Estudo · n.º 3 · setembro de 2026
O ensaio de Bill Gates sobre o trabalho, conferido com os dados
A porta não se fechou. Ela estreitou. Bill Gates diz que já cruzamos o limiar do mercado de trabalho. Li o ensaio e depois passei uma semana conferindo-o com os dados de emprego que ele nunca cita. O diagnóstico se sustenta. A forma do estrago não é a que a maioria imagina.
Uma previsão que vale desmontar
Não acompanho Bill Gates. Li o ensaio de agosto porque alguém o colocou na minha frente, e ele me deteve — não por alarmar, mas por não alarmar. Lê-se como alguém que olhou com atenção para um sistema e lista o que, a seu ver, quebra, admitindo quais partes não sabe consertar.
Essa combinação é rara o bastante para valer uma tarde. O que segue é o argumento dele, seção por seção, com os números que ele omite. Cada número aqui leva à sua fonte.
Onde o ensaio e as entrevistas do mesmo dia divergem, eu marco o que veio de onde — e essa distinção importa: os números mais citados estão nas entrevistas, não no ensaio.
A pergunta interessante nunca foi se ele está certo. O interessante é o que os dados fazem com a forma da afirmação dele.
Por que a comparação de sempre não se sustenta
Ao pensar nessa transição, a maioria recorre à imagem do campo para o escritório. Gates argumenta que a analogia quebra em dois pontos, e ambos merecem ser ditos com clareza.
Primeiro, o prazo. Aquela mudança se estendeu por gerações. Esta, na estimativa dele, cai sobre o direito, o atendimento ao cliente, a medicina, o software e a indústria dentro de uma década.
Segundo, e mais importante: a passagem do campo ao escritório criou trabalho que exigia cognição humana. Esta tecnologia substitui a própria cognição. Não se vê um próximo degrau óbvio do mesmo tipo.
Ele acrescenta um detalhe que explica a velocidade. O computador pessoal precisou de vinte anos para mudar o modo de trabalhar: alguém tinha que escrever o software, derrubar o preço e treinar as pessoas. Esta tecnologia roda em aparelhos que as pessoas já têm e fala em linguagem comum. Ela se adapta a nós, e não o contrário.
O que, segundo ele, já foi cruzado
Em entrevistas do mesmo dia, Gates nomeia cinco limiares que considera para trás: capacidade biológica, capacidade cibernética, dependência psicossocial, ruptura no mercado de trabalho e sinais iniciais de perda de controle6.
O ponto dele não é que algum tenha chegado. O ponto é que a indústria passou anos prometendo desacelerar quando eles aparecessem no horizonte, e depois passou direto sem conversa pública.
Uma observação sobre a fonte. A lista dos cinco limiares não está no ensaio.
O ensaio nomeia três riscos — o trabalho que desaparece, os agentes mal-intencionados fortalecidos e o dano a crianças e às relações humanas — e diz com todas as letras que não existe plano para a transição5. O enquadramento mais afiado veio nas entrevistas. A maior parte da cobertura mistura os dois.
A palavra limiar não é retórica. Os principais laboratórios publicam cada um um marco de segurança que nomeia níveis de capacidade com antecedência — ajuda com armas biológicas, operações cibernéticas autônomas, autopropagação — e se comprometem a parar neles. É essa promessa que Gates está medindo.
Onde o efeito de fato aparece
É aqui que o ensaio dele se cala. Ele escreve que o emprego caiu entre trabalhadores jovens de ocupações vulneráveis enquanto se manteve estável para os colegas mais velhos, e não dá número algum. O número existe, e é mais interessante que a frase.
Olhe primeiro para o mercado inteiro: quase não há o que ver.
Os dados de folha de pagamento cobrindo milhões de trabalhadores, agrupados pelo quanto a ocupação está exposta, mostram todas as categorias dentro de um ponto percentual umas das outras3. É por isso que várias equipes de pesquisa relatam não encontrar pegada nenhuma da IA no mercado de trabalho.
Stanford Digital Economy Lab, painel equilibrado de folha de pagamento da ADP3.
Agora acrescente uma única variável. Os mesmos dados, o mesmo mês, as mesmas ocupações — separados por idade.
O mesmo painel, o mesmo mês3. A diferença entre os mais jovens e a faixa de 41–49 é de 4,9 pontos percentuais — dentro das mesmas ocupações.
O efeito não passa entre ocupações. Passa dentro delas, ordenado por idade. Na janela mais longa a fratura é ainda mais nítida: desde o fim de 2022, o emprego de quem tem 22 a 25 anos nas duas categorias mais expostas caiu 11 por cento, enquanto a mesma faixa etária nas três menos expostas subiu 103.
