TL;DR
A adoção atual de IA no trabalho prioriza corte rápido de custos, não ganhos reais de produtividade. Isso cria risco de compressão da classe média e fragiliza a economia de consumo.
Automação medíocre troca humanos por IA apenas porque é mais barato, tolerando perda de qualidade sem mudança estrutural no modelo de negócio.
Supressão de funções juniores ameaça o pipeline de conhecimento. Sem base de formação hoje, faltam especialistas seniores amanhã.
Automação acelerada pode derrubar salários médios e concentrar renda em donos de capital tecnológico, ao mesmo tempo em que reduz a massa salarial que sustenta o consumo.
A teoria da automação medíocre (so-so automation)
A análise econômica de Daron Acemoglu e Simon Johnson desmonta a narrativa neutra de automação. Os autores definem o conceito de automação medíocre (so-so automation). O termo descreve tecnologias que reduzem o custo unitário, mas não elevam a produção ou a qualidade de forma proporcional.
A IA pode atuar como uma tecnologia de complementação da perícia humana. Em vez disso, muitas implementações atuais apenas deslocam tarefas sem redesenho de fluxos de trabalho. Empresas testam IA porque a combinação de modelo e infraestrutura sai mais barata do que uma folha de pagamento equivalente. A imprecisão dos modelos de linguagem, no entanto, tende a gerar correções manuais permanentes. Dirigentes aceitam essa perda de qualidade em troca da redução imediata de despesas.
Na prática, a IA passa a operar como um mecanismo primário de corte de custos. A revisão profunda dos modelos de negócio ainda é exceção. A automação medíocre normaliza uma engenharia organizacional focada em despesas, não em produtividade sistêmica.
O risco no pipeline de conhecimento e o fim do “degrau de baixo”
Profissionais em início de carreira enfrentam um risco concreto de obsolescência acelerada. Funções como advocacia júnior e desenvolvimento de software de nível inicial já aparecem como alvo de substituição em cenários corporativos.
Obs.: o texto original chama esse “degrau de baixo” de bottom rung.
O alerta sobre o pipeline não vem apenas de abstrações acadêmicas. Pesquisas do Stanford Digital Economy Lab, lideradas por Erik Brynjolfsson, quantificaram esse impacto: a adoção de IA já resultou em quedas de até 20% no emprego de desenvolvedores de software em início de carreira, corroendo agressivamente os degraus iniciais da escada corporativa.
Essa dinâmica tende a seguir três fases:
Fase 1: Automação do trabalho base e margem ilusória. A IA assume a elaboração de contratos padronizados, código repetitivo e produção de relatórios simples. Organizações reduzem a camada júnior e registram melhora de margem no curto prazo.
Fase 2: Sobrecarga cognitiva de especialistas. Sem base de apoio, profissionais seniores acumulam a correção de saídas da IA. A produtividade real cai porque especialistas passam mais tempo revisando erros do sistema do que desenhando soluções novas.
Fase 3: Risco de apagão de talentos. Com o tempo, a empresa perde a capacidade de formar novos especialistas. Faltam trajetórias de aprendizado estruturadas. A ausência de juniores hoje se converte em escassez de seniores amanhã. A capacidade de inovação própria entra em declínio.
Dinâmica de compressão salarial
A automação rápida aumenta a oferta de mão de obra técnica deslocada. Relatórios do FMI projetam que a IA pode afetar perto de 40% dos empregos no mundo, com exposição maior em economias avançadas e em funções cognitivas de média qualificação. Nesse ambiente, trabalhadores posicionados no meio da distribuição competem com modelos para tarefas que podem ser parcialmente automatizadas.
Esse excesso de oferta tende a pressionar os salários para baixo. Profissionais com formação avançada passam a disputar um número menor de vagas que exigem presença humana. Em paralelo, vagas que exigem competências emergentes associadas à IA pagam prêmios salariais, concentrando ganhos em uma minoria que domina essas formações.
A compressão salarial não é apenas um problema individual. Ela reorganiza o balanço de poder de barganha entre trabalho e capital em favor de quem controla modelos, dados e infraestrutura.
