ARTIGO. “Precisamos agir agora”: o alerta urgente dos economistas de Stanford sobre a IA

Recentemente, mais de 200 economistas e pesquisadores de inteligência artificial, entre eles 16 vencedores do Prêmio Nobel, como Daron Acemoglu e Michael Spence, além de executivos de Anthropic, Google e OpenAI, assinaram uma carta aberta dizendo que “precisamos agir agora”.

O texto, organizado pelo Stanford Digital Economy Lab e divulgado em meados de julho, afirma que a IA pode provocar uma transformação econômica maior que a Revolução Industrial, só que em prazo muito mais curto, com risco de desemprego em larga escala.

Não é o tipo de alerta que sai de qualquer grupo: é assinado pelo mesmo laboratório, e tem à frente o mesmo pesquisador, Erik Brynjolfsson, que há meses vem publicando os dados mais concretos que existem sobre esse efeito já em curso — e é sobre o que esses dados significam para quem subscreve crédito, estrutura consignada e desenha a previdência no Brasil, que quero escrever.

Os modelos de crédito que usamos foram construídos sobre uma aposta simples: a de que o futuro se parece com o passado que os treinou. Calibramos score, limite e taxa, observando como pessoas de determinada idade, ocupação e histórico de renda se comportaram ao longo de anos.

Esse exercício pressupõe um mecanismo de entrada estável no mercado de trabalho: o jovem começa por volta dos 22-24 anos, sua renda cresce de forma previsível ao longo da década seguinte, e é esse crescimento que sustenta o score subindo, limite aumentando, elegibilidade a financiamento se abrindo. A pesquisa por trás do alerta de Stanford é a primeira evidência sólida de que esse degrau de entrada está rachando.

O estudo que sustenta essa preocupação chama os jovens de 22 a 25 anos de “canários na mina de carvão” do mercado de trabalho americano, o grupo que sinaliza, antes de qualquer outro, um efeito que ainda não aparece nos números agregados.

Usando dados de folha de pagamento da ADP, Brynjolfsson e os coautores Bharat Chandar e Ruyu Chen descobriram que, desde 2022, jovens de 22 a 25 anos em ocupações mais expostas à IA generativa tiveram queda relativa de até 16% no emprego, enquanto trabalhadores de 35 a 49 anos, nas mesmas funções, cresceram mais de 9%. O ajuste não veio pelo salário, que ficou estável, mas pelo volume de contratação: a empresa não paga menos ao jovem, simplesmente para de contratá-lo.

A razão é direta: a IA generativa é excelente em conhecimento codificável, o que se aprende em curso e treinamento formal, exatamente o que um recém-formado tem para oferecer. O que falta à tecnologia é conhecimento tácito, julgamento, contexto, saber para onde apontar a pergunta certa, e isso só se acumula estando dentro do mercado. A vantagem migrou para quem já tem experiência, penalizando quem ainda está tentando adquiri-la.

O alerta brasileiro

No Brasil, a exposição agregada ainda é menor que a americana: o FGV IBRE estima cerca de 30% da população ocupada exposta à IA generativa, ante algo próximo de 60% nos Estados Unidos, segundo o FMI, porque temos proporcionalmente menos empregos de escritório.

Mas, dentro desse recorte, há um núcleo de 5,2 milhões de trabalhadores no grau mais alto de exposição, majoritariamente escriturários jovens concentrados em serviços financeiros.

E o economista Daniel Duque, também do FGV IBRE, já encontra efeito realizado, não apenas potencial: jovens de 18 a 29 anos nas ocupações mais expostas têm hoje cerca de 5% menos chance de estar empregados e renda 7% menor do que teriam sem essa exposição.

Há também um motivo estrutural para achar que, quando a adoção corporativa brasileira destravar — hoje atrasada por dificuldade organizacional, não por custo de tecnologia —, a substituição por aqui pode andar tão rápido quanto a americana, ou mais rápido: um funcionário CLT custa de 68% a mais de 100% acima do salário-base em encargos.

Isso significa que a conta da automação pode fechar por corte de custo, mesmo quando o ganho de produtividade for menor do que nos Estados Unidos. O setor de serviços, que concentra grande parte do trabalho rotineiro no Brasil, é onde essa conta fecha com mais facilidade.

Se esse degrau de entrada racha — se uma fração relevante de jovens leva mais tempo para entrar no mercado, entra em posições mais precárias ou entra e sai de forma mais instável do que a coorte anterior —, a curva de renda por idade que o modelo aprendeu deixa de descrever o que vai acontecer com quem está entrando agora.

O efeito prático é concreto. O histórico de emprego formal como proxy de estabilidade perde força: se o primeiro emprego demora mais para vir ou vem em formato mais fragmentado, um modelo que pune poucos meses de carteira assinada como sinal de risco, vai negar ou subprecificar justamente a geração que está tentando entrar por um caminho diferente do que o modelo aprendeu a reconhecer.

A mudança que a IA está provocando na entrada no mercado é recente demais para estar bem capturada nos dados históricos: se o modelo não for redesenhado, o erro vai aparecer primeiro nas safras mais novas, e só será percebido quando a inadimplência já tiver subido.

Continuar rodando os mesmos modelos, com os mesmos pressupostos sobre entrada no mercado, só porque funcionaram até aqui, é ignorar exatamente o tipo de sinal que os canários foram desenhados para captar antes que o problema apareça em escala — e, quando aparecer nos números agregados de inadimplência, o ajuste será feito sob pressão, não com planejamento.

A carta de Stanford pede que as instituições ajam agora porque a janela para se preparar é mais curta do que qualquer transformação econômica anterior; para quem gerencia risco no Brasil, essa urgência é ainda mais concreta.

O canário não está anunciando uma catástrofe amanhã. Está anunciando que o ar mudou de composição. Quem trabalha com risco tem o ofício de perceber isso antes que o efeito seja inequívoco nos agregados — porque, depois disso, o preço de ter ignorado o sinal já terá sido pago por quem confiou no modelo antigo.

*Lígia Lopes é CEO da Teros e mestre em economia pela USP.