Less Afraid, Still Wary: Europeans’ Fear of AI-Driven Job Loss Before and After Generative AI

Resumo Técnico: "Menos Medo, Ainda Cautelosos: O Medo dos Europeus em Relação à Perda de Emprego Impulsionada pela IA Antes e Depois da IA Generativa"

Problema de Pesquisa
Embora a inteligência artificial generativa (GenAI) tenha se integrado rapidamente ao trabalho cotidiano, permanece incerto se essa mudança tecnológica intensificou ou aliviou os temores dos trabalhadores em relação ao deslocamento de empregos. Pesquisas anteriores sobre atitudes à automação (ex: Gnambs e Appel, 2019) frequentemente precedem a GenAI, e estudos recentes carecem de bases comparativas ou falham ao não tratar a percepção de ameaça ao emprego como um desfecho central. Além disso, a literatura existente baseia-se frequentemente em amostras de conveniência pequenas, em vez de dados representativos, e poucos estudos examinaram como as práticas do empregador (transparência e treinamento) interagem com as competências digitais para moldar as percepções de ameaça e a aceitação da tecnologia. Este estudo aborda três lacunas: (1) determinar se a percepção de ameaça ao emprego mudou entre 2017 e 2024 em toda a UE; (2) analisar como as competências digitais e as práticas do empregador se relacionam com a ameaça; e (3) compreender como a ameaça e os benefícios percebidos impulsionam a aceitação da IA e o apoio a regulamentações no local de trabalho.

Metodologia
O estudo utiliza um design quantitativo de três estágios usando dados de dois levantamentos representativos do Eurobarômetro cobrindo 27 países da União Europeia:

• Fontes de Dados: Eurobarômetro 87.1 (março de 2017, $N=26.555$) e Eurobarômetro 101.4/Special Eurobarometer 554 (abril–maio de 2024, $N=26.404$). O Reino Unido foi excluído do conjunto de dados de 2017 para garantir a comparabilidade dos 27 estados membros.
• Mensuração: Os construtos incluíram competências digitais, avaliação de tecnologia digital, percepção de ameaça ao emprego, benefícios percebidos da IA, transparência do empregador, treinamento do empregador, visão da IA no trabalho e apoio a regras no local de trabalho. Os itens foram medidos em escalas de 4 pontos.
• Abordagem Analítica:
  1. Invariância de Mensuração: A Análise Fatorial Confirmatória (CFA) Ordinal usando o estimador Weighted Least Squares Mean- and Variance-adjusted (WLSMV) testou a invariância configuracional, de limiar, métrica e escalar entre os anos para garantir que as médias latentes fossem comparáveis.
  2. Modelagem de Equações Estruturais (SEM): A SEM multigrupo testou hipóteses ao longo dos anos e dentro da subamostra de funcionários de 2024. Modelos de regressão de efeitos fixos controlaram variáveis de nível de país (desemprego, desigualdade, PIB) e demografia individual.
  3. Redes Neurais Artificiais (ANN): Perceptrons multicamadas com uma camada oculta foram usados para detectar efeitos não lineares e classificar a importância dos preditores via permutação em dobras de teste (validação cruzada de 10 dobras).
• Estrutura Teórica: O estudo integra a Teoria da Avaliação (Appraisal Theory), a Teoria da Evitação de Ameaça Tecnológica (TTAT) e o Modelo de Aceitação de Tecnologia (TAM), tratando a ameaça e o benefício como avaliações distintas.

