Uso diário,
fluência rasa.

A pergunta certa para 2026 já não é se a IA está mudando o trabalho no Brasil. É onde ela mudou, e onde ainda não chegou. As respostas, depois de oito meses de pesquisa, são incômodas para quem esperava transformação linear.

O relatório triangula entrevistas em profundidade (gerentes e diretores de RH brasileiros, executivos e MBAs de Stanford) com fontes secundárias do Stanford Digital Economy Lab, McKinsey, Anthropic, PwC, BCG, Economist Impact, INSEAD, OECD e Drake Star. O recorte é proposital. Os MBAs mostram a força de trabalho AI savvy — ainda não podemos chamar de AI native — que está chegando ao mercado; os líderes entrevistados mostram quem recruta, treina e toma decisão sobre essa mesma força. O que emerge é um país com adoção e ansiedade no mesmo grau, e uma camada gerencial dividida entre o entusiasmo com pilotos e a inércia dos processos. Doze números descrevem a paisagem. Quatro achados estruturam a leitura.

O estado atual em números

Os quatro achados

Toda discussão sobre IA no trabalho contém duas histórias paralelas. A primeira é a da expectativa: tsunami varrendo escritórios, automação em massa, transformação imediata. A segunda é a dos dados, e ela é mais desconfortável. Em todo recorte que importa (penetração digital, demanda por competências, capacidade técnica do modelo, exposição ocupacional), existe uma distância consistente entre o que se promete e o que se mede. Este capítulo apresenta essa distância em quatro ângulos.

O paradoxo brasileiro: fluente no celular, lento na empresa

O ponto de partida brasileiro não é atraso tecnológico. É o contrário: o Brasil tem uma das populações mais habituadas a interfaces digitais do mundo. Segundo DataReportal/GWI, 98,4% dos usuários brasileiros de internet acessam a rede pelo celular, 93,9% usaram WhatsApp no último mês, e o país passa 53h30 por semana consumindo mídia online. O INSEAD aponta na mesma direção: mais de 85% dos brasileiros usam internet regularmente, o país lidera a América Latina em adoção de IA generativa no LinkedIn com 110 mil profissionais listando competências de IA generativa, e São Paulo concentra mais de 540 mil profissionais digitais e de IA.

O paradoxo aparece quando essa fluência cotidiana entra na empresa. A demanda por competências de IA quadruplicou no Brasil em três anos, mas a adoção organizacional ainda é estreita: na pesquisa OECD/BCG/INSEAD em São Paulo, apenas 7% das empresas médias e grandes de manufatura e TIC usavam IA; entre as usuárias, 58% tinham só uma ou duas aplicações. Ou seja: o brasileiro já vive dentro de interfaces digitais, mas a empresa brasileira ainda não transformou essa familiaridade em processo, governança e produtividade.

Demanda quadruplicou. O share total ainda é 1,1%.

O AI Jobs Barometer da PwC para o Brasil mostra um país onde a curva já existe, mesmo que a base seja pequena: as vagas demandando competências de IA passaram de 19 mil em 2021 para 27 mil em 2022, 56 mil em 2023 e 73 mil em 2024. Como participação no mercado total de vagas, isso significa subir de cerca de 0,28% para 1,1% em três anos.

A concentração setorial é parte da história. Em 2024, o setor de Informação e Comunicação demandava IA em 4,2% de suas vagas (mais que o triplo da média nacional). Atividades Profissionais, Científicas e Técnicas ficaram em 1,5%. Financeiro e Seguros, em torno de 3,5%. Já Manufatura, Saúde e Educação seguem abaixo do percentual médio, mesmo quando o discurso sugere o contrário. Onde a IA é discutida, ela ainda não é prática.

Capacidade teórica × Uso real

Esse padrão não é exclusivamente brasileiro. O artigo Labor Market Impacts of AI, de Massenkoff e McCrory (Anthropic, mar/2026), mede a distância entre o que a IA é teoricamente capaz de fazer e o que ela de fato faz hoje. A métrica cruza três fontes: a base O*NET de tarefas ocupacionais americanas, os β-scores teóricos de Eloundou et al. (capacidade técnica do LLM por tarefa) e o uso real de Claude em contextos profissionais. O resultado é uma distância massiva em todas as categorias ocupacionais.

