Os Últimos 10%: Por Que a "Exposição à IA" É Uma Linha de Partida, Não Uma Previsão de Demissão

Todo mundo está fazendo a pergunta errada sobre IA e o seu emprego. A manchete diz que sua função é "90% automatizável" — e seu estômago revira. Mas veja o que os dados realmente implicam: se uma máquina faz 90% do seu trabalho, alguém ainda precisa fazer os últimos 10%. E essa última fatia pode ser a parte mais valiosa, mais humana e mais segura de toda a sua carreira.

Esse é o argumento no centro de um novo ensaio do economista Joshua Gans, da Rotman School da Universidade de Toronto, publicado em julho de 2026 pelo Economic Innovation Group [Fato]. Gans pega a frase hoje famosa — a de que a IA poderia automatizar 90% do que fazemos — e a transforma de uma manchete de desespero em uma pergunta econômica que vale a pena responder.

A tecnologia muda tarefas, não cargos

Comece com uma correção que muda tudo [Alegação]. A tecnologia raramente apaga uma ocupação inteira de uma só vez. Ela muda quem — ou o quê — realiza atividades específicas dentro dessa ocupação. Seu emprego é um pacote de tarefas, e a IA chega tarefa por tarefa, não cargo por cargo.

É por isso que "Meu emprego está seguro?" é quase a pergunta errada [Fato]. Gans, construindo sobre a estrutura baseada em tarefas dos economistas Daron Acemoglu e Pascal Restrepo, argumenta que a pergunta útil é mais estreita: _quais_ tarefas são automatizadas, e o que acontece com as que sobram? Dois trabalhadores com o mesmo cargo podem enfrentar futuros completamente diferentes, dependendo de como as tarefas automatizáveis estão distribuídas ao longo da semana de cada um.

Pense em um contador. Se a IA absorve a contabilidade e a conciliação rotineiras, o que resta é o tratamento de exceções, as decisões de julgamento e as conversas com clientes — o expert dos 10%. Se, em vez disso, a IA assumisse o relacionamento com o cliente e deixasse a digitação de dados, a história se inverteria. Mesmo cargo, resultado oposto.

A mesma lógica remodela o dia de um paralegal. Automatize a busca de documentos e a verificação de citações, e o que resta é a estratégia do caso, a triagem de clientes e o julgamento sobre o que realmente importa — trabalho mais difícil, não mais fácil, de entregar a uma máquina. Um número alto de exposição, em outras palavras, não diz nada sobre qual desses dois futuros você está trilhando.

Quando 90% se vai, quem faz os últimos 10%?

Aqui está a virada. [Fato] Gans reformula a alegação dos 90% como uma pergunta genuína: _sob quais condições os 10% finais se tornam mais valiosos, em vez de simplesmente significar que menos pessoas são necessárias?_

Existem pelo menos quatro razões pelas quais os últimos 10% podem se expandir, em vez de desaparecer.

Efeitos de foco. [Estimativa] Quando o trabalho rotineiro desaparece, a atenção liberada flui para as partes difíceis. Um radiologista aliviado da triagem rotineira pode dedicar mais tempo aos casos genuinamente difíceis e ambíguos — aqueles em que um diagnóstico perdido muda uma vida. O trabalho que resta não apenas sobrevive; ele melhora.

Recalibração de expertise. [Alegação] Se a automação remove tarefas _rotineiras_ ou tarefas _especializadas_ decide tudo. Retire o rotineiro, e a barra de expertise sobe — menos trabalhadores, mas mais bem pagos e mais difíceis de substituir. Retire o gargalo especializado, e a barra desce, abrindo o campo para mais gente. A direção não está predeterminada.

Reformulação organizacional. [Estimativa] As empresas reempacotam. Tarefas que sobrevivem são recombinadas em funções mais amplas, ou desmembradas em novas posições especializadas — pense em "governança de modelos de IA" como uma fatia emergente do trabalho clínico e jurídico que simplesmente não existia como emprego antes.

Elasticidade da demanda. [Fato] Quando um serviço fica mais barato e melhor, as pessoas compram mais dele. Os caixas de banco são o caso clássico: os caixas eletrônicos automatizaram o manuseio rotineiro de dinheiro, mas o emprego de caixa não entrou em colapso — os bancos abriram mais agências e remodelaram a função. O custo mais baixo expandiu a demanda, e a demanda expandiu o trabalho.

