O Futuro do Emprego: Estimativa do impacto da automação no Brasil

Abstract

Resumo Com o avanço da 4ª Revolução Industrial, as discussões sobre o Futuro do Trabalho se intensificam ao redor do mundo. No Brasil, onde a taxa de desemprego supera os dois dígitos, as políticas públicas sobre o emprego tendem a ser tratadas no médio e curto prazo, visando diminuir parte da população desempregada. Por outro lado, é preciso também olhar o futuro afinal, muitos empregos não existirão daqui a uma década. O presente artigo apresenta uma análise baseada numa estimativa da probabilidade de automação para cada uma das mais de 2.500 ocupações brasileiras. Com base nessa estimativa, é feito um cruzamento com outras informações sobre os trabalhadores e as empresas. Além disso, é realizada uma análise exploratória espacial sobre o impacto da automação nos 5.570 municípios do país. Os resultados mostram que 60% do emprego no Brasil deve ser altamente impactado pela automação nas próximas décadas com diferentes grupos de municípios sendo impactados em diferenciados graus.

Full text

1
O Futuro do Emprego: Estimativa do impacto da automação no Brasil
Yuri Lima1; Julia Celia Mercedes Strauch2,3; Maria Gilda Pimentel Esteves1; Jano Moreira De Souza1;
Miriam Barbuda Chaves4; Daniel Takata Gomes2
1 Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia (COPPE) – Universidade Federal
do Rio de Janeiro (UFRJ), e-mails: yuriodelima@cos.ufrj.br; gilda@cos.ufrj.br; jano@cos.ufrj.br
2 Escola Nacional de Ciências Estatísticas (ENCE) – Instituto Brasileiro de Geografia e Estatística (IBGE),
e-mails: julia.strauch@ibge.gov.br; daniel.gomes@ibge.gov.br
3Departamento de Análise Geo-Ambiental do Instituto de Geociências da Universidade Federal Fluminense
4 Laboratório Nacional de Computação Científica (LNCC) – Ministério da Ciência, Tecnologia, Informações
e Comunicações, Brasil, e-mail: mbcm@lncc.br
Resumo
Com o avanço da 4ª Revolução Industrial, as discussões sobre o Futuro do Trabalho se intensificam ao redor do mundo. No Brasil,
onde a taxa de desemprego supera os dois dígitos, as políticas públicas sobre o emprego tendem a ser tratadas no médio e curto prazo,
visando diminuir parte da população desempregada. Por outro lado, é preciso também olhar o futuro afinal, muitos empregos não
existirão daqui a uma década. O presente artigo apresenta uma análise baseada numa estimativa da probabilidade de automação para
cada uma das mais de 2.500 ocupações brasileiras. Com base nessa estimativa, é feito um cruzamento com outras informações sobre
os trabalhadores e as empresas. Além disso, é realizada uma análise exploratória espacial sobre o impacto da automação nos 5.570
municípios do país. Os resultados mostram que 60% do emprego no Brasil deve ser altamente impactado pela automação nas próximas
décadas com diferentes grupos de municípios sendo impactados em diferenciados graus.
Palavras-chave: Emprego; Futuro; Automação; Impacto Tecnológico.
1. Introdução
Há algumas décadas a interação entre tecnologia e emprego é um tema relevante. O início de
cada nova Revolução Industrial traz novas discussões sobre o tema, à medida que a ameaça do
desemprego tecnológico reaparece. Atualmente, a sociedade vivencia um desses momentos, uma vez
que cresce a discussão sobre a 4ª Revolução Industrial (SCHWAB, 2016). Embora as revoluções
industriais anteriores não tenham aumentado as taxas de desemprego, muito pelo contrário (Autor,
2015), a discussão sobre automação e o futuro do emprego está de volta à agenda de pesquisa
(ARIZA; RAYMOND BARA, 2018; ARNTZ; GREGORY; ZIERAHN, 2016; FRANK et al., 2018;
FREY; OSBORNE, 2017; MITCHELL; BRYNJOLFSSON, 2017; NEDELKOSKA; QUINTINI,
2018; SPENCER, 2018).
Isto não deve ser visto como um paradoxo, pois a compreensão dos benefícios das novas
tecnologias aplicadas à produção em cada revolução industrial, pode ser uma das razões pelas quais
o impacto da automação tem sido bastante positivo em termos de emprego. Como The Economist
(2018) sugere, mesmo em países mais avançados, quando se trata de estar preparado para a atual onda
de automação, como a Alemanha e os países do Leste Asiático, ninguém realmente está pronto para
o que está por vir.