O Otimismo Consciente e a Amplificação de Intenção
Se a “automação medíocre” descrita pelo MIT é o cenário de risco, qual é o cenário de sucesso? Em sua abordagem sobre o futuro do trabalho, Erik Brynjolfsson defende o “otimismo consciente”. Ele argumenta que o verdadeiro risco não é a tecnologia em si, mas a resposta humana a ela — especificamente a passividade gerada tanto pelo otimismo cego quanto pelo fatalismo.
Para Brynjolfsson, a inteligência artificial não deve ser vista como um agente substituto, mas como uma tecnologia de amplificação de intenção capaz de promover a reinstalação de tarefas. Se uma empresa tem a intenção de inovar, a IA amplificará essa capacidade, criando mais demanda por profissionais capazes de orquestrar valor. Fenômenos como o vibe-coding (onde profissionais sem treinamento técnico altamente específico conseguem desenvolver software) apontam para a democratização da capacidade de produção. Pessoas passam a focar na concepção estrutural de soluções, tendo potencial para expandir, e não contrair, a base produtiva da classe média.
Substituição total e orquestração de trabalho
A decisão de tratar a IA como substituto direto de pessoas muda a estrutura de incentivos da organização. O caminho alternativo enxerga a IA como camada de orquestração. A diferença aparece em práticas concretas:
Estratégia de substituição
Corte direto de custos de folha como objetivo principal.
Demissão da base de analistas e desenvolvedores assim que a IA executa tarefas básicas.
Tolerância a erros sistêmicos para preservar a economia financeira imediata.
Redução gradual da participação humana em decisões operacionais e de risco.
Estratégia de orquestração
Expansão da capacidade cognitiva como objetivo principal, tratando a IA como um amplificador de intenção corporativa sob supervisão humana rigorosa.
Requalificação da base júnior: democratizar o acesso à resolução de problemas complexos, permitindo que profissionais de nível inicial atuem com a alavancagem de especialistas.
Redirecionamento de equipes para curadoria de dados, validação de modelos e análise de exceções.
Uso da IA para integrar sistemas, reduzir a sobrecarga cognitiva e abrir espaço para o desenho de soluções inéditas.
Risco sistêmico e limite da eficiência financeira
A compressão prolongada da renda da classe média gera um efeito em cadeia sobre a economia de consumo. Se uma tecnologia com potencial de afetar até 40% dos empregos for usada principalmente para cortar massa salarial, a demanda por bens duráveis, serviços e produtos financeiros tende a cair de forma estrutural.
A busca por eficiência estritamente financeira cria uma armadilha macroeconômica. Empresas melhoram margens ao reduzir folha, mas corroem a base de clientes que sustenta suas receitas. Estados perdem arrecadação, pressionando sistemas de previdência e serviços públicos.
A automação voltada apenas à redução de despesa bate em um limite matemático. Em um cenário extremo, a substituição ampla do trabalho destrói o poder de compra que justifica a produção. Ganhos de margem deixam de ter significado em economias com demanda deprimida. A tecnologia só sustenta o crescimento quando acopla ganho de produtividade à criação de novas utilidades e mercados.
Conclusão
A integração de IA no trabalho cognitivo não é um destino manifesto imposto pela tecnologia; é uma escolha de design organizacional. A automação medíocre, a quebra do pipeline de conhecimento e a consequente compressão salarial representam a saída preguiçosa — a ilusão de que substituir humanos por algoritmos baratos sustenta o modelo de negócios no longo prazo.
Como apontam as visões de ponta hoje, que vão da cautela do MIT ao “otimismo consciente” de Stanford, o verdadeiro diferencial não está no tamanho do modelo de linguagem, mas na agência humana. A IA recompensa as organizações que a utilizam proativamente para criar novo valor, e pune as que a enxergam apenas como ferramenta de enxugamento de planilhas. A decisão da próxima década é binária: seremos engolidos pela passividade de cortar custos imediatos, ou usaremos a IA para amplificar nossa intenção de crescer e inovar? A viabilidade da economia de consumo depende de como as lideranças responderão a essa pergunta.