Em Computação e Matemática, 94% das tarefas são teoricamente expostas; apenas 33% aparecem no uso real. Em Negócios e Finanças, 94% contra 28%. Em Direito, 89% contra 15%. Em Engenharia, 85% contra 12%. Cerca de 30% dos trabalhadores americanos têm zero cobertura nos dados da Anthropic: cozinheiros, mecânicos, bartenders e outras ocupações cuja matéria-prima não é digital. No outro extremo, profissionais em ocupações de alta exposição ganham 47% a mais, são quase quatro vezes mais propensos a ter pós-graduação (17,4% vs. 4,5%) e 16 pontos mais propensos a serem mulheres. A IA chegou, mas chegou a um pedaço estreito do trabalho.

No topo da exposição, mas a demanda não cai

O ranking de observed exposure da Anthropic (métrica que combina capacidade teórica com uso real) coloca programadores (74,5%), representantes de atendimento ao cliente (70,1%) e operadores de entrada de dados (67,1%) no topo. Em seguida vêm especialistas em prontuário médico, analistas de pesquisa de mercado, vendedores no atacado, analistas financeiros e de QA de software. A composição é informativa. São as profissões cuja matéria-prima já estava digitalizada. A IA não criou esse risco; ela apenas o ativou.

A engenharia de software é o exemplo mais provocador. Programadores estão no topo da exposição teórica à IA (74,5%), e ainda assim a demanda global por engenheiros vem subindo. O dashboard da TrueUp, citado por Lenny Rachitsky em março de 2026, mostra 67.665 vagas de engenharia abertas em empresas tech globais, alta de 78% sobre o vale de 2024. A curva caiu com o lançamento do ChatGPT, atingiu mínimo no início de 2024 e vem subindo desde então. Em 2026, mesmo após o lançamento do Opus 4.5 e do Claude Code, é o maior número de vagas em três anos. Exposição teórica não é sinônimo de extinção da função.

Há uma diferença grande entre usar IA e operar IA. As entrevistas deste estudo mostram que a maioria dos profissionais brasileiros, incluindo executivos de alta liderança, ainda está firmemente no primeiro grupo. As razões são estruturais.

O dado mais revelador não está em pesquisa quantitativa, e sim na linguagem. Nas entrevistas com diretores de RH e MBAs, a expressão que mais se repete para descrever o uso atual é alguma variação de "superficial", "básico" ou "redação de e-mail". Um diretor de RH em empresa do setor farmacêutico colocou de forma direta. O uso é ChatGPT para tarefas comuns, não para melhoria estratégica de performance. A diferença não é semântica. É de ROI.

O número quantitativo confirma a impressão das entrevistas. Em pesquisa com 1.466 profissionais conduzida pelo veículo brasileiro de carreira The News: Better Work, apenas 3% dos respondentes se declararam satisfeitos com a forma como usam IA no trabalho hoje. A insatisfação não é com a ferramenta. É com o nível de proficiência que conseguiram alcançar por conta própria.

O ciclo de adoção de IA não acompanha a velocidade da tecnologia

Um padrão recorrente nas entrevistas explica a distância entre uso e fluência. Profissionais altamente qualificados (alguns com experiência em grandes empresas de tecnologia, consultoria estratégica ou liderança executiva) descrevem o mesmo dilema. Eles percebem que poderiam automatizar um fluxo, mas o tempo de configuração da automação parece superar o ganho. A frase capturada é quase idêntica em três entrevistas distintas: "vou fazer manual".

Soma-se a isso uma zona cinzenta entre o uso de IA como indivíduo e o uso de IA como funcionário. O mesmo profissional que usa ChatGPT com naturalidade fora do trabalho muitas vezes não sabe o que pode colocar em uma ferramenta dentro da empresa, que dado é sensível, quem aprova uma automação ou qual plataforma é permitida. O excesso de zelo com dados sensíveis é racional, mas tem custo: a contratação de ferramentas e o ciclo de venda empresarial andam em meses, enquanto as ferramentas mudam em semanas. O usuário, por mais fluente que seja individualmente, fica sem recursos, sem direção e sem cobertura institucional para usar IA como alavanca de produtividade.

O descompasso é mensurável. O METR Time Horizon mede a duração de tarefas de software que agentes conseguem concluir com 50% de confiabilidade. Em quatro anos, a curva saiu de segundos (GPT-3.5, mar/2022) para horas de trabalho humano equivalente. A capacidade técnica dobra a cada poucos meses; o ciclo empresarial (contratação de ferramentas, governança, mudança de processo) continua medido em trimestres e anos. Essa diferença de velocidade produz fluência rasa: a tecnologia chega antes do modelo operacional.

No setor público brasileiro, esse mesmo padrão aparece como autodidatismo em escala. O Public Sector AI Adoption Index 2026 mostra que 63% dos servidores brasileiros começaram a usar IA no trabalho no último ano, quase sempre por iniciativa própria; 52% descrevem seu aprendizado como inteiramente autodidata. Isso é força cultural, mas também risco institucional: quando a curva de aprendizado nasce de baixo para cima, governança, segurança e medição de ROI chegam tarde.