2
A pesquisa realizada por Frey e Osborne (2017), publicada pela primeira vez on-line em 2013,
é provavelmente um dos estudos mais relevantes e citados sobre o impacto da automação em
ocupações. Em sua pesquisa, os autores se concentram em estimar o impacto da automação causada
por equipamentos controlados por computador nas ocupações da classificação de ocupação dos
Estados Unidos da América (EUA), denominada de US Occupation Classification (SOC). A
metodologia relaciona os gargalos de informatização identificados pelos autores às variáveis
utilizadas para descrever as ocupações descritas no O*NET. O O*NET é um serviço on-line que
contém a descrição detalhada da maioria das ocupações nos EUA e é mantido pelo Departamento do
Trabalho dos EUA. Isso permitiu que um grupo de pesquisadores de aprendizado de máquina
avaliassem 70 das 702 ocupações em termos de probabilidade de automação com base no estado da
arte das tecnologias de Inteligência Artificial e Robótica. A seguir, usando métodos estatísticos, eles
estimaram a probabilidade de automação da lista completa de ocupações que estavam investigando.
Os resultados deste trabalho levaram os autores a concluir que 47% dos empregos nos EUA estavam
em alto risco de informatização (probabilidade superior a 70%) nas próximas décadas.
Deloitte (2015b) aplicou a metodologia proposta por Frey e Osborne (2017) à Suíça e
descobriu que 48% dos empregos atuais poderiam ser automatizados nos anos ou décadas seguintes.
Anteriormente, Deloitte (2015a) efetuou o mesmo estudo no Reino Unido, onde os resultados
mostraram que 35% dos empregos estavam em alto risco de automação. Brookfield Institute (2016)
fez um estudo similar para o Canadá e mostrou que 42% da força de trabalho do país está em alto
risco de automação e 36% está em baixo risco nas duas próximas décadas. Santos, Monroy e Moreno
(2015) e o World Bank Group (2016), aplicando a mesma metodologia encontraram valores que
variam de 55% para o Uzbequistão a 85% para a Etiópia.
Na literatura, há outros trabalhos que aplicaram diferentes metodologias e tiveram um foco
diferente dos já citados. Arntz, Gregory e Zierahn (2016); Mckinsey Global Institute (2017),
Nedelkoska, Quintini (2018) e Pricewaterhouse Coopers (2018) concentraram-se em habilidades e
não em tarefas como Frey e Osborne (2017). Arntz, Gregory; e Zierahn (2016) estudaram 21 países
da Organização para a Cooperação e Desenvolvimento Econômico (OCDE) e constataram que, em
média, 9% dos empregos têm alto risco de serem automatizados. O número varia de 12% em países
como Alemanha e Espanha a 6% na Coréia e na Estônia. Com base neste trabalho, Nedelkoska e
Quintini (2018) ampliaram o estudo para 32 países da OCDE. Eles estimam que 14% dos empregos
nesses países são altamente automatizáveis, isto é, possui probabilidade de automação superior a
70%, variando de 33% na Eslováquia a 6% na Noruega.
Pricewaterhouse Coopers (2018) também desenvolveu a metodologia proposta por Arntz,
Gregory e Zierahn (2016) e calculou as taxas potenciais de automação de trabalho para 29 países,
sendo a Coréia o país com a taxa mais baixa (cerca de 22%) e a Eslováquia a mais alta, com cerca de

3
44% de sua força de trabalho sob alto risco de automação até 2030. Eles também estimaram o impacto
entre as indústrias e descobriram que Transporte e Armazenamento e Fabricação são os que mais
operam em risco em longo prazo (2030), sendo o risco de automação de 51% e 45%, respectivamente.
Ainda assim, no curto prazo (início de 2020), o grupo de consultoria acredita que as áreas com maior
risco (cerca de 8% de sua força de trabalho) são Financeiras e Seguros, Profissionais de Serviço,
Científico e Técnico, incluindo Informação e Comunicação.
Mckinsey Global Institute (2017) estima que menos de 5% das ocupações dos 46 países
estudados estão sujeitas à completa automação, considerando a adaptação da tecnologia atualmente
disponível. O instituto também estima que cerca de metade das atividades que as pessoas são pagas
para executar poderiam ser automatizadas.
Como pode ser visto, não há consenso sobre o percentual de ocupações que correm o risco de
serem automatizadas. Mesmo assim, The Economist (2018) destaca, há duas áreas de amplo consenso
entre aquelas que automatizam a pesquisa e o futuro do trabalho: a primeira são as tarefas e não
ocupações inteiras, que serão automatizadas; a segunda são ocupações que terão de lidar com o
impacto da automação e aproveitar as oportunidades que ela pode trazer, exigindo um esforço
conjunto de vários atores sociais, como governos, empresas, organizações não governamentais
(ONGs), educadores e organizações de trabalhadores.
Frank et al. (2018) também usaram o impacto da automação estimado por Frey e Osborne
(2017) para avaliar o impacto da automação nas cidades e não nos países. Os autores descobriram
uma relação entre o tamanho das cidades nos EUA e o impacto da automação e mostraram que as
cidades menores enfrentam impactos maiores do que as cidades maiores, uma vez que as últimas têm
uma melhor diversidade de emprego e especialização.
Neste contexto, este trabalho objetiva responder duas questões de pesquisa. A primeira diz
respeito a como a automação impactará o emprego formal no Brasil e a segunda como esta automação
poderá impactar as diferentes regiões brasileiras. Destarte, este trabalho aplica a metodologia
proposta por Frey e Osborne, (2017) a realidade brasileira para obter uma primeira posição em relação
a automação do trabalho. Para isso, são empregadas as estimativas de probabilidade de informatização
produzidas por Frey e Osborne (2017) para a lista de ocupações O*NET que foi convertida neste
trabalho para a Classificação Brasileira de Ocupações. Isto possibilitou apresentar um conjunto de
resultados e discussões.
Cabe ressaltar que a metodologia empregada nesse trabalho possui algumas limitações
reconhecidas, pois se baseia em uma tradução de ocupações norte-americanas (706 no total) para suas
contrapartes brasileiras (mais de 2.500) que estão imersas em uma realidade socioeconômica
diferente. Ainda assim, conforme Mitchell e Brynjolfsson (2017), cabe ressaltar que qualquer

