A PNAD mede o efeito que a OIT simulou — e ele só aparece até os 29 anos

Simulação projeta o que pode acontecer; série mede o que já aconteceu. A OIT simulou, com exposição estimada, o corte de vagas jovens ligadas à IA na América Latina. Agora um exercício com dado real da PNAD Contínua (IBGE), desenho de diferenças-em-diferenças e grupo de controle chega a um padrão parecido para o Brasil — mas não é a mesma classe de prova, e tratar as duas como equivalentes é o erro que esta coluna existe para evitar.

O que o desenho evita, e por que isso importa

O economista Daniel Duque, do FGV IBRE, parte de um mapeamento anterior de Paulo Peruchetti, Fernando de Holanda Barbosa Filho e Janaína Feijó: um índice de exposição à IA generativa baseado em tarefas, alinhado ao padrão ISCO-08 da OIT, que já havia estimado quase 30 milhões de trabalhadores brasileiros — 29,6% da população ocupada — em ocupações com algum grau de exposição no 3º trimestre de 2025, com 5,2 milhões no gradiente mais alto.

Isso é mapa, não medida. Duque dá o passo que falta: usa a PNAD Contínua trimestral, em cortes repetidos de 2022T1 a 2025T2, e compara ao longo do tempo grupos mais expostos com grupos menos expostos. O problema de sempre em desenho assim é a endogeneidade — se a IA já estiver mudando quem ocupa o quê, medir exposição pela ocupação atual mistura efeito com seleção pós-choque. A saída foi congelar a exposição no 3º trimestre de 2022, o último antes do lançamento público das ferramentas que iniciaram a difusão mais ampla, e prever essa exposição a partir só de perfil demográfico e geográfico — idade×sexo, escolaridade, raça/cor, UF, urbano ou rural. Isso é grupo de controle de verdade, não comparação de dois números soltos.

Na série, o efeito aparece só numa faixa etária

O resultado, na própria descrição do autor, tem um padrão específico: entre os 18 e 29 anos, os coeficientes do event-study "tornam-se crescentemente negativos no período pós-IA e se aprofundam ao longo de 2024 e 2025" — tanto na probabilidade de estar ocupado quanto no salário real. Entre 30 e 44 anos e 45 e 59 anos, os coeficientes "oscilam ao redor de zero durante a maior parte da amostra, com efeitos médios muito menores e em geral compatíveis com ausência de impacto estatisticamente robusto". Não é um resultado difuso espalhado pela pirâmide etária: é concentrado numa ponta, e some na outra.

O que isso significa, sem inflar: a IA generativa parece estar incidindo sobre tarefas de entrada, que são as que mais concentram trabalhador jovem — não sobre o mercado de trabalho como um todo. É uma leitura mais estreita e, por isso mesmo, mais defensável do que "a IA já reduz emprego no Brasil".

A pergunta que cabe sempre aqui é se isso é efeito de composição — mudança em quem entra na amostra de jovem-exposto — ou efeito real. O desenho foi construído exatamente para descartar essa primeira hipótese: a exposição de cada trabalhador é fixada num retrato de antes do choque (2022T3) e prevista só por perfil demográfico e geográfico, não recalculada trimestre a trimestre pela ocupação atual. Se fosse composição pura, o efeito não deveria se aprofundar ano após ano dentro do mesmo grupo definido lá atrás — e é exatamente isso que os coeficientes fazem.

O número que circulou e que eu não encontrei no texto

Reportagens sobre este estudo publicaram, com atribuição a Duque, que jovens em ocupações expostas têm cerca de 5% menos chance de estar ocupados e renda cerca de 7% menor. Abri o artigo completo e o PDF linkados pelo próprio Blog do IBRE, procurando esses dois números especificamente: o texto do estudo não os contém — o efeito é descrito pelos gráficos de event-study e pela direção dos coeficientes, não por um coeficiente-resumo único no corpo do artigo que eu consegui abrir. Pode estar num gráfico que a extração de texto não capturou, ou ter vindo de conversa direta com o autor. Registro os dois cenários porque não confirmei nenhum dos dois — e nesta casa, número que não confere na fonte primária não entra, mesmo quando três veículos já publicaram o mesmo número.

A ressalva que o próprio autor faz

Duque fecha com o tipo de frase que deveria acompanhar todo estudo deste gênero e quase nunca acompanha na cobertura: "esses resultados devem ser lidos com cautela. O índice da OIT mede potencial de exposição, não adoção observada em tempo real, e a janela disponível ainda é curta." Uma série de catorze trimestres, com o efeito concentrado a partir de 2023, não é o mesmo que uma década de dado — é o começo de uma série, não o veredito dela. Já mostrei aqui que o mesmo setor apontado como mais exposto pela literatura cresceu em número de ocupados no mesmo período — o que não contradiz este estudo (ocupação setorial agregada e chance individual de emprego por faixa etária são medidas diferentes), mas é o tipo de contexto que uma leitura apressada da manchete apaga.

O que fica, sem arredondar para cima nem para baixo

Para quem decide política de estágio, trainee ou primeira contratação: o dado que sobrevive à checagem não é "a IA já reduz emprego jovem no Brasil em X%" — é que, na série de 2022 a 2025, o único grupo etário em que o efeito diferencial de exposição aparece de forma consistente e crescente é o de 18 a 29 anos, enquanto os demais ficam estatisticamente perto de zero. Isso já é motivo para revisar como a vaga de entrada é desenhada. Não é motivo para publicar um percentual que ninguém, nesta redação, conseguiu confirmar na fonte.

A mesma pergunta — composição ou efeito real — vale para o outro lado do debate sobre trabalho e IA: uma série nacional estável também precisa separar mudança de composição de tendência real antes de virar conclusão, como mostrei ao cruzar o home office no Brasil com o anúncio de volta ao escritório da Microsoft.

O mesmo exercício vale para a leitura nacional mais recente: a desocupação em 5,3% e a renda real subindo 3,7% também não bastam, sozinhas, para confirmar ou descartar um efeito de IA — pelo mesmo motivo: o agregado nacional esconde exatamente o tipo de composição que decide a resposta.