A Armadilha da Eficiência

Em 27 de janeiro de 2025, enquanto os mercados entravam em pânico com o modelo open-source do DeepSeek derrubando os preços da IA ocidental em uma ordem de magnitude, Satya Nadella postou quatro palavras no X que redefiniram todo o debate: "Jevons paradox strikes again!"

A referência era a William Stanley Jevons, um economista da era vitoriana que notou algo contraintuitivo sobre a máquina a vapor de James Watt. O design de Watt era quatro a cinco vezes mais eficiente em consumo de combustível que a antiga máquina Newcomen. A expectativa: a Grã-Bretanha queimaria menos carvão. O que realmente aconteceu: o consumo de carvão disparou. Energia barata não conservou combustível. Ela tornou a energia a vapor viável para milhares de novas aplicações. "É uma completa confusão de ideias", escreveu Jevons em The Coal Question (1865), "supor que o uso econômico de combustível equivale a um consumo reduzido. O contrário é a verdade."

O argumento de Nadella, resumido ao essencial: à medida que a IA torna o trabalho cognitivo mais barato, vamos demandar muito mais dele.

Isso foi há treze meses. As evidências desde então sustentam os dois lados, e esse é exatamente o problema.

As manchetes de janeiro de 2026: 108.000 cortes de empregos em um único mês, o pior janeiro desde 2009, com IA citada em anúncio após anúncio. A diretora-gerente do FMI, Kristalina Georgieva, disse à CNBC que a IA estava "atingindo o mercado de trabalho como um tsunami". Sam Altman reconheceu o deslocamento real enquanto alertava sobre "AI washing", o termo dele para empresas que culpam a IA por demissões que fariam de qualquer forma.

As manchetes de fevereiro de 2026: Erik Brynjolfsson, o economista de Stanford que cunhou a "Curva J da Produtividade", escreveu no Financial Times que a produtividade dos EUA subiu cerca de 2,7% em 2025, quase o dobro da média de 1,4% da década anterior. As projeções de capex dos hyperscalers atingiram US$ 602 bilhões para 2026, um aumento de 36%. As empresas estão gastando mais com infraestrutura de IA, não menos, mesmo com o custo por token de inferência caindo cerca de duas ordens de magnitude em menos de três anos. O Paradoxo de Jevons, acontecendo em tempo real.

Os dois conjuntos de manchetes são verdadeiros. Deslocamento e explosão de demanda não são teorias concorrentes. São fases diferentes do mesmo processo, e distingui-las exige uma pergunta que nenhuma manchete aborda: em qualquer setor, onde o trabalho cognitivo se encaixa na estrutura de custos? A resposta determina se a IA mais barata cria uma explosão de Jevons ou um colapso agrícola — e quem captura o excedente em cada cenário. Traçar essa pergunta ao longo de três décadas de provável difusão econômica é a tarefa deste ensaio.

I. A Era da Aumentação (2025–2035): A Década da Curva J

O erro mais comum na previsão do impacto da IA no mercado de trabalho é confundir capacidade com difusão. A IA já consegue gerar código, redigir contratos e analisar imagens médicas em níveis que rivalizam com profissionais treinados. Mesmo assim, a maioria dos programadores, advogados e radiologistas ainda trabalha de formas reconhecíveis para seus equivalentes de 2015. A tecnologia chegou, mas as organizações mal mudaram sua forma de trabalhar.

Brynjolfsson, Daniel Rock e Chad Syverson documentaram esse atraso em seu paper de 2021, "The Productivity J-Curve" (American Economic Journal: Macroeconomics). Tecnologias de propósito geral mostram produtividade mensurada menor durante a adoção inicial porque as empresas precisam investir em complementos intangíveis (treinamento, redesenho de processos, reestruturação organizacional) antes que os benefícios se materializem.

O precedente histórico é instrutivo. O estudo de Paul David de 1990, "The Dynamo and the Computer" (American Economic Review), mostrou que a energia elétrica levou aproximadamente quatro décadas para aparecer nas estatísticas de produtividade após a inauguração da Pearl Street Station de Edison em 1882. As fábricas tiveram que ser completamente redesenhadas — de layouts de múltiplos andares movidos a eixos a vapor para linhas de produção em um único andar com motores individuais — antes que os ganhos aparecessem. A tecnologia da informação seguiu um arco semelhante, porém comprimido. Robert Solow observou em 1987 que era possível "ver a era dos computadores em todo lugar, menos nas estatísticas de produtividade". O boom de produtividade da TI só chegou em meados dos anos 1990, cerca de duas décadas após a adoção comercial generalizada.

Se os atrasos de adoção continuam encurtando, a IA pode estar em uma linha do tempo de dez a quinze anos, colocando o ponto de inflexão por volta de 2035. Os dados de Brynjolfsson de fevereiro de 2026 (crescimento de 2,7%) sugerem que a curva pode já estar se curvando para cima. Mas, como ele alertou, "são necessários mais alguns períodos de crescimento sustentado para confirmar uma tendência de longo prazo."