4
informação é melhor do que estar sem informações ao discutir a importância de acompanhar como a
tecnologia transformará o trabalho no Brasil e no mundo.
Para melhor compreensão, este artigo está organizado da seguinte forma: a segunda seção
descreve a metodologia empregada; a terceira e quarta seções são dedicadas à apresentação e
discussão dos resultados e a quinta e última seção aponta as limitações, os trabalhos futuros e as
considerações finais deste trabalho.
2. Metodologia
Para o desenvolvimento da metodologia foi utilizada a Classificação Brasileira de Ocupações
(CBO). A última versão da CBO é de 2002 e foi desenvolvida usando o método Developing a
Curriculum (Dacum) com a ajuda de mais de sete mil trabalhadores. Esta última versão do CBO tem
2.614 ocupações que são atualizadas de tempos em tempos por instituições selecionadas
supervisionadas pelo Ministério do Trabalho (MINISTÉRIO DO TRABALHO E EMPREGO,
2018a). Outra importante fonte de informação foi o Relatório Anual de Informações Sociais (RAIS).
A RAIS é o instrumento de coleta de dados do governo brasileiro e foi instituída em 1975. Todos os
anos, as empresas com mais de dez funcionários devem preencher a RAIS e submetê-la ao Ministério
do Trabalho. No relatório, a empresa deve fornecer informações sobre seus funcionários, como nome,
idade, sexo, data de nascimento, nível de instrução, salário e a CBO. Além de fornecer informações
sobre cada funcionário, a empresa também preenche informações sobre ela, como tamanho, atividade
econômica e contribuições sindicais (MINISTÉRIO DO TRABALHO E EMPREGO, 2018b).
O presente estudo utiliza a probabilidade de informatização calculada por Frey e Osborne
(2017). A fim de correlacionar essa probabilidade para as ocupações do Brasil, primeiramente
aplicou-se o resultado do cruzamento entre a CBO e as ocupações O*NET criado por Maciente
(2014). Isso representou um desafio, pois Frey e Osborne (2017) usaram uma versão condensada da
Classificação Padrão de Ocupações (Standard Occupation Classification, SCO, tabela de ocupações
dos EUA) para apresentar seus resultados, que é uma lista de ocupações semelhantes à O*NET, porém
mais ampla, uma vez que engloba mais ocupações.
Das 2.526 ocupações com pelo menos uma pessoa empregada em dezembro de 2016, obteve-
se correspondência direta, utilizando-se o mapeamento de Maciente (2014) para 2.097 ocupações. As
429 ocupações restantes foram convertida manualmente efetuando-se a pesquisa por ocupações
semelhantes às sugeridas pelo mapeamento de Maciente (2014). Esta conversão é efetuada em três
níveis. No primeiro nível, são traduzidas as ocupações do idioma português para o inglês de modo a
encontrar uma correspondência. No segundo nível, a tradução não sendo suficiente, já que não há
correspondência direta com o O*NET, é então efetuada uma comparação das atividades que
compõem as ocupações da CBO e da O*NET, consultando as bases de dados das listas de

5
classificação disponíveis on-line. No terceiro e último nível, as duas estratégias anteriores não sendo
suficientes, são então criadas composições de duas ou mais ocupações de O*NET que correspondam
a uma determinada ocupação do CBO. Neste caso, é calculada a média das probabilidades de
informatização das ocupações de O*NET a fim de ter uma probabilidade para a ocupação da CBO.
Os resultados dessas etapas são apresentados na Seção 3.
A fim de explorar essa conversão e produzir uma discussão para o Brasil sobre o impacto das
novas tecnologias no emprego, foram então estimados o impacto da automação de cada um dos 5.570
municípios brasileiros usando a mesma fórmula empregada por Frank et al. (2018) que é expressa
por:
   

Onde:
 denota a probabilidade de automação da ocupação j calculada usando a metodologia
explicada. Essa probabilidade de automação varia de 0 a 1, com 0 representando nenhuma
chance de automação e 1 representando uma alta chance de automação;
 é o número de pessoas empregadas na ocupação j no município m dividido pelo
total de pessoas empregadas no município.
Conforme explicado por Frank et al. (2018),  pode ser interpretado como a porcentagem
esperada do emprego total em uma determinada cidade que está sujeita à informatização. Para analisar
a distribuição espacial do impacto da automação de cada um dos 5.570 municípios brasileiros foi
realizada uma análise exploratória e a seguir elaborado um mapa coroplético dos municípios
representando o índice por quintil, pois o tamanho e a forma das áreas dos municípios variam muito.
Além disso, o índice tem seus valores no intervalo real entre zero e um e os municípios brasileiros
não apresentam valores muito díspares.
A fim de identificar a existência de um padrão geográfico sobre os valores do Índice  para
os municípios foi utilizado o Índice de Moran global para explorar a existência de alguma
dependência espacial, isto é, de modo a verificar se os valores do Índice são correlacionados no
espaço. Este índice fornece um valor único como uma medida de associação espacial calculada pela
seguinte fórmula (ALMEIDA, 2012; ANSELIN, 1995):
    



  

 
Onde:
n é o número de áreas (municípios);
zi é o valor de E considerado na área i;
zj é o valor médio do atributo na região de estudo; e

