Representantes de Atendimento ao Cliente

Escritório e Suporte Administrativo

Exposição à IA

  • Fonte dos dados: BLSPublicado: '26.08

    Muito alto· relativa

    BaixoQuatro faixas relativasMuito alto

    Valor por grupo ocupacional

    Escala, base e fonte

    Quatro faixas relativas (Baixo / Moderado / Alto / Muito alto)

    831 ocupações detalhadas da tabela de projeções de emprego do BLS. O valor é atribuído por código da National Employment Matrix (NEM), pelo que as ocupações que partilham um código NEM recebem a mesma banda

    Conjunto de dados de origem (transferência XLSX)

  • Fonte dos dados: AnthropicPublicado: '26.03

    0.701

    0.000Intervalo dos valores aqui apresentados0.745
    Escala, base e fonte

    Índice de exposição observada, 0–1 tal como publicado

    Mapeado sobre tarefas O*NET

    Conjunto de dados de origem

  • Fonte dos dados: ILOPublicado: '25

    0.58

    0.09Intervalo dos valores aqui apresentados0.70

    Valor por grupo ocupacional

    Escala, base e fonte

    Índice de exposição à IA generativa, 0–1 tal como publicado

    Grupo de base CITP-08 — todas as ocupações com o mesmo código recebem este valor

    Calculado por este site, não publicado pela OIT: das 1.012 ocupações que este site liga ao conjunto de dados da OIT, 5% atingem ou superam este valor.

    Conjunto de dados de origem

Que tipo de valor esta fonte publica

A categoria de BLS é uma posição relativa, não um nível absoluto, e também não é uma medição de primeira mão: agrupa em quatro faixas as posições percentis da ocupação em vários estudos publicados. Não é uma previsão de emprego ou de salários, não é uma probabilidade de adoção e não distingue automação de aumento.

Task-level exposure

Values in this tab are predicted labels, not observations. Eloundou et al. (2023) published two rating regimes — human raters and GPT-4 — and the β shown here is derived from the GPT-4 rater basis alone; the same task can take a different value under the other regime. The unit and the meaning differ from the observed shares (%) in the other tabs, so do not place them on the same axis.

TaskβE1 + 0.5 × E2
Complete contract forms, prepare change of address records, or issue service discontinuance orders, using computers.

O*NET Task ID 2584

1.0
Compare disputed merchandise with original requisitions and information from invoices and prepare invoices for returned goods.

O*NET Task ID 2589

1.0
Keep records of customer interactions or transactions, recording details of inquiries, complaints, or comments, as well as actions taken.

O*NET Task ID 2578

0.5
Resolve customers' service or billing complaints by performing activities such as exchanging merchandise, refunding money, or adjusting bills.

O*NET Task ID 2579

0.5
Check to ensure that appropriate changes were made to resolve customers' problems.

O*NET Task ID 2580

0.5
Contact customers to respond to inquiries or to notify them of claim investigation results or any planned adjustments.

O*NET Task ID 2581

0.5
Refer unresolved customer grievances to designated departments for further investigation.

O*NET Task ID 2582

0.5
Determine charges for services requested, collect deposits or payments, or arrange for billing.

O*NET Task ID 2583

0.5
Obtain and examine all relevant information to assess validity of complaints and to determine possible causes, such as extreme weather conditions that could increase utility bills.

O*NET Task ID 2585

0.5
Solicit sales of new or additional services or products.

O*NET Task ID 2586

0.5

β = E1 + 0.5 × E2 · E1 = tasks where direct LLM access alone cuts time by at least 50%, E2 = tasks where software built on top of an LLM cuts time by at least 50%. Values take only 0 / 0.5 / 1.0.

Data sources & licenses — O*NET®, Eloundou et al. (2023): see full notices on the Credits page

Occupation information

Alterações recentes que afetam esta ocupação

jun. de 2026: Cited by ADP Research as an example of a high-AI-exposure occupation. Group-level payroll data shows employment in high-exposure occupations down 0.2% year over year overall and down 4.3% for workers aged 22-25 (33rd consecutive monthly decline). The percentages are for the high-exposure group, not for this occupation alone.

[Fonte: ADP Research, Canaries Dashboard (June 2026)]

mai. de 2026: Anthropic observed-exposure score: high (zero->observed gap small). High observed exposure due to simpler software pipelines and lower integration cost.

[Fonte: Anthropic Economic Research (Massenkoff & McCrory, 2026)]

abr. de 2026: NBER survey of 6,000 executives: 69% use AI but 90% report zero employment impact. Executives predict -0.7% employment decline over next 3 years.

[Fonte: NBER Working Paper 34836]