A IA de amanhã não atenderá às necessidades do mundo de hoje.

Há três anos, trabalhadores no Quênia ganharam destaque internacional pelas condições de trabalho que enfrentavam ao rotular dados para a OpenAI . Esses trabalhadores passavam os dias analisando discursos de ódio, abuso sexual e imagens violentas — alguns dos materiais mais perturbadores da internet — por cerca de US$ 1,35 por hora. Os rótulos que produziam eram então usados para treinar o ChatGPT na identificação de conteúdo tóxico ou proibido.

Em 2023, grande parte da indignação concentrou-se — e com razão — nas condições de trabalho desses rotuladores de dados. Mas, revisitada em 2026, essa história assume um tom ainda mais sombrio.

Em meio a uma nova onda de ansiedade em relação à IA, as pessoas começaram a temer que a categoria mais ampla de empregos em serviços de TI possa desaparecer completamente. Sob essa perspectiva, ao ajudarem a treinar o ChatGPT, esses trabalhadores podem ter, inadvertidamente, contribuído para a automação do próprio tipo de trabalho de serviços comercializáveis que realizavam, estreitando o caminho do Quênia rumo à prosperidade.

Mas quanta evidência existe de que o deslocamento relacionado à IA já começou nos países em desenvolvimento? E como podemos prever o que acontecerá quando os trabalhadores, as empresas e os países afetados pela IA se adaptarem, improvisarem e mudarem em resposta a isso?

Subindo a escada do crescimento

Historicamente, o crescimento do setor manufatureiro tem sido o caminho para que os países saíssem da pobreza. No Japão, na Coreia do Sul, em Taiwan e, mais notavelmente, na China, a expansão da manufatura para exportação atraiu milhões de pessoas do campo para empregos mais bem remunerados em fábricas. Sob a pressão da concorrência internacional, as empresas do Leste Asiático convergiram rapidamente para a fronteira tecnológica.

Mas, com exceção de alguns casos excepcionais como o Vietnã e Bangladesh, os países em desenvolvimento, em grande parte, não conseguiram replicar o sucesso do Leste Asiático. Na Índia, a participação da indústria manufatureira no PIB nunca ultrapassou 20% e até diminuiu desde 2010. Na África Subsaariana, a indústria manufatureira representa cerca de 10% do PIB. Novas análises sugerem que, nos últimos 30 anos, a produtividade da indústria manufatureira nos países mais pobres permaneceu teimosamente muito abaixo da média global.

Acesse os serviços de TI.

A chegada da banda larga barata em todo o mundo tornou viável a terceirização de serviços de tecnologia da informação para empresas ocidentais, permitindo-lhes aproveitar a mão de obra mais barata em países em desenvolvimento. Em 1999, a Índia desregulamentou seu setor de telecomunicações, acelerando a adoção da internet de alta velocidade e permitindo que novas empresas como a Infosys e a Wipro se tornassem altamente lucrativas. Um novo setor — na Índia, o de "terceirização de processos de negócios" (BPO) — nasceu.

Para os países que lutavam para impulsionar o crescimento, a terceirização de processos de negócios (BPO) parecia uma tábua de salvação. Assim como os empregos na indústria de exportação do passado, os serviços de exportação prometiam gerar receitas significativas em moeda estrangeira, além de criar um grande número de empregos com melhores salários. Em 2021, o Banco Mundial publicou um relatório exaltando “a promessa do desenvolvimento impulsionado por serviços”, destacando sua exposição à “inovação que melhora a produtividade do trabalho”.

Nas últimas décadas, países como as Filipinas e o Brasil desenvolveram setores de TI consideráveis, exportando bilhões de dólares em serviços por ano e empregando cerca de 2 milhões de trabalhadores cada um.<sup> ¹ Mas, globalmente, o líder incontestável foi a Índia, cujo setor de serviços de TI empregou 5,8 milhões de pessoas e exportou US$ 200 bilhões em 2025.

O medo de que a IA substitua empregos humanos é agora generalizado. Nos Estados Unidos, a atenção se concentra na disrupção de empregos de nível inicial em desenvolvimento de software e atendimento ao cliente — os proverbiais canários na mina de carvão, o trabalho que deveria (pelo menos em teoria) ser o mais facilmente automatizável por agentes de programação de IA. Um influente estudo dos economistas Erik Brynjolfsson, Bharat Chandar e Ruyu Chen constatou que trabalhadores em início de carreira (de 22 a 25 anos, nos EUA) nos setores mais expostos à IA viram um declínio relativo de 19% em seus empregos desde 2022.

