No ano passado, 32 por cento dos respondentes disseram à McKinsey que esperavam que a IA reduzisse a força de trabalho de sua organização. Este ano, ao serem perguntados sobre o que de fato aconteceu, 14 por cento dos respondentes em organizações que usam IA relataram que a IA contribuiu para uma queda no tamanho da força de trabalho — "menos da metade dos 32 por cento que, na pesquisa do ano passado, esperavam reduções de quadro no mesmo período" (McKinsey, 2026). Dois terços relataram pouca ou nenhuma mudança no emprego total atribuível à IA.
É a primeira vez que esta pesquisa consegue avaliar sua própria previsão de força de trabalho com IA contra um resultado realizado. A previsão errou por um fator de aproximadamente dois.
Depois o painel a elevou. Trinta e nove por cento agora esperam quedas de emprego total relacionadas à IA no próximo ano, contra 32 por cento no ano passado. O estimador que superestimou em 2x foi revisado para cima, não para baixo, e um grande número de planos operacionais de 2027 se apoia silenciosamente nele.
O que a pesquisa realmente mediu
A edição 2026 de The State of AI entrevistou 1.719 participantes em 97 nações, com coleta de 4 de maio a 8 de junho de 2026. Trinta e seis por cento trabalham em organizações com mais de US$ 1 bilhão de receita anual, o que significa que cerca de dois terços estão abaixo disso — incomumente relevante para um leitor do mid-market, embora o painel ainda seja maior do que uma operação de 200 FTE.
O contexto importa porque a adoção não é a variável que falhou. Oitenta e nove por cento usam IA regularmente em pelo menos uma função de negócio. Quarenta e quatro por cento dizem que ela está escalando em toda a empresa, contra 38 por cento. Oitenta por cento relatam produtividade individual melhorada (McKinsey, 2026).
Portanto, a sequência não é "a IA não chegou, então o quadro não caiu". A IA chegou, a produtividade foi relatada, e o quadro continuou sem cair. Enquanto isso, a parcela que atribui ao uso de IA ao menos algum impacto no EBIT ficou estável ano a ano em 37 por cento, e a população de verdadeiros high performers se manteve em cerca de 6 por cento de todos os respondentes.
A difusão se moveu. A redução realizada de quadro não a acompanhou.
Os dados realizados concordam com os 14 por cento
Uma pesquisa que se avalia é interessante. Dois conjuntos de dados independentes apontando na mesma direção são um insumo de planejamento.
O National Bureau of Economic Research entrevistou quase 750 executivos corporativos pelo painel do The CFO Survey e encontrou "poucas evidências de quedas agregadas de emprego no curto prazo devidas à IA, embora companhias maiores antecipem reduções de força de trabalho impulsionadas pela IA, enquanto empresas menores esperam ganhos modestos" (NBER, 2026). O efeito agregado está perto de zero, e a dispersão é o achado: grandes empresas esperam que a IA corte seu emprego em cerca de 0,8 por cento em 2026, enquanto as menores preveem pequenos aumentos. O que se move é a composição — cargos administrativos de rotina em queda, demanda relativa por cargos técnicos qualificados em alta, dentro das empresas e entre elas.
Os dados de demissões anunciadas concordam por um terceiro ângulo. Até setembro de 2026, empregadores dos EUA anunciaram 573.195 cortes de postos, queda de 39 por cento frente aos 946.426 anunciados nos primeiros nove meses de 2025 — o menor total de janeiro a setembro desde 2022. A IA foi citada em 120.136 anúncios no ano até agora, aproximadamente 21 por cento de todos os cortes, o que de fato a torna o principal motivo declarado do ano (Challenger, Gray & Christmas, 2026).
Leia esses dois números juntos, porque o segundo é o que é citado sozinho. A IA lidera a tabela de motivos dentro de um total que encolhe. Em setembro especificamente, a IA foi o quinto motivo mais citado, com 3.961 cortes, cerca de 9 por cento do mês. Os cortes do terceiro trimestre caíram 43 por cento frente ao segundo.
Uma parcela crescente de um denominador em queda não é uma onda. É um deslocamento de composição dentro de um mercado que esfria.
Por que a previsão de força de trabalho com IA erra em uma só direção
Erro de previsão que superestima de forma consistente é geralmente estrutural, não aleatório. O relatório Predictions 2026: The Future of Work da Forrester nomeia o mecanismo: cortes feitos contra capacidades de IA que ainda não existem. Cinquenta e cinco por cento dos empregadores relatam arrepender-se de demissões feitas pela IA, e a Forrester prevê que metade das demissões atribuídas à IA será recontratada silenciosamente — em offshore ou com salários materialmente mais baixos (HR Executive, 2026).
Note a assimetria nessa última cláusula. A reversão não aparece como correção no plano de ninguém. Aparece como gasto offshore, linhas de prestadores e custo de recontratação, nenhum deles reconciliável com a economia de quadro original. A previsão permanece não falsificada no registro interno mesmo quando já fracassou.
Dois detalhes adicionais da mesma pesquisa afiam o custo. A parcela de empregados desengajados que a Forrester chama de "coasters" era de 27 por cento em 2024, 25 por cento em 2025, e deve chegar a 28 por cento em 2026 — um número que se move quando os sobreviventes observam cortes prematuros. E apenas 16 por cento dos trabalhadores pontuaram alto na medida de prontidão para IA da Forrester em 2025, com a maior prontidão concentrada na coorte cujos cargos de entrada são eliminados primeiro.
O erro de planejamento, dito sem rodeios
O erro não é otimismo sobre IA. É contabilizar a redução de quadro esperada como base realizada, um ano cedo demais, e então construir o congelamento de reposições sobre isso.
Mudança esperada é uma previsão com uma taxa de erro anual agora documentada. Mudança realizada é uma medição. Apenas uma das duas pertence a um plano que compromete dinheiro real.
A objeção honesta
Três limites, declarados antes que alguém mais os declare.
São dados de pesquisa autorrelatados, não folha de pagamento. Ninguém auditou os registros de quadro dessas organizações. A atribuição, no nível do respondente, de uma mudança de quadro especificamente à IA é julgamento, e atribuição é exatamente onde o autorrelato é mais fraco. A mesma cautela se aplica aos números do NBER, que são expectativas de executivos e não resultados realizados de payroll.
O painel não é idêntico ano a ano. A McKinsey afirma ter verificado os respondentes que completaram tanto a onda de 2025 quanto a de 2026 e que os achados refletiam a amostra geral, mas um painel que muda é um limite real para ler 32 por cento e 14 por cento como as mesmas pessoas se contradizendo.
A expectativa pode ser simplesmente precoce, não errada. A capacidade vem atrás do anúncio, e a implantação vem atrás da capacidade. Uma previsão de redução para 2025 que se materializa em 2027 estava mal cronometrada, não equivocada — e os dados de composição do NBER, com a parcela administrativa de rotina esperada em queda adicional até 2028, são consistentes com uma versão mais lenta e mais seletiva da mesma direção. A afirmação defensável é sobre confiança no prazo, não sobre a direção.
O que sobrevive aos três é mais estreito e ainda acionável: a distribuição dos resultados realizados está fortemente concentrada em "pouca ou nenhuma mudança", e um plano que trata a cauda como caso-base está mal precificado.
O que rebasear antes de o plano do Q4 fechar
Quatro movimentos, nenhum dos quais exige reverter uma posição estratégica sobre IA.
1. Separar o esperado do realizado no documento de plano. Se seu modelo de quadro para 2027 contém uma linha justificada por redução impulsionada pela IA, marque se ela se apoia em mudança medida na sua própria organização ou em mudança esperada. Se for expectativa, rotule-a como previsão carregando a taxa de erro acima. É uma edição de quinze minutos que muda como esse número é questionado.
2. Reformular o business case de IA sobre throughput, não sobre FTE. Tempo de ciclo, receita por empregado, taxa de erro, custo por transação. O achado de produtividade do NBER aponta na mesma direção: os ganhos apareceram como produtividade total dos fatores baseada em receita, ligada a canais de inovação e demanda, não como aprofundamento de capital substituindo trabalho. Se o caso só fecha com redução de quadro, o caso não fechou.
3. Condicionar qualquer corte atribuído à IA a capacidade demonstrada, não prometida. O teste é um workflow nomeado operando na qualidade-alvo com taxa de erro medida ao longo de um período definido — não um roadmap de fornecedor. Esse único portão é o que separa os 14 por cento dos 55 por cento que se arrependem.
4. Planejar para o time que você ainda terá. É o movimento que falta na maioria dos planos de 2027. Se dois terços das organizações viram pouca ou nenhuma mudança de quadro relacionada à IA, o caso-base é que seu quadro atual é aproximadamente seu quadro de 2027, com a composição se deslocando por baixo. Isso torna a restrição vinculante uma questão de capacidade em vez de custo: quais competências ocupam quais posições, onde a sucessão está rala, e qual capacidade administrativa de rotina pode ser redirecionada para a demanda técnica qualificada que os dados do NBER descrevem em alta. Um congelamento de reposições decidido sem esse mapa não é economia; é perda de capacidade não medida. A medição de competências e sucessão é a instrumentação que torna essa decisão defensável — posição na matriz 9-box calculada a partir de dados por competência em vez da memória do gestor, e prontidão de sucessão avaliada por posição crítica. O módulo de performance e sucessão da Scovai documenta como esse mapeamento é estruturado, se você quiser uma referência trabalhada.
A parte incômoda desses dados não é que a IA tenha entregado menos em quadro. É que uma organização pode conduzir um programa de IA bem-sucedido — 89 por cento de adoção, 80 por cento relatando ganhos de produtividade — e ainda terminar com o mesmo número de pessoas, fazendo um trabalho significativamente diferente.
Isso é um problema de desenvolvimento de força de trabalho vestido de previsão de força de trabalho com IA.
Antes de o plano do Q4 fechar, encontre a linha de quadro que assume que a IA vai encolher o time, e faça a ela uma pergunta: estamos medindo isso, ou ainda esperando? Se a resposta for "esperando", a taxa de erro de 2x já está nos autos — e o ônus da prova se deslocou para a previsão.