Nem todos aceitam a analogia histórica. Dario Amodei, CEO da Anthropic, argumentou em "Machines of Loving Grace" (2024) que a IA poderia comprimir cinquenta a cem anos de progresso científico em cinco a dez — "um país de gênios dentro de um datacenter". Em um ensaio seguinte, "The Adolescence of Technology" (2025), ele previu que metade de todos os empregos white-collar de nível de entrada poderiam ser deslocados em um a cinco anos, uma linha do tempo que colapsaria a Curva J antes que as instituições tenham tempo de se adaptar. Se as estimativas de capacidade de Amodei estiverem corretas, a era da aumentação pode ser medida em anos, não décadas. A questão é se a inércia organizacional — a mesma força que manteve fábricas rodando em layouts de eixos a vapor por décadas após Edison — age como um amortecedor ou simplesmente atrasa um pouso mais duro.

As evidências micro estão se acumulando mais rápido que as estatísticas macro. Brynjolfsson, Li e Raymond descobriram que um assistente de IA para agentes de atendimento ao cliente produziu ganhos médios de produtividade de 14%, com ganhos de 34% para trabalhadores menos experientes. Noy e Zhang mostraram que o ChatGPT reduziu o tempo em tarefas de redação em 40% entre profissionais com formação universitária. Dell'Acqua e colegas em Harvard descobriram que consultores da BCG com acesso a IA completaram 12% mais tarefas, 25% mais rápido, com qualidade 40% maior.

Esses são efeitos de aumentação. Os trabalhadores ainda estão lá. Estão fazendo mais.

Uma ressalva necessária: os três estudos mediram tarefas definidas de forma restrita em organizações individuais. O estudo de Brynjolfsson cobriu atendimento ao cliente em uma única empresa. Noy e Zhang usaram 453 profissionais em ambiente de laboratório. O experimento de Dell'Acqua na BCG envolveu 758 consultores em tarefas selecionadas para estar dentro da fronteira de capacidade da IA — e, notavelmente, em tarefas fora dessa fronteira, usuários de IA tiveram desempenho 19 pontos percentuais pior que o grupo de controle. Se esses ganhos no nível micro se agregam em crescimento de produtividade na economia como um todo é exatamente a questão que o framework macro de Acemoglu (Seção VI) desafia. A teoria da Curva J fornece uma reconciliação parcial: os ganhos micro são reais, mas os efeitos macro ficam defasados porque custos de implementação, reestruturação organizacional e heterogeneidade de tarefas absorvem grande parte do excedente antes que ele chegue às estatísticas de produtividade. A lacuna entre a evidência micro e os dados macro não é uma contradição. É a Curva J em ação.

A hipótese para esta era: Até 2035, a IA impulsionará o crescimento de produtividade principalmente por aumentação em vez de substituição, com habilidades complementares à IA comandando prêmios salariais significativos e novas categorias de empregos nativos de IA absorvendo trabalhadores deslocados. O Global AI Jobs Barometer 2025 da PwC descobriu que empregos que exigem habilidades em IA já comandam um prêmio salarial de 56%, número que dobrou em um único ano. E David Autor documentou em seu paper de 2024 no Quarterly Journal of Economics, "New Frontiers", que 60% dos empregos em 2018 existiam em títulos de cargo que não existiam em 1940.

A descoberta de Autor reformula a questão. A conversa assume um binário: aumentar ou automatizar. Sua evidência histórica aponta para um terceiro resultado que importa mais: tecnologias transformadoras criam categorias inteiramente novas de trabalho que ninguém antecipou. Ninguém em 1990 previu que "social media manager" ou "data scientist" seriam categorias profissionais importantes em 2020. Os efeitos mais significativos da IA sobre o emprego podem estar em funções que ainda não têm nome.

A maior ameaça a essa linha do tempo é a robótica de propósito geral. Se sistemas de IA física alcançarem a flexibilidade dos grandes modelos de linguagem na manipulação do mundo material, a automação total se torna mais barata que a aumentação na maioria das indústrias e a janela de dez anos colapsa. A resistência regulatória na medicina e no direito também pode tornar a Curva J mais íngreme. E a concentração geográfica, com atividade de IA se aglomerando em um punhado de hubs de inovação, pode produzir divergência pior do que qualquer coisa vista com tecnologias de propósito geral anteriores. O relatório de janeiro de 2026 do White House Council of Economic Advisers, "Artificial Intelligence and the Great Divergence", traça paralelos explícitos com a divisão da Revolução Industrial entre nações industrializadas e não industrializadas.

II. A Era da Reestruturação (2035–2045): A Explosão de Jevons

Suponha que a história da aumentação se sustente e que as organizações tenham passado uma década aprendendo a usar IA adequadamente. O que acontece quando o trabalho cognitivo fica barato? Não 20% mais barato. Noventa por cento mais barato.

Jevons respondeu isso em 1865. Carvão barato não significou menos carvão. Significou carvão para tudo. Quando um serviço se torna dramaticamente mais barato, usuários existentes consomem mais e casos de uso inteiramente novos se tornam viáveis que antes eram proibitivos. A combinação pode aumentar o gasto total apesar de quedas radicais de preço.

O padrão já é visível na infraestrutura de IA. O capex dos hyperscalers atingiu US$ 602 bilhões para 2026, um aumento de 36% ano a ano, mesmo com o custo por token de inferência de IA caindo cerca de duas ordens de magnitude nos três anos anteriores. Quanto mais eficiente a IA fica, mais dela as empresas compram.