Naturalmente, a atenção começou a se voltar para as implicações da IA para os 6,8 bilhões de pessoas que vivem em países de baixa e média renda. Até o momento, a IA não teve grande impacto, positivo ou negativo, sobre os 2,5 bilhões de pessoas que ainda dependem da agricultura familiar. No setor manufatureiro, as evidências de impacto também são limitadas, embora talvez avanços induzidos por IA na robótica industrial estejam a caminho. É nas exportações de serviços que a ameaça de substituição de empregos relacionada à IA se apresenta com maior intensidade.

Os Canários na Mina de Carvão

Já se passaram quatro anos desde o lançamento do ChatGPT. Os agentes são capazes de realizar grande parte do trabalho de atendimento ao cliente; aliás, as linhas de suporte corporativo têm sido cada vez mais substituídas por interfaces ChatGPT ou Claude. Então, até que ponto a automação já está substituindo as exportações de serviços nos países em desenvolvimento?

Podemos aproveitar o recente estudo sobre o deslocamento de trabalhadores expostos à IA, realizado por Brynjolfsson et al. nos Estados Unidos, e observar como o emprego está evoluindo para as pessoas que esperaríamos serem as mais expostas ao deslocamento causado pela IA: os trabalhadores de tecnologia em início ² carreira.²

Talvez os melhores dados disponíveis de qualquer país em desenvolvimento venham da Pesquisa Periódica da Força de Trabalho da Índia (PLFS, na sigla ³ ), um levantamento de alta frequência sobre as tendências de emprego e salários. Podemos usar o que os economistas chamam de “diferença tripla” para identificar o efeito da exposição à IA. Primeiro, consideramos o emprego de trabalhadores jovens (de 15 a 24 anos) em setores expostos à IA e subtraímos a tendência para trabalhadores mais velhos (de 25 a 39 anos) nos mesmos setores. Em seguida, podemos fazer a mesma comparação entre jovens e idosos em setores amplamente protegidos da IA. Por fim, ao calcular a diferença entre essas duas diferenças, podemos isolar o impacto no emprego de nível inicial nos setores mais expostos à IA.

O gráfico acima mostra essa tripla diferença no emprego, com intervalos de confiança indicados pelas barras verticais. Nos três anos anteriores ao ChatGPT, havia pouca diferença entre trabalhadores iniciantes e mais velhos nos setores mais e menos expostos à IA. Mas, após 2022 — ano em que o ChatGPT foi lançado ao público — o emprego relativo dos trabalhadores mais jovens expostos à IA caiu repentinamente 32%. O emprego relativo não se recuperou desde então, permanecendo cerca de 20% abaixo da linha de base de 2022 na última análise de 2025.

Devemos ter cuidado ao interpretar este resultado de forma exagerada. É possível que o declínio reflita forças estruturais que ocorreram simultaneamente à ascensão da IA generativa. Por exemplo, algumas empresas de TI indianas contrataram em excesso durante a pandemia e congelaram as contratações de recém-formados em 2023.

A ausência de uma recuperação robusta do emprego — em meio à retórica das próprias empresas de BPO sobre a crescente adoção de IA — sugere que o efeito pode ser real. Aliás, isso corrobora o resultado da última revisão do estudo de Brynjolfsson e seus coautores, onde a queda de 19% no emprego de jovens trabalhadores expostos à IA não mostra sinais de arrefecimento.

Mas não devemos interpretar isso como um sinal de que todos os empregos estão desaparecendo. Esses dados são de um setor, em um país, entre os trabalhadores que esperamos serem os mais afetados. Não há (até o momento) evidências de uma recessão generalizada em todas as faixas etárias ou setores expostos à IA. Mesmo esse resultado é estatisticamente insignificante, com pouca diferença em relação a zero.

Como e quando poderemos tirar conclusões mais claras? Pode demorar mais do que gostaríamos — na maioria dos outros países em desenvolvimento, os dados chegam com muito mais atraso.

Voando às cegas desde a decolagem

“Senhores, vocês chegaram 60 dias atrasados. A depressão acabou.” Herbert Hoover, junho de 1930 ⁴

Em 1930, a Grande Depressão estava longe de terminar. Mas como Hoover poderia saber? Isso foi antes da apresentação do relatório "Renda Nacional" de Kuznets, em 1934, precursor das modernas contas nacionais e do PIB. Também foi antes da disponibilidade de estatísticas mensais confiáveis sobre o desemprego, já que a pesquisa domiciliar moderna só começou em 1940.

