Quando um colega disse, meio a sério, que depois de ler o estudo da Anthropic sobre impacto econômico da IA precisaria estudar encanamento, eu ri. Mas a piada revela uma ansiedade legítima: se o trabalho do conhecimento for desvalorizado, sobra o trabalho braçal como porto seguro. Só que essa reação, compreensível, ignora uma camada importante do problema. O estudo em questão não considerou robôs físicos capazes de substituir trabalho manual — e isso muda tudo. Vamos entender por quê.
O que o modelo da Anthropic realmente diz
A Anthropic, mesma criadora do Claude, publicou uma modelagem de três cenários macroeconômicos para os Estados Unidos até 2030. No mais extremo, o PIB cresceria 32% graças à automação intensiva, mas os "trabalhadores do conhecimento" — programadores, designers, jornalistas, analistas — seriam os mais prejudicados. No cenário intermediário, o crescimento seria de 13%, com cerca de 30% das tarefas automatizadas. O estudo parte de uma premissa sólida: a IA generativa acelera a substituição de tarefas cognitivas repetitivas, justamente aquelas que formam a espinha dorsal de profissões de colarinho branco.
Como alguém que implementa automação em ambientes corporativos há anos, posso afirmar: o movimento já começou. Empresas de tecnologia reduziram contratações de desenvolvedores júnior em 40% nos últimos dois anos, não por crise, mas porque tarefas como escrever testes unitários, gerar código boilerplate ou revisar documentação são feitas por copilotos com eficiência comparável. O estudo da Anthropic apenas projeta essa tendência em escala macro. O dado assusta, mas não surpreende.
Por que os trabalhadores do conhecimento são o alvo principal
A resposta está na natureza do trabalho digital. Tarefas executadas inteiramente em frente a um computador — escrever código, redigir contratos, analisar planilhas, desenhar interfaces — podem ser decompostas em tokens processáveis por grandes modelos de linguagem. Diferentemente de um encanador, que precisa lidar com vazamentos imprevisíveis, sujeira, peso e regulamentações locais, o programador lida com símbolos abstratos. E símbolos são o domínio da IA generativa. O custo marginal de gerar uma linha de código ou um parágrafo de relatório tende a zero, enquanto consertar um cano exige deslocamento, ferramentas físicas e força bruta.
Li em um relatório da McKinsey que 60% das ocupações têm pelo menos 30% de tarefas automatizáveis. O detalhe é que, para profissões como direito ou contabilidade, essa porcentagem chega a 50%. A Anthropic corrobora: no cenário acelerado, a renda dos trabalhadores do conhecimento cairia entre 15% e 20% mesmo com o PIB subindo. Ou seja, o bolo cresce, mas a fatia desses profissionais encolhe. É uma transferência de valor dos criadores de conteúdo e código para os donos de infraestrutura de IA e para os trabalhadores manuais que permanecem insubstituíveis.
A limitação crucial: o estudo ignora robôs físicos
O próprio texto da Xataka aponta que o modelo não inclui a substituição de trabalho manual por robôs humanoides ou sistemas de manipulação avançados. Isso é um viés importante. Ao ignorar a automação física, o estudo pinta um quadro otimista para encanadores, eletricistas e pedreiros, mas isso pode ser temporário. Empresas como Tesla, Boston Dynamics e Figure já demonstram robôs capazes de subir escadas, usar ferramentas e realizar tarefas repetitivas em canteiros de obras. Se a curva de aprendizado robótico seguir a mesma da IA generativa, o trabalho braçal também será pressionado — talvez com uma década de atraso.
Na prática, isso significa que a "solução" de estudar encanamento pode ser uma falsa segurança. O horizonte de 2030 ainda está distante para robôs generalistas confiáveis, mas o de 2040 não está. Profissionais que apostarem todas as fichas em habilidades puramente manuais podem se ver numa situação semelhante à dos ferreiros após a Revolução Industrial: deslocados, mas sem o conhecimento para migrar para áreas emergentes. O verdadeiro dilema não é entre trabalho cognitivo e manual, mas entre trabalho automatizável e trabalho que exige julgamento contextual, criatividade adaptativa e interação humana complexa.
Lições da implementação real de IA em empresas
Participei de um projeto de automação de processos de TI em uma grande seguradora. O time de infraestrutura usava scripts e checklists manuais para provisionar servidores. Implantamos um assistente baseado em LLM que lia as requisições, gerava scripts de IaC (Infrastructure as Code) e rodava validações. Resultado: o tempo de provisionamento caiu 70%, e dois analistas foram realocados para monitoramento de anomalias — tarefa que exigia visão sistêmica e tomada de decisão não estruturada. Ninguém foi demitido, mas a natureza do trabalho mudou. O que aprendi: a IA não elimina empregos de forma linear; ela elimina tarefas, forçando uma redefinição de cargos. O profissional que não consegue subir um degrau na abstração acaba perdendo valor.
