Quais Empregos a IA Realmente Consegue Aprender? Um Novo Índice Reescreve a Lista de Risco

Aqui está um número que deveria te fazer parar: as duas principais formas de medir o risco da IA para empregos concordam apenas 15% das vezes sobre os empregos que realmente importam. Não 95%. Quinze. Durante anos, as "listas de risco" de automação que você viu nas manchetes vinham, discretamente, classificando as ocupações erradas no topo — e um novo estudo acaba de mostrar exatamente onde elas erraram.

O artigo, "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning", de Philip Moreira Tomei e Bouke Klein Teeselink (maio de 2026), traz algo que o campo vinha deixando passar. Em vez de perguntar "o que a IA consegue fazer hoje?", ele faz uma pergunta mais afiada: "o que a IA pode ser treinada para fazer?" Essa única mudança vira a lista de risco de cabeça para baixo — e se o seu emprego está nela, você merece saber de que lado você caiu.

O problema com toda lista de risco de IA que você já viu

A maioria das medidas de exposição à IA — incluindo o trabalho amplamente citado de Eloundou et al. por trás de tantas matérias — classifica os empregos pelo quanto os grandes modelos de linguagem de hoje se sobrepõem às tarefas de um emprego. Isso soa razoável até você notar a falha: [Fato] os grandes modelos de linguagem são treinados majoritariamente em previsão de texto, então eles parecem "capazes" em qualquer coisa que se pareça com escrita e "incapazes" em tudo o mais.

Tomei e Klein Teeselink argumentam que isso confunde capacidade atual com capacidade de aprendizado. Os sistemas de IA modernos melhoram cada vez mais não por ler mais texto, mas por meio de aprendizado por reforço — sendo recompensados por atingir uma meta verificável, repetidamente, até dominá-la. A pergunta real para a sua carreira não é se um chatbot já consegue fazer o seu trabalho. É se o seu trabalho produz o tipo de sinal de retorno claro e verificável que permite que um sistema de IA aprenda a fazê-lo [Alegação]. São coisas muito diferentes.

Como funciona o RL Feasibility Index

Os pesquisadores construíram o RL Feasibility Index, ou RLFI, e rodaram todas as 17.951 tarefas do O*NET em 894 ocupações por ele [Fato]. Cada tarefa primeiro passa por um filtro de viabilidade física: se exige mãos, um corpo, ou presença no mundo físico, ela pontua zero. Esse único filtro zera 40,7% de todas as tarefas — um lembrete contundente de quanto trabalho ainda vive fora de um data center.

As tarefas que sobrevivem ao filtro recebem uma pontuação de um a dez em oito dimensões ligadas a quão bem o aprendizado por reforço conseguiria aprendê-las — principalmente, se o sucesso é claramente verificável e se existe um sinal de recompensa. As pontuações são reescaladas para um intervalo limpo de 0 a 100 [Fato]. As ocupações que lideram a lista são pouco glamorosas, mas reveladoras: digitadores de dados em 71%, atendentes de correspondência em 69%, e revisores de texto em 69%. No fundo do poço, com pontuação zero, estão lavadores de pratos, pedreiros e instaladores de piso — ofícios físicos que a IA simplesmente não consegue alcançar.

A divergência que muda tudo

Aqui é onde o estudo se justifica. No geral, o RLFI se correlaciona fortemente — 0,88 — com a medida de exposição mais antiga de Eloundou. Isso parece concordância. Mas assim que você filtra apenas os empregos digitalmente viáveis, aqueles onde a verdadeira disputa sobre automação acontece, a correlação desaba para 0,15 [Fato]. Em termos simples: os dois índices concordam sobre quais empregos a IA não pode tocar, e discordam profundamente sobre quais empregos alcançáveis a IA consegue aprender.

Essa discordância produz alguns resultados genuinamente contraintuitivos. Considere três empregos que as medidas antigas classificam como baixa exposição, mas que o RLFI aponta como altamente aprendíveis: operadores de usinas de energia, maquinistas de trens e supervisores de manuseio de carga aérea. São funções estruturadas, guiadas por regras e fortemente monitoradas, onde o sucesso é inequívoco e cada ação deixa um rastro verificável — exatamente as condições em que o aprendizado por reforço prospera. Se você opera uma sala de controle de usina de energia, a suposição confortável de que seu emprego é "especializado demais para a IA" pode não sobreviver a esses dados [Estimativa]. A estrutura de tarefas que torna esses empregos seguros diante de um chatbot preditor de texto é precisamente o que os torna aprendíveis por um sistema movido a recompensa. Você pode ver o detalhamento completo na nossa página de operadores de usinas de energia e na página de maquinistas de trens.

