From Clerks to Agentic-AI: How will Technology Change Labor Market in Finance?

Resumo Técnico: Da Cleria à IA Agente – A Transformação do Mercado de Trabalho Financeiro

Autores: Lu Yu (Georgetown University) e Xiang Li (Carnegie Mellon University).
Contexto: O artigo investiga como a automação de tarefas, impulsionada por ondas tecnológicas sucessivas, altera a produtividade e a demanda de trabalho em firmas financeiras dos EUA, focando especificamente na transição para a Inteligência Artificial (IA) Agente.

---

1. O Problema de Pesquisa

O setor financeiro oferece um ambiente único para estudar a automação, pois combina fluxos de trabalho padronizados, processamento de informações e tomada de decisão baseada em julgamento. A questão central não é apenas se a IA reduz o número de funcionários (headcount), mas como a automação reorganiza a alocação interna de tarefas e quais são as implicações para a produtividade, escala e demanda de trabalho.

O estudo questiona se a IA representa uma ruptura completa com o passado ou se deve ser entendida como a terceira onda de uma sequência histórica de mudanças tecnológicas (computadorização, indexação e IA). O objetivo é determinar se a produtividade e a escalabilidade aumentam antes que os ajustes nos custos trabalhistas se tornem visíveis.

2. Metodologia

A. Dados e Amostra

• Base de Dados: Painel de firmas financeiras dos EUA listadas publicamente, utilizando dados de formulários regulatórios (10-K) e contabilidade.
• Amostra Inicial: Foco em cinco grandes instituições para a análise específica de IA: Bank of America, BNY Mellon, JPMorgan Chase, S&P Global e State Street.
• Expansão Potencial: O desenho permite uma amostra de ~100 firmas, com possibilidade de expansão para 300 para robustez.

B. Classificação Temporal (Três Ondas Tecnológicas)

O estudo divide a história financeira em três eras distintas para comparação:

1. Computadorização (1985–2000): Foco em PCs, planilhas, terminais Bloomberg e infraestrutura de negociação eletrônica.
2. Indexação (2000–2015): Foco em ETFs, replicação de benchmarks, alocação passiva e implementação automatizada de portfólios.
3. IA e Automação (2015–Presente): Foco em sistemas generativos, agentes autônomos e automação de fluxos de trabalho cognitivos.

C. Medidas de Variáveis

• Intensidade de Automação de Tarefas (Variável Independente):
  • Construída a partir da análise de texto de relatórios anuais e 10-K.
  • Era de IA: Contagem ponderada de termos como "Inteligência Artificial", "Machine Learning", "IA Generativa", "Agentes Autônomos", "Automação de Processos Robóticos (RPA)" e "Modelos de Linguagem".
  • Termos diretos de IA recebem maior peso. A contagem é normalizada pelo número total de palavras do formulário.
• Produtividade (Variáveis Dependentes):
  • Receita por Funcionário: Mede a produtividade operacional geral.
  • Ativos sob Gestão (AUM) por Funcionário: Crucial para gestores de ativos e custodiantes, indicando escalabilidade sem aumento proporcional de pessoal.
  • Despesa com Trabalho por Funcionário: Proxy para compressão de custos trabalhistas.

D. Especificação Econométrica

O modelo base utiliza uma especificação de efeitos fixos em painel para a era da IA:
$$\log(1 + \text{outcome}_{it}) = \beta \cdot \text{AI\_exposure}_{it} + \text{Firm FE} + \text{Year FE} + \epsilon_{it}$$

• Objetivo: Absorver características invariáveis no tempo das firmas e choques macroeconômicos comuns.
• Limitação: O design é descritivo e não estabelece causalidade estrita (não separa causalidade reversa ou mudanças organizacionais omitidas), servindo como um framework disciplinado para associações.

---

3. Principais Resultados

A. Tendências de Produtividade entre Eras

• A análise descritiva mostra que tanto a receita por funcionário quanto o AUM por funcionário são substancialmente maiores nas eras posteriores (Indexação e IA) em comparação com o período pré-computadorização.
• Os coeficientes das eras aumentam progressivamente, sugerindo que o crescimento da produtividade no setor financeiro foi acumulativo através de ondas tecnológicas e organizacionais, não um evento único.