6
wij são o elemento da matriz de proximidade espacial. A matriz utilizada neste trabalho foi
uma matriz de contiguidade espacial normalizada.
O índice de Moran global assume valores de -1 a 1. Valores negativos indicam dispersão de
dados, o valor nulo indica que não há correlação espacial e valores acima de zero indicam auto
correlação espacial positiva significando a existência de um agrupamento espacial (HAINING, 2003).
Para verificar a validade deste indicador, é aplicado um teste de hipótese cuja hipótese nula do índice
de Moran é de dependência espacial, que neste caso ocorre quando seu valor é nulo.
Como temos muitos municípios (>5000), é provável a existência de diferentes regimes de
correlação espacial em diferentes sub-regiões. Para tornar esses regimes espaciais evidentes, foram
então calculados indicadores locais de auto correlação espacial e representados no mapa de
espalhamento de Moran. Essa representação permite a comparação dos valores normalizados do
índice de automação (Em) em um município com a média de seus vizinhos, construindo assim um
gráfico bidimensional dos valores normalizados pela média dos vizinhos. Este processo resulta em
quatro classes (ANSELIN, 1995):
• Duas classes que identificam pontos de associação espacial positiva, o que significa que uma
localização tem vizinhos com valores semelhantes: Alto-Alto e Baixo-Baixo;
• Duas classes que identificam pontos de associação espacial negativa, o que significa que uma
localização possui vizinhos com valores distintos: Alto-Baixo e Baixo-Alto.
Da mesma forma, o índice local de Moran deve ser avaliado usando a hipótese nula para o
índice espacial. Cabe destacar que no mapa de espalhamento de Moran, os municípios cujos índices
locais não apresentaram significância também foram considerados.
Neste estudo, a fórmula de Frank et al. (2018) foi utilizada para comparar a automação em
diferentes municípios e também, para relacionar o impacto da automação em diferentes níveis de
escolaridade, sexo, e salário. Isso foi feito alterando-se  para representar a parcela de
pessoas em cada grupo educacional, por exemplo. Os resultados obtidos são apresentados na Seção a
seguir.
3. Resultados
Inicialmente, os autores apresentam um breve resumo da lista de ocupações mapeadas para o
Brasil. Na sequência, o resultado do impacto da automação no país é exibido em mapas coropléticos,
seguido de uma avaliação do Índice de Automação em relação ao nível de escolaridade e sexo e
efetuada uma análise da mudança no número de trabalhadores, entre dezembro de 2003 e dezembro
de 2016, para cada grupo de probabilidade de automação.
3.1. Lista de ocupações
O subconjunto da lista completa de ocupações que resultaram da conversão dos resultados de
Frey e Osborne (2017) para o Brasil é apresentado na Tabela 1. As dez ocupações que têm mais

7
pessoas trabalhando representam mais de 26% do total de trabalhadores na RAIS em dezembro de
2016 (a mais recente disponível quando da realização do estudo). Observa-se ainda que das dez
ocupações com mais pessoas no Brasil, oito têm uma probabilidade de automação superior a 70%;
sendo quatro delas superiores 92%.
Tabela 1: As dez ocupações com mais trabalhadores no Brasil e suas probabilidades de automação.
CBO
SOC
Ocupação
Ranking do
núm. de trab.
Núm. de
trabalhadores
% do total de
trabalhadores
Ranking
P(auto)
P(auto)
em %
411010
439061
Assistente administrativo
1
2.081.939
4,5
4
96
411005
439061
Auxiliar de escritório, em geral
2
2.036.571
4,4
4
96
521110
412031
Vendedor de Comercio Varejista
3
2.007.042
4,4
8
92
514320
372011
Faxineiro
4
1.344.939
2,9
34
66
782510
533032
Motorista de Caminhão (rotas Regionais e
internacionais)
5
877.081
1,9
20
79
784205
537063
Alimentador de linha de produção
6
860.740
1,9
7
93
421125
412011
Operador de caixa
7
823.476
1,8
3
97
331205
259041
Professor de Nível Médio no Ensino
Fundamental
8
749.667
1,6
42
56
517330
339032
Vigilante
9
630.387
1,4
16
84
717020
473019
Servente de Obras
10
571.663
1,2
12
88
-
-
Total
-
11.983.505
26
-
-
Com base na lista completa de ocupações e seus dados de dezembro de 2016, foi elaborado o
gráfico apresentado na Figura 1 que mostra a distribuição do emprego brasileiro sobre a probabilidade
de automação. A probabilidade de automação varia de 0,0028 (Musicoterapeuta) da ocupação menos
suscetível à automação a 0,99 (Operador de Telemarketing) para os mais suscetíveis.
Na Figura 1, os grupos de ocupação são os mesmos que Frey e Osborne (2017) usaram para
permitir uma comparação fácil entre a situação dos EUA e a do Brasil. O gráfico mostra que 60% do
emprego brasileiro estão em alto risco de automação (probabilidade de automação superior a 70%),
18% estão em risco médio (30% <probabilidade ≤ 70%) e 22% estão em baixo risco de automação
(probabilidade ≤ 30%).

8
Figura 1: Número de trabalhadores distribuídos por probabilidade de automação.
3.2. Mapa do impacto da automação no Brasil
Após a tradução dos resultados das ocupações dos EUA para o Brasil, foi então calculado o
índice de automação proposto por Frank et al. (2018) para os 5.570 municípios brasileiros e realizada
a análise exploratória. A distribuição da frequência do índice (Figura 2) mostra que o valor vai de
0,228 para o município menos impactado para 0,953 com uma média de 0,664 e um desvio padrão
de 0,087. Observa-se que o índice não possui distribuição normal aplicando o Teste de Normalidade
Kolmogorov-Smirnova (K-S). O índice tem um coeficiente de variação de 0,13. Isso pode ser
explicado pelo fato de o Brasil ser um país continental e suas regiões serem bastante heterogêneas em
aspectos geográficos, culturais, econômicos e sociais.
Para entender a distribuição espacial do índice de automação nos municípios brasileiros, o
mapa apresentado na Figura 3 foi elaborado usando a representação do quintil. A primeira classe
possui 1.115 municípios e as outras quatro classes possuem 1.114 cada. Nessa representação, observa-
se que as regiões Norte e Nordeste possuem a maioria de seus municípios no primeiro e segundo

9
quintis (baixo risco de automação) com alguns municípios isolados no último quintil (probabilidade
de automação superior a 70%).
Figura 2: Histograma do Índice de Automação.
Figura 3: Mapa coroplético do índice de automação de municípios. Os encartes apresentam duas regiões opostas, o litoral
nordeste e as regiões sudeste por causa da pequena área dos municípios. Na primeira região, a maioria dos municípios
está no primeiro quintil, sendo menos impactada pela automação. Enquanto isso, na segunda região, a maioria dos
municípios está nos dois últimos quintis, sendo mais impactada pela automação.

