Entre 1980 e 2016, as empresas norte-americanas investiram capital real para automatizar os trabalhadores que ganhavam as rendas mais altas — coordenadores, revisores, analistas de nível médio cuja remuneração estava acima do seu produto marginal — e perderam entre 60 e 90 por cento dos ganhos de produtividade que a automação teria gerado de outro modo. Esse é o número central do paper de Daron Acemoglu e Pascual Restrepo no Quarterly Journal of Economics, Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity, publicado no número de maio de 2026 (vol. 141, iss. 2, p. 1521) (Acemoglu & Restrepo, QJE, 2026). O mesmo paper atribui a esta má alocação 52 por cento do aumento da desigualdade de rendimentos nos EUA no período, com cerca de 10 pontos percentuais provenientes especificamente da substituição do prémio salarial (Acemoglu & Restrepo, NBER w32536, 2024).
A história de quatro décadas é finalmente um número. A pergunta de 2026 para um Head of Operations de uma empresa de 200 FTE é se o roadmap de IA agêntica na secretária este trimestre é o mesmo erro em maior resolução — e a evidência diz que, por defeito, é.
O mecanismo Acemoglu–Restrepo: dissipação de rendas, não deslocamento
O resultado mais conhecido da literatura anterior de Acemoglu é que a automação deslocou trabalhadores rotineiros e comprimiu salários na base. O paper QJE 2026 é uma afirmação mais aguçada e merece ser lido nos seus próprios termos. Os autores estendem o seu modelo de deslocamento de tarefas de 2022 para incorporar rendas dos trabalhadores — a diferença entre o que um trabalhador é pago e o produto marginal do seu trabalho — e mostram que quando as empresas automatizam, apontam preferencialmente às tarefas onde as rendas são mais altas, não às tarefas onde o tecto de produtividade é mais alto (Acemoglu & Restrepo, NBER w32536, 2024).
O mecanismo: um coordenador que ganha 25 por cento acima do seu produto marginal parece uma poupança de 25 por cento na folha de cálculo no momento em que chega o pitch da automação. Um trabalhador de primeira linha a realizar trabalho de alta alavancagem com uma relação remuneração-output mais apertada parece uma poupança menor. O capital flui para a maior poupança. O ganho de produtividade — a diferença entre o que a automação consegue fazer e o que estava a ser feito — é menor no primeiro caso, porque os papéis que extraem rendas são, por definição, aqueles em que a remuneração sobrevaloriza o output. O resultado líquido é um padrão de deployment que maximiza o alívio visível na folha salarial enquanto minimiza o uplift real de produtividade.
Acemoglu e Restrepo formalizam isto como dissipação de rendas: gasta-se capital para retirar uma remuneração que não precisava de ser reduzida para que a produtividade subisse, deixando em cima da mesa os ganhos muito maiores que viriam de automatizar o trabalho onde o output realmente se move. Quantificando 49 indústrias e 500 grupos demográficos usando dados BEA, ONET e Census de 1980 a 2016, descobrem que entre dois terços e nove décimos do dividendo de produtividade se perderam por esta dinâmica (Working paper Washington State University, 2024). Do lado da desigualdade, a mesma má alocação explica a maior parte da mudança da estrutura salarial: "as descidas salariais para trabalhadores especializados em tarefas rotineiras com elevada exposição à automação explicam entre 50 e 70 por cento das mudanças na estrutura salarial dos EUA entre 1980 e 2016" (WorkRise, 2021) — um número que o paper QJE agora decompõe em componentes de renda e de produtividade.
A conclusão que os autores colocam no paper, não no comunicado: quando se aponta a automação a pessoas em vez de a output, captura-se desigualdade sem capturar produtividade. Esse é o padrão empírico da automação norte-americana de 1980 a 2016.
Por que o rollout de IA agêntica de 2026 repete o padrão
A reacção natural numa revisão operacional é que a automação industrial 1980–2016 não é a IA agêntica de 2026 — tecnologia diferente, economia unitária diferente, calendário diferente. A economia unitária é diferente. A lógica de targeting não.