O cenário intermediário é o mais provável
Na minha experiência, o cenário intermediário da Anthropic — 30% de tarefas automatizadas, crescimento de 13% do PIB — já está em andamento. Empresas sérias não substituem engenheiros inteiros por IA; elas aumentam a produtividade dos times, reduzindo a necessidade de contratar. Isso gera um desemprego disfarçado: não há demissões em massa, mas há diminuição de vagas, especialmente para iniciantes. O mercado de trabalho fica mais competitivo, e a barreira de entrada sobe. O júnior de hoje precisa saber usar ferramentas de IA, revisar outputs e orquestrar pipelines, algo que há cinco anos era responsabilidade de seniors. Quem não se atualiza fica para trás.
O que fazer (além de estudar encanamento)
A provocação do título é válida como chamariz, mas a resposta estratégica não é se tornar um trabalhador braçal. O movimento correto é duplo: primeiro, desenvolver habilidades de integração de IA — saber quando delegar, como validar e como compor sistemas que combinem modelos com regras de negócio. Segundo, investir em áreas onde o julgamento humano ainda é indispensável: segurança de sistemas (especialmente em cenários adversariais), definição de métricas de negócio, mediação de conflitos entre stakeholders e criação de experiências de produto que dependem de empatia real. Nenhum desses papéis é imune, mas exigem contexto que a IA ainda não captura bem.
Além disso, vale lembrar a lição histórica da automação industrial: o número total de empregos não caiu, mas a distribuição setorial mudou drasticamente. Profissões que não existiam em 1920 hoje empregam milhões. O mesmo deve acontecer com a IA. Se não sabemos ainda quais serão os novos empregos de 2040, sabemos que eles exigirão fluência digital e capacidade de aprender continuamente. O encanador do futuro, se quiser sobreviver, precisará entender de sensores IoT, válvulas inteligentes e diagnóstico remoto. Ou seja, voltamos ao trabalho do conhecimento — só que aplicado a objetos físicos.
Riscos e pontos de atenção
Confiar cegamente no estudo da Anthropic como verdade absoluta é arriscado. Modelos macroeconômicos são sensíveis a premissas: a elasticidade de substituição entre capital e trabalho, a velocidade de adoção tecnológica e as respostas políticas (como impostos sobre automação ou renda básica universal). O próprio estudo admite que não modela a desigualdade intra-setorial, que pode ser ainda mais severa. Um programador de elite que sabe integrar LLMs ganhará mais; o médio que depende de tarefas repetitivas perderá. O resultado não é uma polarização entre "cognitivo vs manual", mas uma estratificação dentro do próprio trabalho cognitivo.
Outro risco é a complacência: achar que a demora na automação física dará tempo suficiente para reskilling. A história mostra que transições tecnológicas são mais rápidas do que a capacidade de adaptação educacional. Se as escolas de TI ainda formam desenvolvedores focados em algoritmos e estruturas de dados clássicas, sem ensinar a usar APIs de modelos de linguagem, esses profissionais sairão defasados no dia da formatura. A responsabilidade também é das empresas, que precisam criar programas internos de capacitação contínua, em vez de apenas cortar vagas.
Perspectiva pessoal e recomendação
Li o estudo da Anthropic e não vou estudar encanamento — nem acho que você deva. O que farei é redobrar a aposta em três pilares: habilidade de construir ferramentas que aumentem a eficiência de times (automação de fluxos de trabalho, orquestração de modelos), capacidade de comunicar trade-offs técnicos para não-técnicos (para garantir que decisões de automação considerem o impacto humano) e conhecimento profundo em segurança e privacida de aplicações de IA. Essas são áreas onde a escassez de talento é real e onde a IA, sozinha, ainda não entrega.
O mercado de trabalho nunca foi estático. A diferença agora é a velocidade da mudança. Em vez de correr para um porto que também pode ser automatizado em uma década, sugiro que profissionais do conhecimento se aprofundem justamente no que torna seu trabalho valioso: a capacidade de entender contextos ambíguos, projetar sistemas que equilibrem eficiência e ética, e colaborar com outras pessoas para resolver problemas que ainda não foram mapeados em terabytes de dados. A IA pode escrever o código, mas ainda não sabe qual código merece ser escrito.
Ao final, a piada do encanamento revela um medo real, mas a resposta não é desistir do conhecimento e sim sofisticá-lo. O trabalhador do conhecimento do futuro não será aquele que apenas sabe, mas aquele que sabe como e quando usar a máquina — e, mais importante, quando ignorá-la.