🔬 physics

Occupational Convergence or Divergence? Mapping Labor Market Structural Shifts Driven by AI Penetration

Baseando-se em dados de vagas de dez países, este estudo revela que, embora a demanda por habilidades impulsionada pela IA promova a convergência dentro de um núcleo técnico restrito de ocupações STEM, ela simultaneamente aprofunda a estratificação ocupacional ao não conseguir permear o mercado de trabalho mais amplo, reforçando, assim, as barreiras existentes e concentrando os benefícios entre trabalhadores já favorecidos.

Autores originais: Rafiazka Hilman, Julia Koltai

Publicado 2026-08-03

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Rafiazka Hilman, Julia Koltai

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o mercado de trabalho como uma cidade gigante e movimentada, onde cada bairro representa um tipo diferente de trabalho. Por muito tempo, pensou-se que a nova tecnologia, como a Inteligência Artificial (IA), seria como uma chave universal que poderia abrir portas para todos os bairros, tornando as habilidades de todos mais semelhantes e ajudando as pessoas a se moverem facilmente de um emprego para outro. Essa ideia é chamada de "convergência". Por outro lado, havia o medo de que a IA atuasse como um muro gigante, empurrando algumas pessoas para fortalezas de alta tecnologia enquanto deixava todos os outros para trás na cidade antiga, aumentando o abismo entre eles. Isso é chamado de "divergência". A grande questão que os pesquisadores estão fazendo é: a IA está construindo uma ponte para todos ou está construindo uma fortaleza para poucos? Para responder a isso, precisamos entender algumas coisas simples. A IA é basicamente uma ferramenta de computador superinteligente que pode realizar tarefas geralmente feitas por humanos, como escrever códigos ou analisar dados. "Habilidades" são as ferramentas e truques que os trabalhadores precisam para fazer seus trabalhos, e "estrutura ocupacional" é apenas o mapa de como todos esses diferentes empregos são organizados. Se a IA mudar esse mapa, isso pode significar que conseguir um emprego pode se tornar muito mais difícil para algumas pessoas e muito mais fácil para outras, remodelando toda a nossa sociedade.

Então, o que este estudo realmente descobriu? Os pesquisadores, Rafiazka Hilman e Júlia Koltai, decidiram parar de adivinhar e começar a mapear. Eles agiram como detetives digitais, escaneando milhões de anúncios de emprego online de dez países diferentes — variando dos EUA e Reino Unido ao Brasil e Índia — para ver exatamente quais habilidades os empregadores pediam quando mencionavam IA. Eles não apenas contaram os empregos; usaram um método computacional especial para desenhar um mapa de rede gigante mostrando como os empregos e as habilidades se conectam entre si.

Aqui está a reviravolta que descobriram: a IA não está construindo uma ponte para todos, nem está apenas construindo um muro. Em vez disso, ela está criando uma cidade dividida com duas zonas muito diferentes.

Primeiro, existe o "Núcleo Tecnológico". Este é um bairro pequeno e superconectado onde cerca de três quartos a quatro quintos de todos os empregos relacionados à IA vivem. Se você observar as habilidades necessárias aqui, é como um aperto de mão secreto: quase todos neste grupo precisam saber Python, SQL, aprendizado de máquina e análise de dados. Como todos compartilham exatamente esse mesmo conjunto de ferramentas, esses empregos estão se tornando cada vez mais semelhantes entre si. É um caso de convergência, mas apenas dentro deste pequeno clube de alta tecnologia.

No entanto, no momento em que você sai do Núcleo Tecnológico, a ponte desaparece. Para o restante do mercado de trabalho — como professores, enfermeiros, motoristas de caminhão ou trabalhadores do varejo — as habilidades de IA mal aparecem. O estudo sugere que a IA não está se espalhando para se tornar uma habilidade comum para todos. Em vez disso, ela está ficando trancada dentro dessa fortaleza técnica. Isso cria divergência: um enorme abismo entre o núcleo tecnologicamente capacitado e todos os outros.

Os pesquisadores também descobriram algo surpreendente sobre quando você precisa dessas habilidades. Eles analisaram anúncios de emprego para diferentes estágios de carreira, de estagiários a CEOs. Descobriram que as habilidades de IA são demandadas de forma mais intensa logo no início de uma carreira. É como se a placa de "Proibida a Entrada" fosse colocada logo na porta da frente. Os empregadores estão cada vez mais tratando o conhecimento de IA como um ingresso obrigatório para sequer conseguir uma entrevista para um cargo de nível inicial. Isso significa que, se você não tiver essas habilidades tecnológicas específicas quando começar, poderá não conseguir entrar de jeito nenhum, enquanto executivos seniores podem não precisar tanto delas.

