Ganhadores e perdedores na transformação digital do trabalho

05-03-2021 - Michael Spence

Talvez nenhum outro aspecto da revolução digital tenha recebido mais atenção do que o impacto da automatização nos empregos, locais de trabalho e rendimentos. Existe ao menos um bom motivo para isso – mas provavelmente não é o que a pessoas mencionariam.

Usar máquinas para aumentar a produtividade não é algo novo. No sentido de que toda ferramenta é uma máquina, humanos vêm fazendo isso a maior parte de nossa curta história neste planeta. Porém, desde a primeira Revolução Industrial – quando as máquinas a vapor e a mecanização promoveram um enorme e contínuo aumento da produtividade –, este processo só aumentou a velocidade.

Nem todo mundo acolheu a transição. Muita gente temia que uma demanda reduzida por mão de obra fosse levar a uma situação de desemprego elevado permanente. O que não aconteceu. Em vez disso, a produtividade e os rendimentos em alta impulsionaram a demanda e, com ela, a actividade económica. Com o tempo, os mercados de trabalho se adaptaram em termos de capacitações, e eventualmente as horas de trabalho diminuíram, à medida que o equilíbrio salário-lazer mudou de lugar.

No entanto, à medida que a ampliação da mão de obra humana cede lugar à automatização – com máquinas realizando um número cada vez maior de tarefas de modo autónomo nas áreas de informação, controle e transacções da economia –, os receios de perda de trabalhos em grande escala voltam a proliferar. Afinal, os empregos nas áreas administrativa e produtiva envolvem tarefas na maioria dos casos  rotineiras – isto é, facilmente codificáveis – e que vêm desaparecendo a uma velocidade cada vez maior, especialmente desde 2000. Como muitos destes trabalhos ocupavam o meio da distribuição de renda, este processo vem alimentando uma polarização do emprego e da renda.

Como no século 19, contudo, os mercados de trabalho estão se adaptando. No início, trabalhadores desempregados conseguem buscar novas oportunidades em vagas que exijam suas capacidades preexistentes. Porém, diante de oportunidades limitadas, estes logo  começam a procurar empregos com menos qualificações profissionais (ou com qualificações mais facilmente conseguíveis), incluindo empregos de meio período na economia dos bicos facilitada pela internet, ainda que isso signifique aceitar um pagamento menor.

Com o tempo, um número crescente de trabalhadores começa a investir em conseguir qualificações que estejam em demanda nas categorias de emprego não rotineiras e que pagam melhor. Este é um processo que costuma levar tempo, embora tenha sido acelerado em alguns países, entre eles os Estados Unidos, por iniciativas que envolvem governo, empresas e instituições de ensino.

Porém, mesmo com mecanismos de suporte institucional, o acesso ao desenvolvimento de capacidades em geral está longe de ser justo. Somente aqueles com tempo e recursos financeiros suficientes podem fazer o investimento necessário e, em uma sociedade profundamente desigual, muitos trabalhadores são excluídos deste grupo. Contra este pano de fundo, nós provavelmente devíamos nos preocupar menos com o desemprego permanente em grande escala e mais com uma alta na desigualdade e em suas ramificações sociopolíticas.

Sem dúvida, a adaptação tecnológica pode diminuir a magnitude do problema da obtenção de qualificações. Afinal, os mercados recompensam inovações que facilitem o uso de equipamentos e sistemas digitais. Por exemplo, a interface gráfica do usuário, que permite nossa interacção com dispositivos electrónicos por meio de representações de indicadores visuais, é hoje algo tão omnipresente que já é tratado com naturalidade. À medida que abordagens intuitivas como esta são aplicadas a processos tecnológicos cada vez mais complexos, a necessidade de reciclagem profissional – e, com ela, o impacto distributivo da revolução digital – irá diminuir.

O avanço na inteligência artificial também causará impacto. Até dez anos atrás, a automatização dependia de codificar tarefas: máquinas são programadas com um conjunto de instruções que reproduz a lógica do processo humano de tomada de decisões. Mas e quanto às tarefas que não podem ser resumidas em uma série de passos lógicos e predefinidos? Desde entender linguagens naturais a reconhecer objectos visualmente, um número surpreendentemente maior de actividades – até mesmo as declaradamente mais simples – se enquadra nesta categoria. Isto tem mantido muitos empregos “a salvo” da automatização, mas não por muito tempo, graças aos avanços em machine learning (aprendizado de máquina, no original em inglês).

Machine learning é essencialmente um reconhecimento de padrões altamente sofisticado. Usando grandes bancos de dados e enorme poder de computação, máquinas aprendem a fazer coisas que nós não conseguimos codificar. Elas fazem isso usando exemplos, em vez de uma lógica baseada em regras. Avanços em machine learning estão abrindo caminho para diversas novas áreas da automatização: robótica, veículos autónomos e digitalização de literatura médica técnica para artigos chave. Em muitos segmentos – como o de reconhecimento de padrões na genética e na ciência biomédica –, as máquinas não se tornaram capazes de substituir apenas os trabalhadores humanos; em certos aspectos, as capacidades destas máquinas ofuscam as de qualquer ser humano.

Isto é melhor notícia do que pode parecer. Sim, muito mais tarefas e subtarefas serão realocadas para máquinas. Porém, o propósito e ponto de chegada da revolução digital tem de ser transformar a automatização do trabalho em complemento digital. E quando as máquinas realizam tarefas que os humanos não conseguem, o que estamos obtendo é precisamente este reforço.

Embora seja impossível dizer com precisão neste estágio inicial, há razões para crer que os custos de transição desta nova rodada de mudanças ligadas ao local de trabalho serão experimentados de modo mais ampla em todo o espectro de rendimentos do que foi a primeira. No andar de baixo do espectro da renda global, os avanços na inteligência artificial e na robótica desestabilizarão e, com o tempo, abolirão a produção dependente de mão de obra – e os modelos de desenvolvimento que dependem dela. No andar de cima, as qualificações profissionais baseadas em machine learning terão enorme impacto na pesquisa científica e no desenvolvimento tecnológico, assim como nos serviços de ponta.

Persiste o fato, porém, de que estamos lidando com transições altamente complexas, e não com equilíbrios: e não podemos esperar que adaptação natural dos trabalhadores e mercados de trabalho produza resultados justos, especialmente com as enormes diferenças nos recursos que cada lar tem como ponto de partida. Por isso, legisladores (em parceria com empresas, trabalhadores e escolas) têm de focar em medidas para reduzir a desigualdade de renda e de riqueza, entre elas garantir acesso amplo a serviços sociais de alta qualidade, como educação e capacitação profissional. Sem este tipo de intervenção, há risco significativo de que a transformação digital do trabalho deixe muitos para trás, com consequências negativas para a coesão social no longo prazo.

MICHAEL SPENCE

Michael Spence, vencedor do Prémio Nobel de Economia, é Professor Emérito de Economia e ex-reitor da Graduate School of Business da Universidade de Stanford. Ele é Senior Fellow na Hoover Institution, actua no Comité Académico da Luohan Academy e co-preside o Conselho Consultivo do Ásia Global Institute. Ele foi presidente da independente Comissão de Crescimento e Desenvolvimento, órgão internacional que de 2006 a 2010 analisou oportunidades de crescimento económico global, e é o autor de The Next Convergence: The Future of Economic Growth in a Multispeed World.

Voltar