Resumo Técnico: Quem Usa IA? Seleção de Plataforma e a Medição da Exposição Ocupacional à IA

1. O Problema: Erro de Medição Não Clássico na Exposição Derivada de Plataformas

A literatura empírica sobre inteligência artificial (IA) e mercados de trabalho tem migrado cada vez mais da medição da capacidade potencial de IA (por exemplo, avaliações de especialistas, correspondência de patentes) para a medição do uso observado de IA por meio de registros de conversação de plataformas como Anthropic's Claude, OpenAI's ChatGPT e Microsoft Copilot. Embora isso aproxime a medição do comportamento revelado, os autores argumentam que esses registros constituem uma amostra não probabilística.

O problema central é que as pontuações de exposição derivadas de plataformas ($E_{o,p}$) confundem dois componentes distintos:

1. Exposição Ocupacional Verdadeira ($E_o$): A parcela do conjunto de tarefas de uma ocupação onde a IA pode substituir ou complementar a contribuição do trabalhador.
2. Seleção de Plataforma ($\psi_{o,p}$): O grau em que uma ocupação está super ou sub-representada na base de usuários da plataforma em relação à força de trabalho geral.

Como a base de usuários das plataformas de IA é sistematicamente enviesada em direção a ocupações de alta qualificação e alto salário (por exemplo, Computação e Matemática) e afastada de ocupações de serviços e trabalho manual, a medida de exposição resultante herda esse viés de seleção. Os autores formalizam isso como erro de medição não clássico, onde o termo de erro está correlacionado com a variável verdadeira de interesse. Consequentemente, os coeficientes de regressão que utilizam essas medidas não identificam a elasticidade estrutural do emprego da exposição à IA; em vez disso, eles refletem uma mistura da exposição verdadeira e da composição ocupacional específica dos usuários da plataforma.

2. Metodologia

Marco Conceitual

Os autores definem o proxy derivado da plataforma como:
$$E_{o,p} = \psi_{o,p} E_o + \eta_{o,p} + u_{o,p}$$
Onde:

• $\psi_{o,p}$ é o parâmetro de seleção entre ocupações (razão entre a participação nas conversações da plataforma e a participação no emprego da força de trabalho).
• $\eta_{o,p}$ é o resíduo de seleção de tarefas dentro da ocupação (diferenças no desempenho de tarefas condicionadas a estar na plataforma).
• $u_{o,p}$ é ruído clássico.

Como $\psi_{o,p}$ é observado (por meio de registros da plataforma e participações no emprego do Bureau of Labor Statistics), os autores propõem um procedimento de reponderação da força de trabalho para remover o componente entre ocupações:
$$\tilde{E}_{o,p} = \frac{E_{o,p}}{\psi_{o,p}}$$
Sob uma condição de ordenamento mantida (de que a seleção dentro da ocupação viés os coeficientes na mesma direção que a seleção entre ocupações), a estimativa de base e a estimativa reponderada definem um intervalo de identificação parcial para a elasticidade estrutural do emprego.

Desenho Empírico

O estudo emprega uma especificação de diferenças-em-diferenças (DiD) em um painel da Pesquisa da Comunidade Americana (ACS) de 2015–2024, com 13,1 milhões de observações pessoa-ano no nível de seis dígitos da Classificação Ocupacional Padrão (SOC).

• Tratamento: Interação de um indicador pós-2022 com dez diferentes medidas de exposição derivadas de plataformas.
• Variantes: As dez medidas incluem:
  • Três variantes do composto de Massenkoff e McCrory (2026) (base, reponderado pela força de trabalho e pesos da AEI da Onda 5).
  • Cinco ondas de dados de consumidores da Anthropic Claude.ai (dezembro de 2024 a fevereiro de 2026).
  • Duas ondas de dados de API corporativa da Anthropic.
  • Pontuações de aplicabilidade do Microsoft Copilot (brutas e reponderadas).
• Controles: Demografia, estado, ano e efeitos fixos de SOC de seis dígitos.

Testes Diagnósticos

1. Dispersão entre Plataformas: Estimar a mesma especificação DiD com diferentes entradas de plataforma para observar a instabilidade dos coeficientes.
2. Substituição de Canal dentro do Fornecedor: Comparar canais de consumidor versus corporativo do mesmo fornecedor (Anthropic) para isolar efeitos da composição da base de usuários, mantendo o modelo e a rubrica constantes.
3. Estudos de Evento: Testar tendências pré-tratamento para distinguir viés de medição de heterogeneidade genuína do efeito do tratamento.
4. Resultados entre Domínios: Analisar correlações entre classificações de plataformas e resultados não relacionados ao trabalho (por exemplo, saúde, educação) para demonstrar que a visibilidade da plataforma correlaciona-se com o status socioeconômico.