B. Impacto da Exposição à IA na Produtividade (Resultados da Era Atual)

A análise focada nas cinco grandes instituições revela um padrão misto, mas informativo:

1. Receita por Funcionário: Coeficiente negativo (-0,0535). Maior intensidade de divulgação de IA está associada a uma menor receita por trabalhador.
2. AUM por Funcionário: Coeficiente positivo e significativo (0,5843). Maior intensidade de IA está associada a uma maior escala de ativos gerenciados por funcionário.
3. Interpretação: Essa combinação (menor receita por trabalhador, mas maior AUM por trabalhador) sugere reorganização e reinvestimento em vez de um aumento imediato de margens. As firmas estão usando a IA para expandir a capacidade de monitoramento e escala, alterando a mistura de produtos/serviços.

C. Resposta dos Custos Trabalhistas

• O coeficiente para despesa com trabalho por funcionário é pequeno e estatisticamente indistinguível de zero (0,0107).
• Conclusão Chave: As firmas não respondem ao aumento da intensidade de automação com uma compressão imediata e visível de custos trabalhistas. A IA afeta primeiro a escala, a alocação de tarefas e a organização do trabalho. Os ajustes em compensação ou número de funcionários ocorrem com atraso.

D. Heterogeneidade na Adoção

• A adoção não é sincronizada em todo o setor. O estudo de eventos mostra que instituições como o Bank of America adotaram cedo, enquanto o S&P Global acelerou mais tarde e o BNY Mellon cruzou o limiar muito tarde.
• Isso indica uma adoção heterogênea mediada pela estrutura organizacional, não uma ruptura setorial única.

---

4. Contribuições Principais

1. Enquadramento Histórico: Organiza a análise em torno de três ondas economicamente significativas (Computadorização, Indexação e IA), posicionando a IA Agente como uma continuação evolutiva e não uma ruptura isolada.
2. Medição Baseada em Arquivos: Desenvolve medidas de "intensidade de automação" derivadas diretamente de documentos regulatórios (10-K), mapeando a adoção tecnológica para resultados operacionais.
3. Mecanismo de Transformação: Demonstra que a produtividade no setor financeiro aumenta antes que os custos trabalhistas se ajustem, sugerindo que a automação atua inicialmente através da reorganização de fluxos de trabalho e da ampliação de capacidades (augmentação), e não apenas pela substituição de mão de obra.

---

5. Significado e Implicações

O estudo sugere que o futuro do mercado de trabalho financeiro será polarizado:

• Grandes Instituições: Manterão vantagens estruturais em dados, infraestrutura e conformidade.
• Equipes Pequenas: Tornar-se-ão mais capazes, pois a IA reduzirá o custo de suporte à pesquisa, monitoramento de mercado e cobertura operacional.
• Camada Intermediária (Middle-Layer): Enfrentará a maior pressão. O valor histórico dessas funções (coordenação de fluxos de informação) está sendo exatamente o que a IA pode padronizar e automatizar.

Conclusão Final: A tecnologia transformará o mercado de trabalho financeiro através da realocação de tarefas, redesenho de fluxos de trabalho e ganhos desiguais de capacidade, em vez de uma substituição uniforme de mão de obra. A IA permite que as firmas escalem a produção (AUM) sem um aumento proporcional de pessoal, mas a redução de custos trabalhistas é um processo gradual e não imediato.

6. Limitações do Estudo

• Medição de Exposição: A métrica baseada em divulgações pode captar mais a intensidade da discussão sobre IA do que a adoção operacional real.
• Tamanho da Amostra: A análise focada na IA utiliza apenas cinco firmas, sendo tratada como um piloto estruturado.
• Causalidade: O design de efeitos fixos é descritivo e não consegue separar causalidade de causalidade reversa ou mudanças organizacionais omitidas.
• Classificação Estilizada: As três eras são divisões históricas úteis, mas não representam partições causais rígidas da mudança tecnológica.