Em novembro de 2022, o ChatGPT mostrou ao mundo que a inteligência artificial generativa deixara de ser promessa de laboratório para se tornar ferramenta de produção. Desde então, governos e empresas tentam medir o estrago: quantos postos de trabalho serão eliminados? As projeções variam, mas poucas ações concretas foram anunciadas. Agora, os Estados Unidos lançam a plataforma RAISE US, uma iniciativa bipartidária que reúne democratas, republicanos, Anthropic e OpenAI para requalificar trabalhadores deslocados pela automação. O anúncio é celebrado como um marco de responsabilidade social. Mas, como engenheiro de software que já lidou com sistemas de recrutamento baseados em IA, enxergo uma camada que poucos discutem: o que acontece com os dados pessoais desses milhões de trabalhadores durante o processo de requalificação?
Não me entenda mal: a RAISE US é uma iniciativa necessária e bem-intencionada. O deslocamento tecnológico é real e acelerado, especialmente em setores como atendimento ao cliente, análise de dados, tradução e programação básica. A ideia de unir governo e big techs para criar um portal único de cadastro, testes de aptidão e trilhas personalizadas de aprendizado é inteligente do ponto de vista de política pública. Mas, para quem trabalha com produto digital, o desenho dessa plataforma acende alertas de privacidade que merecem análise antes de qualquer adesão em massa.
O que a RAISE US coleta e por que isso importa
Pelo que foi divulgado, a plataforma exige que o trabalhador se cadastre, realize testes de aptidão e forneça informações sobre sua trajetória profissional, localização, nível de escolaridade e setor de atuação. Esses dados são então cruzados com demandas reais de mercado fornecidas por empresas parceiras como Anthropic e OpenAI. O objetivo é gerar trilhas de capacitação sob medida. Até aí, nada diferente de qualquer plataforma de empregos moderna. O problema surge quando analisamos a profundidade e a granularidade dos dados exigidos: testes de aptidão podem revelar habilidades cognitivas, perfil psicológico, gaps de conhecimento e até mesmo predisposição a certas funções. Esse é um dataset extremamente sensível, especialmente quando combinado com informações demográficas.
Em projetos de produto que lidam com dados de trabalhadores, aprendi que o maior risco não está no armazenamento, mas no uso secundário. A RAISE US é operada pelo governo federal, mas as big techs têm acesso aos dados de demanda e, potencialmente, aos perfis dos candidatos para criar trilhas. A questão é: esses dados serão usados apenas para a requalificação ou também para treinar novos modelos de IA? A Anthropic e a OpenAI não são apenas patrocinadoras — elas participam da curadoria dos currículos. Se as informações dos trabalhadores alimentarem os datasets de treinamento do Claude ou do GPT, estaremos diante de um ciclo perverso: a tecnologia que eliminou o emprego usa os dados de quem perdeu o emprego para se aprimorar, sem consentimento explícito e sem compensação.
Consentimento informado ou aceitação por conveniência?
Na prática, quando um trabalhador desempregado e desesperado se cadastra na RAISE US, ele não está em condições de negociar termos de privacidade. A plataforma provavelmente exige aceitação de uma política de dados como condição para acesso às trilhas gratuitas e à recolocação preferencial. Isso não é consentimento informado — é extorsão digital. Em projetos de privacidade em produto, sempre defendo que a coleta de dados deve ser proporcional ao benefício imediato. Se a trilha de aprendizado não precisa de dados psicométricos, não os colete. Se a recolocação pode ser feita com um currículo anônimo, não exija nome completo e endereço. Mas a RAISE US, ao integrar recrutamento direto com as empresas parceiras, tende a exigir o máximo de dados possível para reduzir o atrito na contratação. Isso é eficiente para o negócio, mas péssimo para a privacidade do trabalhador.
Outro ponto crítico é a granularidade dos dados de progresso. A plataforma acompanha cada etapa do aprendizado: quanto tempo o usuário dedicou a cada módulo, quais testes ele errou, em quais habilidades ele é mais fraco. Esses dados, se compartilhados com empregadores, podem ser usados para filtrar candidatos de forma discriminatória. Um trabalhador que demorou mais para aprender um conceito pode ser preterido em relação a outro que teve desempenho superior, mesmo que ambos tenham concluído a trilha. Isso cria um ranking de "empregabilidade" que fere o princípio de igualdade de oportunidades. Sem uma política clara de anonimização e agregação, a RAISE US pode replicar os mesmos vieses algorítmicos que já vemos em sistemas de RH.
O papel das big techs: parceiras ou contratantes disfarçadas?
