Emprego jovem fica 19% atrás em funções mais expostas à IA
É um shortfall relativo: o emprego caiu 11% nos grupos mais expostos e cresceu 10% nos demais. A análise com dados ADP é descritiva, não causal.
O Stanford Digital Economy Lab atualizou em 12 de agosto sua análise de folhas de pagamento da ADP e encontrou um gap crescente para trabalhadores de 22 a 25 anos. Em junho de 2026, o emprego nas ocupações mais expostas à IA estava 19% abaixo do nível que teria alcançado se houvesse acompanhado a trajetória das ocupações menos expostas.¹ ²
Esse 19% é um shortfall relativo, construído a partir de dois movimentos. Entre novembro de 2022 e junho de 2026, o emprego dos jovens nos dois quintis de ocupações mais expostas caiu cerca de 11%. Nos três quintis menos expostos, cresceu aproximadamente 10%. O primeiro grupo terminou perto de 89 para cada 100 empregos do ponto inicial; acompanhar o segundo o teria levado a cerca de 110. A diferença de 21 pontos entre 89 e 110 equivale a cerca de 19% do nível de referência de 110, acima dos 15% registrados na versão com dados até julho de 2025.¹ ²
Os autores, Erik Brynjolfsson, Bharat Chandar e Ruyu Chen, classificam o resultado como descritivo. A sequência temporal e a concentração em determinadas ocupações são compatíveis com um efeito da IA generativa, mas a base não identifica quanto da divergência foi causado por ela. Educação, composição das empresas e tendências anteriores ao ChatGPT limitam essa interpretação.²
A diferença apareceu na porta de entrada
Uma queda no estoque de empregos pode vir de mais desligamentos ou de menos admissões. A decomposição feita no paper aponta para o segundo caminho. Desde 2022, as taxas de contratação e separação recuaram em vários grupos, refletindo um mercado americano com poucas admissões e poucos desligamentos. Entre os jovens, porém, a taxa de contratação se afastou conforme a exposição ocupacional à IA.²
As separações diminuíram tanto nas ocupações mais expostas quanto nas menos expostas. Para pessoas de 22 a 25 anos, elas caíram pelo menos tanto no grupo mais exposto. Os pesquisadores não encontraram aumento de desligamentos capaz de explicar a divergência. O padrão observado é de menos entrada em funções expostas, com efeito acumulado sobre o número de jovens empregados.²
Nossa reportagem sobre demissões na Big Tech acompanha cortes anunciados por grandes empresas. O painel ADP atravessa setores e mede vínculos em folha, localizando a mudança principalmente na contratação. Ele não conta vagas atribuídas pelas empresas à automação.
A distinção também muda a experiência de quem ainda está procurando o primeiro posto. Uma demissão deixa um evento registrado e uma pessoa deslocada. Uma admissão que não ocorre aparece apenas como crescimento menor. O estudo não observa a vaga que uma empresa decidiu deixar de abrir nem a ferramenta usada nessa decisão; ele compara a evolução dos vínculos existentes.²
Exposição à IA é uma medida da ocupação
A classificação principal combina cargos padronizados com uma medida que estima quanto as tarefas de cada ocupação podem ser afetadas por modelos de linguagem. Os pesquisadores dividem as funções em cinco quintis de exposição e acompanham emprego por idade dentro deles. Desenvolvimento de software, atendimento ao cliente e contabilidade aparecem entre as ocupações numerosas do quintil mais exposto, mas o resultado não se limita a empresas de tecnologia.²
A revisão de 2026 acrescenta uma separação entre usos voltados à automação e à complementaridade. Para isso, o paper usa o Anthropic Economic Index, que classifica consultas ao Claude relacionadas a tarefas ocupacionais. As ocupações com maior parcela de uso classificado como automação concentraram as quedas de emprego jovem. Nos grupos em que as consultas indicavam uso complementar ao trabalhador, o emprego ficou estável ou cresceu, sobretudo entre pessoas mais experientes.²
Essa medida acompanha conversas associadas a tarefas, não a adoção de Claude dentro das empresas da amostra ADP. O vínculo entre folha de pagamento e tipo de uso acontece no nível da ocupação. Por isso, a análise sustenta uma associação: funções cujas tarefas aparecem mais em usos automatizadores também tiveram a pior trajetória para jovens. Ela não mostra qual sistema substituiu qual tarefa em cada empresa.²