O custo cognitivo de pensar como automatizador (escolher uma ferramenta, conectar APIs, depurar comandos, validar saídas) é real. É esse custo que separa quem usa IA de quem opera IA. O que falta não é treinamento técnico. É mudança de mentalidade em torno de risco e teste. A frase vem literalmente do diretor de RH em empresa do setor farmacêutico, e ecoa em quase toda entrevista.

O que os dados externos confirmam

O estudo do BCG com 480 consultores e 44 cientistas de dados é a melhor confirmação experimental dessa distância. Quando consultores não-técnicos receberam IA generativa para fazer limpeza de dados em Python, eles saltaram de 37% do benchmark de cientistas de dados para 86% (ganho de 49 pontos percentuais). O resultado dependia de uma condição: algum nível de experiência com código. "Experiência em código é um fator-chave de sucesso para trabalhadores que usam IA generativa", conclui o BCG.

Outra implicação aparece na velocidade de mudança das próprias competências. O dado da PwC global mostra que as habilidades exigidas em empregos expostos a IA estão mudando 66% mais rápido do que em outros, e essa taxa é 2,5× maior do que a do ano anterior. No Brasil, o efeito aparece de forma específica. Profissionais no quartil mais exposto à IA registram +1,6 de mudança líquida de competências, contra +0,7 dos menos expostos. Em termos simples: quem está perto da IA está reaprendendo o tempo todo. Quem está longe fica congelado.

Há uma analogia direta com a alfabetização digital nos anos 1990. À época, saber usar e-mail e Word funcionava como condição mínima para sentar à mesa, não como diferencial. Saber usar IA está se tornando essa condição. A diferença é a velocidade. A alfabetização digital teve uma década para se difundir. A fluência em IA tem dois ou três anos.

Para sair da macro-tendência, o relatório ouviu diretores e diretoras de RH em três segmentos do mercado brasileiro. Os retratos a seguir mostram iniciativas reais, com escala, parcerias e métricas. Os nomes foram retirados; o restante foi preservado.

Clique em cada retrato para abrir o detalhe. Juntos, os três compõem um espectro que vai do operador de escala em transformação à fortaleza regulatória.

Existe uma narrativa repetida sobre IA e trabalho: "ela vai eliminar empregos". Os dados mais recentes mostram que não é isso o que está acontecendo, pelo menos não ainda. O que está acontecendo é mais sutil, e provavelmente mais grave. A IA está absorvendo as tarefas que historicamente formavam o profissional júnior.

Uma primeira evidência vem do Anthropic Nowcasting de março de 2026. Ao cruzar dados do Current Population Survey americano com a métrica de exposição construída a partir do uso real do Claude, os autores chegam a uma conclusão dupla. O desemprego nas ocupações expostas não subiu sistematicamente desde o lançamento do ChatGPT. O efeito agregado sobre desemprego é praticamente nulo. Mas há um efeito significativo escondido. A contratação de jovens de 22 a 25 anos em ocupações expostas caiu em torno de 14% após 2022.

A metáfora dos "canários na mina" vem de outra referência: o artigo Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, de Erik Brynjolfsson, Bharat Chandar e Ruyu Chen (nov/2025), apoiado pelo Stanford Digital Economy Lab. Usando dados administrativos de payroll da ADP, os autores mostram queda relativa de 16% no emprego de trabalhadores de 22 a 25 anos em ocupações expostas à IA, após controlar por choques no nível da firma, enquanto o emprego de profissionais mais experientes permaneceu estável. Para desenvolvedores de software de 22 a 25 anos, a queda foi de quase 20% em relação ao pico do fim de 2022. O sinal não é demissão em massa. É o primeiro degrau deixando de receber pessoas.

O primeiro indício equivalente em dados primários brasileiros veio em 2025. Em análise independente de Elisa Pereira publicada em outubro, as ocupações mais expostas à IA no Brasil registraram queda média de 5,4% nas contratações nos três primeiros trimestres de 2025, em relação ao previsto pela média histórica de 2023 a 2024 ajustada pelo crescimento das ocupações de baixa exposição. O efeito é heterogêneo. Cobrança caiu 21,6% (cerca de 10 mil contratações a menos), suporte administrativo caiu 5,4% (~29 mil), e assistentes contábeis recuaram 3,5%. Na contramão, analistas de RH cresceram 8,5% e telemarketing ativo 8,3%. É o primeiro sinal nacional de que a porta de entrada começou a se fechar aqui também, em ocupações específicas, antes de aparecer no agregado.