Principais Resultados

• Tendência no Medo (RQ1): A percepção de ameaça ao emprego pela IA diminuiu significativamente entre 2017 e 2024. As pontuações de ameaça latente caíram 0,28 desvios padrão. Esse declínio foi observado em 25 de 27 países e em todos os grupos sociais (educação, idade, ocupação). A regressão de efeitos fixos indicou que a queda no desemprego explicou apenas uma pequena fração (aprox. um oitavo) desse declínio, sugerindo que a mudança não é meramente um reflexo da melhoria nos mercados de trabalho.
• Papel das Competências Digitais (H1): A relação entre competências digitais e ameaça ao emprego inverteu-se. Em 2017, competências mais elevadas estavam associadas a uma menor ameaça ($\beta = -0,09$). Em 2024, mantendo as avaliações de tecnologia constantes, competências mais elevadas estavam associadas a uma maior ameaça ($\beta = 0,06$ no modelo agrupado; $\beta = 0,37$ no modelo de funcionários). Isso sugere um efeito de supressão onde trabalhadores qualificados, cientes das capacidades da IA, percebem riscos específicos maiores.
• Práticas do Empregador (H2, H3):
  • Transparência: A transparência do empregador em relação ao uso da IA foi fortemente associada negativamente à percepção de ameaça ao emprego ($\beta = -0,21$), mas não teve efeito direto significativo na visão geral da IA no trabalho.
  • Treinamento: O treinamento do empregador foi positivamente associado a uma visão favorável da IA no trabalho ($\beta = 0,13$), mas não reduziu significativamente a percepção de ameaça ao emprego.
• Impulsionadores da Aceitação e Regulação (H4–H6):
  • A aceitação da IA no trabalho foi impulsionada muito mais pelos benefícios percebidos ($\beta = 0,64$) do que pela ausência de ameaça ($\beta = -0,22$).
  • A percepção de ameaça ao emprego foi positivamente associada ao apoio a regras no local de trabalho ($\beta = 0,33$). Notavelmente, o apoio às regras também foi alto entre aqueles que perceberam benefícios, indicando que a demanda por regulação não é movida apenas pelo medo.
• Achados da ANN: Os modelos ANN confirmaram que os benefícios percebidos foram o preditor mais forte de uma visão favorável da IA, enquanto a transparência foi o preditor mais importante para reduzir a ameaça. Os modelos não sofreram overfitting, e os efeitos não lineares não superaram significativamente a SEM linear.

Principais Contribuições

1. Comparação Longitudinal: Este estudo aborda uma lacuna na literatura ao comparar amostras representativas da UE antes e depois da chegada da GenAI usando questões idênticas e testes formais de equivalência de medida, demonstrando que o medo da perda de emprego na verdade diminuiu, apesar da mudança tecnológica.
2. Diferenciação de Práticas do Empregador: O estudo distingue duas práticas do empregador, mostrando que a transparência mitiga primariamente o medo (redução de incerteza), enquanto o treinamento promove primariamente a aceitação (realização de utilidade).
3. Rigor Metodológico: A aplicação de um design combinado SEM–ANN a grandes amostras nacionais representativas, indo além das pequenas amostras de conveniência comuns na pesquisa de adoção tecnológica.
4. Inversão do Elo Competência-Ameaça: O achado de que as competências digitais, outrora um amortecedor contra o medo, agora estão associadas a percepções de ameaça mais elevadas (ao controlar a avaliação tecnológica geral) desafia as suposições anteriores sobre a natureza protetora das competências na era da GenAI.

Significância e Alegações
O artigo alega que a chegada da inteligência artificial generativa não aprofundou os temores europeus de perda de emprego; pelo contrário, esses temores recuaram, provavelmente devido à familiaridade e evidências precoces de ganhos de produtividade, em vez de um deslocamento em massa. O estudo argumenta que o papel das competências digitais mudou: enquanto anteriormente sinalizavam adaptabilidade, agora podem sinalizar uma compreensão mais clara do potencial disruptivo da IA.

Do ponto de vista de política e gestão, os autores alegam que explicar o uso da IA (transparência) é crucial para reduzir o medo, enquanto demonstrar benefícios concretos e fornecer treinamento são essenciais para construir a aceitação. Crucialmente, a demanda por regulamentações de IA no local de trabalho parece robusta em todo o espectro de opinião, sendo impulsionada tanto por aqueles que temem a IA quanto por aqueles que a acolhem. Portanto, os marcos regulatórios (como o Ato de IA da UE) dificilmente enfrentarão oposição pública mesmo que os temores de perda de emprego diminuam. O estudo conclui que o medo da perda de emprego impulsionada pela IA comporta-se mais como uma crença social compartilhada do que como um cálculo pessoal, sugerindo que informações públicas sobre os efeitos reais no mercado de trabalho podem ser tão importantes quanto programas individuais de requalificação.