A IA vai substituir os matemáticos? Os números surpreendem — e a resposta também

54% do que os matemáticos fazem está agora exposto à IA. Se esse número o surpreende, o próximo vai surpreendê-lo ainda mais: o risco de automação real deles é de apenas 36%.

Esse fosso — entre o que a IA toca e o que a IA ameaça — é a história completa da matemática na era da inteligência artificial. E não é a história que a maioria das pessoas espera.

A IA é uma Calculadora Poderosa, Não um Matemático

Vamos começar com o que a IA faz bem em matemática. A análise computacional e as simulações atingiram 68% de automação. [Fato] Isso significa executar simulações de Monte Carlo, resolver sistemas de equações diferenciais numericamente, testar conjecturas em milhões de casos — essas tarefas que antes consumiam semanas do tempo de um matemático agora podem ser realizadas em grande parte por máquinas. Se o seu trabalho consistia principalmente em resolver cálculos, sim, essa parte está desaparecendo.

Escrever artigos de pesquisa e apresentar descobertas situa-se em 55% de automação. [Fato] A IA pode redigir revisões de literatura, formatar documentos LaTeX, gerar visualizações e até mesmo sugerir trabalhos relacionados. Ferramentas como Semantic Scholar, Elicit e assistentes de IA conectados tornaram a mecânica da escrita acadêmica significativamente mais rápida. Uma revisão de literatura que antes exigia duas semanas de cuidadosa busca em banco de dados agora pode ser compilada numa tarde, com o matemático focado na avaliação crítica em vez da recuperação. Resumos para congressos, propostas de bolsas e até seções técnicas de artigos se beneficiam da assistência de IA na elaboração, embora o conteúdo intelectual substantivo ainda exija o julgamento do matemático.

Mas eis onde fica interessante. Desenvolver modelos e teorias matemáticas — o verdadeiro coração criativo da matemática — está em apenas 42% de automação. [Fato] A IA pode sugerir padrões em dados. Pode verificar provas usando sistemas como Lean. Pode até mesmo gerar conjecturas candidatas. O que não pode fazer é aquilo que torna um matemático um matemático: enxergar uma estrutura que ninguém viu antes, fazer uma pergunta que ninguém fez e construir um argumento que ilumina algo genuinamente novo sobre a natureza da quantidade, estrutura, espaço ou mudança.

O comitê da Medalha Fields de 2024 não vai entregar prêmios ao GPT tão cedo. [Alegação] As Medalhas Fields concedidas a Hugo Duminil-Copin, June Huh, James Maynard e Maryna Viazovska reconheceram trabalhos que envolveram inovação conceitual profunda — construindo pontes entre áreas da matemática anteriormente desconectadas, reconhecendo que um problema num campo poderia ser resolvido importando estruturas de outro. Nenhum sistema de IA atual demonstra essa capacidade para insight matemático genuíno, e o fosso entre reconhecimento de padrões e inovação conceitual não está se fechando tão rapidamente quanto algumas narrativas otimistas sugerem.

Uma Profissão Pequena Com Influência Desproporcional

Há apenas cerca de 3.500 matemáticos empregados nos Estados Unidos, ganhando um salário mediano de $112.110. [Fato] Esta é uma das menores ocupações rastreadas pelo BLS, contudo sua produção intelectual impulsiona tudo, desde a criptografia até a modelagem climática e a gestão do risco financeiro. Os matemáticos da NSA que projetam nossos padrões de criptografia, os matemáticos do Federal Reserve que modelam o risco financeiro sistêmico e os matemáticos dos principais laboratórios de pesquisa que desenvolvem os algoritmos fundamentais subjacentes ao próprio aprendizado de máquina — esses são pequenos números de pessoas com influência desproporcionalmente grande sobre a infraestrutura da qual todos dependem.