O Economist Impact, no relatório The AI Glass Floor, descreve a dinâmica em uma frase: "A IA pode não eliminar empregos, mas pode bloquear a porta de entrada para eles". A intuição é direta. As tarefas que um analista júnior fazia para aprender o ofício (montar tabelas, fazer pesquisa de fundo, escrever primeiros rascunhos, processar tickets simples) são justamente as mais automatizáveis. Sem essas tarefas, não há rampa de aprendizado. Sem rampa, não há contratação. Sem contratação, não há próxima geração de seniores.

Por que o Brasil está em risco maior

Três fatores estruturais tornam a escada sem primeiro degrau mais aguda no Brasil do que nos EUA. Primeiro, demografia: o Brasil já está em transição (idade mediana de 35 anos pelo Censo 2022 do IBGE), mas ainda concentra cerca de 35 a 40 milhões de pessoas entre 18 e 29 anos. Proporcionalmente, a faixa pesa mais aqui do que nos EUA: em torno de 17 a 20% da população brasileira contra ~15% da americana. Cada ponto percentual de queda na taxa de entrada em emprego aplicado a essa coorte equivale a centenas de milhares de jovens a menos entrando no mercado formal.

Segundo, informalidade. O piso já era frágil. Profissionais que historicamente entravam no mercado via estágio formal e migravam para CLT agora competem com freelancers de plataforma e profissionais autoempregados que usam IA para escalar. O resultado é compressão de margens e menor necessidade de júniors em estruturas formais.

Terceiro, universidade. Como ouvido na entrevista com diretora de RH em empresa do setor de saúde: "as universidades não estão ensinando IA no currículo, e as empresas não estão treinando o que faz um bom analista na era da IA". O sistema educacional brasileiro está três a cinco anos atrás na formação prática. Quem se forma hoje em ciências sociais aplicadas chega ao mercado sem fluência operacional em IA, e perde espaço para colegas que aprenderam em bootcamp ou por conta própria.

A combinação que pesa

Os dados se conectam de forma incômoda. No Brasil, a demanda por competências de IA quadruplicou; mas as ocupações mais expostas crescem menos em número de vagas (264% vs. 291% das menos expostas) e exigem 135% mais adaptação de competências. Lá fora, o prêmio salarial para quem domina IA mais que dobrou em um ano (de 25% para 56%). E a Anthropic mostra que os trabalhadores no quartil mais exposto ganham, em média, 47% a mais do que os de exposição zero, são 4× mais propensos a ter pós-graduação e são menos sindicalizados.

Em termos simples: quem domina IA está sendo bem pago e mantido. Quem ainda não tem porta de entrada para aprender não vai entrar.

O funil que se devora

O efeito não é uma sequência de erros isolados. É uma única dinâmica composta, em loop. Sete etapas se reforçam entre si.

1. Profissionais seniores precisam de cada vez menos juniores para tarefas operacionais e rotineiras. A IA absorve essa camada de trabalho.
2. Empresas param de contratar juniores. Vagas de entrada em ocupações expostas caem em torno de 15%.
3. Juniores não acumulam experiência prática. Não viram seniores.
4. Em cinco a dez anos, os seniores atuais se aposentam, trocam de empresa ou viram consultores.
5. Não há geração nova pronta para substituí-los, e a tecnologia continua avançando.
6. A demanda por seniores explode. O prêmio salarial de IA salta de 25% para 56% em um ano.
7. Volta ao passo 1. Mas pior.

Ciclo modelado a partir dos dados de Anthropic, PwC e Economist Impact

Os relatórios de consultoria gostam de apresentar a IA como um vetor unidirecional. As entrevistas mostram outra coisa. O terreno está cheio de tensões, e cada uma é ao mesmo tempo obstáculo e oportunidade. Mapear esses paradoxos é mais útil do que listar boas práticas.

As oportunidades abaixo mostram onde a IA pode virar capacidade operacional. Os desafios mostram as travas que impedem essa capacidade de escalar.

A conclusão deste relatório não é que a empresa brasileira precisa "usar mais IA". Isso já está acontecendo, mesmo que de forma desigual. A conclusão é mais incômoda: o uso individual avançou mais rápido do que a capacidade institucional de orientar, medir e absorver esse uso.

O problema, portanto, não é escolher entre entusiasmo e cautela. É desenhar a ponte entre os dois. Em empresas grandes, essa ponte passa por três decisões concretas.

