Futuro do Trabalho: o impacto da Inteligência Artificial

Por Gabriel Renault

Inteligência Artificial Generativa representa uma revolução na produtividade que terá ganho anual estimado em mais de US$ 4 trilhões em múltiplas indústrias.
Por outro lado, alguns mercados profissionais humanos tendem a encolher, na medida em que funções são incorporadas pela máquina.
Artigo discute formas de lidar com o impacto da Inteligência Artificial Generativa, e como se preparar para essa grande revolução que já está em curso.

A esta altura, não é mais possível desviar do assunto: a inteligência artificial generativa, com a força de seu impacto, transformará o seu, e o nosso trabalho. Mas como exatamente isso irá acontecer? Quais informações que temos hoje podem nos ajudar a entender como o mercado de trabalho será tocado pela onda disruptiva dessa tecnologia?

Por mais que o atual ritmo acelerado do desenvolvimento de sistemas de Inteligência Artificial venha surpreendendo com saltos inesperados (como o lançamento do ChatGPT em novembro de 2022, ou as incríveis demonstrações do modelo de texto-vídeo Sora, ambos da OpenAI), e isso dificulte a previsão sobre o futuro dessa tecnologia, existe um forte consenso entre os especialistas da área sobre pelo menos um ponto: os novos modelos de IA generativa terão um forte impacto sobre a forma como as pessoas trabalham, no mundo todo.

Segundo a atual diretora-geral do Fundo Monetário Internacional (FMI), Kristalina Georgieva, cerca de 40% dos trabalhos podem ser afetados pelo desenvolvimento da IA. “A inteligência artificial vai transformar a economia global”, escreveu Kristalina em um texto publicado no site do Fundo.

O próprio CEO da OpenAI, Sam Altman, admitiu em entrevista à revista The Atlantic que “alguns trabalhos tendem a desaparecer”, enquanto outros serão alavancados em termos de produtividade e possibilidades criativas.

Primeiro, vale fazer aqui uma breve recapitulação de alguns conceitos fundamentais. (Para ainda maior aprofundamento, confira o nosso report Revolução Generativa, que detalha vários dos conceitos tratados neste artigo.)

Afinal, o que compõe o mundo da inteligência artificial?

A expressão “Inteligência Artificial” se refere ao campo completo de estudo, partindo de definição acadêmica que remonta ao matemático e cientista da computação inglês Alan Turing (1912 – 1954). Conceitualmente, a Inteligência Artificial é um campo interdisciplinar que busca desenvolver sistemas capazes de realizar tarefas que normalmente requerem inteligência humana. Essas tarefas incluem aprendizado, raciocínio, resolução de problemas, percepção visual e reconhecimento de fala.

O esquema acima, os itens mais ao centro não “solucionam os problemas” dos que estão fora. Ou seja, a GenAI por si só não substitui os demais campos de estudo, mas é uma consequência deles. Nesse diagrama, temos:

1. Sistemas baseados em regras lógicas (if-then-else, que são uma das bases da programação), e Modelos econométricos e estatísticos. Ambos seguem e seguirão sendo extremamente úteis e amplamente utilizados. Nestes modelos, as regras precisam ser pensadas e codificadas pelo ser humano, o que acaba sendo um grande gargalo, pois, segundo o Paradoxo de Polanyi: “Sempre sabemos mais do que conseguimos expressar”. Como exemplo, imagine querer criar um código lógico (if-then-else) para identificar a imagem de um sofá, entre diversos outros tipos de móveis. Para isso, seria necessário escrever no código todas as condicionais necessárias para o programa eliminar possibilidades e afunilar as alternativas até chegar ao sofá, o que implica em mais rigidez e maior margem para erros, considerando casos em que haja grande complexidade de variações, algo comum no mundo real.

2. Machine Learning: é o grupo de modelos que aprendem com os dados. Aqui, o paradigma de programação muda completamente. Os modelos já estão construídos (são diferentes métodos matemáticos) e o trabalho de treino do modelo consiste em usar dados estruturados (ou seja, compostos em linhas e colunas bem definidas) em grandes volumes, de forma que o modelo “aprenda” a executar a tarefa em questão. Ou seja, o modelo “entende” como fazer o solicitado, com base nos dados (reduzindo o impacto do paradoxo de Polanyi). Em geral, estes modelos vão tratar de predições, classificações, inferências etc. Seguindo no exemplo do algoritmo que identifica sofás, neste caso já não precisamos mais descrever as regras que definem o que é um sofá. Basta organizar numa tabela ou banco de dados as características de milhares de móveis para que o próprio algoritmo aprenda a identificar o que é ou não um sofá.

