Os primeiros dados oficiais não encontram o choque de IA no emprego dos recém-formados

Working paper do NBER mediu junho, julho e agosto de 2026 com microdados da pesquisa domiciliar americana e não achou aumento significativo de desemprego entre quem acabou de se formar. O resultado não encerra a discussão — muda o lugar onde ela deveria estar acontecendo dentro das empresas.

Durante quase dois anos, a tese de que a inteligência artificial já estaria eliminando as vagas de entrada circulou apoiada em anedota, contagem de vagas anunciadas e declaração de executivo. Um working paper divulgado em setembro de 2026 pelo National Bureau of Economic Research (NBER) é a primeira tentativa de responder à pergunta com o instrumento que os Estados Unidos usam para medir desemprego oficialmente: os microdados da Current Population Survey (CPS), a pesquisa domiciliar mensal que entrevista mais de 130 mil pessoas.

O estudo The Early Impacts of AI on Employment among Recent College Graduates, de Robert W. Fairlie (Universidade da Califórnia em Los Angeles e NBER) e Jane Wu (Anderson School of Management, UCLA), examina junho, julho e agosto de 2026 — a janela estreita em que a turma formada entra no mercado — e chega a um resultado negativo. Segundo os autores, as taxas de desemprego dos recém-formados não deram salto em relação aos verões anteriores, nem subiram de forma estatisticamente significativa quando comparadas a dois grupos de controle: formados mais velhos e jovens da mesma idade sem diploma.

Convém separar duas frases que parecem iguais e não são.

O estudo não mostra que a inteligência artificial deixou de afetar o trabalho de entrada. Mostra que, com os dados disponíveis até agosto de 2026, esse efeito não aparece no agregado. Os próprios autores descrevem a análise como descritiva e afirmam que os achados não descartam efeitos maiores no futuro.

A literatura está dividida, e o paper não esconde isso. Fairlie e Wu situam o próprio resultado entre trabalhos que encontram queda relevante de emprego e contratação de jovens em ocupações expostas à IA — o mais citado é Canaries in the Coal Mine?, do Stanford Digital Economy Lab, construído sobre registros de folha de pagamento — e trabalhos que não encontram efeito ou apontam outras explicações. Cada base capta um pedaço diferente: folha mede vaga preenchida, anúncio mede demanda divulgada, seguro-desemprego mede quem já tinha emprego. Nenhuma enxerga bem quem nunca entrou.

1. O que o estudo mediu

A amostra são pessoas de 22 a 25 anos cujo grau mais alto concluído é o bacharelado e que não estão mais matriculadas — recorte que exclui quem já cursa pós-graduação.

O detalhe metodológico mais importante do paper não é o resultado, é a linha de base. Fairlie e Wu mostram que o desemprego de jovens formados tem padrão sazonal acentuado: sobe em junho, começa a cair em julho e agosto, e nos meses de verão fica quase 2 pontos percentuais acima da média de aproximadamente 5% do resto do ano. Comparar o verão de 2026 com o mês anterior, ou com a média anual, produziria um salto que é só calendário.

Contra a base correta — os mesmos meses de anos anteriores —, 2026 não se destaca. Na média de junho, julho e agosto, a taxa oficial de desemprego dos formados de 22 a 25 anos foi de 7,3%: mais alta que em 2022, 2023 e 2025, e mais baixa que os 7,8% de 2024.

Os autores constroem ainda uma segunda medida, a contribuição mais original do trabalho. A definição oficial de desemprego exige procura ativa nas quatro semanas anteriores: quem se formou, quer trabalhar, mas ainda está se mudando, decidindo ou apenas lendo vagas sem se candidatar é classificado como fora da força de trabalho e some da estatística. Fairlie e Wu passam a incluir esse grupo, que chamam de desemprego à margem.

Sob essa definição ampliada, o verão de 2026 foi o mais alto dos cinco analisados: 10,4%, contra 9,4% em 2022, 9,3% em 2023, 10,1% em 2024 e 9,4% em 2025. A diferença para o recorde anterior, porém, é de 0,3 ponto percentual. E o acréscimo que a medida ampliada provoca sobre a taxa oficial subiu de 2,2 pontos percentuais em 2025 para 3,1 pontos em 2026.