O mesmo recorte ajuda a interpretar a diferença por experiência. O paper encontra queda entre jovens em ocupações dependentes de conhecimento codificado, formalizado em textos e procedimentos. Trabalhos que exigem conhecimento tácito, adquirido com prática e convivência, tiveram evolução melhor para trabalhadores experientes. A relação com conhecimento codificado perde força quando a análise controla escolaridade, um sinal de que mecanismo e composição educacional continuam misturados.²
A amostra é grande e seletiva
A ADP processa folhas de pagamento para mais de 26 milhões de trabalhadores nos Estados Unidos. A pesquisa usa uma fração dessa base: um painel balanceado de empresas observadas todos os meses de janeiro de 2021 a junho de 2026, com 3,5 milhões a 5 milhões de empregados mensais. Entram trabalhadores em tempo integral, com menos de 70 anos e rendimento positivo.²
Manter as mesmas empresas melhora a comparação ao longo do tempo, mas condiciona a amostra a negócios que continuaram existindo e usando a ADP. Manufatura, atacado e empresas grandes aparecem acima de sua participação na economia americana. Varejo, hospedagem e alimentação aparecem menos. A amostra também contém uma parcela maior de ocupações expostas à IA que os levantamentos nacionais usados como referência.²
Há incerteza adicional na classificação ocupacional. O título do cargo está ausente em aproximadamente 30% dos registros. Quando possível, a equipe preenche o código usando o cargo conhecido anterior mais recente daquele trabalhador ou, na falta dele, o próximo cargo conhecido. Os autores relatam que o padrão bruto resiste à imputação, mas o procedimento limita a precisão com que exposição e emprego são conectados.²
A escolaridade produz o teste mais difícil. Numa regressão sobre a amostra balanceada desde 2021, a diferença estimada entre o quintil mais e o menos exposto passa de cerca de −19% sem o controle para −6% quando entra a proporção de trabalhadores com diploma universitário; o segundo resultado deixa de ser estatisticamente significativo. A educação pode representar um choque independente no mercado ou o próprio canal de exposição, porque empregos baseados em conhecimento formal também concentram tarefas codificadas. Os autores apresentam as duas especificações como limites de uma faixa, sem escolher uma explicação causal.²
Tendências anteriores também pedem cautela. As ocupações mais expostas tiveram um avanço relativo durante a pandemia e começaram a recuar antes do lançamento do ChatGPT. Em novembro de 2022, já haviam voltado aproximadamente ao nível relativo de 2018–2019; a queda continuou por mais de três anos depois dessa volta à linha de base. Excluir empresas de tecnologia, retirar ocupações de informática ou controlar juros e trabalho remoto preserva a direção do resultado, mas não transforma correlação em causa.²
Um working paper do Census Bureau, com dados administrativos e outro desenho, encontrou menor contratação de trabalhadores de 22 a 24 anos nas indústrias mais expostas e registrou mudanças de tendência em emprego, admissões e separações por volta do início da pandemia.⁴ A concordância entre bases reforça a necessidade de acompanhar a entrada de jovens, enquanto diferenças de amostra e método impedem tratar uma única magnitude como retrato nacional.
O dashboard de Stanford e ADP acompanha mensalmente a divergência de emprego; o paper localiza a diferença nas admissões até junho de 2026.² ³ Os dados ainda não dizem se esse gap vai crescer, estabilizar ou se desfazer.
Fontes
- No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19% · Stanford Digital Economy Lab · https://digitaleconomy.stanford.edu/news/canariesaug26/ · 12 ago. 2026
- Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence · Stanford Digital Economy Lab · https://digitaleconomy.stanford.edu/app/uploads/2026/08/Canaries_August2026.pdf · ago. 2026
Mostrar mais 2 fontesOcultar fontes
- Canaries Dashboard · Stanford Digital Economy Lab / ADP Research · https://digitaleconomy.stanford.edu/project/indicators/canaries-dashboard/ · consultado em 26 ago. 2026
- You’re (not) Hired: Artificial Intelligence and Early Career Hiring in the Quarterly Workforce Indicators · U.S. Census Bureau · https://www.census.gov/library/working-papers/2026/adrm/CES-WP-26-27.html · abr. 2026