Referências Bibliográficas
Observer. (2026). The Stanford Economist Studying A.I.’s Jobs Impact Is ‘Mindfully Optimistic’.
Exame. (2026). Classe média sofrerá efeito inédito com IA, dizem vencedores do Nobel de Economia.
Stanford Digital Economy Lab. (2025-2026). Estudos sobre o impacto da IA nas ocupações iniciais e na economia digital.
Acemoglu, D., Autor, D., & Johnson, S. (2026). Building Pro-Worker Artificial Intelligence. MIT Economics.
Fundo Monetário Internacional (FMI). (2026). The Impact of Artificial Intelligence on Labor Markets.
Fórum Econômico Mundial (WEF). (2025). The Future of Jobs Report 2025.
Acemoglu, D., & Johnson, S. (2023). Rebalancing AI. Finance & Development, FMI.
FMI. (2026). New Skills and AI Are Reshaping the Future of Work. IMF Blog.
AI, layoffs, and consumption: the equation that can shrink the middle class
TL;DR
Current AI adoption at work prioritizes fast cost-cutting, not real productivity gains. This creates a risk of middle-class compression and weakens the consumption economy.
“So-so automation” replaces humans with AI simply because it is cheaper, while leaders tolerate quality loss without structural innovation in the business model.
Eliminating junior roles threatens the knowledge pipeline. Without a training base today, there will be too few senior specialists tomorrow.
Accelerated automation can push average wages down and concentrate income in technology capital owners while shrinking the wage mass that sustains consumption.
The Theory of So-So Automation
The economic analysis of Daron Acemoglu and Simon Johnson dismantles the narrative that automation is inherently neutral. The authors define the concept of so-so automation: technologies that reduce unit costs but fail proportionally to increase production or quality.
AI has the potential to act as a technology that complements human expertise. Instead, many current implementations merely displace tasks without redesigning workflows. Companies test AI because the combination of a model and cloud infrastructure is cheaper than an equivalent payroll. The imprecision of language models, however, tends to generate a need for permanent manual corrections. Executives accept this loss of quality in exchange for immediate expense reduction.
In practice, AI begins to operate as a primary cost-cutting mechanism. A deep overhaul of business models remains the exception. So-so automation normalizes organizational engineering focused on expenses rather than systemic productivity.
The Knowledge Pipeline Risk and the End of the “bottom rung”
Early-career professionals face a concrete risk of accelerated obsolescence. Roles such as junior lawyers and entry-level software developers are already being targeted for replacement in corporate scenarios.
The warning about the talent pipeline does not come solely from academic abstractions. Research from the Stanford Digital Economy Lab, led by Erik Brynjolfsson, has quantified this impact: AI adoption has already resulted in drops of up to 20% in employment for early-career software developers, aggressively eroding the bottom rung of the corporate ladder.
This dynamic tends to follow three phases:
Phase 1: Baseline automation and illusory margins. AI takes over the drafting of standard contracts, repetitive coding, and the production of simple reports. Organizations shrink their junior tiers and report short-term margin improvements.
Phase 2: Cognitive overload of experts. Without foundational support, senior professionals are left to correct AI outputs. Real productivity drops because experts spend more time reviewing system errors than designing new solutions.
Phase 3: The risk of a talent blackout. Over time, the company loses its ability to train new experts. Structured learning paths disappear. The absence of juniors today translates into a scarcity of seniors tomorrow. The company’s internal capacity for innovation goes into decline.
The Dynamics of Wage Compression
Rapid automation increases the supply of displaced technical labor. IMF reports project that AI could affect nearly 40% of jobs globally, with higher exposure in advanced economies and middle-skill cognitive roles. In this environment, workers positioned in the middle of the distribution compete with models for tasks that can be partially automated.
This oversupply tends to drive wages down. Highly educated professionals find themselves competing for a shrinking number of roles that still require a human presence. Simultaneously, roles demanding emerging AI-related skills pay wage premiums, concentrating gains among a minority who master these technologies.
Wage compression is not just an individual problem. It reorganizes the bargaining power balance between labor and capital in favor of those who control the models, data, and infrastructure.