Mas o Paradoxo de Jevons original era sobre um recurso físico esgotável. Carvão é rival e excludente: queimá-lo em uma máquina significa que não pode ser queimado em outra. Serviços cognitivos produzidos por IA são não rivais e têm custo marginal de reprodução próximo de zero. Um parecer jurídico gerado por IA pode ser copiado infinitamente a custo zero. Isso torna o output da IA mais parecido com software do que com carvão, e a economia de bens de informação (Shapiro e Varian, 1999) se aplica melhor que a economia de recursos extrativos. A analogia de Jevons requer uma condição sobre a qual o ensaio precisa ser honesto: elasticidade de demanda suficiente.

A elasticidade da demanda determina quais setores cognitivos verão explosões de Jevons e quais simplesmente ficarão mais baratos.

Considere o exemplo da radiologia, que aparece em quase toda previsão otimista sobre IA. Se a IA reduz os custos de interpretação em 90%, ressonâncias magnéticas poderiam se tornar padrão em exames anuais e monitoramento de bem-estar? A matemática da expansão de demanda é sedutora: exames aumentam vinte vezes, custo por exame cai dez vezes, gasto total dobra. Mas a interpretação é apenas um componente do custo do exame. A máquina de ressonância, o tempo do técnico e os custos fixos da instalação (os componentes dominantes do custo) não são afetados pela interpretação de IA. Uma redução de 90% no custo de interpretação não produz uma redução de 90% no custo total do exame. Os efeitos de Jevons exigem que os ganhos de eficiência atinjam a restrição de custo vinculante. Em radiologia, talvez não atinjam.

O framework de "retornos marginais à inteligência" de Amodei chega à mesma conclusão pelo lado da oferta: mesmo inteligência artificial ilimitada encontra retornos decrescentes onde o progresso depende de experimentos físicos, ciclos regulatórios ou complexidade intrínseca em vez de esforço cognitivo. Radiologia é restrita por máquinas e instalações. Software é restrito por pensamento. O mecanismo de Jevons opera na segunda categoria, não na primeira.

Compare isso com desenvolvimento de software, onde a restrição vinculante é trabalho cognitivo: especificação, codificação, testes, debugging. Ou criação de conteúdo, onde o custo de produção é quase inteiramente tempo humano. Nesses domínios, a elasticidade da demanda é plausivelmente alta o suficiente para efeitos genuínos de Jevons. Em domínios onde o trabalho cognitivo é uma pequena parcela do custo total (manufatura, logística, construção), os efeitos serão atenuados. A pergunta para cada setor cognitivo é se ele se parece mais com software (elástico, compatível com Jevons) ou mais com agricultura (inelástico, propenso a deslocamento). Quando a produtividade em um setor com demanda limitada melhora dramaticamente, o emprego colapsa em vez de se expandir. A agricultura perdeu 95% de sua força de trabalho ao longo de um século apesar de enormes ganhos de produtividade. Tratar "trabalho cognitivo" como uma categoria única com elasticidade uniforme é o erro mais comum nas aplicações populares do framework de Jevons.

Uma segunda condição: competição suficiente para repassar ganhos de eficiência aos consumidores como redução de preços. Se os provedores de IA capturam ganhos de eficiência como lucro de oligopólio em vez de repassá-los como preços mais baixos, o mecanismo de estímulo à demanda empaca. Dada a estrutura de mercado atual, com um punhado de provedores de modelos fundacionais e as Magnificent Seven controlando US$ 19,6 trilhões em capitalização de mercado enquanto absorvem 75% do crescimento de lucros do S&P 500 em 2024, essa não é uma preocupação hipotética.

IA open-source complica a história do oligopólio de formas que cortam tanto a favor quanto contra a tese de Jevons. O modelo R1 do DeepSeek, lançado em janeiro de 2025, igualou o desempenho proprietário de fronteira por uma fração do custo e forçou cortes de preço imediatos em toda a indústria. A série Llama da Meta e os modelos de pesos abertos da Mistral têm efeito similar: estabelecem um piso de preço de aproximadamente zero para inferência em hardware commodity, o que torna mais difícil para qualquer provedor individual capturar ganhos de eficiência como lucro. Se modelos open-source continuarem a se aproximar da capacidade de fronteira — e a tendência desde 2023 sugere que sim, com um atraso de seis a doze meses — então a condição de competição para efeitos de Jevons se fortalece. Ganhos de eficiência são repassados aos consumidores, preços caem, demanda se expande. Mas open-source também acelera o lado do deslocamento. Quando uma startup consegue rodar um modelo capaz em seus próprios servidores pelo custo da eletricidade, a barreira para automatizar tarefas cognitivas cai de "podemos pagar pela API?" para "conseguimos escrever o prompt?". O mecanismo de Jevons e o mecanismo de deslocamento se intensificam simultaneamente. A questão distributiva se torna mais urgente, não menos.

