Benedict Evans: prever quais empregos a IA destrói é impossível

Toda semana sai um gráfico novo prometendo dizer quais profissões a IA vai engolir. Radar charts de "exposição à automação", rankings de cargos por risco, planilhas que cruzam tarefas com capacidades de modelo. O analista Benedict Evans olhou para esse gênero inteiro e cravou um veredito incômodo: é um exercício furado. Não porque os dados são ruins, mas porque a pergunta é impossível de responder. E entender por que é impossível muda a forma como você deveria montar o business case da sua própria automação.

Quem é, e o que ele disse

Benedict Evans foi sócio da Andreessen Horowitz e hoje escreve uma das newsletters de estratégia em tecnologia mais lidas do mundo, além do deck semestral "AI eats the world". No ensaio Predicting AI job exposure, de maio de 2026, ele desmonta a indústria de previsões sobre IA e emprego. A frase que resume a peça é direta:

"I think this is mostly impossible: I think this is an exercise in predicting something that cannot be predicted."

("Acho que isto é majoritariamente impossível: é um exercício de prever algo que não pode ser previsto.")

O argumento não é pessimismo nem otimismo. É epistemológico: você não consegue pontuar uma profissão porque não sabe como o trabalho vai mudar, nem o que muda ao redor dele.

Por que "exposição à automação" pode significar mais trabalho

A parte mais útil do ensaio é o back-test. Pegue a contabilidade. Automatizamos o trabalho contábil por mais de um século, primeiro a planilha, depois o ERP, depois a nuvem. Cada onda deveria, pela lógica do "cargo exposto à automação", ter reduzido o número de contadores. Aconteceu o contrário: o número subiu. Quando a tarefa fica mais barata, normalmente se faz mais dela, não menos, é o velho paradoxo de Jevons aplicado ao trabalho do conhecimento. E o cargo sobrevive com o nome igual e o conteúdo diferente: o mesmo "contador" hoje faz análise, não soma colunas.

Para quem implanta IA, isso é um alerta sobre o tipo errado de promessa. O instinto do business case é: "esta tarefa custa N horas, a IA automatiza a tarefa, logo economizamos N horas vezes o salário". Evans mostra por que essa conta quase nunca se realiza como corte de pessoas, ela vira deslocamento de escopo. As horas economizadas em uma tarefa são reabsorvidas em mais volume, mais qualidade ou trabalho novo que antes não cabia.

O risco que os gráficos não capturam

Há um segundo ponto, ainda mais traiçoeiro. O risco real da IA para um trabalho muitas vezes não está no trabalho, está no negócio que o financia. Evans usa o jornalismo: a internet não mudou o que é ser repórter. Mudou que os classificados, que pagavam a redação, evaporaram. O emprego foi destruído de fora, por um colapso de modelo de negócio que nenhum gráfico de "tarefas do repórter" jamais capturaria.

Some-se a isso os "Ubers": rupturas que ninguém modelava por categoria ocupacional porque criaram uma categoria nova. Você não previa "motorista de aplicativo" classificando as tarefas do taxista. A lição para o operador é que a descrição de cargo, aquela lista de tarefas que alimenta os modelos de exposição, é incompleta demais para servir de base. Tentar automatizar um trabalho a partir da sua descrição formal, diz Evans, lembra o fracasso dos antigos sistemas especialistas: o trabalho real é uma malha de contexto que ninguém consegue escrever por inteiro.

Nossa leitura: macro cético, micro pragmático

Aqui entra a ressalva honesta. A tese de Evans é intelectualmente sólida e operacionalmente frustrante. "Tudo depende, é imprevisível" não ajuda quem precisa decidir orçamento e contratação neste trimestre. E há um ponto onde discordamos da leitura mais preguiçosa do ensaio: a imprevisibilidade vale no agregado e no longo prazo, mas não dispensa o trabalho no concreto.

Dentro de um processo único, bem delimitado e instrumentado, triagem de documentos, classificação de tickets, suporte de primeiro nível, a substituição de tarefas é real, mensurável e acontece em semanas, não em décadas. A leitura útil não é "não dá para prever, então relaxe". É a combinação das duas posturas: ceticismo com a previsão macro por ocupação (não prometa à diretoria que a IA corta 30% do RH) e pragmatismo com a automação de processos específicos (meça o ganho real onde você consegue instrumentar e comparar).

Na prática, isso significa parar de comprar o gráfico de exposição e começar a fazer a pergunta menor e respondível: neste processo, com este dado, qual é o ganho medido? É o oposto da futurologia, é tirar a IA do piloto num escopo onde você consegue provar o número. E é por isso que definir o critério de sucesso antes de subir o sistema, como discutimos em Fit for Purpose, vale mais do que qualquer projeção de manchete.

Se a sua organização está montando o business case da IA sobre promessas de headcount que não vão se sustentar, vale conversar pelo WhatsApp antes de levar o número para a diretoria.