10
Analisando a dependência espacial através do índice global de Moran (Figura 4), o valor de
0,313859 foi obtido, com uma significância de 99% o que indica que há correlação espacial e
agrupamento de municipalidades.
Figura 4: Gráfico de dispersão do Índice de Moran para o Índice de Automação.
Desta forma, elaborando o box map do gráfico da Figura 4, obtém-se o mapa da Figura 5, no
qual identifica-se três grandes grupos. O primeiro e o segundo grupo são da classe Baixo-Baixo, nas
regiões Norte e Nordeste, com alguns municípios classificados na transição Alto-Baixo, conforme
explicado pelo destaque no mapa da Figura 3. O terceiro e mais relevante grupo dessa análise está
distribuído pela região Sudeste e parcialmente nos municípios das regiões Centro-Oeste e Sul. Os
municípios desse grupo têm um índice de automação (Em) maior do que 0,664.

11
Figura 5: Mapa coroplético do índice de automação dos municípios com destaque para o Sudeste e Nordeste, duas
regiões contrastantes.
3.3 Automação e Nível de Escolaridade
A fim de entender o impacto da automação nos diferentes níveis de escolaridade no Brasil, foi
elaborado o gráfico da Figura 6. Os níveis de escolaridade apresentados pela RAIS foram convertidos
para a Classificação Internacional Padrão de Educação (International Standard Classification of
Education, ISCE), e o índice E para cada nível foi calculado.

12
Figura 6: Índice de Automação por Nível de Escolaridade
Como pode ser visto no gráfico, o valor do índice Em é maior conforme o nível de escolaridade.
O mesmo padrão foi observado quando comparados os índices para níveis de educação superior
incompleta (68%) e educação superior completa (37%).
3.4 Automação e Sexo
A comparação do impacto da automação sobre os diferentes sexos demonstrou que as
mulheres se encontram relativamente mais vulneráveis à automação que os homens. O valor do índice
Em foi 69,7% para as mulheres e 62,5% para os homens.
Explorando ainda mais o relacionamento entre o impacto esperado da automação e o sexo do
trabalhador, calculou-se o percentual de trabalhadores do sexo masculino em cada ocupação e
elaborou-se o gráfico da Figura 7 mostra que quanto maior o percentual de homens em uma ocupação,
maior a probabilidade de automação. Apesar de ser um modelo significativo (p-value < 0,0001), o
valor do coeficiente de determinação é baixo (0,11), o que indica que o relacionamento entre as duas
variáveis é fraco.

13
Figura 7: Gráfico de dispersão das ocupações distribuídas pela probabilidade de automação e percentual de
trabalhadores do sexo masculino
3.5 Automação e Salário
Os dados disponíveis também permitiram a análise do impacto da automação com relação ao
salário dos trabalhadores. O gráfico da Figura 8 mostra a probabilidade de automação e o salário
mensal médio de cada ocupação. Apesar de ser um modelo significativo (p-value < 0.0001), o valor
do coeficiente de determinação foi baixo (0,16), indicando que a correlação entre as duas variáveis é
baixa.
Figura 8: Gráfico de dispersão das ocupações distribuídas pela probabilidade de Automação e remuneração mensal
média (em R$) dos trabalhadores do sexo masculino
3.6 Perspectiva Histórica
Para avaliar a mudança nas ocupações no passado em termos de sua probabilidade de
automação, o gráfico da Figura 9 foi elaborado de forma similar ao realizado para os estudos sobre o
Reino Unido e a Suíça (DELLOITE, 2015a; 2015b). As ocupações foram divididas em 10 grupos, de

14
acordo com a probabilidade de automação, sendo o primeiro grupo composto por ocupações com uma
probabilidade <10% e assim por diante. As áreas das ocupações foram classificadas em 12 categorias,
sendo as mesmas utilizadas por Frey & Osborne (2017) e apresentadas no gráfico da Figura 1.
O gráfico da Figura 9 mostra que, em todos os grupos, a variação no número de pessoas
empregadas de 2003 para 2016 foi positiva, o que significa que o emprego cresceu em todos os
grupos. O grupo com o aumento mais significativo foi o décimo, com um aumento de mais de 6
milhões de empregos, distribuídos principalmente entre Suporte Administrativo, Construção e
Extração e Serviços. A segunda mudança mais significativa no emprego veio do outro lado do
espectro da probabilidade de automação: o primeiro grupo teve um aumento de mais de 2,5 milhões
de empregos distribuídos principalmente entre (a) Educação, Jurídico, Serviço Comunitário, Artes e
Mídia e (b) Profissionais e Técnicos da Saúde.
Figura 9: Mudança no número de trabalhadores entre dezembro de 2003 e dezembro de 2016 para cada Grupo de
Probabilidade de Automação