A hipótese para esta era: Até 2045, o gasto global em serviços cognitivos de alta elasticidade (software, conteúdo, analytics, design) será 3 a 5 vezes maior em termos reais que os níveis de 2035, apesar da IA ser ordens de magnitude mais barata. Novas indústrias surgirão que só são viáveis com custos cognitivos próximos de zero. Mas setores de baixa elasticidade verão a eficiência capturada como redução de custos, não como expansão de demanda.

III. O Muro Energético: Limites Físicos de um Paradoxo Digital

O Paradoxo de Jevons prevê expansão de demanda. Mas a demanda só pode se expandir na velocidade que a infraestrutura física permite. E agora, a infraestrutura está perdendo a corrida.

A Agência Internacional de Energia estima o consumo global de eletricidade por data centers em 415 TWh em 2024, cerca de 1,5% da eletricidade global. Até 2030, a IEA projeta que isso mais que dobrará para 945 TWh, equivalente a toda a demanda atual de eletricidade do Japão. O Goldman Sachs prevê um aumento de 165% na demanda de energia de data centers no mesmo período, com a participação da IA subindo de cerca de 14% da carga dos data centers para 35–50%.

Essas projeções colidem com um gargalo físico: interconexão à rede elétrica. No final de 2024, aproximadamente 2.600 GW de geração e armazenamento propostos estavam na fila de interconexão dos EUA, mais que o dobro da capacidade instalada do país. O tempo mediano desde a solicitação de interconexão até a operação comercial dobrou de menos de dois anos no início dos anos 2000 para mais de quatro anos hoje. Apenas 13% da capacidade que submeteu solicitações de interconexão de 2000 a 2019 havia alcançado operação comercial até o final de 2024. O resto foi retirado ou ficou preso.

A demanda de IA escala em um ciclo de um a dois anos. A expansão da rede leva de cinco a dez. As linhas do tempo são fundamentalmente incompatíveis.

As consequências já são visíveis em nível local. A Virgínia, o maior mercado de data centers do mundo, destina mais de um quarto das vendas de eletricidade da Dominion Energy a data centers, segundo a Virginia Joint Legislative Audit and Review Commission. Na Irlanda, a EirGrid impôs uma moratória de fato sobre novas conexões de data centers na região de Dublin até 2028 por preocupações com capacidade da rede. Essas não são projeções. São restrições atuais sobre onde novas capacidades podem ser instaladas.

Essa incompatibilidade desencadeou um renascimento nuclear. A Microsoft assinou um contrato de compra de energia de 20 anos para reiniciar a Unidade 1 de Three Mile Island (835 MW). A Meta anunciou o "Prometheus", um programa de aquisição nuclear de 6,6 GW abrangendo acordos com Oklo, Vistra e TerraPower. Google, Amazon e OpenAI também assinaram acordos nucleares. A instalação principal da OpenAI, Stargate, em Abilene, Texas, inclui uma usina de gás natural no local porque a rede não consegue fornecer energia suficiente. O padrão é claro: empresas de IA estão se tornando empresas de energia por necessidade.

A ironia é recursiva. A Nvidia alega uma melhoria de aproximadamente 100.000x na eficiência energética da IA por watt desde 2016. No entanto, a empresa despachou 3,76 milhões de GPUs para data centers só em 2023, mais de um milhão a mais que no ano anterior, e o capex dos hyperscalers atingiu US$ 602 bilhões para 2026. Chips mais eficientes não reduzem o consumo de energia. Eles tornam econômico rodar mais chips. Khowaja et al. formalizaram isso em "From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate" (ACM FAccT 2025), argumentando que "ganhos de eficiência podem paradoxalmente estimular maior consumo."

Um duplo Jevons: IA mais barata gera mais demanda por serviços de IA, e chips mais eficientes geram mais demanda por chips. Ambos são restringidos pela mesma infraestrutura física: capacidade da rede, água de resfriamento e encapsulamento de chips.

O muro energético invalida a tese de Jevons? Não, mas a curva. A analogia correta é a própria história do carvão. Jevons estava certo de que máquinas a vapor eficientes aumentaram a demanda por carvão. Mas restrições de oferta de carvão (capacidade de mineração, transporte, mão de obra) criaram pisos de preço que moderaram as taxas de crescimento. A explosão de demanda foi real, mas não infinita. A IA provavelmente seguirá o mesmo padrão: efeitos de Jevons são reais, mas restrições de infraestrutura criam um governador natural de velocidade, mantendo os custos de IA mais altos do que a pura eficiência algorítmica permitiria e moderando a explosão de demanda ao ritmo em que a oferta física pode se expandir.

A análise abrangente da Epoch AI concluiu que a energia elétrica é "a restrição que provavelmente se tornará vinculante primeiro" entre todos os gargalos de escala da IA. Jensen Huang chamou a energia de "o gargalo" e a colocou na base de um "bolo de cinco camadas" para a indústria de IA. Se a camada de baixo restringe, tudo acima também restringe.

IV. A Questão Distributiva: Quem Captura o Excedente?

Mesmo se a explosão de Jevons se materializar, importa enormemente quem se beneficia. O excedente de eficiência da IA tem que ir para algum lugar: para trabalhadores como salários maiores, para consumidores como preços menores, para donos de capital como lucros, ou para geografias específicas como crescimento concentrado. As evidências iniciais sugerem que os fluxos são altamente desiguais.