O BLS projeta um declínio de -1% no emprego até 2034. [Fato] Isso é essencialmente estável — não crescendo, não colapsando. A realidade é que posições de matemáticos puros sempre foram raras. A maioria das pessoas com doutoramento em matemática trabalha como cientistas de dados, analistas quantitativos, atuários ou professores. O título de "matemático" em si é menos uma categoria de emprego em massa e mais uma especialização de elite — geralmente exigindo doutoramento, frequentemente exigindo treinamento pós-doutoral e quase sempre concentrada em instituições de pesquisa, agências federais e um punhado de laboratórios de pesquisa industriais.

Até 2028, a exposição geral à IA é projetada para atingir 68%, com o risco de automação subindo para 50%. [Estimativa] A exposição teórica máxima chega a 89%. [Estimativa] Esses números refletem uma profissão que estará profundamente entrelaçada com a IA — mas "entrelaçada" não é "substituída". Todo matemático que conheço que integrou ferramentas de IA ao seu fluxo de trabalho descreve a experiência de forma semelhante: fazem perguntas mais difíceis, tentam problemas mais ambiciosos e completam em um ano o que levaria três. A produção total da profissão aumenta. O número total de matemáticos empregados não necessariamente diminui, porque a produtividade marginal de cada matemático subiu.

Como é a Matemática Assistida por IA na Prática

Para um matemático trabalhando em 2026, a assistência de IA aparece de maneiras específicas e concretas. Sistemas de computação simbólica lidam com integrais, derivadas, expansões de séries e manipulações algébricas que teriam consumido horas de trabalho cuidadoso com lápis. Sistemas de verificação formal como Lean 4 permitem que o matemático codifique uma prova passo a passo e deixe o sistema verificar lacunas lógicas. A biblioteca Mathlib no Lean agora contém verificações formais de partes substanciais da matemática de graduação e início de pós-graduação, com expansão ativa em direção às fronteiras de pesquisa.

A exploração de conjecturas é onde a IA se torna genuinamente adjacente à criatividade. Um matemático investigando, digamos, propriedades de certas curvas elípticas pode usar sistemas de aprendizado de máquina para escanear milhões de exemplos e identificar padrões que sugerem teoremas. O matemático então formula a conjectura com precisão e trabalha na prova. A IA não prova o teorema — mas acelera dramaticamente o estágio de formulação de conjecturas que historicamente exigia anos de correspondência de padrões manualmente.

Em subcampos específicos, a IA deslocou a metodologia de pesquisa de forma mais agressiva. A teoria computacional dos números, a combinatória algébrica e certos ramos da física matemática agora rotineiramente produzem artigos onde o resultado central foi descoberto por meio de exploração assistida por IA e depois provado por trabalho analítico liderado por humanos. O trabalho do matemático não desapareceu — deslocou-se de "encontrar o padrão" para "explicar por que o padrão deve ser verdadeiro."

Uma semana típica de pesquisa para um matemático fluente em IA em 2026 pode ser assim: a segunda-feira é dedicada à leitura de novos preprints no arXiv, com uma ferramenta de resumo de IA trazendo à superfície os três mais relevantes para a pesquisa atual e gerando rascunhos de notas de comparação com a literatura existente. Terça e quarta são trabalho profundo de prova — lápis, papel, lousa e consulta ocasional ao Lean para verificar um lema complicado. Quinta é exploração computacional, executando computações de álgebra simbólica ou treinando modelos pequenos para detectar padrões em dados numéricos. Sexta é escrita e revisão, com ferramentas de IA lidando com formatação LaTeX, gerenciamento de citações e edição de primeiro rascunho enquanto o matemático se concentra na clareza do argumento e na exposição conceitual. O ganho total de produtividade em comparação com uma semana de pesquisa de 2018 é de entre 30% e 80% dependendo do subcampo e da fluência em ferramentas do pesquisador individual. [Estimativa]

Esse ganho de produtividade é o que torna a projeção de emprego de -1% significativa. O mesmo número de matemáticos produz mais matemática, tenta programas de pesquisa mais ambiciosos e treina mais alunos que seguem carreiras não acadêmicas na indústria. O pipeline não está encolhendo — sua produção por trabalhador está se expandindo.