15
4. Discussão
O resultado desta pesquisa mostra que a automação afetará fortemente o futuro do emprego
no Brasil nas próximas décadas, dado que 60% dos trabalhadores se encontram em ocupações que
devem sofrer um alto impacto (probabilidade de automação maior do que 70%). O McKinsey Global
Institute (2017) publicou um estudo em que estimou o impacto da automação em diversos países,
incluindo o Brasil, focando em atividades e não em ocupações. O instituto descobriu que 50% das
atividades realizadas no Brasil poderiam ser automatizadas utilizando a tecnologia atualmente
disponível.
Tais resultados, considerando o elevado índice de desemprego observado atualmente no
Brasil, indicam um cenário extremamente problemático. O Índice de Preparo para a Automação
(Automation Readiness Index), calculado pelo The Economist Intelligence Unit e que considera o
ambiente de inovação, políticas educacionais e políticas de mercado de trabalho de 25 países, coloca
o Brasil na 19ª posição com uma pontuação de 46,4 (a média dos países é de 62,1). O Brasil está em
último na categoria “ambiente de inovação”, na 17ª posição em “políticas educacionais” e em 13º
lugar no quesito “políticas de mercado de trabalho” (THE ECONOMIST, 2018).
Apesar disso, o McKinsey Global Institute vê na automação uma oportunidade para o Brasil.
Segundo o relatório do instituto sobre o tema, se utilizado juntamente com outras estratégias de
aumento da produtividade como melhorias de processos, a automação poderia ajudar países como
Brasil, Rússia, China e Argentina a aumentar seus PIBs, dado que se espera redução na taxa de
aumento da população economicamente ativa desses países (MCKINSEY GLOBAL INSTITUTE,
2017).
Steinmueller (2001), em uma pesquisa especificamente sobre tecnologias e países em
desenvolvimento, defende essa visão ao escrever que as Tecnologias de Informação e Comunicação
(TICs) podem ajudar os países em desenvolvimento a dar um salto, reduzindo a diferença de
produtividade para com os países avançados ao pular alguns dos passos para acumulação de
habilidades humanas e investimento em bens produtivos. De acordo com o pesquisador, para fazer
isso, os países devem satisfazer três pré-requisitos: ter capacidades de absorção para produzir ou usar
as TICs; ter acesso a equipamentos e conhecimentos necessários para fazer uso produtivo dos estágios
avançados de desenvolvimento tecnológico sem desenvolver os precursores tecnológicos; e ter acesso
a capacidades tecnológicas complementares ao uso das TICs.
Quando comparado com outros países em desenvolvimento, o Brasil encontra-se
relativamente bem. Como pode ser visto na Figura 10, numa lista de 42 países, o Brasil ocupa a oitava
posição. Considerando que o emprego em risco nos países da OCDE é 57%, só três pontos percentuais
menor do que o valor calculado para o Brasil, podemos ver que o país está mais próximo da média

16
das economias mais avançadas do que da média dos países em desenvolvimento que é de 67%
(WORLD BANK GROUP, 2016).
Figura 10: Percentual de emprego sob risco para 42 países em desenvolvimento
Entretanto, quando comparamos o impacto da automação no Brasil com os EUA, o resultado
de 60% para o Brasil e 47% estimado por Frey & Osborne (2017) para os EUA demonstra o quão
distante o Brasil se encontra os EUA por tratar-se de um país que têm alto nível de desenvolvimento
econômico e social. Um fator que pode também explicar essa diferença é a estrutura ocupacional dos
dois países. Como Maia & Sakamoto (2015) mostram e o gráfico da
Figura 11 ilustra, a estrutura brasileira, em 2011, tinha uma parcela maior de trabalhadores
em atividades mais altamente automatizáveis do que a dos EUA; por exemplo, Agropecuária (10,6%
no Brasil contra 1,3% nos EUA), Empregados Domésticos (7,5% x 0,5%) e “Trabalhadores Manuais”
(Blue-Collar Workers) (29,5% x 19,7%).
Figura 11: Comparação entre a matriz ocupacional do Brasil e dos EUA
Diante dessa situação, um dos desafios mais urgentes que o Brasil precisará atacar com relação
ao futuro do emprego é o alto impacto que a automação terá sobre os grupos sociais que tem maior
dificuldade em migrar para novos empregos; por exemplo, mulheres, jovens, trabalhadores com
baixos salários e, mais destacadamente, trabalhadores com baixa escolaridade. O problema de a
automação afetar mais esses grupos ditos vulneráveis também foi indicado por outros estudos sobre
o tema como o realizado por Frey & Osborne (2017) e pela Pricewaterhouse Coopers (2018). O
governo precisará dar especial atenção à busca por maneiras para lidar com o desemprego e com a
necessidade de requalificação desses grupos de trabalhadores.
País
Emprego sob risco

