Poucos temas geram tanta ansiedade entre profissionais de tecnologia quanto o impacto da Inteligência Artificial generativa no emprego. As manchetes alternam entre previsões de desemprego em massa e promessas de produtividade ilimitada, e quem trabalha com dados e IA fica no meio desse fogo cruzado, tentando entender o que de fato está acontecendo com a própria carreira.
O relatório The State of AI Careers 2026, publicado pela DataCamp em sua primeira edição, tenta responder a essa pergunta com dados em vez de opiniões. O estudo combina projeções do Fórum Econômico Mundial e do Bureau of Labor Statistics dos Estados Unidos, pesquisas acadêmicas recentes sobre os efeitos da IA no emprego e uma análise própria de dois milhões de vagas de dados e IA publicadas entre janeiro de 2024 e maio de 2026.
A conclusão é clara: a IA Generativa está provocando uma reorganização estrutural do mercado de trabalho, não uma onda de desemprego. Neste post, resumimos os principais achados do relatório e o que eles significam para quem constrói carreira em dados e IA.
Reorganização, Não Colapso
O relatório começa lembrando que o medo de máquinas substituírem pessoas é antigo. Economistas chamam esse raciocínio de “falácia da quantidade fixa de trabalho” (lump of labor fallacy): a ideia equivocada de que existe um volume fixo de trabalho na economia e que toda automação necessariamente reduz o emprego total. Historicamente, a tecnologia atua como catalisador duplo, eliminando algumas funções e criando outras.
As projeções mais recentes apontam na mesma direção. Segundo o Future of Jobs Report 2025 do Fórum Econômico Mundial, cerca de 22% dos empregos existentes passarão por transformação estrutural entre 2025 e 2030. Nesse período, aproximadamente 170 milhões de novas funções devem surgir no mundo, contra 92 milhões de funções deslocadas, o que resulta em um saldo líquido positivo de 78 milhões de empregos.
O Bureau of Labor Statistics dos Estados Unidos segue a mesma trajetória em suas projeções decenais: o emprego total no país deve crescer de cerca de 170 milhões em 2024 para 175,2 milhões em 2034, um aumento de 3,1%, ou 5,2 milhões de postos. O órgão reconhece que a IA Generativa reduzirá a demanda em áreas como suporte administrativo, design e vendas no varejo, mas projeta crescimento acelerado em serviços profissionais, científicos e técnicos (7,5%) e no setor de informação (6,5%), impulsionado justamente pela demanda por sistemas baseados em IA, processamento de dados e serviços de pesquisa.
Tudo isso acontece em um cenário macroeconômico complexo: correção do excesso de contratações em tecnologia durante a pandemia, juros altos forçando desalavancagem corporativa, tarifas de importação nos EUA redesenhando cadeias de suprimento e o custo elevado de construir infraestrutura de IA.
Quatro Cenários Para 2030
Projeções otimistas não eliminam a incerteza. Em outro relatório de 2026, o Fórum Econômico Mundial descreve quatro futuros possíveis para a economia global até 2030, definidos pelo cruzamento de duas variáveis: o ritmo de avanço da IA (incremental ou exponencial) e o grau de preparo da força de trabalho (baixo ou alto).
**Progresso Acelerado** (IA exponencial, força de trabalho preparada): salto de produtividade, humanos passam a gerenciar sistemas autônomos e novos empregos surgem rapidamente, mas a velocidade da mudança pressiona redes de proteção social e governança.
**Era do Deslocamento** (IA exponencial, força de trabalho despreparada): empresas automatizam funções para preencher lacunas de talento e se manter competitivas. A produtividade sobe, mas o resultado de longo prazo é fratura social, aumento do desemprego e queda na confiança do consumidor.
**Economia Copiloto** (IA incremental, força de trabalho preparada): a economia caminha para a colaboração em vez da automação pura, formando equipes humano-máquina. Economias que investem cedo em formação digital e infraestrutura têm crescimento estável e pragmático.
**Progresso Estagnado** (IA incremental, força de trabalho despreparada): frustração econômica generalizada, automação usada apenas para tapar buracos de talento, produtividade desigual e desigualdade crescente.
A leitura importante desse quadro é que o preparo da força de trabalho é a variável que separa os cenários bons dos ruins, em qualquer velocidade tecnológica. Ou seja: é justamente a variável sobre a qual você, como profissional, tem controle.
Capacidade Teórica x Uso Real
Uma das contribuições mais interessantes do relatório é a distinção entre o que a IA poderia automatizar em teoria e o que está sendo automatizado na prática.