A Ameaça Real Não é a IA — É Mal Entender a IA

O maior risco para os matemáticos não é que a IA substitua seu pensamento. É que as instituições possam acreditar erroneamente que ela pode. [Alegação] Um administrador universitário que vê "68% de automação" pode concluir que dois matemáticos podem fazer o trabalho de três. Isso seria uma leitura catastroficamente errada dos dados. Um matemático usando IA para verificar provas e executar simulações mais rapidamente produz mais matemática, não menos. Cortar posições com base em ganhos de produtividade seria como demitir metade do departamento de P&D porque eles receberam microscópios melhores.

Os matemáticos que prosperarão serão os que integrarem ferramentas de IA ao seu fluxo de trabalho de pesquisa sem abrir mão do processo criativo. Use a IA para verificar seu trabalho. Use-a para explorar o panorama computacional em torno de uma conjectura. Use-a para lidar com a tediosa formatação e gestão de literatura da publicação acadêmica. Mas mantenha o pensamento seu.

Há também uma divisão geracional a navegar. Matemáticos que concluíram sua formação antes de 2020 frequentemente precisam adaptar a literacia em IA a carreiras construídas sobre métodos tradicionais. Os que entram no campo agora são esperados para dominar sistemas de verificação formal, pacotes de álgebra computacional e kits de ferramentas de aprendizado de máquina como parte de seu repertório metodológico básico. Departamentos em Princeton, ETH Zurique e o Instituto Max Planck de Matemática começaram a incorporar essas competências nos requisitos de doutoramento, e essa mudança institucional vai acelerar na próxima década.

O Que Isso Significa para Sua Carreira

Se você está estudando matemática ou trabalhando como matemático, seu campo é uma das profissões intelectuais mais resilientes à IA apesar dos altos números de exposição. A exposição é real — você usará IA diariamente. O risco de substituição é baixo — porque o que você realmente faz não pode ser automatizado pelos sistemas de IA atuais ou de futuro próximo.

Concentre-se nos 42% que permanecem obstinadamente humanos: teoria original, modelagem criativa e o tipo de intuição matemática profunda que nenhum conjunto de dados consegue replicar. Invista nas ferramentas de IA que ampliam seu alcance — sistemas de verificação formal para verificação de provas, pacotes de álgebra computacional para exploração de conjecturas, gerenciadores de referências modernos e ferramentas de escrita assistidas por IA para o pipeline de publicação. Mas nunca deixe que as ferramentas se tornem um substituto para o pensamento matemático que é o produto real de sua carreira.

Para estudantes de pós-graduação escolhendo direções de dissertação, o movimento estratégico é em direção a problemas onde a IA é um colaborador útil mas não consegue fazer o trabalho conceitual central. Problemas que exigem conexões profundas entre campos, problemas que envolvem estruturas matemáticas genuinamente novas e problemas onde a dificuldade está em formular a pergunta certa em vez de executar uma técnica conhecida — estas são as áreas onde a assistência de IA amplifica a produtividade de um matemático humano sem ameaçar a relevância do humano.

A profissão é pequena, a remuneração é boa para aqueles que alcançam posições seniores e o trabalho está entre os mais intelectualmente satisfatórios que existem. A IA muda a metodologia, mas não a natureza fundamental da vocação.

Ver dados detalhados de automação para Matemáticos

---

_Análise assistida por IA com base em dados da pesquisa de impacto econômico da Anthropic de 2026 e nas projeções ocupacionais do BLS 2024-2034._

Histórico de Atualizações

• 2026-05-18: Análise expandida com exemplos de metodologia assistida por IA, contexto da Medalha Fields, mudanças institucionais nos principais departamentos, fluxo de trabalho de exploração de conjecturas e padrões de adoção geracional.
• 2026-04-04: Publicação inicial com métricas de automação de 2025 e projeções BLS 2024-34.