17
Considerando que o Brasil tem um sistema de proteção social baseado em relações tradicionais
de emprego, o que já é um problema se considerarmos que mais da metade da força de trabalho do
país consiste em trabalhadores informais, o impacto da automação tende a agravar ainda mais essa
situação. Soluções como Renda Básica Universal e Ativos Básicos Universais podem ser analisadas
pelo governo como maneiras de oferecer uma rede de proteção aos cidadãos que os permita transitar
para novos empregos (LABORATÓRIO DO FUTURO, 2017).
Certamente, uma outra área fundamental de atenção é a educação por influenciar não só os
empregos que serão criados, mas também por ser necessária para a requalificação de trabalhadores.
Iniciativas como as dos estudos realizados pela Nesta em parceria com a Oxford Martin School e a
Pearson (Bakhshi et al, 2017) e pela organização Partnership for 21st Century Learning, voltadas para
o entendimento da demanda futura por habilidades são bons indicativos para ajudar o governo
brasileiro a atualizar seu sistema educacional. No geral, as habilidades que serão demandadas dos
trabalhadores do futuro são aquelas reconhecidas como gargalos para a computação, a saber:
criatividade, inteligência social e habilidades motoras finas (AUTOR, 2015; FREY; OSBORNE, 2017).
Entre 2003 e 2016, mais de 9 milhões de empregos foram criados no Brasil em ocupações que
estão altamente suscetíveis à automação conforme é apresentado no gráfico da Figura 9. Deloitte
(2015a, 2015b) preparou gráficos similares para o Reino Unido e a Suíça que demonstram que a força
de trabalho nos dois países, diferentemente daquela do Brasil, tem migrado para ocupações menos
suscetíveis à automação através da redução do número de pessoas trabalhando em ocupações
altamente automatizáveis e do aumento do número de trabalhadores em ocupações menos suscetíveis
à automação.
5. Considerações finais
Cabe destacar que esta pesquisa se baseou nos dados disponibilizados pelo governo brasileiro
e algumas das suas limitações se devem às características desses dados. Primeiro, existem 91,2
milhões de pessoas na força de trabalho brasileira, mas a RAIS cobre apenas pouco mais de 46
milhões (50,5% do total da força de trabalho do país). Um dos motivos dessa diferença é o fato do
preenchimento da RAIS só ser obrigatório para empresas com mais de 10 empregados. Porém, o
principal motivo é o grande número de profissionais liberais e de trabalhadores informais que
representam 34 milhões (37,4% do total) de trabalhadores e ficam de fora da RAIS (IBGE, 2018).
Outro grupo representativo que não é reportado na RAIS são os trabalhadores domésticos que
totalizam 6,2 milhões de trabalhadores (6,8% do total).
Uma segunda limitação da RAIS é que 1.561.885 trabalhadores (3,4% do total) foram
registrados como “não classificados” em nenhuma das ocupações da CBO e, por isso, ficaram de fora
do estudo dado que não foi possível calcular a sua probabilidade de automação.

18
A terceira e última limitação da base de dados utilizada foi a de que algumas empresas podem
registrar seus funcionários como trabalhando num determinado município quando na verdade
trabalham em outro. Isso pode ocorrer se, por exemplo, um funcionário é reportado como trabalhando
na sede de uma empresa localizada no município A, mas é enviado para trabalhar no município B.
Essa limitação afeta a parte da pesquisa que se ocupa de mapear o impacto da automação, mas não a
estimativa da probabilidade de automação em si.
Além das limitações inerentes à base de dados, nossa pesquisa possui duas outras limitações.
A primeira é aplicar a probabilidade de automação calculada por Frey & Osborne (2017) para a
realidade brasileira. A adoção tecnológica ocorre de maneira diferente de um país para outro e a
diferença é ainda maior entre países desenvolvidos, como os EUA, e países em desenvolvimento,
como o Brasil, já que, em geral, as inovações demoram mais a serem adotadas no segundo grupo. Os
pesquisadores Comin e Hobjin (2010) analisaram a difusão de 15 tecnologias em 166 países num
período de dois séculos e descobriram que, em média, leva 45 anos para os países adotarem uma
tecnologia, mas esse valor varia muito entre tecnologias e entre países. Tecnologias mais recentes
têm levado muito menos tempo para se espalhar pelo mundo (COMIN; HOBIJN, 2010;
STEINMUELLER, 2001). Por exemplo, a internet levou, em média, 8 anos para se difundir; enquanto
isso, barcos movidos a vapor levaram 123 anos (COMIN; HOBIJN, 2010). Levando isso em
consideração, acreditamos que o espaço de 6 anos entre a primeira publicação online do artigo de
Frey & Osborne (2013) e a publicação do presente relatório e o fato de que as estimativas que
resultaram desse trabalho anterior não terem um prazo definido (os autores escrevem sobre “um
número não especificado de anos, talvez uma década ou duas”) ajudem a mitigar essa limitação.
A segunda limitação é que a probabilidade de automação foi calculada para ocupações dos
EUA e neste trabalho as ocupações brasileiras foram convertidas para a lista dos EUA. Esse processo
foi realizado utilizando a conversão SOC x CBO elaborada pelo pesquisador Arnaldo Maciente
(2014) e convertendo as ocupações remanescentes utilizando a nossa metodologia, detalhada
anteriormente. Esse não é o cenário ideal porque as atividades das ocupações tendem a variar de
trabalhador para trabalhador e, especialmente, entre países.
Ao listar essas limitações, certamente não se pretende invalidar os resultados ou a discussão
efetuada nessa pesquisa. O objetivo, além de ser transparente quanto às restrições da pesquisa, é expor
a necessidade de melhoria nos dados sobre emprego coletados pelo Governo Brasileiro e de novas
pesquisas sobre o tema focadas no cenário brasileiro.
Desta forma, parte dos trabalhos futuros aqui propostos advém das próprias limitações da
pesquisa. A evolução mais importante do trabalho apresentado nesta pesquisa é a elaboração e
execução de uma metodologia que estime a probabilidade de automação considerando os dados
disponíveis no Brasil. Uma nova metodologia deverá considerar a disparidade econômica entre as

