Considerando que as tecnologias estão automatizando o trabalho humano nos últimos dois séculos, por que a automação ainda não eliminou a maioria dos empregos? Por que ainda existem tantos empregos? A resposta não é muito complicada, embora frequentemente ignorada, explicou o economista do MIT David Autor em um artigo de 2015, "Por que ainda existem tantos empregos? A história e o futuro da automação da força de trabalho".
A resposta passa por uma realidade econômica fundamental: "tarefas que não podem ser substituídas pela automação são geralmente complementadas por ela".
A automação substitui o trabalho, mas, a automação também complementa o trabalho, aumentando a produção, de maneiras que frequentemente levam a uma maior demanda por trabalhadores.
A maioria dos empregos envolve uma série de tarefas ou processos. Algumas dessas tarefas são mais passíveis de automação, enquanto outras exigem discernimento, habilidades sociais e outras capacidades humanas. Mas só porque algumas tarefas foram automatizadas, não significa que todo o trabalho tenha desaparecido. Pelo contrário, automatizar as partes rotineiras de um trabalho frequentemente aumenta a produtividade e a qualidade dos trabalhadores, complementando suas habilidades com máquinas e computadores, além de permitir que se concentrem nos aspectos do trabalho que mais exigem sua atenção.
Muitos exageram a extensão da substituição da mão de obra humana por máquinas “e ignoram as fortes complementaridades entre automação e trabalho que aumentam a produtividade, os ganhos e a demanda por mão de obra”.
Mas,"quando as tarefas são automatizadas, isso aumenta ou diminui o valor do trabalho nas tarefas restantes?", foi a pergunta ao professor Autor, feita pelo pesquisador do MIT Neil Thompson em "A automação substitui especialistas ou complementa a expertise? A resposta é sim", uma palestra na Associação Econômica Europeia em agosto de 2024, cujo conteúdo foi posteriormente publicado em "Expertise".
A resposta não depende de quantas tarefas foram automatizadas, mas de quais tarefas foram automatizadas, ou seja, como a automação altera a expertise necessária para executar as tarefas não automatizadas restantes. Como a mesma tarefa pode ser especializada em uma ocupação e inexperiente em outra, a automação de qualquer tarefa pode reduzir a expertise em algumas ocupações e aumentá-la em outras.
Autor e Thompson propõem um modelo de especialização ocupacional que ajuda a prever o impacto das mudanças nos requisitos de especialização sobre salários e empregos:
- Se a maioria das tarefas que exigem maior qualificação forem automatizadas: os requisitos gerais de qualificação para a ocupação serão menores; o conjunto de trabalhadores qualificados será maior; e, como resultado, os salários serão menores.
- Se principalmente tarefas de menor qualificação forem automatizadas: os requisitos gerais de qualificação para a ocupação serão maiores; o conjunto de trabalhadores qualificados será menor; e, como resultado, os salários serão maiores.
Em outras palavras, a alteração dos requisitos de especialização tem efeitos sobre os salários e o emprego:
- A automação que aumenta os requisitos de especialização aumenta os salários, mas reduz o conjunto de trabalhadores qualificados.
- A automação que diminui os requisitos de especialização reduz os salários, mas aumenta o número de trabalhadores qualificados e menos especialistas.
Os autores ilustram seu modelo de especialização ocupacional com dois exemplos concretos .
Motoristas de táxi: o emprego aumentou; a especialização e os salários diminuíram. Táxis, limusines e outros veículos de aluguel costumavam ser regulamentados, seu número era limitado pelas cidades e os motoristas precisavam obter uma carteira de motorista. Mas, com o advento do Uber e de táxis eletrônicos, o setor foi essencialmente desregulamentado. Qualquer pessoa agora pode se tornar um motorista de táxi eletrônico sem a necessidade de uma licença de táxi ou carteira de motorista, usando seu próprio carro particular e dispositivos móveis. Como resultado, o número de motoristas de táxi aumentou significativamente, os aplicativos de navegação reduziram a especialização necessária e os salários caíram.
Revisores: a especialização foi aprimorada, os salários aumentaram e o emprego caiu. A principal função de um revisor era comparar um manuscrito com uma prova de impressão, buscando e corrigindo erros humanos durante a fase de composição da publicação, uma função que exige pouca qualificação e que deixou de ser necessária com o advento das provas digitais. Atualmente, os revisores são semelhantes aos editores de texto , trabalhando com os autores do manuscrito para aprimorar a estrutura geral de seu trabalho, incluindo gramática, ortografia, pontuação e sintaxe. A especialização dos revisores agora é significativamente maior, resultando em candidatos menos qualificados e salários mais altos.
