Perspetiva para 2026: com 81 000 amostras de utilizador a interagir com o Índice Económico, de que forma coexistem as narrativas sobre produtividade impulsionada por IA e as preocupações relativas à segurança no emprego?

I. Contexto de investigação e integração de dados: da evidência de tráfego a 81 000 narrativas subjetivas

O debate público sobre IA generativa tem-se apoiado em dois tipos de evidência: estatísticas macroeconómicas do setor e registos de utilização e comportamento ao nível do produto. As estatísticas macroeconómicas atualizam-se lentamente e têm dificuldade em captar mecanismos ao nível das funções, enquanto os registos de utilização são autênticos, mas muitas vezes carecem da perspetiva sobre “como cada indivíduo interpreta a sua própria situação”.

Fonte da imagem: Relatório oficial da Anthropic

Em abril de 2026, a Anthropic publicou “O que 81 000 pessoas nos disseram sobre a economia da IA”. O valor deste relatório reside não em fornecer uma “resposta final”, mas em ligar dois tipos fundamentais de informação:

• Dados observáveis do lado da plataforma: quais as tarefas ocupacionais estão a utilizar Claude e como a intensidade da utilização está a variar.
• Feedback subjetivo do lado do utilizador: se as pessoas sentem que estão mais eficientes e se estão mais preocupadas com a possibilidade de serem substituídas.

Historicamente, o debate tem-se inclinado para o macro (taxas de emprego, crescimento do setor) ou para a experiência do utilizador (“sinto-me mais rápido”). Este relatório combina ambos, deslocando a conversa de “opinião versus opinião” para uma síntese de “dados mais perceção”.

Três conclusões principais: exposição, fase da carreira, ansiedade de aceleração

Conclusão 1: maior exposição à IA aumenta a perceção de ameaça ao emprego

O relatório identifica uma relação clara: quanto maior a exposição observada à IA numa profissão, mais provável é que os inquiridos expressem preocupações de que os seus empregos possam ser substituídos.

Isto sugere que as ansiedades das pessoas não são infundadas, mas estão diretamente ligadas ao alcance tecnológico das suas funções. Se um cargo já apresenta várias tarefas nucleares que a IA pode ajudar a realizar ou substituir parcialmente, quem ocupa essa função tem maior probabilidade de se preocupar com futuras alterações — refletindo uma perceção racional do risco.

Conclusão 2: trabalhadores em início de carreira são mais preocupados

O relatório assinala que, entre as amostras com fases de carreira identificáveis, os trabalhadores em início de carreira revelam preocupações mais pronunciadas.

Isto está em linha com as observações do mercado de trabalho em 2026, como o aumento da pressão sobre o emprego jovem.

Porque é que isto é mais comum nos grupos em início de carreira?

1. Menos experiência e menos recursos no setor, resultando em menor poder negocial.
2. Maior dependência de oportunidades de entrada para construir o currículo.
3. Se os cargos de entrada reduzirem, os percursos profissionais são interrompidos mais cedo.

Conclusão 3: quem sente maior aceleração pode também sentir mais ansiedade

Apesar de contraintuitivo, isto é significativo:

Alguns que relatam que “a IA aumentou significativamente a minha velocidade” também manifestam maior insegurança profissional.

A lógica subjacente é direta:

Ao observar em primeira mão que a eficiência do trabalho pode aumentar drasticamente, torna-se mais evidente se o mesmo resultado exige o mesmo número de pessoas.

Onde se manifesta realmente a produtividade: expansão do âmbito versus velocidade

Muitos presumem que o valor da IA é simplesmente “ser mais rápido”. No entanto, este relatório destaca outra dimensão, potencialmente mais importante: “expansão do âmbito”.

• Expansão do âmbito: tarefas anteriormente impossíveis passam a ser viáveis.
• Velocidade: tarefas já possíveis passam a ser concluídas mais rapidamente.

A expansão do âmbito é um tema frequente no relatório.

Isto significa que a IA não é apenas uma ferramenta de eficiência — é um multiplicador de capacidades.

Implicações diferentes para diferentes grupos

• Para funções de elevada qualificação: pode significar abordar tarefas complexas de forma mais profunda e sistemática.
• Para algumas funções de baixos salários: pode permitir atividades paralelas, exploração de competências cruzadas e maior entrega independente.
• Para a gestão organizacional: os limites das funções podem ser redefinidos e a divisão do trabalho pode mudar mais rapidamente.

Porque “mais eficiente” não significa “mais seguro”

Este é um dos pontos mais ignorados nos debates atuais.

Muitos relatórios enfatizam:

“A eficiência dos colaboradores aumentou, logo a tecnologia é inclusiva.”