O prêmio salarial é real, mas concentrado. O Global AI Jobs Barometer 2025 da PwC, que analisou perto de um bilhão de anúncios de emprego em seis continentes, descobriu que empregos que exigem habilidades em IA comandam um prêmio salarial de 56% sobre funções comparáveis. Esse prêmio dobrou em um único ano. Mas a análise da Brookings e GovAI mostra que os ganhos atingem o pico em torno de US$ 90.000 de renda anual e permanecem altos para quem ganha seis dígitos. Trabalhadores que ganham menos têm menos acesso a ferramentas de IA em seus workflows existentes. As pessoas mais bem posicionadas para ganhar com IA são as que já estavam indo bem.

A mudança mais profunda é de trabalho para capital. O working paper de abril de 2025 do FMI encontrou algo contraintuitivo: a IA pode na verdade estreitar a desigualdade salarial ao deslocar tarefas cognitivas caras de alta remuneração, comprimindo a distribuição salarial. Mas simultaneamente amplia a desigualdade de riqueza, porque o excedente da automação de trabalho caro flui para os donos de capital através de lucros corporativos e valorização de ações. Os 10% mais ricos dos domicílios dos EUA detêm aproximadamente 87% de todas as ações corporativas, segundo as Distributional Financial Accounts do Federal Reserve. Quando a IA impulsiona os lucros corporativos, os ganhos se concentram entre pessoas que possuem ações, não pessoas que ganham salários. Como o FMI colocou: "a IA provavelmente aumentará substancialmente a desigualdade de riqueza" mesmo em cenários onde as diferenças salariais diminuem.

A concentração geográfica é gritante. A Brookings descobriu que 30 áreas metropolitanas dos EUA capturam 67% de todas as vagas de emprego em IA. O Bay Area sozinho absorve 82% do venture capital global em IA generativa. Apenas 15 cidades respondem por dois terços dos ativos e capacidades em IA nos Estados Unidos. Essa concentração é mais extrema que a era da TI. A infraestrutura computacional e o talento especializado necessários para o desenvolvimento de IA de fronteira são ordens de magnitude mais caros do que o boom da internet exigiu.

O cenário internacional é pior. A UE produziu três modelos fundacionais contra quarenta dos EUA e detém 5% da computação global de IA de ponta versus 74% dos EUA. A indústria de BPO da Índia, de US$ 227 bilhões, que emprega cinco milhões de pessoas e contribui com 7,4% do PIB, enfrenta disrupção direta, com estimados 1,65 milhão de trabalhadores de suporte por voz e processamento de dados em risco. Todo o mercado de IA da África é projetado em US$ 4,5 bilhões em 2025, cerca de 1–1,5% dos gastos globais com IA. Os modelos open-source do DeepSeek e a Rota da Seda Digital da China oferecem um caminho alternativo para o Sul Global (20 projetos de infraestrutura digital anunciados com a África na Cúpula FOCAC 2024), mas ao custo de dependência tecnológica de outra superpotência.

A China oferece um experimento natural. O ecossistema de IA da China — o segundo maior do mundo, com DeepSeek, Qwen e dezenas de modelos fundacionais — opera sob condições institucionais fundamentalmente diferentes: política industrial dirigida pelo Estado, mercado de trabalho gerenciado e uma relação diferente entre o Estado e as empresas de tecnologia. Quando o deslocamento atinge a manufatura ou os serviços chineses, a resposta envolve programas de requalificação coordenados centralmente e investimento direcionado em novas indústrias, não ajuste mediado pelo mercado. Se a abordagem da China produzir custos de deslocamento menores e realocação mais rápida de trabalhadores que o modelo ocidental, a implicação é que a tese de Jevons não é apenas sobre tecnologia e elasticidade — é sobre governança. O framework deste ensaio é implicitamente ocidental, e a trajetória da China testará se esse enquadramento se sustenta ou se o design institucional é mais determinante que a estrutura de mercado.

A variável institucional é a que mais importa. Nos países nórdicos com sindicatos fortes e políticas ativas de mercado de trabalho, a adoção de IA tem sido associada a diferenças salariais menores. Nos Estados Unidos e no Reino Unido, a mesma tecnologia coincide com polarização mais acentuada. O estudo da OCDE de novembro de 2024 descobriu que a IA reduziu a desigualdade dentro das ocupações mais expostas à IA durante 2014–2018, o oposto do que os robôs fizeram. O mecanismo: a IA automatiza tarefas cognitivas que complementam em vez de substituir o trabalho físico, elevando os salários relativos de trabalhadores menos qualificados. Mas se esse efeito equalizador persiste depende inteiramente de se os trabalhadores ou os donos de capital capturam os ganhos de produtividade. Mesma tecnologia, instituições diferentes, resultados distributivos opostos.