19
diferentes regiões do Brasil. Com os resultados da aplicação dessa nova metodologia, será possível
intensificar o esforço de mapear o impacto da automação no Brasil, uma tarefa essencial, dado que
se trata de um país de proporções continentais cujas características socioeconômicas variam
imensamente de uma região para outra.
No momento, a continuação deste trabalho se detém na elaboração de uma plataforma para o
compartilhamento de dados com os trabalhadores sobre emprego e automação no Brasil. Diferente
das bases de dados atualmente disponíveis no Brasil, este sistema pretende manter uma base de dados
relevantes e continuamente atualizada sobre o trabalho no Brasil. Além disso, pretende incluir
trabalhadores informais nas estatísticas ao permitir que imputem suas informações no sistema,
descentralizando essas informações das empresas.
Apesar das limitações previamente discutidas, esse estudo é um passo importante no
entendimento e na estimativa do impacto da automação no Brasil, o que é essencial para a tomada de
decisão governamental sobre o emprego (MITCHELL; BRYNJOLFSSON, 2017). Os resultados desse
trabalho mostram um cenário preocupante para o futuro do emprego no Brasil dado o alto impacto
que a automação deve causar nas próximas décadas. Tornando a situação ainda pior, os trabalhadores
nos grupos sociais mais vulneráveis – baixa renda, baixo nível de escolaridade, jovens e mulheres –
são os que devem sofrer mais com a automação no futuro.
A situação do emprego no Brasil já é péssima dado que a taxa de desemprego no 4º trimestre
de 2018 era de 11,6%, e 4,7 milhões de pessoas haviam desistido de procurar emprego (IBGE, 2018).
Dessa forma, o país tem o desafio de não só criar empregos que no longo prazo não sejam
automatizados, mas também de criar mais oportunidades de emprego no curto prazo. Isso vai
demandar um esforço combinado de governos, empresas e sindicatos.
Caso o governo falhe em mitigar os impactos da automação, a sociedade sofrerá com
problemas como o a concentração dos benefícios da automação nas mãos de uma pequena elite, altas
taxas de desemprego e baixas taxas de aumento do PIB.
Referências Bibliográficas
ALMEIDA, E. Econometria Espacial Aplicada. Campinas: Alínea, 2012.
ANSELIN, L. Local Indicators of Spatial Association-LISA. Geographical Analysis, v. 27, n. 2, p. 93–115,
1995.
ARIZA, J.; RAYMOND BARA, J. L. Technical change and employment in Brazil, Colombia, and Mexico.
Who are the most affected workers? International Labour Review, 24 jul. 2018.
ARNTZ, M.; GREGORY, T.; ZIERAHN, U. The Risk of Automation for Jobs in OECD Countries: A
Comparative Analysis. OECD Social, Employment and Migration Working Papers, May 14, 2016.
AUTOR, D. H. Why Are There Still So Many Jobs? The History and Future of Workplace Automation.
Journal of Economic Perspectives, v. 29, n. 3, p. 3–30, ago. 2015.
Bakhshi, H., Downing, J., Osborne, M. and Schneider, P. The Future of Skills: Employment in 2030.
London: Pearson and Nesta, 2017.

20
BROOKFIELD INSTITUTE. The talented Mr. Robot: the impact of automation on Canada’s workforce.
2016.
COMIN, D.; HOBIJN, B. An Exploration of Technology Diffusion. American Economic Review, v. 100, n.
5, p. 2031–2059, dez. 2010.
DELOITTE. Agiletown: The Relentless March of Technology and London’s Response. 2015a
DELOITTE. Man and Machine: Robots on the rise? The impact of automation on the Swiss job market.
2015b
FRANK, M. R; SUN, L.; CEBRIAN, M.; YOUN, H.; RAHWAN, I. Small cities face greater impact from
automation. Journal of The Royal Society Interface, v. 15, n. 139, p. 20170946, fev. 2018.
FREY, C. B.; OSBORNE, M. A. The future of employment: How susceptible are jobs to computerisation?
Technological Forecasting and Social Change, v. 114, p. 254–280, jan. 2017.
HAINING, R. Spatial Data Analysis: Theory and Practice. Cambridge: Cambridge University Press, 2003.
IBGE. Pesquisa Nacional por Amostra de Domicílios Contínua, 2018
LABORATÓRIO DO FUTURO. Working in 2050, 2017
MACIENTE, A. N. Competências e Habilidades Ocupacionais no Brasil. In: Rede de pesquisa, formação e
mercado de trabalho: coletânea de artigos. 1a edição ed. Brasília: Instituto de Pesquisa Econômica
Aplicada-Ipea : Agência Brasileira de Desenvolvimento Industrial-ABDI, 2014. v. II.
MAIA, A. G.; SAKAMOTO, A. Occupational structure and socioeconomic inequality: a comparative study
between Brazil and the United States. Economia e Sociedade, v. 24, n. 2, p. 229–261, ago. 2015.
MCKINSEY GLOBAL INSTITUTE. A future that works: automation, employment, and productivity,
2017.
Ministério do Trabalho, 2018a. CBO - Informação Geral. Disponivel em:
http://www.mtecbo.gov.br/cbosite/pages /informacoesGerais.jsf. Acesso em: 13 jul. 2018
Ministério do Trabalho, 2018b. RAIS. Disponível em: http://www.rais.gov.br/sitio/sobre.jsf. Acesso em: 13
jul. 2018
MITCHELL, T.; BRYNJOLFSSON, E. Track how technology is transforming work. Nature, v. 544, n. 7650,
p. 290–292, 13 abr. 2017.
NEDELKOSKA, L.; QUINTINI, G. Automation, skills use and training, OECD Social, Employment and
Migration Working Papers. 2018.
PRICEWATERHOUSE COOPERS. Will robots really steal our jobs? An international analysis of the potential
long-term impact of automation. p. 47, 2018.
SANTOS, I.; MONROY, S.; MORENO, M. Technological Change and Labor Market Disruptions:
evidence from the developing world. . In: IZA. 2015
SCHWAB, K. The Fourth Industrial Revolution. World Economic Forum, 2016.
SPENCER, D. A. Fear and hope in an age of mass automation: debating the future of work. New Technology,
Work and Employment, v. 33, n. 1, p. 1–12, mar. 2018.
STEINMUELLER, W. E. ICTs and the possibilities for leapfrogging by developing countries. International
Labour Review, v. 140, n. 2, p. 193–210, jun. 2001.
THE ECONOMIST. Automation Readiness Index. 2018
WORLD BANK GROUP. World Development Report 2016.