Em 2023, quando o ChatGPT cruzou a marca de 100 milhões de usuários em dois meses, uma onda de artigos proclamou o fim do trabalho como conhecemos. Programadores, tradutores, designers — todos estariam na mira. Dois anos depois, o mercado de trabalho americano, o mais exposto à tecnologia, continua a gerar empregos, e os salários médios não despencaram. O que aconteceu? O estudo recente do Banco Central Europeu, que analisou dados de 2019 a 2025, oferece uma resposta matizada: a IA está reorganizando tarefas, mas ainda não substituiu postos em escala. Para quem trabalha com engenharia de software, produtos digitais e infraestrutura, essa calmaria aparente esconde um movimento mais silencioso — e, ironicamente, urgente.
Eu mesmo, ao implementar modelos de linguagem em pipelines de produto, percebi que o gargalo não é técnico: é de governança. As empresas que adotam IA de forma ampla esbarram em questões de privacidade, conformidade e qualidade dos dados. E isso, como veremos, é uma das razões pelas quais o impacto no emprego ainda é contido. Mas a história não termina aí. O estudo do BCE nos obriga a olhar para o presente com honestidade e para o futuro com planejamento, especialmente quando o tema é a privacidade dos dados dos colaboradores e dos clientes — um assunto que, acredito, será o verdadeiro campo de batalha dos próximos anos.
O que o estudo do BCE realmente mostra?
O Banco Central Europeu examinou a composição ocupacional, os salários médios por setor e o nível de exposição a ferramentas de IA generativa e preditiva nos Estados Unidos. O período de 2019 a 2025 capturou desde o pré-pandemia até o boom dos modelos atuais. A conclusão central: setores com maior adoção de IA — como tecnologia, finanças e saúde — registraram mudanças na distribuição de tarefas, mas sem correlação estatística significativa com aumento do desemprego ou queda salarial. Em outras palavras, o alarmismo de 2023 não se materializou nos dados agregados.
No entanto, o diabo está nos detalhes. O BCE observou um deslocamento gradual: atividades repetitivas de codificação, geração de queries SQL, criação de componentes de UI simples e redação de testes unitários passaram a ser delegadas a assistentes de IA. O profissional que antes gastava metade do dia limpando planilhas agora dedica esse tempo a interpretar resultados, revisar saídas de modelos e orquestrar pipelines. Isso não aparece nas médias salariais nacionais, mas reconfigura o dia a dia das equipes. Para quem lidera squads, isso significa que o planejamento de capacidade precisa ser revisto.
Um ponto que o estudo não aprofunda, mas que considero crítico, é o papel da privacidade como freio da adoção. Muitas empresas hesitam em expor dados sensíveis a modelos de IA por medo de vazamentos, violações de LGPD ou GDPR. Essa cautela reduz a velocidade da automação e, paradoxalmente, protege empregos de curto prazo. Mas também cria um gap de produtividade: times que investem em governança de dados conseguem extrair mais valor da IA, enquanto os que ficam paralisados perdem competitividade. É um trade-off que todo gestor de produto precisa enfrentar.
Privacidade como variável estratégica na adoção de IA
Se você trabalha com produtos digitais, já deve ter se deparado com o dilema: "Podemos usar os dados do cliente para treinar um modelo?" A resposta, na maioria das vezes, é não — a menos que haja consentimento explícito e anonimização robusta. Esse mesmo dilema se aplica internamente. Ferramentas como GitHub Copilot, por exemplo, levantam questões sobre o uso de código proprietário. Empresas que implementam IA generativa sem políticas de privacidade claras correm riscos legais e de reputação.
O estudo do BCE não menciona privacidade, mas ela está implícita na heterogeneidade da adoção. Setores mais regulados — saúde, finanças, governo — avançam mais devagar porque precisam garantir conformidade antes de escalar. Isso explica por que o impacto no emprego é menor em áreas onde a IA poderia tecnicamente substituir humanos, como análise de contratos ou triagem de documentos. O custo de errar é alto, e a confiança do consumidor é frágil. Para o profissional de tecnologia, isso significa que dominar aspectos de privacidade e compliance se torna um diferencial competitivo.
Reorganização de tarefas: o que muda na prática
Vamos ao chão de fábrica. Em uma equipe de engenharia típica, antes da IA generativa, um desenvolvedor júnior gastava horas criando telas de formulário com validação básica, escrevendo queries SQL e redigindo testes unitários. Hoje, um sênior com ferramentas como Claude ou GPT-4 pode gerar 80% desse código em minutos, restando a revisão, os ajustes finos e a integração com sistemas legados. O resultado: a produtividade por desenvolvedor aumenta, mas a demanda por juniores cai ou se desloca para funções de curadoria de dados e engenharia de prompt.