Em um estudo de março de 2026, pesquisadores da Anthropic propuseram a métrica de “exposição observada”, que mede quais tarefas estão de fato sendo executadas com IA em ambientes profissionais, em vez de estimar limites teóricos. A diferença é grande: modelos anteriores projetavam que 94% das tarefas em ocupações de computação e matemática poderiam ser automatizadas, mas os dados de uso real (limitados ao uso do Claude) indicam que a adoção atual cobre apenas 33% dessas tarefas.
As ocupações no topo do índice de exposição observada são programadores de computador (74,5%), representantes de atendimento ao cliente (70,1%) e digitadores de entrada de dados (67,1%), seguidos por especialistas em registros médicos, analistas de pesquisa de mercado, representantes de vendas no atacado e analistas financeiros. Analistas de QA, analistas de segurança da informação e especialistas em suporte de TI aparecem mais abaixo, entre 46% e 52%.
O economista Daron Acemoglu, do MIT, oferece uma explicação para essa lacuna: algoritmos de IA se destacam em tarefas fáceis de aprender e com métricas objetivas de sucesso, como redigir código padrão ou resumir documentos. A maior parte do trabalho profissional, porém, exige consciência situacional e julgamento complexo, difíceis de aprender e de medir. Considerando essas restrições, Acemoglu estima que a IA fará a produtividade total dos fatores crescer menos de 0,53% na próxima década.
O mesmo estudo da Anthropic acompanhou as taxas de desemprego desde o final de 2022 e não encontrou nenhum pico sistemático de desemprego entre os trabalhadores mais expostos. Se a IA estivesse provocando um choque comparável à recessão de 2007 a 2009, a taxa de desemprego nas funções mais expostas deveria ter dobrado de 3% para 6%. Esse salto simplesmente não aconteceu.
Isso não significa ausência de riscos. Acemoglu argumenta que a automação por IA está reordenando a distribuição de riqueza: como implantar esses sistemas exige investimentos pesados em computação e modelos proprietários (um relatório do Goldman Sachs estima US$ 7,6 trilhões em gastos de capital entre 2026 e 2031 em computação, data centers e energia), os ganhos tendem a fluir para donos de ativos e fornecedores de tecnologia. Para a maioria dos trabalhadores, a ameaça realista de longo prazo não é a irrelevância, mas a estagnação salarial.
A Ansiedade da Eficiência
Um estudo da Anthropic publicado em abril de 2026, baseado em dados de 81 mil usuários do Claude, capta um paradoxo. Os trabalhadores relatam ganhos substanciais de produtividade com IA, mas aqueles em funções mais expostas temem, ao mesmo tempo, ser substituídos.
O medo cresce junto com a exposição: a cada 10% de aumento na exposição observada, a percepção de risco de perder o emprego sobe 1,3%. Trabalhadores no quartil superior de exposição mencionam preocupações com substituição três vezes mais do que os do quartil inferior. Engenheiros de software expressam muito mais preocupação do que professores do ensino fundamental, e profissionais em início de carreira demonstram mais ansiedade do que os seniores.
O achado mais curioso é uma relação em formato de U entre a mudança na velocidade de trabalho e o medo de substituição: quanto mais rápido alguém passa a concluir suas tarefas com IA, maior a percepção de ameaça. Economizar tempo dispara uma espécie de pânico profissional. Isso cria um desafio de gestão real, porque as organizações capturam ganhos de produtividade ao mesmo tempo em que a força de trabalho interpreta a eficiência repentina como prenúncio de demissão.
Exposição à IA Paga Mais
Apesar da ansiedade, os dados salariais dos últimos dois anos apontam na direção oposta ao medo: as funções mais expostas à automação cognitiva são as mais bem remuneradas e as que mais crescem em demanda estratégica.
Segundo o relatório AI at Work: The State of AI Adoption in 2025, da Revelio Labs, um aumento de 10% na exposição à IA está associado a um salário 25% maior. O mesmo estudo mostra que as funções de dados lideram a adoção: cientistas de dados apresentam taxa de adoção de 32,6%, seguidos por engenheiros de dados (18,0%) e analistas de dados (10,8%).
O Global AI Jobs Barometer 2025, da PwC, confirma a tendência: trabalhadores com habilidades em IA recebem um prêmio salarial de 56%, contra 25% no ano anterior. E o State of Data & AI Literacy 2026, da própria DataCamp, mostra que 74% dos líderes estão dispostos a pagar mais por candidatos com boa alfabetização em dados, e 69% por candidatos com boa alfabetização em IA. Na maioria dos casos, esse prêmio fica entre 10% e 30% do salário.
O Mercado de Vagas: da Estagnação à Recuperação
A parte empírica do relatório analisa dois milhões de vagas únicas, distribuídas em 85 regiões do mundo, usando dados da Lightcast. Os registros foram deduplicados (uma mesma vaga publicada no LinkedIn, no site da empresa e no Indeed conta como uma só) e cobrem o período de janeiro de 2024 a maio de 2026. A análise se concentra em 25 funções centrais, agrupadas em quatro categorias: IA e machine learning; ciência de dados e análise aplicada; engenharia de dados e infraestrutura; e liderança de dados e software fundamental.