Entre em qualquer revisão de deployment de agentes no mid-market neste trimestre e a matemática do ROI é quase sempre apresentada da mesma forma: o papel X custa $Y por ano; o agente consegue fazer 60 por cento do trabalho do papel X; portanto o agente poupa 0,6 × Y. Os papéis nomeados nesses slides não são escolhidos por onde o uplift marginal de produtividade da IA é maior. São escolhidos por onde a linha de folha salarial é maior e onde o trabalho é suficientemente estruturado para o agente parecer credível — o que enviesa o targeting para coordenadores, revisores, analistas seniores e responsáveis de customer success. Esses são precisamente os papéis com prémio salarial no enquadramento de Acemoglu e Restrepo: papéis em que a remuneração supera o produto marginal por causa de rendas internas à empresa (assimetria de informação, julgamento difícil de medir, poder negocial interno).
O agente é depois avaliado face à poupança nessa linha de folha salarial, não face ao tecto de produtividade que o deployment poderia ter atingido se tivesse sido apontado a outro lado. As duas perguntas — o que é que este agente poupa? e onde é que este agente produziria mais output? — não são a mesma pergunta, e quase nenhuma revisão de deployment no mid-market as separa.
A MIT Initiative on the Digital Economy defende uma versão deste argumento há dois anos: que o dividendo de produtividade da IA está concentrado em tarefas em que o output actual do humano está limitado pelo throughput cognitivo, não em tarefas em que a remuneração actual do humano é alta (MIT IDE, 2024). As duas distribuições sobrepõem-se, mas não são a mesma distribuição. O paper Acemoglu–Restrepo é a primeira evidência histórica com a magnitude da diferença medida — e a diferença é grande.
O número 60–90%, lido de duas formas
O imposto de produtividade de 60–90 por cento tem duas leituras operacionais, e uma função ops de 50–500 FTE deveria segurar ambas.
A leitura conservadora é que a penalização por targeting do prémio salarial aplicada à automação industrial pode não se transferir um para um para a IA agêntica, porque o custo marginal de colocar um agente numa tarefa diferente — uma vez construído o agente — é muito menor do que o custo marginal de redistribuir maquinaria industrial. Em princípio, um agente mal apontado pode ser reapontado num sprint, ao passo que uma prensa mal alocada é uma amortização de capital plurianual. Esta é a versão steel-man da prática actual de deployment: o custo de errar o alvo é recuperável.
A leitura agressiva é que a penalização por targeting do prémio salarial é pior no caso agêntico, não melhor, porque a política organizacional para remover o enviesamento de targeting é mais difícil. Quando o C-suite recebeu o pitch como uma poupança na folha salarial e a poupança já foi registada no plano do próximo ano, redirigir o agente para uma função diferente (menor folha, maior produtividade) já não é uma decisão de sprint — exige reverter um compromisso financeiro, defender o enquadramento original e explicar porque é que um papel previamente nomeado já não é o alvo. O custo político do re-targeting é o que faz com que o padrão 1980–2016 persista durante quarenta anos em vez de ser corrigido no segundo ano.
Ambas as leituras convergem na mesma implicação operacional: a decisão de targeting no primeiro trimestre é muito mais estrutural do que a capacidade técnica do agente. Um agente fraco correctamente apontado supera um agente forte mal apontado, porque os ganhos do agente forte dissipam-se contra uma remuneração que não precisava de ser reduzida.
O contra-argumento: os papéis com prémio salarial são onde vive o julgamento
A objecção mais forte de um Head of Operations é que os papéis com prémio salarial são exactamente onde acontece o trabalho mais alavancado — que a razão pela qual coordenadores e analistas seniores são pagos acima do seu produto marginal é que detêm o contexto institucional que faz uma empresa de 200 FTE funcionar. Apontar um agente a esses papéis não é dissipação de rendas; é por definição o alvo de automação mais alavancado.
O contra-argumento é parcialmente correcto e completamente consistente com o resultado Acemoglu–Restrepo. A razão pela qual existe o prémio salarial nesses papéis é precisamente a carga de julgamento — e a carga de julgamento é também onde a maioria dos sistemas agênticos actuais ainda falha de formas que o pitch de deployment não sinaliza. Evidência aleatorizada recente sobre IA a tratar tarefas de alta carga de julgamento mostra que a confiança no output do agente está descorrelacionada com a precisão, em particular quando o utilizador humano já não é o especialista do domínio (Bojinov et al., HBS working paper, 2024). Portanto, o targeting que parece mais alavancado no slide de deployment é também o targeting com maior probabilidade de produzir regressões silenciosas de qualidade que não aparecem no dashboard de produtividade durante dois trimestres.
O que o paper QJE acrescenta a este debate é a taxa base de quatro décadas: quando as empresas apontam ao prémio salarial, o ganho de produtividade encolhe. A presença de carga de julgamento nesses papéis é o porquê de o targeting ser tentador — mas essa mesma carga de julgamento é o porquê de o uplift marginal de produtividade ser menor do que sugere a poupança na folha salarial. O enquadramento correcto não é "os papéis com prémio salarial são maus alvos" mas "a poupança num papel com prémio salarial não é um número de produtividade, e tratá-la como tal é o erro de quatro décadas."
As especificidades do mid-market: o que muda para uma função ops de 200 FTE este trimestre
Para um Head of Operations a finalizar alvos de agentes para 2026, o paper QJE converte-se em três alterações concretas na revisão de deployment. Nenhuma exige um vendor diferente ou um agente diferente.
Um: separe a linha de poupança na folha salarial da linha de uplift de produtividade. Cada proposta de deployment de agente deveria pontuar dois números distintos: o alívio bruto na folha salarial que o deployment torna possível, e o uplift de produtividade medido (output por unidade de tempo-julgamento) que se espera produzir. Os dois números não são intercambiáveis. Quando divergem mais de 2x, o deployment está em território de dissipação de rendas — o agente é justificado pela poupança, não pelo trabalho. Esse é o momento de perguntar se um alvo diferente produz o mesmo uplift de produtividade sem a dependência do prémio salarial.
Dois: pontue alvos pelo sítio onde o output está estrangulado, não onde a folha salarial está concentrada. Um fecho semanal que demora quatro dias porque as queries de reconciliação demoram seis horas por ciclo é um estrangulamento de produtividade. Um analista sénior que ganha $180K é uma concentração de folha salarial. O primeiro é um alvo de agente de alto uplift; o segundo não é, mesmo que o segundo produza uma poupança nominal maior. As funções ops do mid-market quase nunca executam explicitamente este exercício de pontuação; a revisão de deployment volta por defeito à visão de folha salarial porque é a que o CFO consegue calcular numa reunião.
Três: pré-comprometa-se com um protocolo de re-targeting. O resultado de Acemoglu e Restrepo é, em parte, sobre persistência — a má alocação durou quatro décadas porque ninguém a corrigiu. O equivalente agêntico persiste porque o pitch de deployment original endurece num compromisso financeiro em um trimestre. A cobertura é escrever o gatilho de re-targeting na própria proposta de deployment: ao mês três e ao mês seis, o uplift de produtividade do agente é medido face ao alvo original; se o uplift medido estiver abaixo de 40 por cento do uplift projectado, o agente é reapontado a uma tarefa diferente antes do custo político do re-targeting se tornar proibitivo. Esta é a única defesa estrutural contra a persistência que Acemoglu e Restrepo medem.
Estas três jogadas não são técnicas; são jogadas de processo de revisão. Não exigem comprar um agente diferente nem contratar uma equipa diferente. Exigem executar a revisão de deployment numa forma diferente — uma que não colapse produtividade e folha salarial na mesma coluna.
A jogada específica deste trimestre
O paper QJE de Acemoglu–Restrepo é o primeiro trabalho empírico em quarenta anos a pôr um número no custo de automatizar contra a remuneração em vez de contra o output. O número — 60 a 90 por cento do dividendo de produtividade perdido, 52 por cento do aumento de desigualdade atribuível à mesma dinâmica — é suficientemente grande para virar a matemática do ROI na maioria dos deployments de agentes mid-market actuais se a matemática for feita correctamente.
A decisão à frente de um Head of Operations neste trimestre é estreita. Antes de assinar o próximo alvo de agente, faça passar a proposta de deployment por um filtro: este alvo é escolhido porque o trabalho é onde a produtividade está estrangulada, ou porque a folha salarial é onde a poupança é mais visível? Se a resposta honesta for a segunda, a taxa base histórica diz que o deployment dissipará entre dois terços e nove décimos do ganho de produtividade que poderia ter capturado.
Volte a pontuar o alvo. Separe as colunas. Escreva o gatilho de re-targeting. O custo de o fazer no primeiro trimestre é uma reunião e um template revisto. O custo de não o fazer é aquele que Acemoglu e Restrepo agora puseram num número duro — e aquele sobre o qual a sua revisão de produtividade de 2027 será escrita.