As greves do SAG-AFTRA e WGA de 2023 produziram as primeiras negociações trabalhistas bem-sucedidas sobre direitos de IA: requisitos de consentimento, proteções de compensação e regras de transparência para o uso de IA do trabalho humano. Essas servem como template, mas roteiristas de Hollywood têm mais poder de barganha que operadores de call center em Manila. O conjunto mais amplo de políticas ainda não produziu uma resposta crível à questão distributiva. Impostos sobre robôs foram rejeitados pela UE. O piloto de renda básica universal de Altman (US$ 1.000/mês para 1.000 indivíduos de baixa renda) ajudou a cobrir necessidades essenciais, mas não melhorou a qualidade do emprego ou a saúde. A Brookings descobriu que trabalhadores de empregos com alta exposição à IA ganham 25% menos após requalificação do que trabalhadores de empregos com baixa exposição. Os mecanismos para distribuir o excedente da IA permanecem, por enquanto, teóricos.

Mesmo as projeções mais otimistas reconhecem a contingência. O "cenário dos sonhos" de Amodei para economias em desenvolvimento — crescimento de 20% ao ano do PIB através de difusão tecnológica impulsionada por IA — carrega uma ressalva explícita: requer "esforços fortes de nossa parte". Benefícios não se distribuem sozinhos. Ele também identifica um "problema de opt-out": populações que resistem a serviços aprimorados por IA ficam progressivamente mais para trás, criando ciclos de retroalimentação que agravam a desigualdade existente. O paralelo com a hesitação vacinal é desconfortável, mas instrutivo. Quando os benefícios de uma tecnologia são grandes e sua adoção é desigual, a lacuna entre adotantes e resistentes se amplia mais rápido do que qualquer mecanismo de redistribuição consegue fechar.

V. A Era Institucional (2045–2055): A Transição de Perez

Suponha que a explosão de Jevons aconteça nos setores elásticos e que as restrições energéticas se curvem sem quebrar. Os ganhos de produtividade ainda precisam que as instituições alcancem a tecnologia, e isso leva décadas.

A teoria de paradigma tecnoeconômico de Carlota Perez (2002) documenta esse padrão: a energia a vapor exigiu sociedades de responsabilidade limitada e sistemas ferroviários; a eletricidade exigiu gestão científica e produção em massa; a tecnologia da informação exigiu produção enxuta e metodologias ágeis. Cada tecnologia de propósito geral exigiu novas instituições, não apenas novas ferramentas. A tecnologia sempre chegou décadas antes que as instituições se adaptassem, e os ganhos de produtividade vieram do casamento entre ambas.

A adaptação institucional já está em andamento, embora em fragmentos. O EU AI Act, que entrou em vigor em etapas a partir de agosto de 2024, criou o primeiro framework regulatório abrangente para sistemas de IA, classificando-os por nível de risco e impondo requisitos de transparência e auditoria para aplicações de alto risco. O SB 1047 da Califórnia, debatido ao longo de 2024 e vetado pelo governador Newsom, teria exigido testes de segurança para modelos de fronteira acima de um limite de computação — a primeira tentativa de regular a IA no nível de capacidade em vez de no nível de aplicação. Os acordos do SAG-AFTRA e WGA de 2023 estabeleceram requisitos de consentimento e proteções de compensação para o uso de IA do trabalho criativo humano, um template que outras indústrias ainda não replicaram. O Model AI Governance Framework de Singapura adota uma abordagem totalmente diferente: voluntária, liderada pela indústria, enfatizando responsabilidade organizacional em vez de regras prescritivas.

Nenhum desses frameworks aborda as questões estruturais mais profundas. Quem é dono do output de um sistema de IA treinado com trabalho protegido por direitos autorais? Como as instituições educacionais devem preparar trabalhadores para funções que ainda não existem? Que mecanismos fiscais e de transferência podem redistribuir o excedente dos ganhos de produtividade impulsionados por IA sem suprimir o investimento que os produz? A questão de direitos autorais está tramitando nos tribunais dos EUA — os casos New York Times v. OpenAI e Thomson Reuters v. Ross Intelligence estabelecerão precedente — mas o redesenho institucional mais amplo mal começou.

A hipótese para esta era: Até 2055, as estruturas organizacionais que dominam a economia terão pouca semelhança com as corporações de 2025, assim como uma empresa de tecnologia de 2025 tem pouca semelhança com um conglomerado industrial dos anos 1960. A questão não é se as instituições vão se adaptar, mas quanta destruição se acumula durante o atraso entre capacidade tecnológica e prontidão institucional.

A análise histórica de Perez sugere que essas transições raramente são suaves. Envolvem crises financeiras, convulsões políticas e conflitos geracionais antes que um novo framework institucional se estabilize. A transição da economia vitoriana para a Era Progressista levou décadas de agitação trabalhista, ação antitruste e invenção regulatória. A transição da IA não será mais suave.

VI. O Cenário Pessimista: E Se Os Pessimistas Estiverem Certos?

Os cenários acima assumem que a IA seguirá o padrão histórico das tecnologias de propósito geral. Essa suposição pode estar errada. Três críticas são mais fortes do que o caso otimista costuma admitir.

A estagnação secular de Robert Gordon. O argumento de Gordon em The Rise and Fall of American Growth (2016) não é que a inovação desacelerou. É que as invenções "únicas e irrepetíveis" de 1870–1970 (água potável, eletricidade, combustão interna, telecomunicações) transformaram a existência material de formas que são, por definição, irrepetíveis. Encanamento interno só pode ser inventado uma vez. Gordon também identifica ventos contrários estruturais (desigualdade crescente, estagnação educacional, envelhecimento demográfico, dívida governamental crescente) que suprimem o crescimento independentemente do progresso tecnológico. Entusiastas da IA precisam explicar não apenas por que a IA é transformadora, mas por que ela supera ventos contrários que vêm arrastando a produtividade há cinquenta anos.