Os principais conceitos apresentados no artigo são:
O Modelo de Expertise da Automação
- Uma ocupação é composta de múltiplas tarefas; automatizar um conjunto de tarefas não elimina a necessidade de executar todas as outras.
- Algumas tarefas exigem um grau maior ou menor de especialização específica e estão sujeitas à automação.
- Outras tarefas são genéricas e não estão sujeitas à automação porque exigem apenas habilidades humanas básicas que todos têm, como bom senso e destreza física.
- Os trabalhadores têm diferentes níveis de especialização; um trabalhador com alto nível de especialização pode executar tarefas que exigem menor especialização, mas um trabalhador com baixo nível de especialização não pode executar tarefas que exigem maior especialização.
- A especialização em tarefas específicas gera um salário mais alto, mas também serve como uma barreira à entrada, pois trabalhadores que não possuem a especialização necessária não conseguem ingressar em uma ocupação que a exija.
- Automatizar um conjunto de tarefas em um trabalho muda a composição da ocupação restante, incluindo requisitos de especialização, número de trabalhadores qualificados e salários.
O Desafio da Medição de Expertise
Para implementar seu modelo no mundo real, os autores precisavam encontrar uma maneira de medir a especialização necessária para diferentes tarefas que não dependesse de julgamentos subjetivos e que lhes permitisse quantificar a mudança nos requisitos de especialização das ocupações devido à remoção e adição de tarefas.
Para isso, eles criaram uma nova medida de complexidade linguística como proxy para a expertise em tarefas, baseada na Hipótese de Codificação Eficiente (ECH), um conceito proposto pela primeira vez em 1961 pelo neurocientista Horace Barlow. A ECH implica que podemos identificar palavras que são usadas principalmente em domínios de alta habilidade, como engenharia ou medicina, para facilitar a comunicação, mas são usadas com pouca frequência na linguagem comum do dia a dia. Tarefas descritas com palavras raras ou complexas têm maior probabilidade de exigir expertise, enquanto tarefas descritas com palavras comuns tendem a ser mais rotineiras ou inexperientes. A ECH foi verificada por meio de sua aplicação em quase mil idiomas.
Principais descobertas
Para verificar empiricamente seu modelo de expertise em automação, Autor e Thompson identificaram as tarefas que foram removidas e adicionadas a cada ocupação entre 1977 e 2018, comparando suas descrições de cargo no Dicionário de Títulos Ocupacionais de 1977 com suas descrições de cargo no banco de dados O*NET de 2018. Assim, eles foram capazes de mensurar os requisitos de expertise em evolução de cada ocupação, comparando a expertise das tarefas adicionadas e removidas nas quatro décadas seguintes. Sua análise empírica corrobora fortemente as previsões do modelo de expertise em automação: a automação tanto substitui quanto amplia a expertise.
“Analisando dados sobre emprego e rendimentos por ocupação ao longo de quatro décadas, mostramos que mudanças na especialização ocupacional, decorrentes tanto da remoção quanto da adição de tarefas ocupacionais, predizem fortemente mudanças nos salários ocupacionais”, escreveram Autor e Thompson em conclusão. “Além disso, os requisitos de especialização para tarefas removidas ou adicionadas a uma ocupação afetam os níveis salariais independentemente da quantidade de tarefas adicionadas ou removidas presentes. Notavelmente, tanto a remoção de tarefas especializadas quanto a adição de tarefas não especializadas preveem declínios salariais relativos em uma ocupação, enquanto, inversamente, tanto a remoção de tarefas não especializadas quanto a adição de tarefas especializadas preveem ganhos salariais ocupacionais.”
Nosso modelo faz a previsão contraintuitiva de que ocupações com requisitos de especialização crescentes apresentam queda no emprego (juntamente com o aumento dos salários), enquanto ocupações com requisitos de especialização decrescentes apresentam aumento no emprego juntamente com a queda dos salários. Os dados confirmam essa previsão de forma robusta. Há também um padrão oposto para mudanças na quantidade de tarefas. Ocupações que ganham tarefas se expandem e aquelas que perdem tarefas se contraem. Isso também é oposto ao padrão para salários, onde aumentos tanto na quantidade de tarefas quanto na especialização das tarefas preveem aumentos salariais.
Por fim, este vídeo de um seminário do professor Autor, no início deste ano sobre este tópico no Stanford Digital Economy Lab, ajuda a compreender melhor a questão.
