Metodologia

Nossa analise integra multiplas fontes de dados autorizadas para fornecer uma visao abrangente do impacto da IA nas ocupacoes. Monitoramos continuamente novas pesquisas.

• Massenkoff & McCrory (2026) - Impactos da IA no mercado de trabalho: metrica de exposicao observada a partir de dados reais de uso do ClaudePrincipal
• Eloundou et al. (2023) - GPTs are GPTs: framework de exposicao teorica de tarefas (pontuacoes beta 0, 0.5, 1)
• Brynjolfsson et al. (2025) - Canarios na mina: efeitos de emprego observados usando microdados de folha de pagamento ADP
• Bureau of Labor Statistics dos EUA (2024) - Projecoes de emprego 2024-2034 com taxas de crescimento por ocupacao
• Sistema de classificacao O*NET SOC - taxonomia padronizada de ocupacoes e tarefas usada em todas as avaliacoes

Usamos quatro metricas principais para quantificar o impacto da IA em cada ocupacao. Cada metrica captura uma dimensao diferente de como a IA interage com as tarefas de trabalho.

Exposicao geral

Uma metrica combinada que sintetiza dados de exposicao teorica e observada para fornecer uma pontuacao resumida unica (0-100) de quanto as tarefas de uma ocupacao se sobrepoem com as capacidades atuais de IA.

Exposicao teorica

Mede o que a IA poderia potencialmente automatizar com base em pesquisa academica e avaliacoes de capacidade. Derivada principalmente das pontuacoes beta de exposicao de tarefas de Eloundou et al. (2023).

Exposicao observada

Mede o que a IA realmente faz na pratica com base em dados de uso real. Derivada da analise da Anthropic de milhoes de conversas do Claude mapeadas para tarefas ocupacionais O*NET.

Risco de automacao

A probabilidade de deslocamento significativo de emprego dentro do periodo avaliado. Combina metricas de exposicao com dados de tendencias de emprego, niveis salariais e substituibilidade de tarefas.

Decompomos cada ocupacao em tarefas individuais e avaliamos o grau de automacao possivel por sistemas de IA atuais e futuros. Esta abordagem no nivel de tarefas fornece insights mais detalhados do que estimativas de ocupacao completa.

Decomposicao no nivel de tarefas

Cada ocupacao e dividida em suas tarefas constituintes usando as Atividades de Trabalho Detalhadas (DWA) do O*NET. Avaliamos cada tarefa independentemente em vez de fazer julgamentos gerais sobre ocupacoes inteiras.

Metodologia de pontuacao beta

Seguindo Eloundou et al. (2023), cada tarefa recebe uma pontuacao beta: 0 (sem exposicao), 0.5 (exposicao parcial com supervisao humana) ou 1 (exposicao total a automacao por IA). Essas pontuacoes sao agregadas para produzir metricas no nivel de ocupacao.

Construcao de series temporais (2023-2028)

Construimos dados de series temporais usando medicoes reais para 2023-2025 e projecoes estimadas para 2026-2028. Os dados reais sao claramente distinguidos das estimativas em todas as visualizacoes.

Metodologia de projecao

As estimativas prospectivas (2026-2028) sao baseadas em taxas de tendencia observadas, melhorias anunciadas em capacidades de IA e projecoes de emprego do BLS. Todos os valores projetados sao claramente marcados como estimativas.

A transparencia sobre nossas limitacoes e essencial para uma analise responsavel. Os usuarios devem considerar esses fatores ao interpretar nossos dados.

Tamanhos de amostra

Nossos dados de exposicao observada sao baseados em milhoes de conversas do Claude, fornecendo cobertura estatistica robusta para ocupacoes de alto uso. No entanto, ocupacoes menos comuns podem ter amostras menores.

Cobertura geografica e ocupacional

Atualmente cobrimos 55 ocupacoes com planos de expansao para 200+. Os dados refletem principalmente o mercado de trabalho dos EUA e interacoes de IA em ingles, o que pode nao representar totalmente os padroes globais.

Frequencia de atualizacao

As metricas principais sao atualizadas quando novas publicacoes de pesquisa ou lancamentos de dados ficam disponiveis. As projecoes do BLS sao atualizadas anualmente. Os dados de exposicao observada sao atualizados com novas analises da Anthropic.

Lacuna teorica vs. observada

Frequentemente existe uma lacuna significativa entre a exposicao teorica (o que a IA poderia fazer) e a exposicao observada (o que a IA realmente faz). Barreiras de adocao, restricoes regulatorias e inercia organizacional significam que o impacto real da IA tipicamente fica atras das capacidades tecnicas.

Mantemos um registro transparente das principais atualizacoes de dados e mudancas metodologicas.

Todos os pontos de dados estao vinculados as suas fontes originais. Fornecemos informacoes completas de citacao para transparencia. Veja a lista completa de referencias abaixo.