Até 2026, a possibilidade de um robô substituir um emprego formal pode fechar 30 milhões de vagas com carteira assinada.
Até 2026, a possibilidade de um robô substituir um emprego formal pode fechar 30 milhões de vagas com carteira assinada.
Estudo feito pelo Laboratório de Aprendizado de Máquina em Finanças e Organizações da UnB avaliou as 2.602 ocupações brasileiras usando metodologia de Frey e Osborne (2017) localizada com dados brasileiros o que poderá auxiliar as decisões de políticas públicas como os currículos escolares.
As 15 ocupações de menor risco
Probabilidade estimada de automação por ocupação, em %
Para realizar o cálculo da probabilidade de automação num prazo de dez anos, foram consultados 69 acadêmicos e profissionais de aprendizado de máquina - um campo da inteligência artificial (IA) em que computadores descobrem soluções de forma autônoma após analisar decisões anteriores.
As 15 ocupações de maior risco
Probabilidade estimada de automação por ocupação, em %
Fonte:
Na era das máquinas, o emprego é de quem? Estimação da probabilidade de automação de ocupações no Brasil, Folha
Referência citada:
Frey, C. B.; Osborne, M. A. (2017). The future of employment: how susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. Elsevier.
[Visto no Brasil Acadêmico]
Estudo feito pelo Laboratório de Aprendizado de Máquina em Finanças e Organizações da UnB avaliou as 2.602 ocupações brasileiras usando metodologia de Frey e Osborne (2017) localizada com dados brasileiros o que poderá auxiliar as decisões de políticas públicas como os currículos escolares.
As 15 ocupações de menor risco
Probabilidade estimada de automação por ocupação, em %
- Engenheiro de telecomunicações 0,38
- Psicanalista 0,39
- Engenheiros de sistemas operacionais em computação 0,47
- Conservador-restaurador de bens culturais 0,58
- Analista de suporte computacional 0,61
- Técnico de enfermagem 0,84
- Estatístico 0,96
- Agente de ação social 0,98
- Médico oftalmologista 0,98
- Artesão com material reciclável 1,00
- Tecnólogo em gestão hospitalar 1,35
- Gerente de recursos humanos 1,37
- Perito contábil 1,40
- Gerontólogo 2,21
- Fonoaudiólogo educacional 2,43
Para realizar o cálculo da probabilidade de automação num prazo de dez anos, foram consultados 69 acadêmicos e profissionais de aprendizado de máquina - um campo da inteligência artificial (IA) em que computadores descobrem soluções de forma autônoma após analisar decisões anteriores.
As 15 ocupações de maior risco
Probabilidade estimada de automação por ocupação, em %
- Taquígrafo 99,55
- Torrador de café 99,52
- Cobrador de transportes coletivos (exceto trem) 99,36
- Recepcionista de hotel 99,13
- Cumim 98,11
- Salgador de alimentos 97,72
- Serrador de madeira 96,17
- Mestre de galvanoplastia 95,37
- Leiloeiro 93,87
- Gerente de almoxarifado 93,40
- Coletor de lixo domiciliar 89,32
- Alinhador de pneus 89,02
- Afiador de cutelaria 88,38
- Carpinteiro de obras 84,29
- Tingidor de roupas 83,04
Como de costume, o país carece de dados de qualidade e maior abrangência para subsidiar estudos dessa natureza. A classificação brasileira apenas lista habilidades necessárias. Para uma estimativa mais precisa, seria preciso pesquisar o tempo que os profissionais de fato dedicam a cada tipo de função, como na base americana O*Net. O trecho a seguir foi retirado do estudo:
O O*NET é uma base de dados que apresenta 1122 grupos ocupacionais e fornece definições e conceitos para descrever os trabalhadores quanto as suas habilidades e competências além de nível educacional exigido, além de 5 níveis denominados Job Zones que classificam as ocupações quanto
ao seu nível de preparo:
- Job Zone 1 - ocupações que requerem pouca preparação.
