Os empregos melhor remunerados são os mais expostos à IA. Os líderes ainda não processaram isso
Em 15 de março de 2026, Andrej Karpathy —cofundador da OpenAI e ex-pesquisador de inteligência artificial na Tesla— publicou o que descreveu como um projeto de "duas horas em um sábado de manhã": um mapa interativo que atribuía pontuações de exposição à IA a 342 ocupações do Departamento de Trabalho dos Estados Unidos. A escala ia de 0 a 10. Os trabalhos físicos, como telhadistas ou operários da construção, ficaram na faixa de 0 a 1. Já os desenvolvedores de software, analistas financeiros, advogados, escritores e matemáticos estavam entre 9 e 10. O projeto foi excluído horas depois, com Karpathy alegando que havia sido "extremamente mal interpretado". Mas o mapa já havia circulado. E os dados que ele revelou não desapareceram com ele.
A descoberta central não é que a IA ameace empregos. Isso já sabíamos. O que Karpathy tornou visível, com uma visualização que qualquer executivo poderia entender em trinta segundos, é a correlação direta entre salário e vulnerabilidade: os postos que geram mais de 100.000 dólares anuais tiveram uma pontuação média de exposição de 6.7, a mais alta entre todos os níveis salariais analisados. Aqueles que ganham menos de 35.000 dólares tiveram uma média de 3.4. Aproximadamente 60 milhões de empregos nos Estados Unidos foram marcados como altamente expostos, com salários anuais agregados próximos a 3.7 trilhões de dólares.
Essa não é uma estatística de recursos humanos. É um sinal da arquitetura organizacional.
O mapa que ninguém queria ler em voz alta
O primeiro ponto a entender sobre a análise de Karpathy é que não foi projetada como uma sentença. Ele mesmo a descreveu como uma ferramenta exploratória, inspirada em um livro que estava lendo, destinada a que outros visualizassem os dados do BLS de forma diferente. Não era um modelo preditivo nem um guia para demissões em massa. Era, nas suas palavras, um experimento de fim de semana.
No entanto, a reação que gerou foi desproporcional, precisamente porque tocou em algo que as organizações vêm evitando nomear com precisão: as funções de maior hierarquia intelectual e remuneração são exatamente aquelas que os modelos de linguagem de grande escala replicam com mais facilidade. Análise de dados, redação estruturada, revisão legal, modelagem financeira, geração de código. Todas atividades na tela, todas sequenciais, todas documentadas, todas treináveis.
Elon Musk respondeu no mesmo dia no X com sua previsão habitual: "Todos os empregos serão opcionais. Haverá renda universal alta". A frase é conhecida. Musk a tem repetido de diversos palcos, incluindo uma publicação de dezembro de 2025 sobre abundância impulsionada por robôs e IA. O que é relevante estrategicamente não é se Musk está certo em seu horizonte utópico, mas que sua resposta ao mapa de Karpathy foi imediata e sem nuances, o que diz mais sobre o estado do debate executivo do que sobre a própria IA: o C-Level oscila entre o fatalismo de "tudo mudará" e a negação de "isso não afeta nosso core business".
Nenhuma das duas posições é estratégia. Ambas são formas de não decidir.
O problema não é a automação. É a paralisia seletiva
O estudo da Anthropic publicado no início de março de 2026 —semanas antes do mapa de Karpathy— trouxe uma dimensão adicional que muitos meios de comunicação ignoraram: os trabalhadores mais expostos à IA tendem a ser mais velhos, com maior nível educacional, melhor remunerados e, em muitos setores, mulheres. E embora não tenha havido um aumento sistemático do desemprego desde o final de 2022, foi detectada uma desaceleração na contratação de trabalhadores jovens em funções de alta exposição. Não se trata de demissões em massa. É uma substituição silenciosa pela via de não preencher vagas.
Essa distinção importa mais do que parece. Uma empresa que para de contratar analistas junior porque seus modelos de IA processam os mesmos relatórios não está promovendo um corte visível. Está reorganizando sua pirâmide de talento sem declarar isso como política. E isso tem consequências organizacionais de médio prazo que poucas direções estão medindo: erosão da reserva interna, concentração de conhecimento em camadas seniores sem sucessão formada, e crescente dependência de ferramentas que nenhuma equipe interna compreende em profundidade.
A Citadel Securities reportou um crescimento de 11% ano a ano na demanda por engenheiros de software em 2026, o que sugere que a automação não está colapsando mercados de trabalho específicos de forma imediata. Mas esse dado coexiste com o da Anthropic sem uma verdadeira contradição: a demanda por profissionais seniores persiste enquanto a formação de novas gerações nesses papéis desacelera. O mercado segue comprando o produto acabado; está deixando de investir na cadeia de fornecimento que o produz.
Para um CFO que analisa o trimestre, isso parece eficiência. Para um CEO que olha para a empresa em cinco anos, é uma forma de canibalizar capacidades futuras.
O que o mapa de Karpathy exige do C-Level hoje
Há uma tentação compreensível de ler a análise de exposição à IA como um problema de talento ou de tecnologia. Não é. É um problema de alocação de recursos e de definição de apostas. Quando os postos que concentram o maior capital intelectual de uma organização são simultaneamente os mais replicáveis por modelos de linguagem, a pergunta que a liderança deve responder não é "quando automatizamos?", mas "em quais dimensões do trabalho humano vamos construir uma vantagem que não seja automatizável?".
Essa é uma decisão que envolve sacrifício real. Implica deixar de investir em processos que a IA pode executar a uma fração do custo e redirecionar esses recursos para capacidades que os modelos atuais não são capazes de alcançar: critério sob severa ambiguidade, confiança relacional construída ao longo do tempo, liderança em contextos de alta incerteza, desenho de marcos onde os próprios modelos de IA não têm dados de treinamento suficientes. Não são funções românticas. São funções que nenhum modelo de linguagem de 2026 executa de maneira consistente sem supervisão humana significativa.
As organizações que continuarem alocando seu melhor talento a tarefas que um modelo pode completar em segundos não estão sendo prudentes. Estão pagando um preço de ativo estratégico por aquilo que está se tornando uma commodity. E o mercado eventualmente ajusta esse diferencial, com ou sem aviso.
A média de exposição em todos os empregos analisados foi de 5.3 em 10. Não é apocalipse, mas também não é margem confortável. É o sinal de uma transição que já começou e que não espera que o próximo ciclo orçamentário a contemple.
A disciplina que separa as organizações que navegam essa transição daquelas que a sofrem não é a velocidade de adoção tecnológica. É a clareza para decidir, sem ambiguidade, quais funções vão proteger como fonte de vantagem diferencial e quais vão entregar deliberadamente à automação. Fazer ambas as coisas pela metade, por medo das implicações de escolher, é a única aposta que garante irrelevância.