A linha do tempo mostra um padrão nítido de estagnação seguida de recuperação. O volume mensal de vagas caiu ao longo de 2024, de cerca de 184 mil em janeiro de 2024 para um piso de aproximadamente 134 mil em janeiro de 2025. O platô persistiu no primeiro semestre de 2025, a contratação voltou a subir no segundo semestre e disparou no início de 2026, alcançando cerca de 355 mil vagas em maio de 2026.
A comparação entre primeiros trimestres, que neutraliza a sazonalidade, é ainda mais eloquente: 540 mil vagas no primeiro trimestre de 2024, 487 mil no primeiro trimestre de 2025 (queda de 9,8%) e 878 mil no primeiro trimestre de 2026, um crescimento de 80,2% em relação ao ano anterior.
O relatório reconhece que saltos abruptos em dados agregados podem vir de mudanças na metodologia de coleta, mas cita uma evidência externa: a análise da CompTIA sobre a mesma base da Lightcast confirmou que abril de 2026 registrou o maior volume de novos anúncios de vagas em tecnologia em três anos. A interpretação é que as empresas estão saindo da fase de planejamento conservador de 2025 para efetivamente financiar e contratar para suas iniciativas de IA.
As Funções com Maior Potencial de Mercado
Cruzando salário mediano com crescimento anual de vagas, o relatório identifica onde está o maior potencial.
Duas funções lideram o crescimento com folga: engenheiro de IA (geral), com alta de 255% ano a ano, e engenheiro de IA generativa, com 197%. Ambas têm salário mediano acima de US$ 100 mil. O relatório interpreta esses números como sinal de que as empresas estão contratando para implementar sistemas de IA, como frotas de agentes autônomos.
Logo abaixo aparecem funções com forte componente de infraestrutura: engenheiro de dados, desenvolvedor Python, arquiteto de dados e engenheiro de machine learning, todas com crescimento anual bem acima de 50% e salários medianos que vão de cerca de US$ 95 mil (desenvolvedor Python) a US$ 175 mil (engenheiro de machine learning). A hipótese do relatório é que o foco em IA leva as empresas a contratar quem constrói os pipelines fundamentais que sustentam esses sistemas.
As funções tradicionais de análise (analista de dados, cientista de dados, analista de BI) crescem cerca de 50% ao ano e formam uma faixa intermediária estável, com salários medianos entre US$ 70 mil e US$ 120 mil.
Já as posições de liderança (gerente de ciência de dados, gerente de analytics, gerente de produto de analytics e chief data officer) têm trajetórias de crescimento variadas, mas remuneração premium, consistentemente acima de US$ 120 mil. O gerente de ciência de dados ocupa o topo da escala, com salário mediano próximo de US$ 190 mil.
Vale a ressalva metodológica do próprio relatório: os valores são salários-base extraídos de vagas que divulgaram faixas salariais e não incluem equity, bônus de contratação ou incentivos por desempenho, comuns em posições seniores de IA e liderança. Também são valores globais, em dólar, e não refletem diretamente a realidade salarial brasileira, embora a hierarquia entre funções tenda a se repetir no país.
As 5 Competências Que Aparecem em Todas as Vagas
Escolher o que estudar é uma das decisões mais difíceis para quem busca colocação. Para ajudar, o relatório identificou as competências que aparecem como requisito estrito em todas as 25 funções analisadas. Requisito estrito, aqui, significa que a competência figura consistentemente entre as qualificações mais exigidas nas vagas, funcionando na prática como filtro de triagem de currículos.
Quatro competências apareceram em 100% das funções: Python, comunicação, SQL e ciência da computação. A quinta, IA, apareceu como competência central em 22 das 25 funções.
A presença de comunicação ao lado de três competências técnicas não é acidental. À medida que a execução mecânica migra para a IA, o valor do profissional se desloca para interpretar resultados, definir objetivos e traduzir dados em decisões de negócio, e nada disso funciona sem comunicação clara.
IA Automatiza Tarefas, Não Empregos
A última seção do relatório desmonta a ideia de que a IA “apaga profissões”. Com base no framework de tarefas dos economistas Daron Acemoglu, Fredric Kong e Pascual Restrepo, o argumento é que qualquer função é um conjunto de tarefas granulares, não um bloco monolítico de trabalho. A IA automatiza tarefas específicas, o que faz as descrições de cargo evoluírem rapidamente em vez de desaparecer.