3. Redes Neurais e Deep Learning: este grupo ainda consiste em modelos de Machine Learning, apenas mais específicos. Sua grande diferença é que, diferente dos modelos de Machine Learning tradicionais, estes modelos conseguem processar bem dados não estruturados (vídeos, áudios ou textos corridos). Ou seja, este grupo de técnicas libera o esforço humano de estruturar dados que estavam não estruturados. Porém, para estes modelos, apesar da entrada não estruturada, sua saída (output) é sempre estruturada (um número ou uma categoria específica). Seguindo no exemplo de criar a base de características de móveis, usando estas técnicas, basta ter um grande conjunto de imagens de móveis que apenas digam se aquilo é um sofá ou não é um sofá, que o modelo irá aprender a identificar este tipo de móvel apenas com as imagens classificadas.

4. IA Generativa: este grupo de modelos é um tipo de Deep Learning que, além de conseguir receber inputs desestruturados (textos, imagens ou áudios), consegue também gerar um output desestruturado.

Certo, mas o que isso tem a ver comigo?

Com um impacto anual estimado sobre a economia global em diferentes indústrias de até US$ 4,4 trilhões, consequência do aumento da produtividade, segundo análise de uma consultoria, os reflexos da implementação em escala de modelos de inteligência artificial generativa serão sentidos em diferentes perfis profissionais, em velocidades também distintas.

Como regra geral, trabalhos mais “técnicos” tendem a estar mais em risco do que trabalhos que envolvem elementos como criatividade, abstração, e empatia, considerados, de forma genérica, como traços “humanos”.

Vale destacar que isso tudo pode mudar, considerando que os modelos estado da arte estão se desenvolvendo continuamente em termos de competências. Mas falaremos sobre “AGI” (inteligência artificial geral) mais adiante neste artigo.

Alguns exemplos de profissões imediatamente impactadas pelos atuais progressos nesse campo:

No caso de serviços de atendimento ao consumidor, chatbots altamente inteligentes e especializados para a realidade de cada empresa e seus respectivos negócios abrirão frentes de contato extremamente eficientes, operacionais 24 horas por dia, 7 dias por semana, o que diminuirá radicalmente as filas, o tempo de espera, e tende a melhorar significativa a experiência do atendimento. Nesse caso, os atendentes humanos terão dificuldade em competir com a resiliência e consistência da máquina. Ainda assim, profissionais mais especializados nesse campo tendem a continuar demandados em casos muito complexos ou específicos.
Trabalhadores do backoffice, que já vinham sendo impactados por tecnologias de automação, seguirão expostos, na medida em que a IA generativa passa a operar como uma alavanca da hiperautomação. Agora, tarefas mais cognitivas também poderão ser automatizadas.
Redatores, tradutores, e outros profissionais que lidam com linguagem também tendem a ser impactados, na medida em que os LLMs (grandes modelos de linguagem) se tornam ainda mais eficazes na replicação do idioma humano em diferentes aplicações, em domínios como o marketing, geração de conteúdo, e até criativos, como produção de roteiros audiovisuais etc.
Na programação e engenharia de software, a barra tende a subir. LLMs têm se tornado cada vez mais eficazes na elaboração de código, o que aumenta a produtividade do engenheiro médio e especializado. Tarefas mais básicas de programação tendem a ser incorporadas por modelos de GenAI.

E nem mesmo as ocupações surgidas desde transformações tão recentes quanto as induzidas pelas redes sociais nas primeiras décadas do século 21 estão blindadas, como por exemplo:

Agências de publicidade já estão criando modelos influenciadoras geradas totalmente com Inteligência Artificial, a partir de ferramentas de criação de imagens ultrarrealistas como a Midjourney. Segundo os donos de uma dessas agências, a ideia nasceu depois de eles terem enfrentado problemas de relacionamento com influenciadores humanos que impactaram negativamente os projetos de divulgação de marcas.
Na indústria criativa, essas mesmas novas ferramentas e modelos de difusão como a Midjourney e a Sora tendem a dar aos criativos uma ferramenta com potencial ainda pouco conhecido, mas, ao mesmo tempo, levantam discussões sobre como a indústria precisará fazer ajustes para se adaptar. Por exemplo, o cineasta Tyler Perry revelou recentemente ter congelado os planos de expansão de seu estúdio, que teriam investimento de US$ 800 milhões, depois de assistir às capacidades do modelo Sora da OpenAI. “Alguns trabalhos serão perdidos”, disse ele em entrevista sobre o assunto.

Ao mesmo tempo, em alguns quadrantes, a IA vai gerar novas oportunidades, principalmente no contexto das posições STEM (acrônimo do inglês para: ciência, tecnologia, engenharia e matemática).

Um estudo de uma empresa de consultoria aponta que, até 2030, deve haver um aumento de 23% na demanda por esse tipo de profissional nos Estados Unidos. A demanda por profissionais médicos deve crescer ainda mais, 30%, apontando para um aquecimento na necessidade por trabalhadores que lidem com cuidado e empatia.