Agora inverta. Músicos, médicos e gerentes de ciências naturais pontuam alto nos índices antigos de exposição, mas baixo em viabilidade de aprendizado por reforço. Por quê? Porque o trabalho real deles resiste a um sinal de recompensa limpo [Alegação]. Não existe uma pontuação simples e verificável para uma performance emocionante, um diagnóstico correto em meio à ambiguidade, ou o julgamento necessário para direcionar uma equipe de pesquisa. Uma IA pode gerar uma melodia plausível ou um diagnóstico de aparência plausível, mas "plausível" não é o mesmo que "verificavelmente correto", e o aprendizado por reforço precisa do segundo para melhorar. O panorama detalhado dessas funções está na nossa página de músicos e na página de gerentes de ciências naturais.

Quem realmente está no raio da explosão

O RLFI também se encaixa de forma clara com salário e experiência, de um jeito que deveria preocupar principalmente o meio do mercado de trabalho. [Fato] A exposição ao RL tem formato de corcova ao longo da distribuição salarial — o pico não fica nem embaixo nem em cima, mas nos decis médio-superiores, com os autores estimando que um aumento de um ponto logarítmico no salário está associado a uma alta de 12,2 pontos na viabilidade de RL. Por senioridade, forma um U invertido, com pico no meio de carreira [Alegação]. Funções de nível inicial e executivo ficam relativamente mais seguras; o profissional de meio de carreira solidamente estabelecido em um emprego estruturado e mensurável é o mais exposto.

E não é só teoria. Uma análise de diferença em diferenças de vagas de emprego depois do lançamento do ChatGPT constatou que um aumento de um desvio-padrão na exposição ao RL foi associado a uma queda de 2,9% nas vagas abertas — embora os autores tenham o cuidado de sinalizar que isso é apenas marginalmente significativo (p=0,085) [Estimativa]. O sinal é inicial e ruidoso, mas aponta na direção que o índice prevê.

O que isso significa para a sua carreira

Se você levar uma coisa desta pesquisa, que seja esta: pare de perguntar se a IA consegue fazer o seu trabalho hoje, e comece a perguntar se o seu trabalho gera um resultado limpo, repetível e verificável. É essa propriedade que alimenta o aprendizado por reforço. Empregos cheios de julgamento ambíguo, presença física, ou responsabilidade que não pode ser reduzida a uma pontuação são, contraintuitivamente, os mais defensáveis.

Para trabalhadores em funções estruturadas e mensuráveis — digitação de dados, administração de registros, monitoramento e despacho de rotina —, o movimento prático é se apoiar nas partes do seu trabalho que são ambíguas: tratamento de exceções, comunicação com stakeholders, decisões de julgamento que nenhuma função de recompensa capta de forma limpa. Para quem está em funções criativas, clínicas ou de liderança que as listas antigas marcavam como de alto risco, este estudo é um alívio discreto, mas não uma carta branca — a fronteira do "verificável" continua se movendo.

A lição mais profunda é sobre as próprias listas. Quando o próximo gráfico viral de "estes empregos serão automatizados" aparecer no seu feed, pergunte o que ele realmente mediu. Se ele classificou os empregos pelo que a IA consegue fazer hoje, em vez do que a IA pode ser treinada a aprender, trate suas classificações com desconfiança. O risco mais importante pode ser exatamente aquele que as medidas antigas nunca viram chegar.

Fontes

• Philip Moreira Tomei e Bouke Klein Teeselink, "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning," arXiv:2605.02598 (maio de 2026). https://arxiv.org/abs/2605.02598

Histórico de Atualizações

• 04/07/2026: Publicação inicial, analisando o RL Feasibility Index (RLFI) e sua divergência em relação às medidas de exposição à IA baseadas em LLM já existentes, em 17.951 tarefas do O*NET.

---

Análise com apoio de IA. Este artigo foi redigido com assistência de IA e revisado quanto à precisão em relação à fonte primária citada. Os números de risco no nível ocupacional levam às nossas páginas de dados detalhados, que se baseiam na pesquisa de mercado de trabalho da Anthropic e nos dados de tarefas do ONET.*