3. Resultados Principais

Instabilidade dos Coeficientes

Alterar apenas a entrada da plataforma, mantendo o desenho empírico fixo, causa variação substancial nas estimativas de efeitos sobre o emprego:

• Magnitude: O coeficiente de emprego pós-2022 varia por um fator de 1,9 entre as dez variantes.
• Reversão de Sinal: Dentro do mesmo fornecedor (Anthropic), a troca do canal de consumidor para o canal corporativo inverte o sinal do coeficiente de emprego em cada lançamento observado. O canal de consumidor produz coeficientes negativos e significativos, enquanto o canal corporativo produz coeficientes positivos e insignificantes.
• Instabilidade Temporal: Mesmo dentro do mesmo canal (consumidor do Claude.ai), a magnitude do coeficiente muda significativamente entre ondas (por exemplo, de -0,12 para -0,22 pontos percentuais) à medida que a composição da base de usuários muda devido ao lançamento de produtos (por exemplo, Claude Code).

Efeito da Reponderação

A reponderação pela força de trabalho atenua significativamente os efeitos estimados, confirmando que as estimativas de base são impulsionadas em grande parte pela seleção da plataforma:

• Composto Anthropic: A reponderação atenua o coeficiente de emprego em 93%, tornando-o estatisticamente indistinguível de zero.
• Microsoft Copilot: Como a base de usuários do Copilot está mais próxima da demografia da força de trabalho, a reponderação atenua o coeficiente em 42%, embora permaneça significativo.
• Regressão entre Ocupações: Na especificação de Massenkoff e McCrory (2026) que liga exposição às projeções de emprego do BLS, a reponderação reduz a associação negativa estimada de -0,70 para -0,38 pontos percentuais, implicando que 45% da magnitude publicada desaparece quando a composição da plataforma é substituída pela composição da força de trabalho.

Limites de Identificação Parcial

Utilizando as estimativas de base e reponderadas como extremos, os autores constroem um intervalo de identificação parcial para a elasticidade estrutural do emprego. Para o composto de Massenkoff e McCrory, o intervalo sugere que um aumento de um desvio padrão na exposição está associado a um declínio projetado no crescimento do emprego decenal entre 0,38 e 0,70 pontos percentuais. A largura deste intervalo (0,32 pontos percentuais) representa a contribuição da seleção observável entre ocupações da plataforma.

Incidência Distributiva

A visibilidade da plataforma está fortemente correlacionada com vantagem socioeconômica:

• Ocupações super-representadas nas plataformas (por exemplo, Computação e Matemática) têm salários e níveis de educação mais altos.
• Ocupações sub-representadas (por exemplo, Preparação de Alimentos, Transporte) têm salários mais baixos e taxas mais altas de deficiência.
• Simulação de Política: Um fundo hipotético de requalificação de 10 bilhões de dólares alocado com base na exposição à plataforma direcionaria 39% dos fundos para ocupações de alto salário e alta educação que uma alocação ponderada pela força de trabalho não identificaria como expostas.

4. Contribuições e Significância

O artigo faz quatro contribuições primárias para a literatura:

1. Identificação de um Erro de Medição Específico: Formaliza o erro de medição não clássico inerente à exposição à IA derivada de plataformas, mostrando que o erro é selecionado na mesma estrutura de tarefas ao nível da ocupação que a medida pretende capturar.
2. Diagnósticos Empíricos: Fornece evidências de que a fonte da plataforma, o canal do produto e a onda de lançamento alteram fundamentalmente os coeficientes a jusante, mesmo quando os desenhos de regressão são fixos.
3. Procedimento de Correção: Introduz um procedimento de reponderação pela força de trabalho e limites de identificação parcial que convertem essa instabilidade em um componente estimável, permitindo que os pesquisadores delimitem a elasticidade estrutural.
4. Análise Distributiva: Demonstra que a seleção da plataforma correlaciona-se com salários, educação e vantagem ocupacional, implicando que os rankings de exposição baseados em registros podem subponderar sistematicamente populações economicamente vulneráveis onde o risco é menos visível nos dados da plataforma.

Alegações sobre Significância

Os autores não afirmam que os registros de plataformas são não informativos. Em vez disso, argumentam que os dados de plataforma são altamente informativos sobre a intensidade de tarefas entre usuários ativos, mas menos informativos sobre não usuários, trabalhadores fracamente representados na plataforma e tarefas deslocadas do par ocupação-plataforma observado.

O artigo conclui que medidas baseadas em uso recuperam aumentação entre usuários observados mais diretamente do que substituição na força de trabalho. Para aplicações de política (por exemplo, requalificação, aconselhamento de carreira), o objeto relevante é a exposição entre a força de trabalho em risco, não a exposição entre os usuários atuais da plataforma. Os autores defendem que trabalhos aplicados que utilizam exposição derivada de plataformas devem:

• Reportar contrapartes reponderadas pela força de trabalho.
• Testar a sensibilidade à fonte da plataforma.
• Distinguir entre capacidade de tarefa, adoção pelo trabalhador e uso condicionado à adoção.

Sem essas distinções, a variação na exposição medida pode refletir padrões de adoção de plataforma entre ocupações, em vez de variação na aplicabilidade subjacente da IA.