−11%
Nos dois grupos mais expostos
+10%
A mesma idade, nos três menos expostos
O contorno tracejado é o nível do fim de 2022; os dois vãos são medidos a partir dele3.
Ninguém está sendo demitido. Está entrando menos gente.
Essa distinção é o achado. As taxas de desligamento dos jovens em ocupações expostas não subiram — a contratação desacelerou.
A porta não se fechou atrás de quem já está dentro; ela estreitou para quem tenta entrar. Gates descreve exatamente isso quando escreve sobre as posições de entrada, e é a parte do ensaio dele que melhor resiste ao contato com os dados.
O que os próprios pesquisadores ressalvam. O efeito cai pela metade quando se controla por escolaridade, parte da queda antecede a IA generativa, e a diferença é menor nas pesquisas nacionais do que neste painel de folha.
O painel não é representativo do mercado de trabalho americano, e o artigo não passou por revisão por pares. Os autores chamam os resultados de descritivos, não causais3.
Confira o seu próprio emprego
Gates nomeia ocupações por observação: vendas e suporte, software, trabalho de assistente jurídico, depois avaliação de crédito, análise de dados, triagem de pacientes. Agora existe uma medida oficial para conferi-lo.
Em agosto, o Bureau of Labor Statistics publicou sua primeira classificação de ocupações por exposição à IA, construída a partir de cinco medidas independentes — três teóricas e duas do uso real observado — junto com projeções de emprego até 20351.
Digite uma ocupação abaixo. Tudo o que aparece vem das fontes listadas no fim, e cada número traz uma nota para aquela de onde veio.
Interativo · 825 ocupações
A ocupação
E você dentro dela
Isto não é uma previsão sobre você. Mostra onde sua ocupação se situa entre as demais e o que aconteceu com o emprego de pessoas da sua idade em ocupações de exposição parecida.
Exposição significa que um modelo pode ser aplicado às tarefas — o Bureau afirma explicitamente que isso não implica perda de emprego, nem automação, nem efeito sobre salários1.
Um quinto do mercado, em detalhe
Coloque as 825 ocupações numa mesma tabela e o quadro é mais calmo que o debate. Ordene por qualquer coluna, filtre por nome e leia a categoria de exposição na marca ao lado.
Como ler a tabela
Bureau of Labor Statistics, categorias de exposição à IA e projeções de emprego 2025–351.
A parcela do emprego em cada categoria, nas 831 ocupações que o Bureau projeta:
| Exposição | Ocupações | Empregados, 2025 | Parcela | Projeção 2025–35 |
|---|---|---|---|---|
| Muito alta | 206 | 53,2 mi | 31,3% | +2,0% |
| Alta | 206 | 42,1 mi | 24,8% | +3,1% |
| Moderada | 206 | 44,7 mi | 26,2% | +6,2% |
| Baixa | 213 | 30,3 mi | 17,8% | +2,5% |
Bureau of Labor Statistics, categorias de exposição à IA e projeções de emprego 2025–351.
O terço mais exposto do mercado cresce mais devagar que os demais — e ainda assim cresce. Essa é a projeção oficial, não uma opinião. E a dispersão dentro da categoria superior é maior que a dispersão entre categorias:
| Exposição muito alta | Empregados | Projeção até 2035 |
|---|---|---|
| Office clerks, general | 2,60 mi | −6,0% |
| Secretaries and administrative assistants | 1,89 mi | −6,0% |
| Bookkeeping and auditing clerks | 1,53 mi | −5,6% |
| Customer service representatives | 2,67 mi | −5,3% |
| Computer and information systems managers | 0,69 mi | +15,8% |
| Logisticians | 0,26 mi | +17,6% |
| Data scientists | 0,28 mi | +34,6% |
Mesma categoria de exposição, trajetórias opostas. Gates diz isso uma vez, numa oração subordinada que a maioria dos resumos cortou: no software, a queda de custos gerará nova demanda, então a perda líquida ali será menor que em outros lugares. As projeções concordam com ele.
A virada chega quando a conferência para
A linha mais subestimada do ensaio não fala de ocupação alguma. Gates escreve que a maior virada para os trabalhadores vem quando a tecnologia estiver quase sem erros — porque é aí que ela pode rodar sem um humano revisando, e todo incentivo econômico aponta para deixar isso acontecer.
Existe um benchmark que põe números nisso.
O GDPval, da OpenAI, avalia modelos contra profissionais experientes em 1320 entregas reais de 44 ocupações, cada uma com cerca de sete horas de trabalho7.
A manchete é que um modelo de ponta iguala ou supera o especialista humano em aproximadamente metade das tarefas. No mesmo artigo está enterrada uma tabela que quase ninguém cita.