Mas Gans é honesto sobre o outro caminho. [Fato] Um advogado cuja revisão de documentos é 90% automatizada pode simplesmente acabar com menos trabalho jurídico para fazer — e os escritórios precisando de menos advogados para fazê-lo. Os últimos 10% só protegem você se a demanda, o reempacotamento e a expertise se alinharem a seu favor. O resultado é genuinamente incerto, e essa incerteza é o ponto central.

Um índice de exposição é uma linha de partida, não uma previsão

Essa é a ideia mais útil do ensaio para quem lê uma estatística assustadora sobre a própria profissão. [Fato] Um índice de "exposição" ou "aplicabilidade" da IA diz a você _onde_ uma tecnologia pode tocar um emprego. Ele não diz quantas pessoas vão continuar empregadas, com qual salário, fazendo o quê.

[Alegação] Transformar um número de exposição em um resultado real de emprego exige investigar coisas que os dados de folha de pagamento escondem:

• As tarefas expostas são periféricas, especializadas ou gargalos genuínos?
• A automação eleva ou reduz a barreira de entrada?
• A atenção liberada vai melhorar a qualidade do que resta?
• As empresas vão reempacotar tarefas em funções amplas ou especialidades estreitas?
• Um serviço mais barato e melhor vai expandir a demanda o suficiente para manter as contratações?

[Estimativa] Gans alerta que a exposição _média_ pode esconder a arquitetura de um emprego. Duas ocupações com índices de exposição idênticos podem ter destinos completamente diferentes, porque a exposição se localiza em pontos diferentes do pacote de tarefas. E os registros de folha de pagamento não captam as mudanças silenciosas: um desenvolvedor de software cujo assistente de IA reduz o tempo de documentação pode não mostrar nenhuma mudança salarial, mesmo com a textura, a intensidade e a composição real do trabalho tendo sido transformadas.

Sua conclusão vale a pena colar no monitor: _"Uma medida de exposição é um ponto de partida para essas perguntas, não a resposta."_

O que isso significa para a sua carreira

Se você levar uma coisa de Gans, que seja esta: um índice de exposição alto é um convite para investigar, não uma sentença para aceitar.

Olhe para a sua própria semana como um pacote de tarefas. Quais partes são rotineiras o suficiente para a IA assumir? O que restaria? O que sobra é o expert dos 10% que fica _mais_ valioso quando o rotineiro desaparece — o julgamento, os relacionamentos, as decisões ambíguas — ou é um trabalho que também encolhe quando o volume cai? Essa auditoria honesta diz muito mais do que qualquer porcentagem de manchete jamais vai dizer.

E repare no tempo escondido em tudo isso. [Alegação] A janela de requalificação se abre _antes_ da janela de demissão. A natureza tarefa por tarefa da IA significa que a mudança chega gradualmente, uma atividade de cada vez — que é precisamente o espaço que você tem para se mover em direção ao expert dos 10% enquanto ele ainda está se formando. Nas nossas páginas de ocupações, você pode ver quais tarefas específicas da sua área carregam a maior exposição à IA — e esse mapa é exatamente onde a estratégia dos últimos 10% começa.

O número no gráfico não é o seu destino. É a primeira linha de uma pergunta que só você pode terminar de responder — com coragem, em vez de pavor.

Fontes

• Joshua Gans, "The Last Ten Per Cent: How task-level AI exposure fits into a jobs forecast," Economic Innovation Group, julho de 2026. Working paper (PDF) · Análise: agglomerations.eig.org/p/the-last-ten-per-cent

Histórico de Atualizações

• 21/07/2026 — Publicação inicial. Resumo e análise da estrutura de exposição no nível das tarefas de Joshua Gans e da tese dos "últimos 10%."

---

Análise com apoio de IA. Este artigo foi redigido com assistência de IA e revisado por um editor humano. O enquadramento 90%/10% e as seis dimensões investigativas vêm do ensaio de julho de 2026 de Joshua Gans para o Economic Innovation Group; a interpretação para os trabalhadores é nossa.