Nenhuma das duas medidas apresenta afastamento estatisticamente significativo dos verões anteriores. O coeficiente estimado para o verão de 2026 é de -0,008, com erro padrão de 0,007, na medida oficial, e de 0,001, com erro padrão de 0,009, na ampliada.

2. Duas comparações, nenhum descolamento

Na comparação com formados de 30 a 49 anos, a distância se manteve. O desemprego dos mais velhos passou de 2,7% no verão de 2025 para 2,8% em 2026, enquanto o dos jovens formados foi de 7,2% para 7,3% — diferença estável em 4,5 pontos percentuais. Sob a medida ampliada há movimento: a distância abriu de 5,3 para 6,2 pontos percentuais, e os autores registram que aí pode existir alguma deterioração relativa.

A comparação com jovens sem diploma é a que mais muda de figura. O desemprego desse grupo caiu de 7,5% para 6,8%, enquanto o dos formados subiu de 7,2% para 7,3%. Formados passaram a ter taxa cerca de 0,5 ponto percentual acima dos não formados, depois de estarem 0,3 ponto abaixo em 2025. A taxa dos formados já havia sido ligeiramente superior nos verões de 2022 e 2024, mas a diferença de 2026 é maior. Na medida ampliada, a vantagem dos formados encolheu de 2,2 para 0,3 ponto percentual, a menor dos cinco verões.

São movimentos visíveis nos dados brutos. Nenhum sobrevive ao teste estatístico: os coeficientes de interação são pequenos e não significativos, e os modelos de evento não colocam o maior aumento em 2026. A robustez foi testada removendo 2025 da base, retirando a tendência temporal e ampliando a faixa etária para 22 a 27 anos. O resultado não muda.

3. A única pista positiva não é limpa

O agregado pode esconder um efeito concentrado em certas ocupações. Para checar isso, o estudo cruza o desemprego de 2026 com duas medidas de exposição ocupacional à IA — uma teórica, baseada em tarefas, e outra observada, construída a partir de padrões reais de uso de um modelo de linguagem. Em oito especificações, todas as estimativas pontuais são positivas e nenhuma é estatisticamente significativa.

A exceção aparece quando a variável deixa de ser exposição à IA e passa a ser a possibilidade de executar o trabalho remotamente. Aí os coeficientes são positivos e significativos, e o efeito do verão de 2026 sobre ocupações que não podem ser feitas de casa é negativo em todas as colunas. O desemprego subiu onde o trabalho é remotizável e caiu onde não é.

Os autores tratam o achado com cautela, chegando a descrevê-lo como apenas marginalmente significativo, e apontam o motivo da ressalva: ocupações expostas à IA e ocupações remotizáveis se sobrepõem bastante, de modo que as duas explicações não se separam com limpeza. Há literatura, citada no paper, sugerindo que o trabalho remoto enfraquece o treinamento informal e a mentoria de que o júnior depende — o que reduziria a disposição de contratar gente sem experiência por razões que nada têm a ver com automação.

4. Por que ausência de efeito detectável não é ausência de efeito

Quatro limitações, todas declaradas pelos autores, definem o tamanho da conclusão que o texto suporta.

A primeira é o status do documento: working papers do NBER circulam para discussão e não passam por revisão por pares. Os autores declaram não ter recebido financiamento para a pesquisa e não registram conflitos de interesse.

A segunda é a janela. São três meses, e a data em que o efeito teria começado é desconhecida. Fairlie e Wu adotam abordagem deliberadamente agnóstica, comparando 2026 aos quatro anos anteriores, porque não há consenso sobre quando o uso de IA se disseminou o bastante para produzir efeito. Num desenho de estudo de evento, não saber quando o evento aconteceu é limitação séria.

A terceira é quem desaparece da análise ocupacional. Entre os recém-formados desempregados, 16% não informam ocupação — proporção que chega a 36% no grupo ampliado. Como o cruzamento por exposição depende da ocupação declarada, ele perde parte justamente de quem nunca conseguiu entrar e por isso não tem histórico a declarar.