A Anthropic e a OpenAI são, ao mesmo tempo, financiadoras, curadoras de conteúdo e potenciais contratantes. Isso cria um conflito de interesses estrutural. Para que a requalificação seja justa, as trilhas deveriam ser definidas por um conselho independente, com base em dados abertos de mercado de trabalho. Mas, na RAISE US, são as próprias empresas de IA que determinam quais habilidades são mais demandadas. Isso pode direcionar os trabalhadores para funções que atendam aos interesses dessas empresas — como curadoria de dados, anotação de imagens ou testes de segurança —, em vez de prepará-los para carreiras mais amplas e resilientes. Do ponto de vista de privacidade, o problema é que essas empresas têm acesso direto aos perfis dos candidatos, podendo recrutá-los seletivamente com base em dados que não seriam públicos em um processo seletivo tradicional.
Em conversas com colegas que trabalham em plataformas de educação, ouvi relatos de que, quando o parceiro que define o currículo também é o contratante, a taxa de recolocação sobe, mas a diversidade das colocações cai. Os trabalhadores são moldados para vagas específicas, não para o mercado como um todo. Isso é eficiente no curto prazo, mas frágil se a demanda mudar. E, do ponto de vista de privacidade, o trabalhador perde o controle sobre quem vê seu histórico completo de aprendizado.
Riscos de vigilância e discriminação algorítmica
Um dos aspectos mais delicados da RAISE US é o monitoramento contínuo do progresso. Se a plataforma for integrada a sistemas de benefícios sociais (como seguro-desemprego), o governo pode usar os dados de engajamento para cortar ou condicionar auxílios. Isso transforma a requalificação em uma ferramenta de vigilância trabalhista. Nos Estados Unidos, já existem precedentes de plataformas governamentais que exigem que desempregados comprovem busca ativa por trabalho para manter benefícios. Com a RAISE US, o monitoramento se torna mais intrusivo: não basta estar procurando emprego, é preciso estar aprendendo exatamente o que o sistema determina. Isso cria um viés de conformidade que pode penalizar trabalhadores com dificuldades de aprendizado, problemas de saúde ou responsabilidades familiares.
Além disso, a análise de dados de aptidão pode introduzir discriminação algorítmica. Se os testes de aptidão forem baseados em modelos de IA treinados com dados históricos de sucesso em determinadas funções, eles podem reproduzir vieses raciais, de gênero ou etários. Um trabalhador negro pode ser direcionado para trilhas de menor remuneração, enquanto um trabalhador branco recebe recomendações para áreas mais promissoras, simplesmente porque os dados históricos de contratação refletem desigualdades estruturais. A RAISE US, ao automatizar a triagem, amplifica esses vieses em escala nacional.
Lições para quem projeta produtos de requalificação
Se você está desenvolvendo uma plataforma similar — seja no Brasil, seja em qualquer outro país —, algumas lições práticas emergem dessa análise. Primeiro, separe a coleta de dados da finalidade de recolocação. Use dados mínimos necessários para a personalização do aprendizado e mantenha o restante em anonimato até que o trabalhador opte por compartilhar com empregadores. Segundo, implemente um mecanismo de consentimento granular: o trabalhador deve poder aceitar ou recusar cada uso dos seus dados (aprendizado, recomendação, recrutamento, pesquisa). Terceiro, audite os algoritmos de recomendação de trilhas periodicamente para detectar vieses, usando dados de resultados reais de recolocação. Quarto, crie um conselho de ética independente, com representantes de trabalhadores, acadêmicos e especialistas em privacidade, que tenha poder de veto sobre mudanças na política de dados.
Na minha experiência, o maior erro que equipes de produto cometem em iniciativas de requalificação é tratar a privacidade como um problema de compliance, e não como uma feature de produto. A RAISE US poderia se diferenciar não apenas por ser eficiente na recolocação, mas por ser a plataforma mais transparente e respeitosa com os dados dos trabalhadores. Isso geraria confiança e adesão voluntária, que são mais sustentáveis do que a adesão por necessidade.
O que esperar do futuro
A RAISE US ainda não está em operação em larga escala, e os detalhes técnicos sobre governança de dados são escassos. O que temos são boas intenções e um modelo de financiamento inovador. Mas, como engenheiro, aprendi que boas intenções não protegem contra vazamentos, usos secundários ou discriminação algorítmica. A iniciativa merece ser acompanhada de perto, especialmente por países como o Brasil, que enfrentam desafios similares com automação em call centers, logística e serviços financeiros. Se a RAISE US falhar em privacidade, poderá gerar um efeito chilling: trabalhadores desconfiarão de qualquer programa governamental de requalificação, o que prejudicará justamente quem mais precisa de apoio.
No fim das contas, a pergunta que fica não é apenas se a plataforma consegue recolocar milhões de pessoas, mas se ela consegue fazer isso sem transformar cada trabalhador em um produto de dados. A tecnologia que elimina empregos pode ser a mesma que cria novos caminhos, mas só se respeitarmos os direitos digitais de quem está no centro dessa transição. A RAISE US é um experimento que vai além da política pública — é um teste de maturidade ética para toda a indústria de IA.