Quem delega para IA? Estudo analisa 53 mil agentes e cria índice de adoção

O que aconteceu

O estudo "Who Delegates to AI? Evidence from 53,000 Agent Configurations", enviado ao arXiv em 19 de agosto de 2026, propõe uma nova camada de medição chamada de exposição delegada. A pesquisa, divulgada em 24 de agosto de 2026, foi construída sobre 53 mil especificações de habilidades de agentes disponíveis no Manus Skills Marketplace, um repositório público onde profissionais compartilham rotinas automatizadas. Os autores calcularam a similaridade semântica entre essas especificações e cerca de 18 mil declarações de tarefas do banco O*NET, o sistema americano de classificação de ocupações, e agregaram os resultados por ocupação.

O resultado é o Agentic Adoption Index (AAI), que mede o quanto as tarefas de uma ocupação se aproximam das rotinas agênticas que já foram construídas e compartilhadas na prática. O AAI é uma métrica de adoção real, não de exposição potencial.

Contexto

A literatura sobre IA e trabalho tem se concentrado em medir o quanto uma ocupação está exposta à automação, ou seja, onde a IA poderia executar tarefas. Essas métricas, porém, não captam se os trabalhadores de fato adotaram a tecnologia. O AAI preenche essa lacuna ao registrar quando um trabalhador comprometeu uma tarefa à IA, incorporando a automação diretamente no fluxo de trabalho dele.

A pesquisa faz essa medição usando dados reais de configuração, e não perguntas subjetivas ou projeções teóricas. O Manus Skills Marketplace, repositório usado no estudo, é um acervo público de rotinas compartilhadas por praticantes, o que permite observar o comportamento real de adoção.

Por que importa

Os resultados do estudo mostram três descobertas principais. Primeiro, as ocupações onde a delegação se concentra diferem fortemente daquelas que os frameworks pré-IA identificavam como mais em risco. Segundo, o AAI acompanha o que a IA poderia fazer mais de perto do que aquilo que os trabalhadores realmente usam hoje. Terceiro, o AAI atinge o pico abaixo do topo da distribuição salarial e no nível de bacharelado, declinando nos dois extremos.

Isso significa que os rankings tradicionais de exposição à IA podem estar orientando políticas públicas, formação profissional e decisões empresariais na direção errada. A transferência técnica de habilidades é maior entre ocupações de renda média, não entre as mais bem pagas, nem entre as de menor remuneração.

Impacto

A disponibilidade técnica explica a maior parte da variação do AAI, mas não explica a defasagem entre as ocupações mais educadas. O estudo aponta duas hipóteses para essa lacuna: o trabalho dessas ocupações pode resistir a uma especificação prévia, ou os profissionais podem exercer discrição sobre o ritmo da codificação de suas tarefas.

O AAI, portanto, é uma ferramenta para separar o que é viável do que é adotado. O índice revela que o fato de a IA poder executar uma tarefa não significa que os trabalhadores irão delegá-la. Essa distinção é central para quem toma decisões sobre treinamento, realocação de mão de obra e design de ferramentas de IA.

O que muda

O estudo muda a pergunta central da pesquisa sobre IA e trabalho: de "quais ocupações podem ser automatizadas" para "quais ocupações já automatizaram rotinas". Essa mudança de perspectiva tem implicações práticas. Empresas de tecnologia podem usar o AAI para priorizar o desenvolvimento de agentes para ocupações onde a adoção já é alta. Governos e instituições de ensino podem usar os dados para direcionar requalificação profissional para os grupos que ficam para trás, especialmente os mais educados.

O que vem agora

Os autores afirmam que distinguir as duas hipóteses para a defasagem entre os mais educados, e acompanhar a divergência dessas métricas ao longo do tempo, exigirá medição repetida. O próximo passo natural é replicar o estudo com dados atualizados do Manus Skills Marketplace e comparar a evolução do AAI com outras métricas de exposição. Também há espaço para cruzar os resultados com dados de salários e escolaridade em outros países, incluindo o Brasil, onde a estrutura ocupacional é diferente da americana.