Na contramão, as profissões mais atingidas, de acordo com as expectativas do levantamento, são de profissionais de backoffice, com retração de 18% na demanda até 2030, e de vendas e atendimento ao consumidor, com queda de 13%.

Ao todo, atividades que respondem por 30% das horas de trabalho serão automatizadas, movimento acelerado pela GenAI, de acordo com o estudo.

Como a produtividade irá aumentar, a tendência é termos mais salários altos, o que gera demanda de serviços para estas pessoas empregadas com melhores remunerações. A conclusão foi que indivíduos com salários mais baixos têm 14 vezes mais chances de serem impactadas.

O potencial de aumento de produtividade é exemplificado por outro estudo, conduzido por Harvard junto a uma consultoria, que demostrou que os consultores que utilizaram IA Generativa durante a avaliação tiveram aumento de produtividade de 25,1% e uma qualidade de entrega 40% maior.

Vale destacar ainda que todos esses desdobramentos em torno da IA generativa não ocorrem em um vácuo. Há ainda outros movimentos relevantes em paralelo que impactam a dinâmica dos empregos e devem ser considerados na equação:

O envelhecimento da população e subsequente crescimento na demanda por mais serviços relacionados à saúde;
Movimento de transição energética que irá demandar muitos empregos especializados;
Sistema logístico que conecta as fábricas às casas irá aumentar, e com isso a demanda pela logística de “última milha”.

O que fazer frente à inevitável onda de automação do trabalho acelerada pela IA generativa?

Com todas essas premissas, podemos estender a reflexão sobre o impacto da IA a nossos próprios trabalhos e áreas de atuação, seja você uma pessoa do ramo da gestão, tecnologia, ou algum outro setor sob maior risco de transformação. Sendo assim, um primeiro passo é entender que estamos todos na “zona de impacto”, de uma forma ou de outra.

Nesse contexto, quais novas skills preciso adquirir? E como incluir GenAI na minha vida cotidiana e trabalho para não acabar “hackeado” por ela?

É importante ter em mente que, assim como as profissões relacionadas às ciências, matemática e tecnologia ganharão espaço neste novo mundo, outras profissões não tradicionalmente associadas a esses campos, como marketing e produção de conteúdo, por exemplo, também tendem a incorporar mais a lógica da ciência de dados e o pensamento analítico. Portanto, nesse contexto, todo profissional beneficia-se ao complementar sua formação com esse tipo de habilidade.

Até recentemente, havia uma clara distinção entre as áreas, mas com a introdução da IA e de novas tecnologias, essa separação está se tornando cada vez mais difusa, com uma crescente integração entre os campos. Assim, é crucial que os profissionais dessas carreiras, que não são tradicionalmente vistas como relacionadas às exatas, incorporem esse conhecimento e ampliem sua compreensão, possibilitando uma nova forma de pensar.

Não se trata de todos se tornarem matemáticos ou programadores. O objetivo é que as pessoas sejam capazes de integrar certas disciplinas e modos de pensamento, como a habilidade de resolver problemas e pensar logicamente. Isso ajudará todo profissional a enfrentar as transformações futuras, independentemente de como elas se manifestem em cada área de atuação específica.

Outro aspecto crucial é compreender o funcionamento dos modelos de IA generativa, pois apenas assim as pessoas poderão descobrir maneiras de aplicá-los em seus respectivos campos de trabalho. É possível empregar esses modelos de maneiras extremamente criativas, mas isso só é viável se você entender as competências, limitações, pontos fortes e fracos dos modelos. Não se espera que todos se tornem especialistas em redes neurais ou aprendizado profundo. No entanto, é necessário um entendimento mais amplo de como esses modelos funcionam para desbloquear seu potencial de uso cotidiano, desde aplicações pessoais simples até soluções para desafios profissionais mais complexos.

Por fim, uma chave importantíssima é o autoconhecimento. Como já dissemos, as profissões que serão valorizadas em maior grau são aquelas que, de alguma forma, trazem um elemento humano de empatia, de abstração e criatividade. E a verdade é que, muitas vezes, nós estamos alienados dessas características. Então, um grande desafio que a IA generativa nos impõe é justamente essa reconexão. Um grande desafio para todos será identificar como podemos acessar cada vez mais a nossa própria criatividade, nossa própria empatia, nossa própria sensibilidade, enfim, a nossa “humanidade”.