Mas, na realidade, os ganhos de eficiência respondem apenas a “quanto mudou o output”, não a “como são distribuídos os retornos”.

O mesmo dividendo de eficiência pode seguir quatro caminhos diferentes

1. Para os colaboradores: maior rendimento, menos trabalho repetitivo, mais autonomia.
2. Para as empresas: maior output com o mesmo número de colaboradores, ou custos mais baixos para o mesmo output.
3. Para os clientes: preços mais baixos, entrega mais rápida.
4. Absorvido pelo sistema: os indicadores melhoram, mas a experiência na linha da frente passa a ser “mais tarefas, ritmo mais acelerado”.

O relatório também regista inquiridos a dizer:

Após utilizar IA, supervisores e clientes esperam “mais, mais rápido”.

Isto explica porque muitas pessoas relatam estar “mais eficientes” e, simultaneamente, “mais ansiosas”.

Integração da informação pública mais recente: o que se pode e não se pode confirmar

Com base nos materiais do Índice Económico da Anthropic de 2026 (incluindo os relatórios de janeiro e março e a estrutura de inquérito), as conclusões mais fiáveis atualmente são:

O que se pode razoavelmente confirmar

• A IA alcançou uma penetração real em algumas tarefas ocupacionais, ultrapassando a fase conceptual.
• As preocupações subjetivas com o emprego estão alinhadas com a exposição às tarefas.
• Os ganhos de produtividade são reais, refletindo-se não só na “velocidade”, mas também no “âmbito”.

O que não pode ser extrapolado em excesso

• Esta amostra não pode ser utilizada para inferir o impacto líquido no emprego nacional.
• As experiências de utilizadores individuais não equivalem às de todos os colaboradores de uma empresa.
• “Maior preocupação” não equivale diretamente a “desemprego”.

Porque é necessária cautela

Este inquérito utilizou respostas abertas e classificação por modelo, não um questionário de amostragem estritamente estruturado.

É extremamente valioso como referência, mas é mais adequado para “identificação de tendências e hipóteses” do que como “conclusão definitiva”.

Recomendações acionáveis para empresas, indivíduos e decisores políticos

Para ir além da discussão, as conclusões devem ser traduzidas em ações.

Para empresas: atualizar “KPIs de eficiência” para “métricas duplas”

Monitorizar ambas as categorias de métricas:

• Métricas de output: tempo despendido, volume de entrega, taxa de erro, taxa de retrabalho.
• Métricas sustentáveis de eficácia humana: carga de trabalho percecionada, risco de rotatividade, cobertura de formação, taxa de sucesso na transição de funções.

Evitar fazer apenas uma coisa:

Não implementar apenas ferramentas sem ajustar o desenho das funções e os mecanismos de formação.

Caso contrário, a eficiência pode aumentar a curto prazo, mas a estabilidade organizacional a longo prazo pode deteriorar-se.

Para indivíduos: transformar a utilização de IA em “construção de ativos de carreira”

Priorizar três direções:

1. Utilizar IA para métodos reutilizáveis, não apenas para ganhos pontuais de velocidade.
2. Reforçar competências em definição de problemas, colaboração interequipas e responsabilidade pelos resultados.
3. Construir um historial de conquistas verificáveis (projetos, casos, insights do setor) para aumentar a irreplaceabilidade.

Para decisores políticos e instituições: focar zonas de proteção em início de carreira

Se os grupos em início de carreira são mais sensíveis, o apoio público deve ser mais proativo:

• Vouchers de transição de carreira e requalificação.
• Programas de coformação em IA para funções de entrada.
• Divulgação de dados mais granular sobre transições de funções.

Conclusão

Este estudo, baseado em 81 000 amostras, demonstra que o impacto económico da IA abrange pelo menos duas dimensões que devem ser avaliadas em paralelo: ganhos de eficiência ao nível das tarefas e alterações nas expectativas profissionais e na distribuição de retornos. Focar apenas na primeira arrisca sobrestimar a inclusão; definir o risco apenas pela segunda subestima os ganhos reais decorrentes da expansão dos limites de capacidade.

Uma estrutura analítica robusta deve reconhecer que a melhoria da produtividade e a incerteza do emprego podem coexistir, com heterogeneidade significativa entre exposição profissional, fases da carreira e gestão organizacional. Por conseguinte, o foco das discussões futuras deve passar de “adotar ou não IA” para “otimizar mecanismos de distribuição, mitigar custos de transição e garantir mobilidade profissional sustentável enquanto se aumenta o output”.

Após 2026, o núcleo da investigação e governança económica da IA não é procurar uma única conclusão, mas construir um sistema de avaliação abrangente que permita acompanhar simultaneamente eficiência, distribuição e estabilidade profissional.