A vulnerabilidade de uma tarefa depende de sua posição no espectro do determinismo computacional: tarefas explicitamente definidas, estruturalmente repetitivas e baseadas em sintaxe bem documentada ou previsibilidade tabular estão diretamente expostas à execução autônoma. O relatório mapeia seis áreas do trabalho com dados e IA, e em cada uma o padrão se repete: a IA executa, o humano define, supervisiona e valida.
Na limpeza de dados, algoritmos detectam anomalias, alinham nomes de campos entre bases distintas, imputam valores ausentes e mascaram dados sensíveis. O humano fica com a definição de parâmetros, a garantia de qualidade e a conformidade em auditorias.
Na análise de dados, modelos de linguagem traduzem perguntas em linguagem natural para consultas em bancos de dados, calculam métricas padrão, geram dashboards e escrevem resumos narrativos. O foco do profissional migra do cálculo de métricas históricas para a interpretação das implicações de negócio.
Na rotulagem de dados, sistemas geram rótulos iniciais, usam active learning para pontuar a própria incerteza e encaminham apenas os casos complexos para revisores humanos, reduzindo drasticamente o trabalho manual.
Em machine learning, plataformas automatizadas tratam a seleção de algoritmos e o ajuste de hiperparâmetros como um problema de busca computacional, avaliando milhares de configurações no tempo que um humano levaria para testar algumas dezenas. O profissional passa a definir os objetivos estratégicos do modelo e a avaliar seu impacto no negócio.
Em MLOps, gatilhos baseados em eventos detectam drift nos dados de entrada, disparam ciclos de retreinamento, validam o novo modelo contra dados de holdout e o promovem para produção em contêineres. O humano define limiares e desenha a arquitetura.
Em governança de dados, algoritmos coletam evidências de auditoria continuamente, mapeiam dados internos a frameworks regulatórios, detectam desvios de privacidade e geram documentação técnica a partir do código-fonte. O humano revisa auditorias, define políticas e resolve incidentes.
Em todas as tabelas do relatório, a coluna “requisito humano” nunca fica vazia. Ela apenas muda de natureza: sai a execução repetitiva, entram definição de objetivos, garantia de qualidade, interpretação e desenho de arquitetura.
O Que Fazer com Essas Informações?
Lendo o relatório do ponto de vista de quem constrói carreira em dados e IA, algumas conclusões práticas se destacam.
A primeira é que a base continua valendo muito. Python, SQL, fundamentos de ciência da computação e comunicação aparecem em todas as vagas analisadas. Não existe atalho que pule essa camada.
A segunda é que a camada de IA deixou de ser diferencial para se tornar requisito: ela aparece em 22 das 25 funções. O relatório cita competências explícitas como engenharia de prompt, gerenciamento de agentes e aplicações específicas de domínio como o caminho para uma vantagem de longo prazo.
A terceira é que as funções que mais crescem são as que constroem e operam sistemas de IA (engenharia de IA, IA generativa, machine learning) e a infraestrutura que os sustenta (engenharia e arquitetura de dados). Quem está em funções analíticas tradicionais tem um mercado estável, mas o crescimento acelerado está nas pontas de engenharia.
A quarta, e talvez a mais urgente, é dirigida a quem está começando: a contração do pipeline júnior é real. Isso significa que a entrada no mercado exige, cada vez mais, chegar com portfólio, projetos práticos e domínio das ferramentas de IA que as empresas já usam, em vez de esperar aprender tudo isso no primeiro emprego.
Por fim, a relação entre exposição à IA e salário é positiva e consistente em múltiplas fontes independentes. O medo de ser substituído é natural, mas os dados mostram que os profissionais que usam essas ferramentas estão sendo recompensados com remuneração maior e responsabilidades mais estratégicas.
Conclusão
A integração da IA à força de trabalho global não é um colapso econômico. Tarefas repetitivas estão migrando para a automação, mas o número total de oportunidades em dados e IA continua crescendo, e o mercado se recuperou com força da estagnação recente.
A estratégia mais eficaz para proteger sua carreira, nas palavras do próprio relatório, é começar a aprender e aplicar essas ferramentas no seu fluxo de trabalho diário agora. A diferença entre os cenários de 2030 não está apenas na velocidade da tecnologia, mas no preparo de quem trabalha com ela.
*Este post foi elaborado a partir do relatório “The State of AI Careers 2026” (1ª edição), publicado pela DataCamp, que reúne dados do Fórum Econômico Mundial, do Bureau of Labor Statistics dos EUA, de estudos da Anthropic, da Revelio Labs e da PwC, de pesquisas acadêmicas de Daron Acemoglu, Erik Brynjolfsson e colaboradores, além de uma análise própria de dois milhões de vagas com dados da Lightcast.*
David Matos
Referências: