A distribuição dos ganhos da IA: por que isso importa mais do que a perda de empregos

Quando o debate sobre inteligência artificial chega às mesas de diretoria e aos corredores das startups, a primeira pergunta quase sempre é: “quais cargos serão extintos?”. Essa preocupação, embora legítima e urgente, ofusca um problema estruturalmente mais profundo e, ouso dizer, mais perigoso para sociedades como a brasileira. A IA não ameaça apenas os empregos — ela ameaça a própria distribuição do valor econômico gerado pelo trabalho e pelo capital. A verdadeira questão que deveria ocupar nossos policymakers, CTOs e líderes de produto não é apenas quem perderá o emprego, mas quem ficará com os ganhos de produtividade.

Em toda revolução tecnológica anterior — da mecanização agrícola à automação industrial —, testemunhamos um ciclo conhecido: deslocamento inicial de mão de obra seguido de absorção em novas funções, geralmente com ganhos de produtividade distribuídos de forma relativamente ampla. Essa não é uma lei da natureza, é uma consequência de arranjos institucionais, sindicais e regulatórios que forçaram uma redistribuição. O que diferencia o momento atual da IA generativa é a velocidade da substituição e, principalmente, a capacidade de concentrar valor em camadas finas da economia, como provedores de infraestrutura de modelos fundacionais e plataformas de distribuição.

O engano de focar apenas no desemprego tecnológico

Já vi de perto, em projetos de transformação digital em grandes corporações brasileiras, o movimento clássico: a diretoria se preocupa com o headcount, o RH desenha programas de requalificação, e a área de engenharia implementa automação sem se perguntar para onde vai o excedente econômico gerado. O erro começa aí. Quando automatizamos um processo de análise de crédito, por exemplo, não estamos apenas eliminando o trabalho de analistas júniores; estamos gerando um ganho de eficiência que, na prática, aumenta a margem operacional. A pergunta que ninguém faz é: esse ganho vai para os acionistas, para a redução de preços ao consumidor, para o aumento de salários dos analistas seniores que supervisionam o modelo, ou para o provedor da plataforma de IA que cobra por token?

A resposta, hoje, é quase sempre uma combinação das primeiras e da última opção. E isso não é acidental. O modelo de negócios das grandes plataformas de IA — desde os modelos de linguagem como serviço até as APIs de visão computacional — é intrinsecamente concentrador. Quanto mais empresas adotam uma única plataforma dominante, mais dados fluem para seus servidores, mais o modelo melhora, mais difícil fica competir e maior se torna a assimetria de poder econômico. É um ciclo vicioso que tem sido discutido na academia como “data-network effects aplicados à IA”.

O que a concentração de poder significa na prática

Em termos operacionais, a concentração dos ganhos de produtividade da IA se manifesta de formas bem concretas. Empresas de tecnologia que oferecem APIs de modelos de linguagem, por exemplo, podem ajustar preços de inferência com base na dependência criada. Uma vez que um produto digital incorpora um modelo específico em sua lógica de negócio — como um sistema de recomendação ou um assistente virtual —, a troca de provedor se torna custosa e arriscada. O fornecedor do modelo passa a capturar uma parcela crescente do valor gerado pelo produto, não porque seja mais eficiente, mas porque o bloqueio tecnológico o torna indispensável. Vi isso acontecer em plataformas de atendimento ao cliente que, após seis meses de integração com uma API de IA, estavam irremediavelmente atreladas a contratos com aumentos anuais de 30% no custo por interação.

Esse fenômeno tem um nome na teoria econômica: renda de monopólio. A diferença é que, agora, essa renda é extraída não de recursos naturais escassos, mas de capacidades computacionais e de dados que, em tese, poderiam ser mais bem distribuídas. Países como o Brasil, que não possuem players nacionais dominantes nessa cadeia, correm o risco de se tornarem meros consumidores de tecnologia, gerando valor que é capturado em jurisdições estrangeiras. Não se trata de nacionalismo tecnológico barato, mas de uma constatação prática: a margem operacional de uma fintech brasileira que usa IA para concessão de crédito pode ser drenada pelo custo de inferência de um modelo treinado com dados do mercado americano.