- Job Zone 2 - ocupações que requerem alguma preparação.
- Job Zone 3 - ocupações que necessitam de um nível intermediário de preparo.
- Job Zone 4 - ocupações que necessitam de uma considerável preparação.
- Job Zone 5 - ocupações que exigem alto nível de preparo.
Tendo por base as avaliações desses especialistas, os estudiosos usaram técnicas de análise das descrições da ocupações a fim de fazer uma conexão com os riscos.
Com base nas tendências de contratações para as ocupações mais ameaçadas o estudo conclui que até 2026 seriam fechados 30 milhões de vagas com carteira assinada, se todas as empresas optassem por substituir seres humanos pela tecnologia já disponível hoje.
Mas, se a máquina vem substituindo operários humanos há tempos, porque haveria uma maior preocupação agora? O problema é que a IA vem proporcionando mais uma revolução tecnológica e o aprendizado de máquina potencializa a automação, permitindo substituir não apenas tarefa repetitivas e mecânicas como as de ascensorista ou digitador, com pouca improvisação ou tomada de decisão mais complexa. Os diagnósticos de lesão de pele com base em fotografias já são feitos em menos tempo e com mais precisão que os realizados por humanos.
O gráfico a seguir, retirado do trabalho, mostra uma comparação da probabilidade média de automação das ocupações brasileiras com os valores encontrados em outros países em estudos similares.
Os resultados da pesquisa foram considerados, pelos pesquisadores, consistentes com os encontrados na literatura especializada recente, e podem fornecer subsídios para gestores antecipar potenciais elevações na taxa de desemprego para profissões com alto risco de automação, bem como identificar ocupações que possuem baixo risco de automação e dimensionar de forma mais precisa os prospectos de transformação da configuração futura do mercado de trabalho. O departamento pessoal das empresa também terão a oportunidade de remodelar a seleção de candidatos, eventualmente reajustando as competências requeridas a um aspirante ao emprego ofertado; pela ótica do gestor público da esfera federal, os resultados podem auxiliar no planejamento de políticas econômicas e sociais, tais como o direcionamento do enfoque de cursos de capacitação técnica para atividades com menor propensão de automatização, potencialmente evitando um investimento em concluintes que acabem substituídos por máquinas em última instância.
A respeito das tendências futuras, o estudo identificou dois fatores relevantes: a probabilidade de
automação do referido emprego e a projeção futura de crescimento da demanda por trabalhadores da respectiva ocupação para os próximos anos: uma ocupação pode apresentar baixa ou alta probabilidade de automação, assim como uma tendência futura de aumento ou diminuição de número de empregados a nível nacional.
Dessa forma, foram mapeados quatro cenários que podem indicar futuros cursos de ação para a construção de políticas públicas direcionadas aos respectivos setores. A título de ilustração, foram listados um exemplo de ocupação para cada cenário; caso queira verificar outra ocupação acesse os resultados disponíveis.
- Operador de telemarketing ativo: alta propensão à automação e tendência de expansão da demanda;
- Diretor de pesquisa e desenvolvimento: baixa propensão à automação e tendência de expansão da demanda;
- Gerente administrativo: baixa propensão à automação e tendência de retração da demanda;
- Cobrador de transporte coletivo: alta propensão à automação e tendência de retração da demanda.
O estudo sugere priorizar o investimento em atividades da segunda categoria que representam profissões com demanda em potencial que necessitam ser preenchidos por trabalhadores com habilidades de difícil automação, ao passo que atividades com tendência de expansão e alta probabilidade de substituição de um trabalhador humano por máquinas ou robôs podem ser potenciais fontes de desemprego para os próximos anos, constatação que pode aumentar a eficácia de ações governamentais de intervenção ativa.
Fonte:
Na era das máquinas, o emprego é de quem? Estimação da probabilidade de automação de ocupações no Brasil, Folha
Referência citada:
Frey, C. B.; Osborne, M. A. (2017). The future of employment: how susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. Elsevier.
[Visto no Brasil Acadêmico]
Comentários