A direção da inovação de Daron Acemoglu. A crítica de Acemoglu é mais específica e quantitativamente mais prejudicial do que a maioria dos relatos populares sugere. Em "The Simple Macroeconomics of AI" (NBER Working Paper 32487, 2024; publicado em Economic Policy, janeiro de 2025), ele estima que a IA aumentará a produtividade total dos fatores em no máximo 0,53–0,66% ao longo de uma década, com ganhos acumulados de PIB de apenas 1,1–1,6%. Esses números são uma ordem de magnitude abaixo das projeções otimistas.

O mecanismo: o framework baseado em tarefas de Acemoglu (desenvolvido com Pascual Restrepo) identifica deslocamento, produtividade e criação de novas tarefas como as três forças que moldam o impacto da automação no mercado de trabalho. O insight central: a automação pode produzir ganhos de produtividade e ainda assim prejudicar trabalhadores se o deslocamento exceder a criação de novas tarefas. Seu conceito de "tecnologias mais-ou-menos" — automação que desloca trabalhadores sem gerar grandes ganhos de produtividade (como caixas de autoatendimento que não são dramaticamente mais eficientes que atendentes, mas eliminam empregos) — se aplica de forma desconfortável a muitas implantações atuais de IA. A análise da HBR de janeiro de 2026 descobriu que 60% das organizações pesquisadas já haviam reduzido o quadro de funcionários em antecipação ao potencial da IA, enquanto apenas 2% relataram grandes demissões vinculadas à implementação real de IA. Empresas estão cortando trabalhadores pelo que a IA pode fazer, não pelo que ela fez.

O problema de mensuração. O PIB não captura melhorias de qualidade proporcionadas pela IA. Melhores recomendações, conteúdo personalizado, serviço mais rápido, ferramentas de IA gratuitas: nada disso aparece nas estatísticas de produtividade. Mas os custos (deslocamento, requalificação, consumo de energia) aparecem. William Nordhaus testou empiricamente se os dados econômicos sustentam crescimento acelerado consistente com cenários transformadores de IA (American Economic Journal: Macroeconomics, 2021). Sua conclusão: não sustentam.

As três críticas apontam em direções diferentes. Gordon diz que os grandes ganhos ficaram para trás. Acemoglu diz que os ganhos são menores que o projetado e estão indo para os lugares errados. Nordhaus diz que os dados não mostram aceleração. Nenhum deles está obviamente errado. Mas eles também precisam explicar o salto de 2,7% na produtividade em 2025 e os US$ 602 bilhões em capex dos hyperscalers. Algo está acontecendo. O debate é sobre magnitude, direção e distribuição.

VII. Rastreando a Trajetória: Como Saber Qual Cenário Está Vencendo

Esses cenários geram previsões testáveis.

Até 2030, quatro indicadores distinguirão os caminhos. O primeiro é emprego em desenvolvimento de software e criação de conteúdo — os domínios onde o trabalho cognitivo é a restrição de custo vinculante. Se ambos os setores cresceram apesar de ferramentas de IA que já cortam o tempo de produção em um terço, a demanda está ultrapassando o deslocamento. Se ambos se contraíram, o modelo agrícola se sustenta. O segundo é o prêmio salarial da IA. A PwC mediu em 56% em 2025; se persistir acima de 20%, a era da aumentação está avançando. Se colapsar para perto de zero, a fluência em IA se comoditizou rápido demais para que a aumentação sustente uma transição duradoura. O terceiro é o surgimento de novas categorias profissionais — se o BLS começa a codificar ocupações nativas de IA que não existem hoje, como o framework de Autor prevê. O quarto é a participação energética dos data centers. Se os data centers dos EUA consumirem mais de 12% da eletricidade nacional, o muro energético está se impondo. Abaixo de 8%, as restrições físicas estão se curvando.

Até 2035, o cenário macro se clarifica. Crescimento sustentado da produtividade total dos fatores acima de 2% validaria a inflexão da Curva J. Crescimento de gastos com serviços cognitivos de 3x ou mais em software, analytics e conteúdo (ajustado pela inflação) confirmaria efeitos de Jevons em domínios de alta elasticidade. A razão de venture capital em IA fluindo para as 10 principais áreas metropolitanas versus o resto do país — atualmente em torno de 70/30 — mostrará se a concentração geográfica está se intensificando ou se dispersando. E a participação do trabalho na renda, que caiu de 53% para 52,4% entre 2014 e 2024, indicará se trabalhadores ou donos de capital estão capturando o excedente.

Conclusão: A Restrição Vinculante

Tudo neste ensaio gira em torno de onde o trabalho cognitivo se encaixa na estrutura de custos.