A quarta é o timing da adoção. Os indicadores reunidos pelos autores sugerem que o aprofundamento do uso corporativo é recente: o índice de gastos com IA da Ramp mostra o gasto mensal mediano por funcionário mais que dobrando entre dezembro de 2025 e julho de 2026. E um suplemento sobre difusão de IA da pesquisa de empresas do Census Bureau, a campo entre novembro de 2025 e fevereiro de 2026 com mais de 117 mil respondentes, registra que, entre as empresas que substituem tarefas por IA, a fatia que substitui um grande número de tarefas quase triplicou ante o levantamento de início de 2024 — enquanto a fatia de empresas que substituem qualquer tarefa não subiu.

Há ainda um número que resume o descompasso. Segundo dados de uso citados no estudo, em março de 2026 as ocupações de computação e matemática eram 94% teoricamente viáveis para IA, mas apenas 33% apareciam efetivamente cobertas no uso observado. A distância entre o que a tecnologia consegue fazer e o que ela é de fato usada para fazer continua grande — e é o fechamento dessa distância, não a chegada de novas capacidades, que os autores consideram a mudança relevante.

Fairlie e Wu são diretos quanto ao que isso implica: se a intensidade de uso continuar subindo, as turmas de 2027 em diante podem ser mais afetadas que a de 2026.

5. O dado que deveria mudar uma decisão de contratação

Um número quase lateral do estudo é o mais útil para quem administra uma empresa: menos de 17% dos recém-formados desempregados chegaram a essa condição por demissão ou perda involuntária de trabalho. A razão predominante é simplesmente não ter encontrado emprego.

Isso reposiciona o problema. A dificuldade de entrada não é fenômeno de corte de pessoal, é fenômeno de contratação — de vaga que deixa de ser aberta, não de posto eliminado. E a distinção tem consequência prática: demissão aparece rápido em qualquer indicador, enquanto a decisão de não contratar é silenciosa e só aparece meses depois, agregada, quando a coorte inteira já ficou para trás.

Empresas que congelaram programas de trainee ao longo de 2026 decidiram sobre uma premissa que os primeiros dados oficiais não confirmam. Isso não significa que a premissa esteja errada. Significa que ela ainda não foi verificada, e que o congelamento foi decidido com um grau de certeza que a evidência não sustenta. Pipeline de talento júnior é caro de reconstruir e leva anos para amadurecer.

A leitura mais plausível do conjunto — e aqui já se trata de interpretação, não de resultado do paper — é que o efeito da IA sobre o trabalho de entrada é um processo, não um evento. Processos assim aparecem primeiro no desenho da vaga: nas tarefas que saem da descrição de cargo, no número de pessoas que o gestor pede para dar conta do mesmo volume. Numa taxa nacional de desemprego, aparecem por último. Quem espera o agregado macro se mexer está usando o indicador mais lento disponível.

O indicador rápido está dentro da própria empresa. E o achado sobre trabalho remotizável sugere onde olhar primeiro: nas funções de entrada que podem ser executadas inteiramente de casa, que são também, e não por acaso, as mais expostas à automação.

Cinco perguntas que uma empresa responde antes do dado agregado

• Quantas vagas de entrada foram abertas nos últimos 12 meses, contra os 12 anteriores — e quantas deixaram de ser abertas por decisão explícita, não por falta de candidato?

• Quais tarefas saíram das descrições de cargo júnior no último ano, e o que entrou no lugar?

• Quais funções de entrada são integralmente executáveis de forma remota?

• Onde o júnior aprendia observando o sênior, e essa passagem ainda existe depois das mudanças recentes de processo?

• Se a formação de júniores foi suspensa, qual evidência interna sustentou a decisão e em que prazo ela será reavaliada?

Nenhuma dessas perguntas depende de estatística nacional. Todas dependem de registro interno que a maioria das empresas já tem, espalhado entre sistema de recrutamento, descrição de cargo e planejamento de quadro. É um termômetro mais grosseiro que um modelo de diferenças-em-diferenças, mas responde bem mais rápido — e é o que existe enquanto os dados de 2027 não chegam.