Muitos dos líderes atuais, principalmente em países de baixa e média renda, encontram-se em uma posição semelhante à de Hoover na década de 1930 — entrando em um período de transformação econômica sem perceber como suas economias estão realmente mudando em tempo real. O PLFS da Índia é um esforço notável, sem equivalente em outros países que possam ser igualmente vulneráveis a um choque nas exportações de TI.

Considere as Filipinas, outro país com um setor de exportação de serviços significativo. Sua pesquisa anual sobre negócios e indústria é divulgada mais de um ano após o período estudado. Isso a torna praticamente inútil para analisar mudanças frequentes na força de trabalho em resposta às mudanças nas capacidades de IA. Talvez só com o lançamento do Fable 8 seja possível desvendar completamente o impacto do Fable 5 (e de outros modelos de ponta atuais) na força ⁵ trabalho do setor de TI das Filipinas. Simplesmente não existem dados de rastreamento em tempo real.

Com a atenção e o investimento financeiro que agora se direcionam para a pesquisa econômica em IA, é provável que sejamos bombardeados com estimativas semelhantes às nossas, provenientes de resumos de artigos científicos recém-publicados, que nos informam como a IA substituiu determinada categoria de trabalhador em relação a outra ou aumentou a produtividade em determinada empresa em relação a outra.

Portanto, será tentador interpretar de forma exagerada os dados que temos — escrever rapidamente um fio no Twitter sobre o iminente apocalipse do emprego que os jovens trabalhadores de TI da Índia enfrentarão. Mas cada resultado é apenas uma peça do quebra-cabeça. Este resultado — e outros semelhantes — não nos informam sobre os impactos gerais.

E então, há apenas a pequena questão de projetar isso para o futuro. Mesmo que pudéssemos entender perfeitamente as economias de hoje, simplesmente extrapolar isso para atender às capacidades dos modelos de amanhã poderia nos levar a previsões altamente enganosas.

Fazendeiros nem tão burros e a bomba populacional que não aconteceu.

Muitos dos receios sobre os efeitos económicos da IA surgem da projeção dos impactos das tecnologias futuras num mundo que se assemelha bastante ao atual. Mas este tipo de extrapolação tem um histórico longo e controverso, uma vez que nós, humanos, tendemos a ser muito mais adaptáveis do que imaginamos.

Talvez a previsão mais infame no desenvolvimento internacional venha do best-seller de Paul Ehrlich, de 1968, “A Bomba Populacional”. Extrapolando as tendências observadas no crescimento populacional e o progresso limitado na produção de alimentos, Ehrlich alarmou-se com a possibilidade de superpopulação e fome em massa. O cenário mais otimista apresentado em “A Bomba Populacional”, que exigia “uma maturidade de perspectiva e comportamento nos Estados Unidos que parece improvável de se desenvolver”, envolvia a morte por inanição de meio bilhão de pessoas (um ⁶ da população mundial).

Mas as projeções de Ehrlich baseavam-se em extrapolações estáticas do comportamento humano. Ele não previu a Revolução Verde, que melhorou drasticamente a produção de grãos (particularmente na Índia), e a Transição Demográfica, na qual a fertilidade caiu. As mortes por desnutrição e fome, na verdade, diminuíram. Ehrlich apostou contra nossa capacidade, muitas vezes subestimada, de inovar e nos adaptar, ao impor uma população em rápido crescimento a um mundo futuro cujas possibilidades produtivas mudavam muito lentamente.

De fato, o episódio do bug do milênio (Y2K ⁷ , o choque de demanda que impulsionou o setor de exportação de TI da Índia, é outro exemplo de previsões que não resistiram à adaptação. Desta vez, antes da meia-noite de 31 de dezembro de 1999, a adaptação veio na forma de programadores na Índia inspecionando e modificando milhões de linhas de código para evitar o desastre. No fim, as previsões apocalípticas de colapso simultâneo dos sistemas financeiro, governamental e de transporte em todo o mundo nunca se concretizaram, pois nos adaptamos para garantir que isso não acontecesse.

A economia climática também aprendeu uma lição semelhante nas últimas décadas. Os primeiros modelos de danos agrícolas causados pelas mudanças climáticas frequentemente utilizavam projeções de temperatura, aplicavam equações de produtividade agrícola em diferentes temperaturas e projetavam os danos. Como era de se esperar, os danos climáticos estimados nessa primeira geração de previsões tendiam a ser enormes. Mas esses modelos incorporavam a premissa crucial de que os agricultores não se adaptariam às mudanças climáticas.

É claro que ainda haverá custos elevados decorrentes das mudanças climáticas. E nem todas as adaptações são bem-sucedidas: na agricultura dos EUA, as adaptações a longo prazo mitigaram, no máximo, metade, e provavelmente nada , dos danos causados pelas mudanças climáticas. Existem limitações reais à adaptação — mesmo quando há vontade de se adaptar, nem sempre há como fazê-lo.

A IA pode se desenrolar da mesma forma que esses desafios anteriores. Provavelmente haverá perdedores na adaptação. Pode até haver limites a partir dos quais a capacidade de adaptação se esgota. Mas se você estiver fazendo uma estimativa de como será o mundo daqui a cinco ou dez anos, poderá estar muito enganado se negligenciar a nossa capacidade de adaptação futura. A IA de amanhã encontrará o mundo de amanhã, não o de hoje.

Isso nos leva a uma pequena, mas talvez construtiva sugestão para os economistas. Nos últimos 20 anos, a inferência causal — a capacidade de separar claramente causa e efeito — tem sido a condição essencial da pesquisa econômica acadêmica. Em contrapartida, a previsão foi relegada a um status secundário ou terciário, domínio de formuladores de políticas e (arrepio) banqueiros.

Essa divisão do trabalho fazia sentido quando podíamos razoavelmente esperar que o mundo de amanhã se assemelhasse ao mundo de hoje. Mas se a IA realmente está prestes a remodelar os caminhos para o crescimento, a coisa mais útil que os economistas podem fazer não é medir o choque de ontem com ainda mais precisão, mas sim melhorar a previsão do próximo.

Visões mais precisas do nosso futuro econômico devem levar em conta tanto as capacidades das máquinas quanto a adaptabilidade humana. Assim como a humanidade não ficou parada esperando morrer de fome, os executivos da Infosys não estão parados esperando serem substituídos. Pode haver menos empregos disponíveis, ou tipos diferentes de empregos, mas se há algo que eles podem fazer a respeito, é que a indústria, que nasceu da adaptação a crises, tentará se adaptar mais uma vez.

Oliver Kim é um economista do desenvolvimento que trabalha como pesquisador associado no Fundo de Crescimento Global da Coefficient Giving. Ele escreve um artigo no Substack chamado ⁸ Developments . Oliver Hanney é editor colaborador da In Development e editor-chefe da VoxDev, onde apresenta o podcast Ideas in Development.

Se você tiver comentários sobre este artigo ou desejar contribuir para a discussão, envie-os por e-mail para letters@indevelopmentmag.com. As respostas serão publicadas na seção de cartas.

1. A reportagem da OpenAI foi relativamente incomum por apresentar trabalhadores africanos; o setor do Quênia empregava apenas 36.000 pessoas em 2025 . ↩︎
2. É provável que os profissionais de tecnologia mais experientes tenham adquirido tanto mais "habilidades interpessoais" quanto habilidades técnicas mais especializadas, o que torna mais difícil substituí-los por IA. ↩︎
3. A metodologia do PLFS foi revisada em 2025, o que dificulta comparações retrospectivas. Mesmo assim, são os melhores dados que temos. ↩︎
4. As palavras exatas são incertas, mas é muito provável que ele tenha dito algo nesse sentido . ↩︎
5. Existe um crescente corpo de pesquisa explorando novas formas de mensuração, como, por exemplo, previsão imediata habilitada por aprendizado de máquina, dados de satélite, dados de telefonia móvel e classificação automatizada. Resta saber se novas abordagens como essas poderão superar a necessidade de fontes de dados administrativos e de pesquisas tradicionais. ↩︎
6. Paul Ehrlich, A Bomba Populacional (Sierra Club Ballantine Books), 80. ↩︎
7. Originalmente conhecido como o "Bug do Milênio", muitos programas de computador armazenavam anos usando apenas dois dígitos, o que levou a temores generalizados de que os sistemas confundiriam "00" com 1900 e travariam em massa em 1º de janeiro de 2000. ↩︎
8. Outra equipe dentro da Coefficient Giving, a equipe de Doações Eficazes e Carreiras, é financiadora da In Development. Eles não tiveram qualquer participação em nossa decisão editorial de encomendar, editar e publicar este artigo, e Oliver escreve a título pessoal. ↩︎