Em suma, o artigo sugere que a IA está reorganizando o mercado de trabalho em uma estrutura "bifurcada" — um caminho dividido. Dentro do mundo técnico, os empregos estão se fundindo em torno de um conjunto de superhabilidades compartilhadas. Mas entre esse mundo técnico e o resto da economia, a divisão está ficando mais profunda. Em vez de tornar as oportunidades mais iguais, o estudo indica que a IA pode estar elevando a barreira de entrada, tornando mais difícil para pessoas sem treinamento tecnológico prévio ingressarem na força de trabalho, e concentrando os benefícios da IA nas mãos daqueles que já estão no clube técnico. O mapa do futuro mercado de trabalho, ao que parece, está se tornando menos uma grade conectada e mais uma ilha de alta tecnologia cercada por um vasto oceano desconectado.

Resumo Técnico: Convergência ou Divergência Ocupacional? Mapeando Mudanças Estruturais no Mercado de Trabalho Impulsionadas pela Penetração da IA

Problema

A rápida difusão da Inteligência Artificial (IA) está transformando os mercados de trabalho, mas as implicações estruturais dessa mudança permanecem ambíguas. Existe uma lacuna crítica na compreensão de se a demanda por habilidades relacionadas à IA promove uma convergência ocupacional (criando um conjunto compartilhado de competências que facilita a mobilidade entre categorias de trabalho) ou uma divergência ocupacional (reforçando a especialização e a distinção, aprofundando assim a estratificação do mercado de trabalho). Embora a literatura existente cubra extensivamente as taxas de adoção de IA, ganhos de produtividade e prêmios salariais, ela carece de uma análise abrangente de como as competências de IA são distribuídas através da estrutura ocupacional. Especificamente, não está claro se as habilidades de IA atuam como uma camada de propósito geral que permite a mobilidade intersetorial ou se elas se concentram em clusters específicos, potencialmente elevando as barreiras de entrada e exacerbando as desigualdades existentes.

Metodologia

O estudo emprega um pipeline integrado combinando coleta de dados em larga escala, processamento de linguagem natural (NLP) e análise de redes multinível para mapear as relações entre ocupações, habilidades e estágios de carreira.

1. Coleta de Dados e Escopo

Fonte: Anúncios de emprego estruturados extraídos do LinkedIn, Indeed e Glassdoor.
Escopo Temporal: Dezembro de 2025 a maio de 2026.
Escopo Geográfico: Dez países abrangendo o Norte e o Sul Globais (Brasil, China, Alemanha, Índia, Indonésia, Países Baixos, Singapura, África do Sul, Reino Unido e EUA).
Filtragem: Uma estratégia baseada em palavras-chave, expandida via engenharia de prompt com GPT-OSS (via Ollama), identificou vagas que exigiam competências em IA, Ciência de Dados, Análise de Dados ou Business Intelligence.

2. Extração de Informação (2SIE)

Foi utilizada uma abordagem de extração de informação em duas etapas (2SIE):

Estágio 1 (Baseado em Regras): Tokenização, lematização e correspondência de palavras-chave para padronizar o conteúdo textual.
Estágio 2 (Baseado em Prompt): Prompting de disparo zero (zero-shot) de Grandes Modelos de Linguagem (LLMs) para extrair dados JSON estruturados, incluindo habilidades técnicas/comportamentais esperadas, datas de submissão e códigos de Classificação Ocupacional Padrão (SOC). O modelo foi instruído a identificar habilidades relacionadas à IA e gerar resumos concisos.

3. Estrutura Analítica

Espaço de Ranking de Habilidades: As competências foram ordenadas pela participação de demanda ( $f_g(s)$ ) dentro de clusters ocupacionais para analisar a concentração da demanda de habilidades (curvas de frequência-ranking íngremes vs. planas).
Modelagem de Rede Bipartida: O mercado de trabalho foi modelado como um grafo bipartido $G = (U, V, E)$ $G = (U, V, E)$ , onde $U$ $U$ representa os nós de ocupação (grupos, ocupações específicas, níveis de senioridade) e $V$ $V$ representa os nós de habilidades.
- Ponderação: Os pesos das arestas representaram a proporção de anúncios de emprego em uma categoria de ocupação que exigia uma habilidade específica.
Projeção de Um Modo: A rede bipartida foi projetada sobre a camada de ocupação para calcular a similaridade ocupacional baseada em habilidades de IA compartilhadas. Os pesos das arestas foram computados usando o número de habilidades compartilhadas e o coeficiente de similaridade de Jaccard.
Detecção de Comunidades: Os algoritmos de Louvain e Leiden foram aplicados para maximizar a modularidade ( $Q$ ) e identificar clusters de ocupações com portfólios de habilidades semelhantes. A robustez foi verificada pelo algoritmo de Girvan-Newman.
Visualização: Os resultados foram mapeados para um dashboard interativo, "The Occupation Observatory", exibindo projeções de rede nos níveis macroscópico (senioridade), mesoscópico (grupos SOC) e microscópico (ocupações individuais).

Principais Resultados

1. Concentração em um Núcleo Técnico

A demanda por IA está amplamente concentrada em um núcleo técnico estreito. Em todos os dez países, aproximadamente três quartos a quatro quintos (75–80%) das vagas relacionadas à IA estão localizadas em ocupações de STEM & Técnicas. Ocupações de Gestão & Negócios formam o segundo maior grupo, com aproximadamente 10–20% dos anúncios, enquanto setores não técnicos (Saúde, Serviços, Serviço Público) cada um responde por menos de 5% dos anúncios relacionados à IA.