Primeira: nomear o dono operacional. IA não pode continuar circulando entre RH, TI, Compliance e áreas de negócio como pauta de todos e responsabilidade de ninguém. A empresa precisa de alguém com mandato para definir guardrails, priorizar fluxos, medir resultado e resolver o conflito entre risco e velocidade.

Segunda: escolher poucos fluxos reais. Adoção não se prova por licença ativa, treinamento concluído ou número de prompts. Prova-se quando um processo importante fica mais rápido, mais barato, mais confiável ou mais auditável. Três fluxos bem escolhidos dizem mais sobre maturidade do que cinquenta pilotos espalhados.

Terceira: começar pelo objetivo de negócio. Adoção de IA nunca é objetivo final. É meio para reduzir tempo de ciclo, aumentar conversão, diminuir erro, acelerar onboarding, melhorar qualidade ou liberar capacidade do time. Se um fluxo não consegue dizer qual métrica de negócio quer mover, ele ainda é experimento tecnológico, não estratégia operacional.

Este relatório fica mais útil quando seu método está claro: quais fontes foram cruzadas, que tipo de inferência foi feita e o que está fora do escopo. Esta seção documenta a pesquisa em seis camadas, do recorte às limitações reconhecidas.

Recorte e período

Pesquisa conduzida ao longo de oito meses, com fechamento em maio de 2026. O foco é o cruzamento entre o mercado brasileiro de trabalho e os movimentos globais de IA, com olhar duplo: a força de trabalho que está chegando ao mercado (MBAs de Stanford, recém-formados, transições de carreira) e os líderes que recrutam, treinam e tomam decisão sobre essa força (diretores de RH, executivos, conselheiros). O recorte é intencional: evita tanto o viés de pesquisar apenas tomadores de decisão quanto o viés de pesquisar apenas talentos.

Fontes primárias

Mais de 50 horas distribuídas entre entrevistas em profundidade com gerentes e diretores de RH, executivos e MBAs de Stanford; conversas não estruturadas com talentos e operadores do ecossistema; observações e discussões em aulas do programa de MBA; e análise dos materiais internos reunidos ao longo da pesquisa. Três retratos empresariais brasileiros foram construídos a partir de entrevistas formais com a liderança de RH de cada companhia, com confirmação posterior de números e iniciativas contra a transcrição original.

Fontes secundárias

Revisão de relatórios, artigos acadêmicos, bases públicas de dados, newsletters especializadas e materiais externos sobre IA, trabalho, adoção empresarial, tecnologia para RH, produtividade, educação e mercado brasileiro. As principais referências citadas no relatório:

Triangulação

A maior parte dos dados quantitativos sobre exposição ocupacional, contração de contratações e capacidade técnica vem de pesquisas americanas (Anthropic, Stanford, METR, BCG/BU/OpenAI). O Brasil ainda não tem séries equivalentes na mesma escala de produção acadêmica. A abordagem do relatório foi cruzar esses achados com dados brasileiros sempre que disponíveis (PwC AI Jobs Barometer Brazil, OECD/BCG/INSEAD São Paulo, INSEAD Knowledge Brasil, análise de Pereira sobre CAGED) e com a evidência qualitativa das entrevistas para verificar se o padrão observado fora se reproduzia localmente. Quando o dado brasileiro não existia, o dado internacional é apresentado como direção, não como medição local.

Tratamento de dados e atribuição

Toda quantificação foi referenciada à fonte original. Quando um gráfico do relatório reproduz visualmente uma figura de artigo sem que os autores tenham publicado a tabela numérica subjacente (caso da Figura 2 de Massenkoff & McCrory, capítulo 02), os valores foram ancorados nos pontos explícitos citados no corpo do texto do artigo, e o restante foi estimado por inspeção visual. A fonte do gráfico indica essa limitação. Os gráficos sobre o emprego de jovens em ocupações expostas (capítulo 05) são ilustrações estilizadas da magnitude relativa reportada pelos artigos, não dados originais; isso é declarado na fonte do gráfico.

Limitações reconhecidas

Três limitações devem ser mantidas em mente. Primeira: os três retratos empresariais são intencionais e narrativos, não uma amostra estatisticamente representativa do mercado brasileiro; servem para iluminar padrões, não para quantificá-los. Segunda: não foi conduzida pesquisa amostral própria, o que limita a capacidade do relatório de produzir estimativas brasileiras inéditas; o trabalho depende de pesquisas de terceiros (PwC, OECD/BCG/INSEAD, The News: Better Work) para dados quantitativos em território nacional. Terceira: a velocidade do mercado de IA torna qualquer conclusão sensível à janela temporal. Os dados deste relatório refletem o estado da arte até maio de 2026; revisões periódicas serão necessárias.