O custo de conferir
Vantagem do modelo sobre o especialista humano
Tudo entre esses dois números é uma questão de quanta conferência você mantém7.
Medido de forma ingênua, o modelo é cerca de 90 vezes mais rápido e algumas centenas de vezes mais barato. Assim que a verificação por especialista entra no preço, a vantagem encolhe para cerca de 1,1–1,4× no tempo e 1,2–1,6× no custo7.
Ou seja, toda a conta econômica está na etapa de verificação. Enquanto uma pessoa ainda confere, o ganho é marginal. O prêmio inteiro aparece no instante em que a conferência é removida — e é justamente por isso que ela será removida, e por isso Gates acerta ao chamar isso de o verdadeiro limiar, e não uma capacidade específica.
A parte que o ensaio deixa de fora
Gates constrói o texto inteiro em torno da justiça: esta tecnologia se tornará o maior nivelador ou a pior fonte de injustiça. E então ele nunca pergunta quem de fato ocupa os empregos expostos.
Cruzei a classificação de exposição com a pesquisa de emprego. Ponderadas pelo número de pessoas que trabalham nelas, as ocupações da categoria de exposição mais alta são 57,5 por cento femininas.
Na categoria mais baixa, são 36,9 por cento14. Vinte pontos de diferença, e a razão não é sutil: o trabalho administrativo, de escritório e de apoio é ao mesmo tempo o mais exposto e, quase em toda parte, o mais feminino.
A Organização Internacional do Trabalho encontra o mesmo em escala global, com um método construído sobre classificações internacionais e não americanas: no patamar de exposição mais alto estão 4,7 por cento do emprego feminino contra 2,4 por cento do masculino, e nos países de renda alta 9,6 contra 3,58.
Esse mesmo trabalho da OIT também serve de conferência de escala. Ele coloca a exposição global em 24 por cento do emprego, enquanto o FMI a coloca perto de 409. Duas instituições confiáveis, um fenômeno, um fator de quase dois entre elas. Quem cita um único número global com segurança escolheu um e escondeu o outro.
Reservas, tokens e quatro perguntas sem resposta
Human Reserved
Gates propõe reservar certo trabalho para as pessoas — não porque as máquinas não dariam conta, mas porque a sociedade decide que a perda seria grande demais.
Ele toma emprestada a linguagem das reservas naturais. A origem pessoal são os últimos anos do pai dele e os cuidadores que entendiam aquele homem quando ele já não conseguia se fazer entender.
Ele oferece dois fundamentos. Um econômico: alguém de 55 anos que passou a carreira na construção não pode simplesmente ser redirecionado para o cuidado de idosos. E um humano: um robô comunicando um diagnóstico terminal é tecnicamente possível e não deveria acontecer.
Então ele lista, no próprio texto, as quatro perguntas que não sabe responder. Quem decide o que fica reservado. Por quais critérios. Como impedir que as empresas trapaceiem. O que acontece com o comércio quando um país deixa os robôs construírem e outro não.
Vale conferir com os dados: o cuidado de idosos, seu exemplo central, já não encontra trabalhadores. Reservar uma ocupação que não consegue preencher suas vagas é protegê-la de uma pressão que ela ainda não sofre. Ele antecipa parte disso — espera que o Japão, com jovens de menos, receba bem o robô cuidador.
Tributar tokens e robôs
A assimetria que ele quer remover é real e raramente dita com tanta clareza. Contrate uma pessoa e o empregador paga encargos. Compre uma máquina e a empresa a deprecia. O código tributário hoje subsidia a substituição.
A solução dele é um tributo direcionado sobre tokens de IA e robôs, financiando requalificação e uma rede de proteção mais forte, desenhado para poupar os usos que barateiam a medicina e a educação.
Ele admite que é economicamente ineficiente e considera esse um preço aceitável. Nenhuma alíquota aparece no ensaio; o número muito citado vem de uma entrevista e é lançado como opção, não como cálculo6.
A objeção mais forte é mecânica, não ideológica: um imposto sobre tokens mede computação, não deslocamento. O preço dos tokens caiu ordens de grandeza, então a base encolhe conforme o problema cresce, e a inferência migra para dispositivos locais e outras jurisdições.