2. Convergência de Habilidades dentro do Núcleo

Dentro do núcleo técnico exposto à IA, há uma significativa convergência em um conjunto compacto de competências.

Habilidades Dominantes: Python, SQL, Machine Learning e Análise de Dados dominam o espaço de ranking de habilidades.
Estabilidade: Este conjunto de habilidades do núcleo é notavelmente consistente entre diferentes mercados de trabalho nacionais (ex: EUA e Reino Unido) e entre diferentes grupos SOC (STEM e Gestão & Negócios), sugerindo uma camada de habilidades internacionalmente transferíveis em vez de requisitos nacionalmente idiossincráticos.
Estrutura de Rede: A detecção de comunidades revelou uma separação modular fraca ( $Q = 0,030$ ) dentro do segmento exposto à IA, indicando que as ocupações técnicas compartilham um pool comum de competências em vez de se fragmentarem em clusters altamente especializados e isolados.

3. Divergência do Mercado de Trabalho Amplo

Apesar da convergência dentro do núcleo técnico, há uma pronunciada divergência entre este núcleo e o restante da estrutura ocupacional.

Difusão Limitada: As competências de IA permanecem amplamente confinadas a domínios técnicos. A "camada de habilidade comum" não se estende amplamente às ocupações não técnicas.
Bifurcação Estrutural: O mercado de trabalho está se dividindo em duas dinâmicas distintas: convergência entre ocupações tecnologicamente intensivas e divergência entre esse núcleo e o restante do mercado de trabalho.

4. Senioridade e Barreiras de Entrada

A demanda por habilidades de IA é mais intensa no ponto de entrada ao mercado de trabalho.

Conectividade de Nível de Entrada: Nas projeções de rede, as posições de nível inicial retêm os laços mais fortes com a rede de habilidades de IA mesmo sob limiares rigorosos, enquanto níveis de diretoria e executivos se desprendem.
Implicação: As competências de IA estão funcionando menos como um aumento de meio de carreira e mais como um pré-requisito para o acesso ocupacional. Isso eleva a barreira de entrada efetiva para trabalhadores que carecem de exposição prévia a essas tecnologias.

Principais Contribuições

Reenquadramento Conceitual: O estudo vai além das métricas de adoção e produtividade para analisar a estrutura da demanda de habilidades, operacionalizando a distinção entre convergência e divergência através de análise de redes. Ele desafia a visão otimista de que a IA cria uma camada de habilidade universal e portátil, revelando, em vez disso, uma estrutura bifurcada.
Inovação Metodológica: O artigo introduz um pipeline reproduzível combinando raspagem de vagas de múltiplos países em larga escala, extração de informação em duas etapas (baseada em regras + LLM zero-shot) e projeção de rede bipartida multinível. Isso permite o exame simultâneo da demanda de habilidades através de senioridade, grupos ocupacionais e funções individuais.
Evidência Transnacional: Ao analisar dados de dez países entre o Norte e o Sul Globais, o estudo demonstra que a bifurcação da demanda de trabalho é um fenômeno estruturalmente incorporado, consistente em diversos contextos econômicos, e não o resultado de políticas ou demografias nacionais específicas.
Ferramenta Pública: O desenvolvimento do "The Occupation Observatory" fornece uma interface interativa para pesquisadores e formuladores de políticas explorarem essas mudanças estruturais.

Significância e Alegações

O artigo afirma que a IA não está homogeneizando o mercado de trabalho, mas sim reorganizando-o ao longo das linhas existentes de estratificação ocupacional.

Mecanismo de Desigualdade: A concentração de habilidades convergentes de alto valor dentro de um segmento técnico já privilegiado, combinada com o vínculo dessas habilidades a posições de nível inicial, sugere que a penetração da IA pode reforçar as desigualdades existentes. Cria-se um mercado de trabalho "bifurcado", onde os benefícios se concentram entre aqueles com vantagens tecnológicas prévias, enquanto as barreiras de entrada aumentam para outros.
Incorporação Estrutural: Os achados sugerem que as desigualdades relacionadas à IA estão incorporadas não apenas nos resultados de emprego, mas na própria arquitetura evolutiva da demanda de habilidades.
Implicação de Política: O estudo argumenta que, como as habilidades de IA atuam como um porteiro para a entrada em vez de uma ponte para a mobilidade, as intervenções educacionais e de mercado de trabalho devem abordar a distribuição desigual da aquisição de habilidades técnicas para evitar o endurecimento da estratificação social.

Os autores mantêm um tom modesto quanto à causalidade, observando que sua análise é descritiva e baseada em dados de demanda (anúncios de emprego), e não em empregos realizados ou transições de trabalhadores. Eles reconhecem limitações, como o potencial viés de cobertura para setores formais/urbanos e a dependência de detecção baseada em palavras-chave, que pode subestimar tarefas de IA implícitas.