À medida que a implantação da IA generativa automatiza elementos de alguns empregos e aumenta as habilidades dos trabalhadores em outros, as habilidades, experiências e credenciais que os empregadores usam para avaliar candidatos a empregos mudarão rapidamente. Os pessimistas argumentarão que essas mudanças limitam a mobilidade; os otimistas responderão que elas a aprimoram, reduzindo os requisitos de trabalho relacionados a habilidades técnicas ou “duras”.
Quem estará certo?
A verdade é que a IA abrirá portas para alguns trabalhadores e as fechará para outros. Como parte de uma colaboração entre o Burning Glass Institute e o Harvard Business School Project on Managing the Future of Work, descobrimos que aproximadamente 12% dos trabalhadores dos EUA estão atualmente em ocupações nas quais a IA de geração provavelmente automatizará uma proporção significativa das tarefas associadas a empregos de nível básico. Isso, inelutavelmente, levará a uma redução nas contratações de nível básico. Já está acontecendo: com o advento do Copilot com IA de geração da Microsoft, a contratação para empregos de engenharia de software de nível básico estagnou em grande parte . Por outro lado, cerca de 19% dos trabalhadores estão em campos nos quais a IA de geração provavelmente assumirá tarefas que exigem conhecimento técnico hoje, abrindo assim mais oportunidades para aqueles sem habilidades técnicas.
Nossa análise sugere que, nos próximos anos, a maior parte de 50 milhões de empregos será afetada de uma forma ou de outra. A extensão dessas mudanças obrigará as empresas a reformular suas estruturas organizacionais e repensar suas estratégias de gestão de talentos de maneiras profundas. As implicações serão de longo alcance, não apenas para as indústrias, mas também para os indivíduos e a sociedade. As empresas que responderem habilmente estarão melhor posicionadas para aproveitar o potencial de aumento de produtividade da IA de geração, ao mesmo tempo em que mitigam o risco representado pela escassez de talentos.
Quais ocupações têm mais probabilidade de seguir esse padrão de empoderar trabalhadores experientes enquanto estreitam o acesso para os menos experientes? Para responder a essa pergunta, olhamos para algo familiar a qualquer um que tenha começado um novo emprego: curvas de aprendizado.
Curvas de ganhos e curvas de aprendizagem
É um conceito simples com implicações profundas. Em alguns empregos, não demora muito para pegar o jeito, como no caso de dirigir em aplicativos de carona. Mas em uma ampla gama de empregos, de vendas a engenharia de software, existem lacunas significativas entre o que um novato e um titular experiente sabem.
As curvas de aprendizado capturam as diferenças no tempo que os trabalhadores em diferentes empregos levam para atingir o pico de produtividade. Quando a produtividade de trabalhadores mais experientes em uma ocupação supera em muito a de seus colegas de nível básico, a curva de aprendizado é íngreme. Em muitas dessas ocupações, nossa análise indica que as habilidades de nível básico são mais expostas à automação de IA gen do que aquelas de funções de nível superior — um sinal de que as barreiras para funções de nível básico nessas ocupações provavelmente aumentarão.
Então, em quais ocupações a IA de geração criará barreiras de especialização?
Para responder a essa pergunta e avaliar como o mercado valoriza as diferenças no aprendizado, analisamos curvas de ganhos em uma variedade de ocupações diferentes. (Curvas de ganhos são um bom proxy para o crescimento da produtividade ao longo do tempo, porque geralmente refletem o tempo que leva para aprender uma disciplina.) Isso nos permitiu isolar funções nas quais trabalhadores experientes comandam salários significativamente mais altos, implicando um prêmio significativo para a expertise adquirida. Em seguida, avaliamos como os perfis de habilidades diferem entre trabalhadores menos e mais estáveis em cada ocupação, com base em dois anos de dados de anúncios de emprego nos EUA que cobriram milhões de anúncios de emprego online.