Onde estão as alavancas de ação no curto prazo

Para um profissional de tecnologia ou gestor de produto, esse cenário pode parecer abstrato, mas há decisões concretas que podem ser tomadas para mitigar o risco de concentração. A primeira delas é a diversificação de provedores de modelo. Sim, eu sei que trocar de modelo exige trabalho de adaptação de pipelines, ajuste de prompts e revalidação de métricas. Mas construir uma abstração entre a lógica de negócio e o modelo subjacente — algo como uma camada de orquestração que permita intercâmbio entre APIs — é um investimento de arquitetura que se paga no médio prazo. Já implementei essa abordagem em um sistema de sumarização de contratos, e o custo operacional da troca de provedor caiu de três semanas para dois dias de trabalho. A independência estratégica compensa o esforço inicial.

A segunda alavanca está na aposta em modelos abertos e auto-hospedados. O ecossistema de modelos de código aberto, como os da família Llama, Mistral e outros, amadureceu a ponto de ser viável para médias empresas manterem sua própria infraestrutura de inferência. Claro, há um custo de GPU, engenharia de MLOps e manutenção de clusters. Mas há também um ganho de soberania: nenhuma empresa externa define o preço do seu custo variável de IA. Em setores regulados como saúde e finanças, essa autonomia é ainda mais crítica, pois a latência e a auditoria de dados se tornam requisitos legais, não apenas diferenciais competitivos.

A armadilha da requalificação sem redistribuição

Um dos argumentos mais repetidos por entusiastas da IA é que “novos empregos surgirão, como surgiram na revolução digital”. Isso é verdade apenas em parte. A revolução digital gerou novas profissões, mas também concentrou riqueza em uma fração ínfima da população global — os fundadores de plataformas, os engenheiros do Vale do Silício e os acionistas de big techs. Esperar que a IA siga o mesmo padrão é razoável, mas o problema é que a escala e a velocidade agora são ordens de magnitude maiores. A requalificação profissional, sem um mecanismo de redistribuição dos ganhos, cria a ilusão de mobilidade enquanto a concentração se aprofunda.

No Brasil, isso é particularmente grave. Temos um mercado de trabalho com alta informalidade, baixa densidade sindical e um sistema educacional que não acompanha o ritmo das transformações tecnológicas. Programas de requalificação massiva são caros e, na minha experiência, têm eficácia limitada quando o horizonte de obsolescência das habilidades é de dois a três anos. O que precisamos discutir, e que ainda é tabu no meio corporativo brasileiro, é a criação de mecanismos de participação nos lucros da automação — seja via participação acionária ampliada, seja via fundos setoriais de redistribuição.

Por que a regulação precisa olhar para a concentração, não para o medo

Aqui, entramos em um terreno espinhoso. Regulação de IA costuma ser enquadrada sob a ótica de riscos existenciais, vieses algorítmicos e deepfakes. Esses temas são importantes, mas a discussão sobre concentração econômica fica em segundo plano. Do ponto de vista de políticas públicas, seria mais impactante criar regras que forçassem transparência sobre a origem dos dados de treinamento, exigissem portabilidade de modelos e estabelecessem padrões abertos de interoperabilidade entre plataformas do que impor apenas limites éticos de uso. Pense: se um banco brasileiro depende de uma API de IA americana para aprovar 70% dos seus créditos, ele está, na prática, transferindo parte do seu spread para o exterior. Uma regulação que incentive a formação de pools de dados setoriais brasileiros para treinamento de modelos locais poderia reter esse valor internamente.

Não defendo protecionismo cego. Modelos treinados globalmente têm vantagens de escala e qualidade inegáveis. Mas há espaço para uma estratégia híbrida: usar modelos globais para tarefas de propósito geral e modelos locais, treinados com dados do mercado brasileiro, para tarefas estratégicas. No setor de agronegócio, por exemplo, um modelo treinado com dados de safra, clima e solo brasileiros teria desempenho superior a qualquer modelo generalista — e poderia ser oferecido como um bem público setorial, evitando que o ganho de produtividade seja todo capturado por uma big tech estrangeira.

O papel dos líderes técnicos nessa agenda

Engenheiros de software, líderes de produto e CTOs não são meros espectadores dessa dinâmica. As decisões de arquitetura que tomamos hoje definem o grau de dependência tecnológica de amanhã. Quando optamos por uma plataforma proprietária por conveniência, sem considerar a longo prazo a captura de valor, estamos contribuindo para a concentração que critiquei acima. É um viés cognitivo bem documentado: a gratificação imediata de um deploy rápido supera a consideração abstrata de riscos futuros de dependência. Eu mesmo já caí nessa armadilha mais de uma vez. A saída não é evitar o uso de IA — isso seria irreal —, mas incorporar o custo de mudança e a soberania estratégica como critérios de decisão técnica, ao lado de latência, acurácia e custo imediato.