Um último ponto complementar: recomendamos ainda a leitura do nosso artigo sobre data-centric AI, que fala sobre uma possível mudança de paradigma dentro desse campo, que envolve olhar mais para os dados do que para o modelo. A própria OpenAI, que criou o ChatGPT, se baseou nesta visão. LLMs são modelos conhecidos há muito tempo, e nesse caso, todo o foco da empresa foi acumular e fazer a curadoria de uma gigantesca base de textos. Foi nesse processo que o ChatGPT foi capaz de apresentar seu desempenho transformador. Pode até parecer uma discussão mais avançada, mas, na essência, ela só chama atenção para o valor dos seus dados proprietários, que são únicos para você ou sua empresa e que podem servir de base para treinar IAs especializadas. E que, certamente, serão muito mais precisas para seu contexto.

Próximos movimentos na IA Generativa

Com o ritmo atual de avanço das tecnologias de IA, é desafiador fazer previsões específicas, especialmente sobre seu impacto no mundo do trabalho. Os modelos de IA têm adquirido novas habilidades a um ritmo surpreendente, muitas vezes superando as expectativas dos próprios pesquisadores. Apesar dessa incerteza, alguns desenvolvimentos emergentes no horizonte próximo prometem trazer impactos significativos à sociedade:

Evolução dos modelos de linguagem: Espera-se que os atuais modelos de linguagem, como GPT-4, Claude, Gemini, Llama e outros, continuem a evoluir. Isso não apenas ampliará suas capacidades de compreensão e geração de texto, mas também poderá introduzir novas formas de interação homem-máquina, tornando as interfaces ainda mais intuitivas, naturais e capazes.
Disputa entre modelos closed-source e open-source: a competição entre modelos closed-source, representados por empresas como OpenAI e Microsoft, e modelos open-source, liderados por entidades como Meta, com o Google posicionando-se entre os dois extremos, moldará o desenvolvimento futuro da IA. Essa dinâmica influenciará a acessibilidade, segurança, a colaboração na pesquisa e o desenvolvimento de aplicações baseadas em IA.
Small Language Models: em resposta à demanda por soluções mais sustentáveis e eficientes, espera-se um crescimento nos small language models. Estes modelos, adaptados para nichos de conhecimento específicos, prometem oferecer alta precisão e menor consumo de recursos, adequando-se melhor a aplicações especializadas.
Expansão da Infraestrutura de IA: a infraestrutura que viabiliza os atuais avanços na IA, fornecida por gigantes como AWS, Google e Microsoft (mas todos utilizando Nvidia como processador GPU), continuará a se expandir. Isso facilitará o desenvolvimento e a implementação de modelos de IA mais avançados, suportando uma gama ainda maior de aplicações.
Robotização e visão de máquina: projetos como o Optimus da Tesla, que envolve o desenvolvimento de robôs humanoides com capacidade de manipular objetos com altíssima precisão, evidenciam o potencial da combinação entre robotização e visão de máquina. Essas tecnologias avançarão para além das fábricas, integrando-se ao cotidiano de maneiras inovadoras, desde tarefas domésticas até assistência em ambientes complexos como hospitais e espaços públicos. Outra iniciativa nesse segmento, a startup Figure desenvolveu um robô humanoide equipado com o GPT da OpenAI, e recebeu financiamento de grandes nomes como Jeff Bezos, Microsoft e Nvidia.
AGI (Inteligência Geral Artificial): a busca pela AGI, considerada o “santo graal” desse campo, continua norteando os esforços de empresas como OpenAI, Google e Meta. O objetivo é desenvolver um tipo de superinteligência que será capaz de superar a capacidade humana e com isso nos levar a novos níveis de desenvolvimento até então inéditos na nossa história. De novo, apesar de ser difícil fazer predições precisas, nunca estivemos tão próximos desse cenário, apesar de não sabermos se estamos a 5, 10 ou 20 anos disto.
Segurança e alinhamento: à medida que a IA se torna mais integrada em nossas vidas, a segurança e o alinhamento dos objetivos dos modelos de IA com os valores humanos tornam-se cruciais. Isso envolve não apenas proteger os sistemas de IA contra usos mal-intencionados, mas também garantir que eles operem de maneira ética e alinhada com o bem-estar coletivo.

Em resumo, esses desenvolvimentos apontam para um futuro em que a IA generativa desempenhará papéis cada vez mais centrais em nossa sociedade, desafiando-nos a adaptar, inovar e garantir que essas tecnologias sejam desenvolvidas e utilizadas de forma responsável e benéfica para todos.

Você está preparado?

A EloGroup é uma consultoria de Transformação, que já trabalha em projetos de IA generativa em grandes corporações, e está pronta para auxiliar a sua organização a trilhar um caminho seguro e sustentável com metodologia própria e testada, capaz de destravar o potencial da IA generativa nos negócios e ajudá-los a encontrar novos patamares de geração de valor.

Quer saber mais? Fale com a gente!

GABRIEL RENAULT é senior partner e Chief Data & AI Officer da EloGroup