Em seguida, para prever quais habilidades provavelmente mudarão em importância, adaptamos um modelo de como a adoção da IA gen afeta as tarefas dentro das ocupações. Isso nos permitiu identificar empregos que têm uma curva de aprendizado íngreme e significativamente mais exposição à IA gen para trabalhadores menos experientes do que para trabalhadores mais experientes. Como a IA gen assume uma parcela significativa das tarefas de nível básico nessas funções, o acesso aos caminhos de carreira tradicionais pode diminuir significativamente. As 100 principais ocupações nesta categoria — que incluem funções como especialista em gerenciamento de projetos, gerente de treinamento e desenvolvimento, web designer e especialista em risco financeiro — atualmente empregam 17,8 milhões de pessoas, ou cerca de 12% da força de trabalho dos EUA.
Neste gráfico, apresentamos uma amostra pequena, mas representativa, das categorias de carreira em nosso conjunto de dados.
No topo estão os caminhos de carreira com uma curva de aprendizado íngreme. Nessas carreiras, os recursos da IA gen podem aumentar a produtividade de trabalhadores experientes, ao mesmo tempo em que reduzem a necessidade de seus colegas menos experientes. Por exemplo, um analista de crédito experiente pode usar a IA gen para avaliar a capacidade de crédito de uma empresa e comparar a saúde financeira dessa empresa com a de colegas de seu setor, em vez de atribuir essas tarefas a subordinados. O papel dos analistas de crédito aqui muda: em vez de reunir e integrar informações usando uma ferramenta como o Microsoft Excel e contrastar suas descobertas com as políticas de crédito de seus empregadores, eles agora exploram cenários mais variados, usando as descobertas para revisitar a capacidade de crédito de clientes existentes ou trabalhando com colegas para identificar novos clientes em potencial que atendam aos padrões de sua instituição. É importante ressaltar que isso também incluirá a criação e solicitação de agentes de IA gen para executar muitas dessas tarefas.
Tal mudança ameaça deslocar progressões desgastadas pelo tempo de novato para especialista. À medida que a IA de geração assume tarefas que tradicionalmente serviram para desenvolver capacidade fundamental, os recém-chegados terão menos oportunidades de ganhar a experiência que permitiu que seus antecessores avançassem para posições de nível superior. Essa tendência deve gerar preocupações para os empregadores, que podem enfrentar desafios no desenvolvimento de futuros pipelines de talentos.
Compare isso com as categorias de carreira representativas na parte inferior do gráfico, que oferecem apenas um prêmio modesto pela experiência, porque elas dependem principalmente de habilidades técnicas que você pode aprender. (Você pode operar um terminal de ponto de venda ou não.) Como a IA de geração — e a tecnologia de forma mais geral — facilitarão o aprendizado dessas habilidades e o refinamento rápido delas no trabalho, esses caminhos podem se tornar mais acessíveis.
Ampliando o acesso aos empregos
Para identificar ocupações nas quais a IA gen pode reduzir barreiras, começamos novamente com nossa análise da curva de aprendizado. Neste caso, focamos em ocupações com crescimento salarial relativamente estável no início da carreira, onde encontramos uma distribuição que sugere que o principal desafio em tal ocupação é ser contratado inicialmente, em vez de dominá-lo. Em seguida, buscamos avaliar a natureza da expertise necessária para obter acesso a esses empregos, empregando uma análise baseada em LLM dos requisitos de trabalho para distinguir entre ocupações pesadas em conhecimento explícito (que podem ser aprendidas em livros ou cursos) e aquelas cujos requisitos representam conhecimento implícito acumulado (normalmente adquirido por meio da experiência). Isso nos permitiu identificar ocupações definidas por alto conhecimento explícito, onde as ferramentas de IA gen podem potencialmente tornar as habilidades necessárias mais acessíveis.
As barreiras de especialização inerentes a esses tipos de empregos significam que eles frequentemente enfrentam uma escassez de candidatos qualificados. A Gen AI poderia aliviar essa pressão facilitando a aquisição de conhecimento de domínio ou outras habilidades (como escrita ou proficiência em idiomas) que excluíam trabalhadores qualificados. Identificamos 100 empregos nessa categoria, atualmente empregando 28,6 milhões de pessoas, ou quase 20% da força de trabalho dos EUA. À medida que as ferramentas de Gen AI simplificam a aquisição de habilidades, essas ocupações — entre elas especialista em data warehouse, gerente de construção, desenhista elétrico e administrador de rede — podem se tornar recentemente acessíveis a uma gama maior de trabalhadores. Nesses campos, curvas de aprendizado achatadas, principalmente no início da carreira, podem potencialmente reduzir as barreiras para entrar em empregos de alta demanda e alta remuneração. A Gen AI também está definida para revolucionar áreas como design gráfico, programação, escrita e análise de dados, onde tarefas sofisticadas podem ser cada vez mais executadas por indivíduos com treinamento menos especializado.
Novos Desafios para as Organizações
Com a IA de geração remodelando o cenário do trabalho, as empresas enfrentam uma nova realidade que exige adaptação estratégica. O impacto paralelo de barreiras elevadas e reduzidas em diferentes ocupações exigirá uma reformulação fundamental das estruturas organizacionais e estratégias de talentos. As empresas terão que lidar, em particular, com as implicações nas seguintes áreas.
Estrutura organizacional.
O estreitamento de funções de nível de entrada em alguns campos mudará fundamentalmente a aparência das organizações. Atualmente, muitas operam com uma estrutura de pirâmide, com vários trabalhadores de nível de entrada apoiando cada função sênior. À medida que a IA de geração automatiza tarefas de nível de entrada, essa proporção pode mudar drasticamente. Uma estrutura que antes tinha cinco trabalhadores de nível de entrada para cada função sênior pode evoluir para uma proporção de dois para um, ou até menos.
Novas oportunidades e desafios surgirão à medida que a IA de geração remodela as pirâmides organizacionais em algumas partes da empresa em estruturas mais retangulares ou em forma de diamante. Essas estruturas podem facilitar a troca de informações mais rápida e a comunicação mais direta entre os níveis organizacionais, permitindo uma tomada de decisão e execução mais ágeis. Elas também podem permitir que as empresas implantem equipes menores e mais ágeis. À medida que a IA de geração assume muitas tarefas de rotina e processos de tomada de decisão, a necessidade de várias camadas de gerência intermediária também deve diminuir, resultando em conexões mais diretas entre a liderança sênior e os trabalhadores mais juniores. Trabalhadores experientes, capacitados por ferramentas de IA de geração, podem exigir menos supervisão direta, reduzindo ainda mais a necessidade de camadas de gerenciamento. À medida que a IA de geração assume tarefas que dependem de profunda experiência técnica, as empresas podem ser capazes de rotacionar talentos de alto potencial por mais funções para prepará-los para cargos de gerência no futuro.
No entanto, estruturas organizacionais mais planas e em formato de diamante também podem criar menos oportunidades para os funcionários ganharem experiência em gestão. A redução de camadas permitida pela IA de geração reduzirá o número de promoções, limitando as oportunidades dos trabalhadores de ganhar a experiência necessária para progredir em suas carreiras. As empresas precisarão ajustar os planos de carreira e criar novas maneiras de recompensar as habilidades e a expertise de execução e colaboração.
Estratégia de talentos.
As hierarquias organizacionais em evolução exigirão que as empresas repensem como lidam com o recrutamento e o desenvolvimento de carreira. As empresas provavelmente concentrarão os esforços de recrutamento em menos provedores de habilidades. As equipes de aquisição de talentos precisarão se tornar significativamente mais ágeis para acessar pools de talentos que se alinhem às demandas tecnológicas em rápida evolução. Além disso, à medida que as empresas reduzem as fileiras de trabalhadores iniciantes, o pool de candidatos disponíveis para promoção diminuirá, o que significa que maximizar a qualidade dos novos recrutas será primordial. As empresas em crescimento precisarão desenvolver novos pipelines de talentos, talvez em parte recrutando de outros setores, enquanto encontram novas maneiras de nutrir e preparar talentos para funções seniores.
Essas dinâmicas também podem levar a uma maior competição por trabalhadores experientes, tornando a retenção de talentos uma prioridade crítica — uma mudança de um modelo de aquisição de talentos do tipo “rotatividade e queima” para um mais focado em investir e reter trabalhadores com escassa experiência.
Modelos de treinamento.
Hoje, uma parcela significativa dos orçamentos de aprendizagem e desenvolvimento é dedicada à integração de novos trabalhadores. À medida que a força de trabalho em algumas ocupações se torna mais concentrada em torno de um pequeno grupo de especialistas, o treinamento inicial pode se tornar menos importante do que aumentar a produtividade dos funcionários existentes. Uma vez que a IA de geração se torne amplamente integrada ao local de trabalho, isso significará identificar e, em seguida, investir nas habilidades que serão cada vez mais importantes para cada função — e que manterão aqueles que são mais experientes no topo de seu jogo. Organizações em forma de diamante precisarão reestruturar os caminhos de aprendizagem para facilitar a transferência lateral de trabalhadores experientes de outros campos e trabalhadores cujas carreiras podem ser interrompidas pela IA.
Os empregadores precisarão adotar novos modelos de treinamento que acelerem o aprendizado, tanto para ajudar os trabalhadores existentes a se adaptarem quanto para permitir que novos trabalhadores subam a curva de aprendizado mais rapidamente. Para evitar atrasar a implementação de tecnologias inovadoras enquanto esperam que terceiros desenvolvam programas de treinamento, eles provavelmente favorecerão programas personalizados e desenvolvidos internamente, baseados fortemente em conhecimento específico da empresa e do setor. Em um local de trabalho com poucas oportunidades de nível básico para aprender no trabalho, as simulações provavelmente se tornarão mecanismos importantes para permitir que os trabalhadores ganhem experiência crítica de maneiras que exijam muito menos tempo no assento.
Conhecimento específico da empresa.
À medida que a IA gen automatiza habilidades mais generalizadas, o conhecimento específico da empresa provavelmente se tornará um fator cada vez mais importante para desbloquear a produtividade dos trabalhadores. As empresas desejarão se concentrar em identificar e cultivar esse conhecimento e em se e como construir infraestrutura para torná-lo mais acessível aos trabalhadores. Isso envolverá decisões sobre a criação de novos sistemas de gerenciamento de conhecimento, como wikis internos e plataformas de aprendizado com tecnologia de IA. As organizações precisarão considerar o quanto de barreira desejam que o conhecimento específico da empresa seja e como equilibrar os benefícios da especialização com a necessidade de flexibilidade da força de trabalho.
Navegando no cenário de talentos impulsionado pela IA
A revolução da IA gen está mudando não apenas o que , mas também como aprendemos. As curvas de aprendizado tradicionais estão sendo redesenhadas, criando novos paradigmas para aquisição de habilidades e avanço na carreira. Essa mudança exige uma reformulação fundamental de como as empresas abordam a gestão de talentos e como os indivíduos navegam em suas carreiras.
À medida que essa revolução se desenrola, seus efeitos evoluirão de maneiras desafiadoras de prever. Nossa análise atual fornece apenas um instantâneo estático com base em ocupações, habilidades e capacidades de IA existentes. À medida que a IA de geração amplia o acesso a certas ocupações de alta qualificação, o aumento da oferta de mão de obra pode potencialmente pressionar para baixo os salários nesses campos — uma possibilidade não modelada em nosso estudo. Isso representa uma via crucial para pesquisas futuras. Além disso, à medida que a tecnologia avança, o limite entre o que deve ser aprendido no trabalho versus por meio de instrução formal provavelmente continuará mudando, complicando o cenário.
As organizações que prosperarão serão aquelas que abraçarem a natureza fluida das curvas de aprendizado aumentadas pela IA. Elas verão cada curva não como uma trajetória fixa, mas como um caminho dinâmico que pode ser remodelado e otimizado com as estratégias e ferramentas certas. Ao fazer isso, elas não estarão apenas se adaptando à revolução da IA. Elas estarão ajudando a moldar seu curso, construindo uma força de trabalho mais ágil, hábil, diversa e produtiva.
Fonte HBR