Outra frente é o advocacy interno. Em empresas onde atuei como consultor, a discussão sobre dependência de fornecedores de IA era constantemente abafada pelo discurso de “foco no core business”. O core business, no entanto, inclui a capacidade de controlar os próprios custos e a própria margem. Um líder técnico pode — e deve — levantar esses riscos em reuniões de comitê de produto, com dados de custo total de propriedade e cenários de escalada de preços. É um argumento que ressoa com CFOs, especialmente quando apresentado em termos de projeção de cinco anos.

Concentração de dados: o ativo que poucos enxergam

Um aspecto pouco explorado nessa discussão é o papel dos dados como ativo de contrapeso. A concentração de ganhos de produtividade da IA é, em grande parte, uma consequência da concentração de dados de treinamento. Quem possui os maiores e mais diversos conjuntos de dados consegue treinar modelos mais precisos, que por sua vez atraem mais usuários, que geram mais dados. Empresas brasileiras que subestimam o valor estratégico dos seus dados — e os tratam como subproduto operacional, não como ativo de barganha — estão abrindo mão de sua melhor moeda de troca nesse jogo.

Já trabalhei com bancos que possuíam décadas de dados transacionais sobre comportamento de crédito de milhões de brasileiros. Esses dados, se consolidados e anonimizados, poderiam treinar modelos financeiros superiores a qualquer oferta internacional. No entanto, cada banco guardava seus dados em silos, e nenhum via valor em compartilhá-los. O resultado é que todos continuam pagando por APIs externas. Sindicalização de dados setoriais — com regras claras de governança e anonimização — poderia ser o antídoto brasileiro para a concentração de poder na IA. É um caminho mais complexo que exigiria acordos concorrenciais e regulação inteligente, mas é tecnicamente factível e economicamente desejável.

Riscos e limites dessa abordagem

Não quero soar ingênuo. Sindicalizar dados não é trivial. Exige confiança entre concorrentes, frameworks legais robustos, e tecnologia de privacidade diferencial para evitar vazamentos. Além disso, há o risco de que pools de dados setoriais se tornem eles mesmos novos centros de concentração, trocando um oligopólio externo por um oligopólio interno. O desenho institucional importa: conselhos de governança com participação de reguladores, academia e sociedade civil seriam necessários para equilibrar interesses. Mas o custo de não fazer nada é maior.

Outro risco é que o discurso da soberania tecnológica seja capturado por interesses políticos de curto prazo, resultando em barreiras artificiais que atrasem a adoção de IA e prejudiquem a competitividade. O equilíbrio delicado é: adotar IA global para não ficar para trás, enquanto se constroem alternativas locais para não ficar refém. Empresas e governos que entenderem essa dualidade e agirem em ambas as frentes sairão na frente. Os que escolherem apenas um dos lados — seja o da adoção acrítica ou o do isolamento tecnológico — perderão.

Um chamado à responsabilidade técnica

O artigo de Lourival Figueiredo Melo no Congresso em Foco acerta ao diagnosticar que a IA não ameaça apenas empregos, mas a própria estrutura de distribuição de valor econômico. Minha contribuição aqui é trazer esse diagnóstico para o chão da fábrica digital: as decisões de arquitetura, de fornecedores e de governança de dados que engenheiros e gestores tomam no dia a dia são o campo de batalha onde essa distribuição será decidida. Não existe um “free lunch” tecnológico. Cada API que integramos, cada modelo que escolhemos, cada dado que compartilhamos ou deixamos de compartilhar constrói, silenciosamente, o futuro da concentração ou da desconcentração de poder.

Para profissionais de tecnologia que querem ir além do código e pensar no impacto sistêmico do seu trabalho, sugiro três perguntas a fazer em todos os projetos com IA: Quem fica com o ganho de produtividade marginal que essa automação gera? Esse ganho é repatriável para a economia brasileira ou vaza para o exterior? E, por fim, o contrato com o provedor de IA permite migração com custo aceitável em 24 meses? São perguntas que incomodam, que desaceleram decisões, que exigem mais trabalho de arquitetura. Mas são também o único caminho para que a IA seja uma ferramenta de prosperidade compartilhada e não de aprofundamento das desigualdades que já nos afligem.