Sobre o que pessoas honestas ainda discutem
Seria fácil terminar declarando o caso provado. Ele não está, e a divergência vale mais que um veredicto.
| Achado | Fonte |
|---|---|
| O crescimento do emprego em software desacelerou cerca de 3 pontos ao ano depois do fim de 2022; cerca de 500.000 vagas não criadas | Federal Reserve10 |
| Nenhuma conexão entre uso de IA e mudanças no emprego, até julho de 2026 | Budget Lab, Yale11 |
| 2,8–3% das horas economizadas, efeito exatamente nulo sobre rendimentos e horas | Dados administrativos dinamarqueses12 |
| A queda das vagas em ocupações expostas começou em março de 2022 — antes do ChatGPT — acompanhando o ciclo de juros | 238 mi de anúncios de vaga13 |
| O desemprego subiu mais no quintil menos exposto que no mais exposto | Economic Innovation Group14 |
Três coisas em que todas essas equipes concordam, e são as conclusões mais seguras disponíveis hoje: não há deslocamento em massa no nível macro; o mecanismo é a contratação mais lenta, e não demissões; e algo está acontecendo com os trabalhadores jovens em ocupações expostas.
Mais um limite pertence aqui. Ainda não é possível testar nenhuma previsão de 2026 contra o emprego efetivo por ocupação: a série ocupacional oficial vai só até maio de 2025, e a próxima divulgação que cobre esse período não sai antes de 2027. Quem lhe mostra essa conferência hoje está mostrando ruído.
O que os números mudam
O diagnóstico de Gates sobrevive. O mecanismo está certo, os setores estão certos, e a ênfase no trabalho de entrada é a parte que os dados sustentam de forma mais direta.
O que os números mudam é a forma. Não é uma onda rolando pelas ocupações e levando uma por uma. É um filtro que opera dentro das ocupações e ordena por há quanto tempo você está nelas. Ele seleciona contra quem tem menos reserva e mais anos pela frente.
Ele termina o ensaio com quatro perguntas e nenhuma resposta.
A minha é mais estreita e mais fácil de responder que qualquer uma delas: se o mecanismo é uma desaceleração da contratação na entrada, então o alvo da política não é quais profissões cercar, e sim quem consegue o primeiro degrau. Reservas protegem quem já está na escada.
Fontes
- US Bureau of Labor Statistics. AI exposure categories and employment projections, 2025–35, publicado em 27 de agosto de 2026. Categorias construídas a partir de cinco medidas independentes. bls.gov/emp/publications/ai-exposure-categories.htm
- Anthropic Economic Index, conjunto de dados labor market impacts — parcela medida das tarefas de uma ocupação levadas ao modelo. huggingface.co/datasets/Anthropic/EconomicIndex
- Brynjolfsson, Chandar, Chen. Canaries in the Coal Mine? Stanford Digital Economy Lab, revisão de agosto de 2026; painel de folha de pagamento da ADP até julho de 2026. digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine
- US Bureau of Labor Statistics, Current Population Survey, tabela 11: pessoas empregadas por ocupação detalhada e sexo, médias anuais de 2025. bls.gov/cps/cpsaat11.htm
- Bill Gates. The turbulent AI era is here. The choices we make now are critical. GatesNotes, 26 de agosto de 2026. gatesnotes.com
- Entrevista da MIT Technology Review com Bill Gates, 26 de agosto de 2026 — fonte dos cinco limiares e das alíquotas citadas. technologyreview.com
- GDPval, OpenAI — 1320 entregas reais de 44 ocupações; veja a tabela de custos para os números ajustados pela verificação. arxiv.org/abs/2510.04374
- International Labour Organization. Generative AI and Jobs: A Refined Global Index of Occupational Exposure, documento de trabalho 140, maio de 2025. ilo.org
- International Monetary Fund. Gen-AI: Artificial Intelligence and the Future of Work, SDN/2024/001, janeiro de 2024. imf.org
- Crane e Soto, Federal Reserve Board, FEDS 2026-018, março de 2026.
- Budget Lab at Yale, Tracking the impact of AI on the labor market, atualizado em 19 de agosto de 2026. budgetlab.yale.edu
- Humlum e Vestergaard, NBER Working Paper 33777, revisão de março de 2026.
- Iscenko e Curto Millet, janeiro de 2026 — 238 milhões de anúncios de vaga.
- Eckhardt e Goldschlag, Economic Innovation Group, AI and Jobs, agosto de 2025. eig.org
Conjunto de dados consolidado por trás dos módulos interativos: 825 ocupações com emprego, projeção, salário mediano, categoria oficial de exposição, parcela medida de tarefas levadas aos modelos e composição por sexo.
Montado em setembro de 2026 a partir das fontes 1, 2, 4 e da publicação Occupational Employment and Wage Statistics de maio de 2025.
Traduzido do original em inglês. Os nomes das ocupações permanecem em inglês: são as denominações oficiais da classificação SOC, e é sobre elas que a busca funciona. Onde a formulação exata da fonte importar, consulte os documentos ligados acima.