Mindful Optimism and Intent Amplification
If the “so-so automation” described by MIT represents the risk scenario, what does the success scenario look like? In his recent approach to the future of work, Stanford economist Erik Brynjolfsson advocates for “mindful optimism.” He argues that the true risk is not the technology itself, but the human response to it—specifically, the passivity generated by both blind optimism and fatalism.
For Brynjolfsson, artificial intelligence should not be viewed as a substitute agent, but as a technology of intent amplification capable of promoting task reinstatement. If a company has the intent to innovate, AI will amplify that capacity, creating more demand for professionals capable of orchestrating value. Emerging phenomena like vibe-coding—where professionals without highly specific technical training can develop software—point toward the democratization of production capacity. People can shift their focus to the structural design of solutions, which has the potential to expand, rather than contract, the middle-class productive base.
Wholesale Substitution vs. Work Orchestration
The decision to treat AI as a direct substitute for people changes an organization’s incentive structure. The alternative path views AI as an orchestration layer. The difference manifests in concrete practices:
The Substitution Strategy
Direct reduction of payroll costs as the primary goal.
Dismissal of the base of analysts and developers as soon as AI can execute basic tasks.
Tolerance for systemic errors to preserve immediate financial savings.
Gradual reduction of human participation in operational and risk decisions.
The Orchestration Strategy
Expansion of cognitive capacity as the primary goal, treating AI as a corporate intent amplifier under strict human supervision.
Reskilling the junior base: democratizing access to complex problem-solving, allowing entry-level professionals to perform with the leverage of experts.
Redirecting teams toward data curation, model validation, and exception analysis.
Using AI to integrate systems, reduce cognitive overload, and make room for the design of unprecedented solutions.
Systemic Risk and the Limits of Financial Efficiency
Prolonged compression of middle-class income triggers a ripple effect on the consumer economy. If a technology with the potential to affect up to 40% of jobs is used primarily to cut payroll, the demand for durable goods, services, and financial products will structurally decline.
The pursuit of strictly financial efficiency creates a macroeconomic trap. Companies improve margins by reducing headcount, but they erode the very customer base that sustains their revenues. Governments lose tax revenue, putting pressure on pension systems and public services.
Automation aimed solely at expense reduction hits a mathematical limit. In an extreme scenario, the wholesale substitution of human labor destroys the purchasing power that justifies production in the first place. Margin gains lose their meaning in economies with depressed demand. Technology only sustains growth when it couples productivity gains with the creation of new utilities and markets.
Conclusion
The integration of AI into cognitive work is not a manifest destiny imposed by technology; it is an organizational design choice. So-so automation, the fracturing of the knowledge pipeline, and the resulting wage compression represent the lazy way out—the mathematical illusion that replacing humans with cheap algorithms will sustain a business model in the long run.
As today’s leading perspectives indicate—ranging from MIT’s caution to Stanford’s “mindful optimism”—the true differentiator is not the size of the language model, but human agency. AI rewards organizations that use it proactively to create new value, and punishes those that view it merely as a spreadsheet-trimming tool. The decision for the next decade is binary: will we be swallowed by the passivity of cutting immediate costs, or will we use AI to amplify our intent to grow and innovate? The viability of the consumer economy depends on how leadership answers this question.
References
Observer. (2026). The Stanford Economist Studying A.I.’s Jobs Impact Is ‘Mindfully Optimistic’.
Exame. (2026). Classe média sofrerá efeito inédito com IA, dizem vencedores do Nobel de Economia.
Acemoglu, D., Autor, D., & Johnson, S. (2026). Building Pro-Worker Artificial Intelligence. MIT Economics, working paper.
International Monetary Fund (IMF). (2026). The Impact of Artificial Intelligence on Labor Markets. Staff Discussion Note.
World Economic Forum (WEF). (2025). The Future of Jobs Report 2025.
Acemoglu, D., & Johnson, S. (2023). Rebalancing AI. Finance & Development, IMF.
International Monetary Fund (IMF). (2026). New Skills and AI Are Reshaping the Future of Work. IMF Blog.
International Monetary Fund (IMF). (2024). The Labor Market Impact of Artificial Intelligence: Evidence from US and EU Labor Markets. Working Paper.