Para o profissional de produto, a lição é clara: a IA não elimina o cargo, mas redefine o conjunto de habilidades necessário. Um product manager que sabe usar modelos para gerar drafts de especificações ou analisar feedback de usuários ganha tempo para atividades de maior valor, como estratégia de roadmap e pesquisa qualitativa. A armadilha é achar que a tecnologia substitui o julgamento humano — ela apenas amplifica quem já tem domínio do domínio.
Outro ponto que vivenciei em projetos é a questão da transparência. Quando um modelo gera uma sugestão de mudança em uma funcionalidade, quem responde por ela? A equipe precisa rastrear a origem da decisão, e isso exige ferramentas de auditoria e logs de prompt. Sem isso, a privacidade vira um risco: um modelo mal treinado pode expor dados internos em respostas, ou pior, tomar decisões tendenciosas que afetam clientes. Por isso, recomendo que todo time de produto adote métricas de qualidade da saída da IA, como taxa de alucinação e tempo de revisão humana, e as inclua nos OKRs.
Riscos e limitações: por que a calmaria pode ser temporária
O principal risco apontado pelo próprio BCE é o recorte temporal. Cinco anos são insuficientes para capturar ciclos completos de adoção tecnológica. A automação de caixas bancários levou mais de uma década para reduzir postos; a IA pode seguir trajetória semelhante, com um período de aparente inércia seguido por uma reestruturação acelerada. Se modelos futuros conseguirem gerar código funcional sem supervisão ou negociar contratos com precisão, a demanda por profissionais de entrada pode cair de forma abrupta.
Outra limitação é o viés do mercado americano. Os EUA têm um mercado de trabalho flexível, digitalização avançada e forte presença de Big Tech. No Brasil, a informalidade, a concentração setorial e o menor investimento em P&D podem atrasar a adoção, mas também concentrar o impacto em nichos específicos — como fintechs, agências de marketing digital ou operações de atendimento. Ignorar essas diferenças é repetir o erro de quem generalizou a automação industrial para todos os setores.
Do ponto de vista da privacidade, há um risco adicional: o aumento do monitoramento. Ferramentas de IA que analisam o desempenho de funcionários em tempo real (como métricas de produtividade de código) podem levar a uma cultura de vigilância, violando o princípio da minimização de dados. Empresas que adotam esses sistemas sem transparência enfrentam riscos legais e de moral da equipe. Para o profissional de tecnologia, isso significa que saber desenhar sistemas de IA éticos e compliance-ready é tão importante quanto saber programar.
Aprendizados práticos para engenheiros e product managers
Primeiro, invista em curadoria de modelos. A habilidade de avaliar a qualidade da saída, identificar alucinações e ajustar prompts não é um modismo — é uma competência transversal que separa profissionais que serão potencializados pela IA dos que serão burocratizados por ela. Segundo, crie uma política de uso de IA no time, especificando quais dados podem ser enviados para ferramentas externas e quais devem ser tratados com anonimização. Isso protege a empresa e o profissional.
Para líderes de produto, sugiro incluir métricas de privacidade no dashboard de adoção de IA: número de incidentes de vazamento, tempo médio de retenção de logs, conformidade com LGPD/GDPR. O BCE mostrou que empresas que medem o impacto da IA conseguem ajustar melhor suas políticas de realocação. O mesmo vale para privacidade: o que não é medido não pode ser gerenciado.
Por fim, não subestime a importância do domínio do negócio. Um modelo de IA pode gerar código, mas não sabe o contexto de um sistema legado de 15 anos, nem as regras de negócio não documentadas. O profissional que entende o domínio e sabe usar a IA como alavanca continuará empregável. O estudo do BCE é um alerta para que não nos acomodemos com a calmaria — ela é apenas o olho do furacão.
Conclusão: o que o futuro reserva para quem trabalha com tecnologia
O estudo do Banco Central Europeu não é uma carta branca para relaxar. Ele mostra que, até 2025, a IA não substituiu empregos em massa nos EUA, mas já reconfigurou tarefas de forma profunda. Para engenheiros de software, profissionais de produto e líderes técnicos, a mensagem é dupla: o impacto real é mais silencioso do que os manchetes sugerem, e a privacidade é um dos freios estruturais dessa transição. Quem souber navegar entre a adoção responsável da IA e a governança de dados estará à frente.
Na minha experiência, os times que colhem os melhores resultados são aqueles que tratam a IA não como uma ameaça, mas como uma ferramenta de aumento de capacidade — e que colocam a privacidade no centro da estratégia, não como um anexo de compliance. O mercado de trabalho não vai desabar amanhã, mas a reorganização já começou. O melhor momento para se preparar foi ontem; o segundo melhor é agora.