Os Agentes de IA Substituem os Freelancers? O Que Dizem 4 Anos de Evidência (ChatGPT, Claude, Upwork, Jobbit)

Hoje, todos os empresários colocam uma versão da mesma pergunta: que trabalho pode ser entregue a um agente de IA, e que trabalho ainda precisa de uma pessoa? Por uma vez, esta pergunta tem um laboratório. Desde o final de 2022, as plataformas de freelance online que acolhem milhões de escritores, tradutores, designers e programadores têm também acolhido uma experiência natural sobre o que acontece quando um substituto competente para o trabalho de conhecimento rotineiro surge da noite para o dia, a um custo marginal quase nulo, num mercado onde cada trabalho é publicado, tem um preço e é datado.

Este estudo de caso trata essa experiência como um académico trataria qualquer outro corpo de evidência: o que foi exatamente medido, com que rigor, o que os resultados mostram e o que ainda não conseguem mostrar. Baseia-se em estudos revistos por pares e em documentos de trabalho de investigadores de Stanford, do MIT, da Harvard Business School, da Universidade de Chicago e da UCLA, em experiências de campo aleatorizadas dentro da BCG e da Alibaba, em avaliações de capacidades da METR e da OpenAI, e nos próprios dados das plataformas Upwork e Fiverr. O período abrangido vai de novembro de 2022, quando o ChatGPT foi lançado, a agosto de 2026, quando o mais recente destes estudos foi atualizado.

A resposta curta ao título é que, até agora, os agentes substituíram tarefas e não freelancers, e que essa substituição tem sido estreita, rápida e desigual. A resposta longa é mais útil, porque diz a uma empresa onde está atualmente essa fronteira e como trabalhar dos dois lados dela.

Síntese dos resultados

Cinco conclusões resistem a uma leitura cética da evidência.

Primeira, a substituição é real e concentrada. Nos oito meses seguintes ao lançamento do ChatGPT, as publicações de trabalhos de escrita e programação propensos à automação numa plataforma global líder caíram cerca de 21% em relação ao trabalho de natureza manual, e as ferramentas de geração de imagem reduziram as publicações de trabalhos de imagem em cerca de 17%. No Upwork, as credenciais e a reputação tornaram-se, de forma mensurável, menos preditivas de quem é contratado nas categorias expostas à IA, enquanto o preço se tornou mais preditivo.

Segunda, o efeito no mercado de trabalho em geral continua a ser pequeno. O estudo mais preciso, baseado em registos administrativos dinamarqueses, exclui efeitos nos rendimentos ou nas horas trabalhadas superiores a 2% dois anos após o ChatGPT. A exceção é acentuada: nos Estados Unidos, o emprego de trabalhadores dos 22 aos 25 anos nas profissões mais expostas à IA situa-se agora cerca de 19% abaixo do nível que teria atingido se tivesse acompanhado o ritmo de pares menos expostos.

Terceira, os ganhos de produtividade obtidos ao trabalhar com IA são grandes mas desiguais. São maiores para os trabalhadores menos experientes em tarefas rotineiras e podem tornar-se negativos para especialistas em tarefas fora da competência da ferramenta. Num ensaio rigoroso, programadores experientes foram 19% mais lentos com ferramentas de IA, ao mesmo tempo que acreditavam ser 20% mais rápidos.

Quarta, os agentes passaram de assistentes a trabalhadores. A duração das tarefas que um sistema de fronteira consegue concluir tem vindo a duplicar a cada poucos meses, e avaliadores especializados, em avaliação cega, já classificam os resultados dos melhores modelos como iguais ou superiores aos de um profissional em quase metade dos casos. Mas, uma vez contabilizado o tempo de revisão e correção, a poupança medida cai de cerca de noventa vezes para algo entre 12% e 39%, e mesmo os melhores agentes de trabalho continuam, ocasionalmente, a cometer pequenos erros com consequências irreversíveis.

Quinta, a resposta racional, e aquela para a qual as plataformas estão a convergir, é uma divisão do trabalho: agentes para trabalho digital rotineiro e revisável; pessoas para o discernimento, a responsabilização, a presença e tudo o que for irreversível; e uma transição deliberada entre os dois.

O argumento: por que razão as plataformas de freelance são o laboratório certo

Os economistas do trabalho trabalham normalmente com inquéritos anuais e códigos ocupacionais amplos. As plataformas de freelance online oferecem algo mais raro: trabalho decomposto em tarefas individuais, cada uma com uma data de publicação, um preço, uma categoria, um comprador, um vendedor e um resultado. Quando surge uma tecnologia capaz de realizar algumas dessas tarefas, a mudança manifesta-se em poucas semanas no fluxo de publicações, em quem ganha o contrato e a que preço. O mercado também adota novas ferramentas de forma instantânea, porque não existe qualquer ciclo de aquisição entre um freelancer e um separador do navegador.

As mesmas características tornam o laboratório imperfeito. As plataformas registam a procura publicada, não toda a procura; um cliente que passa a fazer o trabalho internamente com um agente desaparece dos dados, em vez de aparecer como uma substituição. As categorias mudam, pelo que um declínio em "escrita" pode ser, em parte, uma reclassificação para "edição de conteúdo com IA". A maioria dos grandes conjuntos de dados são americanos, e os freelancers das plataformas não são representativos da força de trabalho. Estas limitações são relevantes para a interpretação, e voltaremos a elas mais adiante, mas não tornam a evidência inútil. Tornam-na antes um indicador avançado, e não um censo.

O que está em jogo não é pouco. A IPSE estima a força de trabalho freelance no Reino Unido em cerca de 2.05 milhões de pessoas, aproximadamente metade dos 4.2 milhões de trabalhadores por conta própria sem empregados do país, usando uma definição limitada aos três grupos ocupacionais mais qualificados. São precisamente essas as ocupações que os estudos de aplicabilidade da IA classificam mais alto.

Uma cronologia da evidência, 2022 a 2026

Resultado 1: a substituição é real, rápida e estreita

A evidência rigorosa mais antiga veio de Xiang Hui, Oren Reshef e Luofeng Zhou, cujo estudo sobre uma grande plataforma de trabalho online foi publicado na Organization Science em 2024 e mais tarde recebeu o Olin Award da Washington University para investigação com impacto prático. Comparando freelancers em ocupações expostas ao ChatGPT, ao DALL-E 2 e ao Midjourney com freelancers em ocupações menos expostas, os autores encontraram declínios tanto no número de trabalhos como nos rendimentos mensais do grupo exposto. A conclusão que mais perturbou a área foi a relativa à qualidade. Os freelancers com boas classificações passadas e longos historiais não ficaram protegidos; pelo contrário, os autores relatam evidência sugestiva de que os profissionais com melhor desempenho foram os mais atingidos. A leitura mais plausível é que, no trabalho rotineiro de texto e imagem, um resultado humano excelente e um resultado de máquina adequado se tinham tornado substitutos próximos aos olhos dos compradores, pelo que o prémio pela excelência foi o primeiro a desaparecer.

Ozge Demirci, Jonas Hannane e Xinrong Zhu mediram depois diretamente o lado da procura. Usando publicações de uma grande plataforma global de freelance, num artigo publicado na Management Science em 2025, os autores encontraram uma queda de 21% nas publicações de trabalhos de escrita e programação propensos à automação em relação a trabalhos de natureza manual, nos oito meses seguintes ao lançamento do ChatGPT, e uma queda de 17% nas publicações de criação de imagem após a chegada dos modelos geradores de imagem. Dois resultados secundários importam tanto quanto o resultado principal. As publicações que permaneceram nas categorias expostas eram mais complexas e mais bem pagas, e a concorrência por elas intensificou-se. Por outras palavras, a substituição não esvaziou a categoria; retirou-lhe a base.

Porque foram a escrita, a tradução e o trabalho de imagem os primeiros a ser afetados? A análise de 200,000 conversas anonimizadas do Bing Copilot feita pela Microsoft Research, publicada em 2025, dá forma ao mecanismo. As ocupações com maior aplicabilidade da IA eram aquelas cujo trabalho consiste em reunir, produzir e comunicar informação; intérpretes e tradutores lideravam a lista, com 98% das suas atividades de trabalho a sobrepor-se a tarefas que o assistente já desempenhava bem. Aplicabilidade não é substituição, e os autores têm o cuidado de o afirmar, mas a classificação prevê quase exatamente quais as categorias de freelance que os estudos das plataformas revelaram estar a encolher.

A evidência mais recente e, para um leitor do mundo empresarial, a mais instrutiva vem de Auyon Siddiq e Niuniu Zhang, da UCLA Anderson. O seu documento de trabalho de 2026, "Human Capital, AI, and Labor Commoditization" (Capital Humano, IA e Comoditização do Trabalho), acompanha quase 50,000 freelancers do Upwork que já estavam ativos antes do ChatGPT, ao longo de 21 trimestres, do início de 2021 ao início de 2026, cobrindo 2.26 milhões de contratos concluídos. Em vez de contar trabalhos, os autores perguntam o que prevê quem é contratado. Nas categorias mais expostas à IA, como a tradução e a escrita, o peso preditivo combinado da autoapresentação, das credenciais e da reputação de um freelancer caiu cerca de 7.8% em relação a categorias menos expostas, como a fotografia, e o peso do preço aumentou. No último ano, as medidas de capital humano tinham perdido cerca de 10.1% da sua importância, e o preço tinha ganho cerca de 1.8%. A vantagem detida pelos freelancers experientes reduziu-se em 6.2% e depois em 10.3%, e, no trabalho mais exposto, os freelancers mais baratos ganharam mais 7.9% de contratos. A procura global nos setores expostos caiu cerca de 7%. A palavra que os autores usam para isto é comoditização: quando um comprador consegue obter de um modelo um primeiro rascunho aceitável, aquilo que está disposto a pagar a um humano deixa de ser "quem és tu" para passar a ser "quanto custas".

Resultado 2: o efeito agregado continua a ser pequeno, com uma exceção gritante

Se a evidência das plataformas fosse toda a história, as estatísticas nacionais já deveriam refletir isso. Na sua maioria, não refletem, e os estudos que não encontram efeitos de grande dimensão estão entre os mais bem desenhados.

Anders Humlum e Emilie Vestergaard associaram inquéritos de adoção em grande escala a registos administrativos laborais dinamarqueses, abrangendo 25,000 trabalhadores e 7,000 locais de trabalho em onze ocupações expostas. O seu documento de trabalho da NBER, inicialmente divulgado em 2025 e revisto em março de 2026, documenta uma adoção rápida: a maioria dos empregadores em ocupações expostas tinha lançado iniciativas de chatbots, os trabalhadores reportaram benefícios de produtividade, e novas tarefas relacionadas com IA eram generalizadas. No entanto, as estimativas de diferenças em diferenças sobre rendimentos e horas registadas são nulas de forma precisa, excluindo efeitos superiores a 2% dois anos após o ChatGPT, tanto ao nível do trabalhador como ao nível do local de trabalho. O que mudou foi a estrutura do trabalho: os empregadores absorveram a tecnologia através da reorganização de tarefas, incluindo novas tarefas em geração de conteúdo, supervisão de IA e integração de IA, e os adotantes deslocaram-se para ocupações mais bem pagas onde as ferramentas são mais úteis, ainda que em números demasiado pequenos para alterar as médias. A versão anterior do artigo situava a poupança de tempo autorreportada em menos de 3% das horas de trabalho, uma fração dos ganhos, muitas vezes superiores a 15%, documentados por ensaios controlados nas mesmas ocupações. A diferença entre aquilo que a IA consegue fazer num ensaio e aquilo que muda numa folha de pagamentos é o grande enigma desta literatura, e é na Dinamarca que essa diferença é medida com maior rigor.

O Budget Lab at Yale chega a uma conclusão semelhante para os Estados Unidos por uma via diferente. Acompanhando a composição ocupacional do emprego e aplicando diferenças em diferenças sintéticas a ocupações expostas à IA, as suas atualizações de 2025 e 2026 não encontram um efeito claro da IA. O início de 2026 mostra poucos despedimentos mas também pouca contratação, e os autores argumentam que seria de esperar que uma tecnologia com efeitos generalizados demorasse mais do que os cerca de três anos passados desde o ChatGPT para os revelar.

A exceção está documentada por Erik Brynjolfsson, Bharat Chandar e Ruyu Chen, do Digital Economy Lab de Stanford, cujo artigo "Canaries in the Coal Mine?" (Canários na Mina de Carvão?) usa registos salariais da ADP que abrangem milhões de trabalhadores americanos. Na sua atualização de agosto de 2026, com dados até junho de 2026, o emprego de trabalhadores dos 22 aos 25 anos em ocupações fortemente expostas à IA situava-se cerca de 19% abaixo do nível que teria atingido se tivesse acompanhado trabalhadores de idade semelhante em ocupações menos expostas, acima do desvio de 15% registado um ano antes. Em níveis, o emprego desse grupo etário nos dois quintis mais expostos caiu cerca de 11% entre novembro de 2022 e junho de 2026, enquanto o emprego nos três quintis menos expostos cresceu cerca de 10%. Os trabalhadores experientes não mostram um desvio comparável, e os autores afirmam claramente que não veem uma substituição generalizada à escala da economia. Os declínios concentram-se em ocupações onde o uso da IA automatiza o trabalho em vez de o complementar.

Estes resultados são consistentes entre si assim que se deixa de esperar que a IA se comporte como uma recessão. A substituição ao nível da tarefa surge primeiro onde os contratos são mais curtos e mais frequentemente reavaliados em preço: os trabalhos freelance pontuais e a contratação de nível inicial. O mercado freelance é o canário, porque reavalia os seus preços todas as semanas; a folha de pagamentos é a mina, e o ar lá dentro é, até agora, o que menos mudou.

Resultado 3: os ganhos de aumento são grandes mas desiguais, e a fronteira é irregular

O complemento da substituição é o aumento, e aqui a evidência experimental é particularmente sólida, porque a aleatorização é possível.

Brynjolfsson, Danielle Li e Lindsey Raymond estudaram a introdução escalonada de um assistente de IA generativa a 5,179 agentes de apoio ao cliente, num artigo publicado na Quarterly Journal of Economics em 2025. As questões resolvidas por hora aumentaram 14% em média, com um ganho de 34% para agentes principiantes e menos qualificados, e pouca alteração para agentes experientes e altamente qualificados. A ferramenta parecia codificar as práticas dos melhores agentes e transmiti-las aos mais recentes, fazendo-os descer mais depressa na curva de experiência.

Fabrizio Dell'Acqua e colegas da Harvard Business School, em colaboração com a BCG, distribuíram aleatoriamente 758 consultores de gestão por tarefas realistas, com e sem GPT-4, num estudo entretanto publicado na Organization Science. Em dezoito tarefas dentro da competência do modelo, os consultores com IA completaram mais 12.2% de tarefas, 25.1% mais depressa, com uma qualidade classificada 40% mais alta por avaliadores cegos. Numa tarefa deliberadamente escolhida para ficar fora dessa competência, os consultores com IA tinham 19 pontos percentuais menos de probabilidade de chegar à resposta correta. A expressão usada pelos autores para descrever esta fronteira, a fronteira tecnológica irregular, tornou-se a descrição padrão do problema: a competência da ferramenta não segue linhas que um utilizador consiga ver, e os utilizadores são maus a distinguir de que lado da linha se encontram.

Uma experiência de campo nas operações de apoio ao cliente da Alibaba, de Xiao Ni, Tianjun Feng, Lauren Xiaoyuan Lu e coautores, replicou o mesmo padrão de distribuição em larga escala: 5,940 novos agentes, cerca de 2.56 milhões de conversas, 390,000 avaliações de clientes. Os profissionais com pior desempenho foram os que mais melhoraram, tanto em velocidade como em qualidade; os profissionais com melhor desempenho ganharam pouca velocidade e perderam qualidade, tanto em medidas subjetivas como objetivas. A assistência que eleva o piso pode baixar o teto.

Depois há o ensaio aleatorizado da METR com programadores experientes de código aberto, publicado em julho de 2025, que é o resultado de cautela mais citado do período e merece uma formulação precisa. Dezasseis programadores realizaram 246 tarefas reais em repositórios que mantinham, com uma média de mais de 22,000 estrelas e um milhão de linhas de código, com tarefas às quais o uso de ferramentas de IA era aleatoriamente permitido ou negado, sobretudo o Cursor com o Claude 3.5 e 3.7 Sonnet. Com IA, demoraram mais 19%. Antes do estudo, tinham previsto um ganho de velocidade de 24%; depois, estimaram ter sido 20% mais rápidos. O desvio de perceção é tão importante quanto o resultado de produtividade. Sugere que os ganhos autorreportados, que sustentam a maioria dos inquéritos do setor, estão enviesados para cima precisamente onde a experiência é maior. As implicações especificamente para o trabalho de software são discutidas em a IA vai substituir os programadores de software?

Uma revisão de 2025, de R. Maria del Rio-Chanona, Ekkehard Ernst, Rossana Merola, Daniel Samaan e Ole Teutloff, reúne estes fios condutores em toda a literatura: ganhos de produtividade de cerca de 20% a 60% em ensaios controlados e de 15% a 30% em experiências de campo, maiores para principiantes em tarefas simples, mistos em tarefas complexas, com dados de rasto digital a mostrar substituição na escrita e na tradução, a par de uma procura crescente por competências de IA e de evidência ligeira mas crescente de uma procura em declínio para principiantes.

Resultado 4: os agentes passaram de assistentes a trabalhadores, e a diferença de fiabilidade é toda a história

Tudo o que foi dito até aqui diz respeito à IA como assistente de um humano que permanece envolvido em cada etapa. A mudança, desde 2025, é que os sistemas executam agora trabalho de múltiplas etapas com o humano a verificar apenas no final, ou nem sequer isso, e isso altera qual a evidência que importa.

A medida de horizonte temporal da METR avalia durante quanto tempo um sistema consegue realizar uma tarefa, expressa no tempo que um profissional humano necessitaria, com uma taxa de sucesso de 50%. Na revisão da metodologia de janeiro de 2026, com um conjunto alargado a 228 tarefas, incluindo 31 com oito horas ou mais, o tempo de duplicação de longo prazo foi estimado em cerca de 196 dias, com uma duplicação mais rápida de 131 dias desde 2023 e de 89 dias desde 2024. O melhor modelo medido nesse momento, o Claude Opus 4.5, tinha um horizonte de 50% de cerca de 320 minutos, com um intervalo de confiança amplo de aproximadamente três a doze horas. Os autores são explícitos quanto ao facto de um limiar de sucesso de 50% ser generoso para trabalho real, de a tendência ser sensível à composição das tarefas, e de a maioria das tarefas longas usar tempos humanos estimados e não medidos. Tendo em conta estas ressalvas, a direção é inequívoca: a duração do trabalho digital que pode ser delegado tem vindo a crescer exponencialmente.

A avaliação GDPval da OpenAI, divulgada no final de 2025, testa se esse trabalho delegado tem, de facto, qualidade. As tarefas foram escritas por profissionais em 44 ocupações, em nove setores, com uma média de 14 anos de experiência, e classificadas por comparação direta cega feita por especialistas, face ao resultado humano. O melhor modelo, o Claude Opus 4.1, produziu resultados classificados como melhores ou iguais aos do especialista em 47.6% dos casos. O número que uma empresa deve reter é outro. A comparação ingénua entre o tempo de máquina e o tempo humano produz rácios próximos de noventa vezes, mas quando o artigo contabiliza a revisão humana e, quando necessário, a repetição do trabalho, a poupança estimada cai para algo entre 1.12 e 1.39 vezes, consoante a estratégia. Foi na revisão que o custo se concentrou. É o mesmo mecanismo que Dell'Acqua encontrou nos consultores e a METR encontrou nos programadores, agora medido ao nível do resultado entregue.

Os benchmarks de ambiente de trabalho mostram tanto a velocidade do progresso como o que ainda falta resolver. O TheAgentCompany, da Carnegie Mellon, colocou agentes numa empresa de software simulada, com instâncias reais de GitLab, OwnCloud, Plane e RocketChat, e 175 tarefas; o melhor agente completou cerca de um quarto delas no lançamento, no final de 2024, e cerca de 30% durante 2025. Olly Styles e Sam Miller revisitaram o seu benchmark WorkBench em junho de 2026 e relataram que a taxa de conclusão do melhor agente tinha subido de 43%, com o GPT-4 em março de 2024, para 98%, com o Claude Fable 5, enquanto a proporção de execuções com ações prejudiciais não intencionais caiu de 26% para 1.9%. Relatam também que os modelos de fronteira ainda cometem erros básicos que, ocasionalmente, causam danos irreversíveis. Dois por cento é muito bom; mas é também, aproximadamente, uma em cada cinquenta execuções a fazer algo que não devia.

A experiência de campo da Alibaba de 2026, de Yiwei Wang, Chuan Zhu, Tianjun Feng, Lauren Xiaoyuan Lu e Bingxin Jia, é a primeira evidência aleatorizada sobre IA agêntica com humanos envolvidos numa operação de serviço real. Os trabalhadores do grupo de tratamento supervisionavam um agente que geria as conversas de clientes elegíveis, enquanto tratavam o resto manualmente. A duração média das conversas caiu, com efeito limitado no regresso de clientes com o mesmo problema, mas as conversas geridas pelo agente receberam avaliações substancialmente mais baixas. A intervenção humana recuperava a situação muito melhor quando a falha era técnica, uma questão por resolver, do que quando era emocional, um cliente frustrado, e funcionava melhor quando ocorria cedo. Os trabalhadores supervisores também prestavam mais atenção às conversas que continuavam a tratar eles próprios, um efeito colateral positivo. Esta é, até agora, a evidência mais direta sobre a forma como a transição entre agente e pessoa deve ser concebida: observar cedo, intervir sobre os factos, e não deixar os sentimentos a cargo da máquina.

Os dados de adoção confirmam que a mudança não se confina aos laboratórios. O Economic Index da Anthropic de março de 2026 reporta que 49% das ocupações já viram pelo menos um quarto das suas tarefas realizadas com o Claude, e que o trabalho de programação migrou do uso conversacional para fluxos de trabalho automatizados via API, com a quota de programação a subir 14% na API e a cair 18% no produto de conversação desde agosto de 2025. O contributo da Lightcast para o Stanford AI Index de 2026 encontra competências de IA em 2.5% de todas as publicações de emprego nos EUA, e publicações que mencionam um conjunto de competências de "IA agêntica" a subir de 0.06% em 2024 para 0.23% em 2025, cerca de 90,000 publicações. E o UpBench, um benchmark de 2025 construído a partir de trabalhos reais e concluídos no mercado do Upwork, faz com que freelancers especialistas decomponham cada trabalho em critérios de aceitação verificáveis, face aos quais os agentes são avaliados. Avaliar agentes com o mesmo critério que um cliente aplicaria a um freelancer é um sinal de para onde se espera que o lado da oferta se dirija.

Mecanismos: porque é que o padrão é este

Quatro mecanismos explicam a maior parte do que a evidência mostra, e vale a pena enunciá-los, porque permitem prever o que acontece a seguir.

O primeiro é a comoditização da competência rotineira. Quando um modelo produz um rascunho aceitável de uma descrição de produto, de uma tradução ou de um módulo genérico, a disposição do comprador para pagar pelas credenciais de um humano nessa categoria diminui, e o preço torna-se a variável decisiva. Siddiq e Zhang medem exatamente esta mudança, e Demirci e colegas mostram a sua imagem invertida: o trabalho que permanece humano torna-se mais complexo, mais bem pago e mais disputado.

O segundo é o custo de verificação como restrição vinculativa. Produzir tornou-se barato; verificar não. A queda do GDPval de noventa vezes para menos de 1.4 vezes quando se contabiliza a revisão, o abrandamento dos especialistas medido pela METR, e a fronteira irregular descrevem todos a mesma economia. Quem consegue verificar um resultado a baixo custo capta o ganho; quem não consegue paga por isso em retrabalho ou em erro não detetado. É por isso que os ganhos fluem para os principiantes em tarefas com verificações fáceis, e estagnam para os especialistas em tarefas onde verificar custa tanto como fazer.

O terceiro é o défice de aprendizagem. As tarefas que um agente executa bem são as tarefas que as empresas costumavam dar a colaboradores juniores e a freelancers juniores, para que aprendessem. Brynjolfsson, Li e Raymond mostram que a assistência ajuda sobretudo os principiantes; Brynjolfsson, Chandar e Chen mostram que, ainda assim, as empresas contratam menos destes. Ambas as coisas podem ser verdadeiras: uma empresa que precisa de menos juniores para produzir o mesmo resultado contrata menos juniores, mesmo que cada um seja mais produtivo. O custo de longo prazo, uma futura reserva mais reduzida de profissionais experientes, ainda não é visível em nenhum conjunto de dados, e é a variável não medida mais importante nesta área.

O quarto é a persistência de tarefas humanas complementares. O grupo de comparação de trabalho de natureza manual, usado por Demirci, não caiu. A experiência da Alibaba mostra falhas emocionais que resistem à recuperação pela máquina. A responsabilização, a presença, o trabalho físico e as relações permanecem humanas por razões que nada têm a ver com a capacidade do modelo e tudo a ver com aquilo que um cliente está disposto a aceitar.

Um leitor cético deve manter presentes duas explicações alternativas, a par destas. O declínio no nível de entrada nos Estados Unidos coincide com taxas de juro mais altas e com a reversão da contratação da era pandémica no setor tecnológico, o que atingiu de forma independente a mesma coorte; os autores de Stanford abordam esta questão com comparações dentro da mesma empresa e contrastando ocupações que automatizam com ocupações que aumentam, mas o fator de confusão não pode ser totalmente excluído. E cada medida de "exposição" é, ela própria, derivada de um modelo, pelo que os estudos testam, em parte, os pressupostos do classificador. As instituições de negociação coletiva da Dinamarca também podem atenuar respostas salariais que surgiriam mais depressa num mercado de trabalho menos regulado.

Como as plataformas reagiram

Os mercados leram os mesmos sinais e agiram. Em abril de 2025, o diretor executivo da Fiverr, Micha Kaufman, escreveu aos colaboradores que "a IA vem aí para os vossos empregos", incluindo o seu próprio, e instou-os a dominar ferramentas como o Cursor e o Legora; em setembro de 2025, a empresa cortou cerca de 250 postos de trabalho, perto de 30% da sua força de trabalho, para se tornar naquilo a que chamou uma empresa AI-first, depois de ter lançado, em fevereiro desse ano, as suas ferramentas Fiverr Go para criadores. O Upwork tem vindo a transformar o seu assistente, o Uma, naquilo que descreve como um agente de trabalho sempre ativo, que age em nome de clientes e freelancers, e o seu Future Workforce Index de 2026 reformula o freelancer bem-sucedido como um "orquestrador de IA" que liga ferramentas a conhecimento especializado de domínio e aplica discernimento. O mesmo relatório dá o sinal de preço numa única frase: os freelancers que faziam trabalho de IA ganhavam mais 34% por hora do que os que não faziam, o trabalho complexo aumentado por IA viu os rendimentos subirem 45% de ano para ano, enquanto o trabalho de produção criativa e de IA generativa cresceu 90% em novos contratos, à medida que os rendimentos por contrato caíam 13%. O volume deslocou-se para o extremo simples; o dinheiro deslocou-se para o extremo complexo.

A Jobbit, a plataforma na qual este estudo de caso é publicado, foi concebida em torno da divisão do trabalho para a qual a evidência aponta, e não em torno de um dos lados dessa divisão. O agente assume o trabalho digital revisável: construir e publicar um site ou uma aplicação web, redigir documentos e apresentações, conduzir investigação, configurar automações, gerar imagens e vídeo. O utilizador pode observá-lo a trabalhar no navegador do agente e assumir o controlo a qualquer momento, o que corresponde ao padrão de intervenção precoce que a experiência da Alibaba considerou mais eficaz. Para o trabalho que um agente faz mal ou não deve fazer sozinho, trabalhos físicos e locais, revisão especializada com responsabilização, tudo aquilo para que um cliente precise de uma pessoa, a plataforma encaminha para uma rede humana moderada em pro.jobbit.uk. A Jobbit não publicou dados próprios de ensaios, e este estudo não faz qualquer afirmação sobre resultados medidos na plataforma; a afirmação é sobre o ajuste entre uma conceção e a evidência. Os leitores que queiram entender o funcionamento podem começar por o que é, de facto, a IA agêntica, pelo guia sobre observar e assumir o controlo do navegador do agente, e pela lista prática de casos de uso de IA para uma pequena empresa.

O que uma empresa deve fazer com esta evidência

As conclusões traduzem-se numa regra de delegação que qualquer empresário pode aplicar sem ler um único artigo.

Entregue a um agente o trabalho que é rotineiro e revisável: primeiros rascunhos, resumos, briefings de investigação, documentos padrão, um site ou uma ferramenta interna que se possa percorrer e verificar numa tarde. É aqui que todos os estudos encontram os maiores ganhos, especialmente quando a empresa atualmente realiza a tarefa devagar ou nem sequer a realiza, porque o efeito principiante se aplica tanto às empresas como às pessoas. Uma sequência prática para começar está descrita em como automatizar a sua empresa com agentes de IA.

Mantenha uma pessoa no trabalho que é irreversível, emocional, físico ou sujeito a responsabilização: tudo o que envolva enviar dinheiro, apagar dados, lidar com um cliente aborrecido, ou exigir que alguém responda pelo resultado. A experiência da Alibaba e o resíduo de erro do WorkBench apontam na mesma direção.

Inclua o tempo de revisão no cálculo, antes de decidir que um agente é mais barato. A aritmética honesta do GDPval, uma poupança de 12% a 39% e não de noventa vezes, é o número com que se deve planear. Se ninguém na empresa conseguir verificar o resultado, a poupança não é real; a resposta, nesse caso, é ter o agente a fazer o trabalho e um especialista humano a revê-lo, que é precisamente o arranjo pelo qual os dados de freelance mostram que os compradores já estão a pagar um prémio.

Espere que a fronteira seja irregular e que se desloque. Uma tarefa que o agente não conseguia fazer em janeiro pode tornar-se rotineira em setembro, mas o inverso não é verdade. Teste, mantenha um registo do que foi verificado e do que falhou, e reveja a divisão a cada trimestre.

Limitações e questões em aberto

A maioria dos grandes conjuntos de dados é americana, e os dados das plataformas medem a procura publicada, não todo o trabalho realizado. As medidas de exposição são derivadas de modelos, e os resultados herdam, em parte, os pressupostos do classificador. Os horizontes temporais são curtos: dois anos na Dinamarca, menos de quatro nos Estados Unidos, e o argumento dos autores de Yale, de que efeitos generalizados podem demorar mais tempo a surgir, é válido. Os benchmarks não são empregos; as tarefas do GDPval são resultados autocontidos e o WorkBench é um escritório sintético, ao passo que o trabalho real é interrompido, ambíguo e político. A capacidade está a evoluir com rapidez suficiente para que qualquer número apresentado neste estudo seja apenas uma fotografia de um momento, e os estudos com maior probabilidade de serem ultrapassados são os números de capacidade, não os números laborais. Por fim, o efeito mais importante para a próxima década, a saber, se uma cadeia de aprendizagem mais fina reduz a oferta futura de profissionais experientes, ainda não pode ser medido de todo.

Conclusão

Os agentes de IA substituem os freelancers? Até agora, substituem tarefas, e fazem-no onde o resultado de uma tarefa pode ser produzido e avaliado como rotineiro. Isso tem sido suficiente para reduzir o mercado da escrita indiferenciada, da tradução e do trabalho de imagem, para enfraquecer o prémio de contratação associado às credenciais nessas categorias, e para cortar de forma acentuada a contratação de nível inicial em ocupações expostas, deixando, ao mesmo tempo, os rendimentos e as horas trabalhadas em economias inteiras essencialmente inalterados. O freelancer que prospera nos dados é aquele que vende discernimento, responsabilização e a capacidade de dirigir e verificar o trabalho da máquina; a empresa que beneficia é aquela que aprende a delegar o que é rotineiro e a revê-lo, e que mantém uma pessoa em tudo o que não pode ser desfeito. O mercado não está a perder um dos lados da transação. Está a reorganizar-se em torno da transição entre eles, e as plataformas que tornam essa transição fácil são as que a evidência favorece.

Perguntas frequentes

Os agentes de IA substituem os freelancers?

Não como categoria. A melhor evidência entre 2022 e 2026 mostra a IA a substituir tarefas específicas, sobretudo escrita rotineira, tradução, criação de imagem e programação simples, áreas em que as publicações de trabalho caíram cerca de um quinto em relação ao trabalho manual, poucos meses depois do ChatGPT. A procura por trabalho complexo nas mesmas categorias subiu, tanto em remuneração como em concorrência, e os dados nacionais não mostram substituição à escala da economia. Os perdedores mais claros são os trabalhadores de nível inicial em ocupações expostas, não os freelancers experientes.

Que trabalhos freelance são mais afetados pela IA?

Escrita, tradução, edição de conteúdo, produção de imagem e design, e programação rotineira. Estudos sobre o Upwork e outras plataformas constatam que estas categorias perderam publicações e que, no momento da contratação, as credenciais passaram a pesar menos e o preço a pesar mais. O trabalho que é físico, local, baseado em relações, ou que acarreta responsabilização pelo resultado, tem permanecido, até agora, em grande medida por afetar.

É mais barato usar um agente de IA do que contratar um freelancer?

Para trabalho rotineiro e verificável, geralmente sim, mas menos do que as comparações mais divulgadas sugerem. A avaliação GDPval da OpenAI constatou que os modelos produzem resultados profissionais cerca de noventa vezes mais depressa em termos brutos, mas, quando se contabiliza a revisão e a correção humanas, a poupança cai para cerca de 12% a 39%. Se ninguém na empresa conseguir rever o resultado, a opção realista é ter um agente a produzir o trabalho e um especialista humano a verificá-lo.

Que trabalho é que uma pequena empresa ainda deve entregar a uma pessoa?

Tudo o que for irreversível, emocional, físico ou sujeito a responsabilização: pagamentos e eliminações de dados, clientes aborrecidos, trabalhos no local, e resultados pelos quais alguém tem de responder. Uma experiência de campo de 2026 na Alibaba constatou que as conversas de apoio geridas por agentes eram mais rápidas mas recebiam avaliações mais baixas, e que a intervenção humana recuperava falhas técnicas muito melhor do que falhas emocionais. Plataformas como a Jobbit associam um agente para tarefas digitais a uma rede humana, exatamente para este remanescente.

Porque é que os estudos discordam sobre a IA e o emprego?

Na sua maioria, medem coisas diferentes. As experiências controladas medem o que a IA consegue fazer em tarefas selecionadas e encontram ganhos elevados; os dados das plataformas medem a procura por categorias específicas de tarefas e encontram declínios locais acentuados; os dados salariais e administrativos medem o emprego e os rendimentos à escala da economia e, até agora, encontram pouca alteração. O panorama é consistente quando a substituição ao nível da tarefa, o aumento desigual e o ajustamento agregado lento são lidos em conjunto.