegração no registro #

Uma pontuação de deslocamento por si só conta metade da história de Acemoglu-Restrepo. Na estrutura deles, a participação do trabalho depende de a criação de novas tarefas superar o deslocamento. Um artigo que estendesse a estrutura e medisse apenas o deslocamento teria abandonado a parte dela que dá tensão à estrutura.

O artigo não faz isso. Ele identifica categorias ocupacionais onde a IA agêntica cria efeitos de reintegração: novos papéis que não existiam antes que a implantação agêntica criasse demanda por supervisão humana, governança e colaboração em escala. No total, identifica dezessete categorias ocupacionais emergentes que se beneficiam de efeitos de reintegração. Elas estão concentradas em papéis de colaboração humano-IA, governança de IA e operações de IA específicas de domínio.

O mecanismo é fácil de acompanhar. Se os agentes executam fluxos de trabalho de ponta a ponta, alguém precisa supervisioná-los, definir as regras sob as quais operam e trabalhar ao lado deles. Essas necessidades não existiam como empregos porque ainda não havia nada para supervisionar.

A fonte não me diz quantas pessoas essas dezessete categorias empregariam, nem se o crescimento delas compensaria o deslocamento que as pontuações ATE implicam. Assim, os dados que posso usar deixam a questão central em aberto: se a reintegração supera o deslocamento. Qualquer pessoa que escreva com confiança que sim, ou que não, está indo além das afirmações verificadas. A contribuição do artigo é colocar ambos os lados do registro na mesma estrutura e nomear onde os novos papéis aparecem.

O que tirar disso #

Há uma lição metodológica e uma prática.

A lição metodológica é que a unidade de análise decide a resposta. O salto de 47% para 9-14% veio da mudança de ocupações para tarefas. O artigo argumenta que um movimento adicional é necessário agora, de tarefas para fluxos de trabalho, porque a coisa sendo automatizada não é mais uma tarefa. Cada vez que a unidade mudou, as estimativas mudaram, e a história do campo sugere que a escolha da unidade merece tanto escrutínio quanto a escolha dos dados.

A lição prática é para qualquer pessoa planejando quadro de funcionários, treinamento ou produtos para os próximos cinco anos. Uma pontuação que diz que 80% das tarefas de um papel estão expostas não é suficiente, porque não diz se os 20% restantes são um núcleo humano durável ou apenas a cola que o módulo de planejamento de um agente agora pode fornecer. O fator de cobertura de fluxo de trabalho existe para fazer essa pergunta diretamente.

A pontuação ATE é um composto com parâmetros calibrados, e suas projeções são derivadas de modelo. Elas são um argumento estruturado sobre 2025-2030, não um registro dele. Essa é uma razão para testá-las em vez de ignorá-las. A hipótese de Seattle oferece um teste inicial: se os efeitos de 2026-2027 lá parecerem como o modelo implica, a defasagem para a força de trabalho não técnica nacional em 2028-2030 torna-se a próxima coisa a observar. E as dezessete categorias de reintegração colocam a questão que as afirmações não podem resolver: se os papéis criados para supervisionar agentes chegarão em números que importem para a participação do trabalho.

Perguntas Frequentes #

Por que estruturas anteriores de exposição de tarefas subestimam o impacto da IA agêntica?

Estruturas anteriores construídas sobre a tradição de Autor-Levy-Murnane assumem que a automação remove tarefas individuais enquanto a ocupação sobrevive como uma casca de coordenação humana. Sistemas de IA agêntica absorvem o planejamento, a invocação de ferramentas, o gerenciamento de estado e as verificações intermediárias de qualidade que anteriormente exigiam um coordenador humano, expondo fluxos de trabalho inteiros em vez de tarefas isoladas.

Como é calculada a pontuação de Exposição de Tarefas Agênticas (ATE)?

O ATE é um composto algorítmico construído a partir de classificações de importância de tarefas do O*NET (wo,t), benchmarks de capacidade de IA e relatórios de implantação de profissionais (CAP(t)), um fator de cobertura de fluxo de trabalho que mede se o fluxo de trabalho completo de uma ocupação cabe dentro do envelope operacional de um agente, e parâmetros calibrados de velocidade logística de adoção em 236 códigos SOC.

O que o estudo descobre em relação à criação de novos empregos (efeitos de reintegração)?

Estendendo o canal de reintegração de Acemoglu-Restrepo, o estudo identifica dezessete categorias ocupacionais emergentes concentradas em colaboração humano-IA, governança de IA e operações de IA específicas de domínio. Se o crescimento nessas categorias compensa o deslocamento no nível do fluxo de trabalho permanece uma questão empírica em aberto.

Referências #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Última revisão 2026-11-01.

Republicar este artigo

A IA agêntica quebra a premissa por trás de toda previsão de exposição de tarefas — Sebastien Rousseau

Modelos de exposição de tarefas tratam uma ocupação como uma casca que sobrevive ao redor do que os humanos ainda fazem. Sistemas agênticos perseguem um objetivo e entregam um trabalho finalizado.

Este artigo está licenciado sob Creative Commons Attribution 4.0 International. A republicação exige atribuição à URL canônica.

A IA agêntica quebra a premissa por trás de toda previsão de exposição de tarefas — Sebastien Rousseau

Modelos de exposição de tarefas tratam uma ocupação como uma casca que sobrevive ao redor do que os humanos ainda fazem. Sistemas agênticos perseguem um objetivo e entregam um trabalho finalizado.

Originally published at https://sebastienrousseau.com/pt-br/2026-10-25-agentica-quebra-premissa-por-tras-toda/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER