Resumo Técnico: Perspetivas Territoriais e de Género sobre a Inteligência Artificial e o Emprego em Espanha

1. Enunciação do Problema

A rápida expansão da Inteligência Artificial Generativa (IA) reconfigurou fundamentalmente os debates sobre o futuro do trabalho, a produtividade e a coesão social. Embora a literatura internacional tenha estabelecido metodologias robustas para medir a exposição ocupacional à IA (por exemplo, utilizando classificações SOC, ISCO ou ESCO), existe uma lacuna metodológica significativa no contexto espanhol. As estatísticas laborais oficiais de Espanha são principalmente desagregadas por setores de atividade económica (CNAE) a nível provincial e de comunidade autónoma, em vez de por ocupações específicas.

Este desalinhamento impede a aplicação direta de índices internacionais de exposição à IA aos dados regionais espanhóis, dificultando o desenvolvimento de políticas públicas direcionadas, estratégias sindicais e planeamento territorial. Além disso, a literatura existente frequentemente ignora a interseção entre disparidades territoriais e vulnerabilidades específicas de género, apesar de evidências sugerirem que as mulheres estão sobrerrepresentadas em setores administrativos e de serviços altamente suscetíveis à automação por IA. O artigo aborda a necessidade urgente de uma ferramenta objetiva e comparável para medir a exposição à IA em Espanha que respeite a sua estrutura estatística específica (CNAE) e permita uma análise territorial e de género granular.

2. Metodologia

O estudo propõe uma metodologia preliminar e replicável para colmatar a lacuna entre as métricas ocupacionais internacionais de IA e os dados setoriais espanhóis. A abordagem envolve três etapas principais:

2.1. Construção da Matriz de Incidência IA–CNAE

Os autores adaptam o "Score de Aplicabilidade da IA" de Tomlinson et al. (2025), baseado em mais de 200.000 interações do mundo real com ferramentas de IA generativa (por exemplo, Microsoft Copilot). Em vez de utilizar códigos ocupacionais diretamente, os autores constroem uma matriz de mapeamento que traduz essas capacidades ocupacionais para a classificação CNAE espanhola (2 dígitos).

• Atribuição de Fatores: A cada setor CNAE é atribuído um "fator de incidência" que varia de 0,06 a 0,30.
• Lógica: Setores dominados por tarefas manuais, físicas ou rotineiras (por exemplo, Agricultura, Construção) recebem fatores baixos. Setores caracterizados por tarefas administrativas, linguísticas, analíticas ou de síntese (por exemplo, Finanças, Serviços Profissionais, Informação e Comunicações) recebem fatores mais elevados.
• Síntese: A matriz representa uma síntese ponderada de evidências internacionais e da composição ocupacional específica dos setores espanhóis.

2.2. Fontes de Dados e Modelo de Cálculo

O estudo utiliza microdados do Instituto Nacional de Estatística (INE) de Espanha para os anos de 2021 e 2022, especificamente o Censo Anual da População Empregada, desagregado por província, setor (CNAE) e sexo.

• Exposição Setorial: Para cada província $p$ e setor $c$, o "emprego ajustado à IA" é calculado como:
  $$IA\_employment(p,c) = employment(p,c) \times factor_{IA}(c)$$
• Indicador Territorial: A exposição agregada para uma província é definida como a razão entre o emprego total ajustado à IA e o emprego provincial total:
  $$IA\text{-}share(p) = \frac{\sum_{c} IA\_employment(p,c)}{\sum_{c} employment(p,c)}$$
• Desagregação por Género: O mesmo cálculo é realizado separadamente para o emprego masculino e feminino para derivar índices de exposição específicos de género ($IA\text{-}share_{female}$ e $IA\text{-}share_{male}$).

2.3. Limitações

Os autores declaram explicitamente que este é um estudo preliminar que mede a exposição estrutural potencial, e não a substituição real ou a perda de postos de trabalho. O modelo assume uma composição ocupacional homogénea dentro de cada setor CNAE, o que pode mascarar heterogeneidades internas. Não contabiliza efeitos dinâmicos, como a criação de novas tarefas, ganhos de produtividade ou a velocidade de adoção empresarial.

3. Principais Contribuições

• Adaptação Metodológica: O artigo fornece a primeira tradução sistemática de métricas internacionais de exposição à IA para o enquadramento CNAE espanhol, permitindo uma análise a nível provincial onde anteriormente apenas eram possíveis estimativas nacionais ou regionais amplas.
• Cartografia Territorial: Gera um mapa detalhado da exposição à IA em todas as 52 províncias espanholas, identificando vulnerabilidades estruturais com base na especialização económica.
• Análise de Género: Quantifica uma lacuna estrutural persistente na exposição à IA entre homens e mulheres, revelando que a força de trabalho feminina está sistematicamente mais exposta à transformação impulsionada pela IA em todos os territórios.
• Ferramenta de Política: Oferece uma metodologia transparente e aberta para sindicatos, decisores políticos e investigadores monitorizarem tendências e desenharem estratégias de "transição justa" alinhadas com a Estratégia Nacional de IA (ENIA).

4. Resultados

A análise dos dados de 2021–2022 revela vários padrões consistentes:

4.1. Exposição Agregada

Espanha apresenta uma exposição agregada moderada a elevada à IA, com a "IA-share" a oscilar entre 18% e 22% do emprego total. Isto indica que uma parte significativa do mercado de trabalho espanhol está envolvida em tarefas onde a IA generativa tem alta aplicabilidade.

4.2. Polarização Territorial

Identifica-se um claro "corredor centro-mediterrânico" de alta exposição, incluindo Madrid, Barcelona, Valência, Alicante, Málaga e as Ilhas Canárias (Las Palmas e Santa Cruz de Tenerife). Estas províncias ultrapassam 21% de exposição.

• Impulsionadores: A alta exposição correlaciona-se com uma concentração de serviços avançados, finanças, consultoria profissional, informação/telecomunicações e retalho/comércio.
• Baixa Exposição: Províncias do interior (por exemplo, Sória, Teruel, Zamora, Palência) e aquelas com bases agrícolas fortes ou de manufatura tradicional mostram menor exposição (aprox. 17,5%–18,5%).
• Estabilidade: A classificação das províncias manteve-se notavelmente estável entre 2021 e 2022, confirmando que a exposição é impulsionada por fatores económicos estruturais enraizados, e não por flutuações cíclicas de curto prazo.

4.3. Lacuna de Género

Em cada província individual, o emprego feminino mostra uma maior exposição à IA do que o emprego masculino.

• Magnitude: A lacuna varia geralmente entre 1,5 e 3 pontos percentuais, embora seja mais ampla em regiões altamente terciarizadas.
• Causas: As mulheres estão desproporcionalmente concentradas em setores com alta aplicabilidade da IA, como educação, saúde, administração e serviços sociais. Por outro lado, os homens estão mais representados na construção, transportes e indústrias extrativas, que possuem fatores de aplicabilidade da IA mais baixos.
• Implicação: Isto representa uma vulnerabilidade estrutural para a força de trabalho feminina, sugerindo que a adoção da IA pode impactar desproporcionalmente os padrões de emprego feminino, a menos que seja mitigada por políticas específicas.

5. Significado e Alegações

O artigo posiciona-se não como uma previsão definitiva de perda de empregos, mas como uma ferramenta de diagnóstico para o planeamento estratégico. O seu significado principal reside em:

1. Colmatar a Lacuna de Dados: Permitir a utilização de dados estatísticos espanhóis padrão (INE/CNAE) para responder a questões sobre o impacto da IA que anteriormente não podiam ser respondidas a nível subnacional.
2. Destacar Desigualdades Estruturais: Demonstrar que a exposição à IA não é aleatória, mas segue linhas existentes de especialização territorial e segregação de género no mercado de trabalho.
3. Informar a "Transição Justa": Fornecer uma linha de base para o governo espanhol e parceiros sociais desenharem políticas de formação, requalificação e proteção que sejam geografica e demograficamente direcionadas.

Os autores concluem que, embora o impacto imediato da IA seja provavelmente complementar (aumentando a produtividade), a exposição estrutural identificada neste estudo destaca onde os riscos de deslocação e a necessidade de adaptação são maiores. Enfatizam que o trabalho futuro deve refinar o modelo com dados ocupacionais mais granulares e incorporar taxas de adoção dinâmicas, mas o quadro atual oferece um primeiro passo necessário para uma governação tecnológica inclusiva e equitativa em Espanha.