Em desenvolvimento de software, ele é a estrutura de custos. Especificação, codificação, testes, debugging — esses não são itens de linha secundários subordinados a máquinas e instalações. Eles são o produto. Corte esses custos pela metade e uma empresa que não conseguia justificar uma equipe de engenharia de cinco pessoas entrega com duas. Corte em noventa por cento e negócios que nunca tiveram orçamento de software começam a construir ferramentas customizadas. Criação de conteúdo segue a mesma lógica: redação, design, produção de vídeo são trabalho cognitivo puro. Quando os custos de produção colapsam em domínios onde o trabalho é a restrição vinculante, mais barato não significa menos. Significa mais. Esse é o mecanismo de Jevons, e software e conteúdo são onde ele enfrenta seu teste mais limpo.

Os números serão inequívocos. Se os Estados Unidos empregarem mais desenvolvedores de software e criadores de conteúdo em 2030 do que hoje, apesar de ferramentas que já cortam o tempo de produção em um terço, então a demanda está ultrapassando o deslocamento. Se ambos os setores encolheram, o precedente não é o carvão. É a agricultura — um século de ganhos de produtividade, noventa e cinco por cento da força de trabalho eliminada, porque a demanda por alimentos tem um teto. O que importa é se o trabalho cognitivo mais barato abre novos mercados ou simplesmente reduz custos nos existentes.

A projeção de Acemoglu — 0,53 a 0,66 por cento de crescimento da PTF ao longo de uma década — não é uma medida do que a IA pode fazer. É uma medida do que a IA fará se os incentivos atuais se mantiverem. Se as empresas automatizam para redução de quadro em vez de expansão de mercado. Se os ganhos de eficiência se acumulam em um punhado de empresas em vez de chegar aos consumidores como preços mais baixos. Se a rede não consegue escalar rápido o suficiente para alimentar a explosão de demanda que a cognição mais barata produziria. Cada uma dessas condições é uma escolha, não um destino.

Jevons estava certo sobre o carvão porque o mercado funcionou: vapor mais barato abriu indústrias que queimaram mais carvão do que as antigas jamais queimaram. Se ele está certo sobre inteligência depende de se os ganhos da cognição mais barata alcançam uma economia mais ampla ou se assentam nas contas das empresas que já a dominam.

Sources:

Amodei, Dario, "Machines of Loving Grace" (darioamodei.com, October 2024)
Amodei, Dario, "The Adolescence of Technology" (darioamodei.com, January 2025)
Acemoglu, Daron, "The Simple Macroeconomics of AI" (NBER Working Paper 32487, 2024; Economic Policy, January 2025)
Acemoglu, Daron & Restrepo, Pascual, "Automation and New Tasks: How Technology Displaces and Reinstates Labor" (Journal of Economic Perspectives, 2019)
Autor, David, Chin, Caroline, Salomons, Anna & Seegmiller, Bryan, "New Frontiers: The Origins and Content of New Work, 1940–2018" (Quarterly Journal of Economics, Vol. 139, Issue 3, 2024)
Brookings Institution & GovAI, "AI and the Labor Market" (2025)
Brynjolfsson, Erik, Li, Danielle & Raymond, Lindsey, "Generative AI at Work" (NBER Working Paper 31161, 2023)
Brynjolfsson, Erik, Rock, Daniel & Syverson, Chad, "The Productivity J-Curve: How Intangibles Complement General Purpose Technologies" (American Economic Journal: Macroeconomics, 2021)
Challenger, Gray & Christmas, "January 2026 Job Cuts Report" (February 2026)
David, Paul A., "The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox" (American Economic Review, 1990)
Dell'Acqua, Fabrizio et al., "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality" (Harvard Business School Working Paper 24-013, 2023)
Epoch AI, "Can AI Scaling Continue Through 2030?" (2025)
Federal Reserve, Distributional Financial Accounts (2024)
Goldman Sachs, "AI, Data Centers and the Coming US Power Demand Surge" (2024)
Gordon, Robert J., The Rise and Fall of American Growth (Princeton University Press, 2016)
International Energy Agency, "Energy and AI" (2025)
IMF Working Paper WP/25/68, "AI Adoption and Inequality" (April 2025)
Jevons, William Stanley, The Coal Question (1865)
Khowaja, Sunder Ali et al., "From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate" (ACM FAccT, 2025)
Marguerit, David, "Augmenting or Automating Labor?" (arXiv:2503.19159, 2025)
Nordhaus, William, "Are We Approaching an Economic Singularity?" (American Economic Journal: Macroeconomics, Vol. 13, No. 1, 2021)
Noy, Shakked & Zhang, Whitney, "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence" (Science, Vol. 381, 2023)
OECD, "What Impact Has AI Had on Wage Inequality?" (November 2024)
Perez, Carlota, Technological Revolutions and Financial Capital (Edward Elgar, 2002)
PwC, "2025 Global AI Jobs Barometer" (2025)
Rogers, Everett M., Diffusion of Innovations (1962; 5th Edition, 2003)
Shapiro, Carl & Varian, Hal, Information Rules (Harvard Business School Press, 1999)
Solow, Robert, "We'd Better Watch Out" (New York Times Book Review, July 12, 1987)
TechInsights, "Nvidia Data Center GPU Shipments" (2024)
Virginia Joint Legislative Audit and Review Commission, "Data Centers in Virginia" (2024)
Council of Economic Advisers, "Artificial Intelligence and the Great Divergence" (White House, January 2026)