Se engana quem ainda acredita que o debate econômico sobre inteligência artificial gira em torno de “AI vai roubar meu emprego?”. Para economistas que realmente estudam o impacto de uma Inteligência Geral Artificial (AGI), a pergunta correta é outra: em um mundo onde a AI pode produzir praticamente tudo, o que ainda será escasso? E é exatamente a escassez — ou a falta dela — que determinará para onde o dinheiro vai. Em uma conversa recente no Dwarkesh Podcast, Alex Imas, diretor de economia da AGI no Google DeepMind, e Phil Trammell, pesquisador do Epoch AI, dissecaram esse cenário com uma profundidade que raramente se vê no debate público.
A profecia de Ricardo que não se cumpriu — e o que ela ensina sobre AI
Imas começou o diálogo com uma cautela necessária: previsões econômicas pontuais quase sempre erram. Em 1820, David Ricardo alertou que as máquinas destruiriam empregos e causariam instabilidade social. Ele acertou em parte — todas as ocupações que ele listou foram automatizadas. Mas se Ricardo acordasse hoje nos Estados Unidos e visse a taxa de emprego entre adultos em idade produtiva, próximo dos picos históricos desde 2000, ficaria chocado. O que ele não previu foi a elasticidade: o barateamento dos bens automatizados liberou renda para novas necessidades, que geraram novas ocupações.
No entanto, Imas faz questão de pontuar que repetir o mesmo roteiro não é garantia. O problema real é que não sabemos quais dados observar para antecipar o ponto de inflexão. A pergunta não é “quando”, mas “que métricas nos dirão para qual cenário estamos caminhando”.
O “setor relacional” como esperança — e seus limites
O conceito central que Imas traz para o centro do debate é o de “relational sector” (bens relacionais). São áreas onde o fato de um ser humano estar envolvido no processo é parte intrínseca do valor do produto ou serviço. Uma bailarina dançando ao vivo, um barista que prepara seu café pessoalmente, um médico que olha nos seus olhos enquanto dá um diagnóstico. Mesmo que a AI consiga gerar uma saída de qualidade idêntica, o consumidor pode pagar um prêmio simplesmente porque “foi uma pessoa que fez”.
O time de Imas conduziu experimentos reveladores. Ao exibir uma única gravura e informar se foi feita por humano ou AI, os participantes pagavam mais pela obra humana. Mas quando diziam que a mesma gravura era uma tiragem de 500 cópias, o valor da obra humana despencava — o valor percebido estava na conexão com aquele artista específico, que se dissipa na produção em massa. Já o valor da obra de AI permanecia inalterado, porque ela já era vista como commodity desde o início.
É aqui que reside o cerne do debate. Para que o setor relacional sustente a economia, a demanda por “coisas feitas por humanos” precisa ser forte o suficiente em uma gama ampla de profissões — médicos, tutores, conselheiros. E essa força ainda não foi medida com dados robustos.
Robôs podem aumentar, mas bailarinas não
Trammell amplia a discussão sobre bens relacionais com um ângulo mais estrutural. Suponha que a AI automatize completamente toda a cadeia de suprimentos de bens físicos. O número de robôs pode crescer exponencialmente no ano seguinte. Mas o número de bailarinas, não.
O que acontece quando a oferta de bens produzidos por robôs se aproxima do infinito? A utilidade marginal desses bens cai. Se o consumidor se sacia rapidamente, a renda excedente flui para o setor relacional, e a participação do trabalho na renda total (labour share) pode se manter. Mas se os robôs forem capazes de gerar uma explosão de variedade de bens — tantos que o consumidor nunca se sacia —, a participação do setor relacional na economia pode encolher continuamente.
Trammell recorre a um experimento mental histórico: a Mongólia antes da revolução dos transportes. Cavalos, iurtas (moradias móveis) e o gado eram os bens centrais. Se um economista da época congelasse a cesta de bens e projetasse a automação, preveria que tudo iria para o cantor local — afinal, cavalos e iurtas saturariam. Mas na realidade, a economia se diversificou em formas que ninguém previu, e o cantor nunca ficou com uma fatia desproporcional. Trammell acredita que a mesma estrutura deve se repetir: a economia pós-AGI será mais diversa, e o trabalho humano continuará relevante em nichos imprevisíveis.
Uma leitura pessimista da Lei de Moore
Uma das falas mais afiadas da conversa veio de Trammell sobre a Lei de Moore. Ele propõe uma leitura alternativa: não é que a densidade de transistores dobra a cada 18 meses. Na verdade, o valor por unidade de computação cai pela metade nesse período. A humanidade encontra usos para o poder computacional em uma taxa tão voraz que sustenta a própria Lei de Moore como um fenômeno de demanda, não apenas de oferta.
Com a chegada da AI, esse ciclo pode ter se rompido pela primeira vez. Trammell aponta que a NVIDIA H100 tem um preço de aluguel mais alto hoje do que há três anos — a oferta de computação cresceu dramaticamente, mas os modelos ficaram tão mais inteligentes que o custo de oportunidade de usar computação subiu. (Desde 2024, os preços começaram a cair novamente, mas o ponto permanece.) Isso sugere que a elasticidade-preço da demanda por computação é altíssima: quanto mais barato, mais usos explodem.
Imas reforça que a chave está na variedade de usos que a AI continuamente gera para o capital computacional. Diferente de commodities como insulina ou petróleo, cuja demanda tem um teto, a computação parece ter uma demanda que se expande à medida que o preço cai.
Por que o cenário de “depressão da AI” é difícil de construir
Em fevereiro de 2026, a Citrini Research publicou um relatório que abalou o mercado: um cenário em que a AI eliminaria empregos de colarinho branco em massa, colapsando o consumo e derrubando o S&P 500 em 38% até 2028.
Imas examinou o cenário a fundo e apontou a condição necessária para que ele se concretize: os donos do capital precisariam estar totalmente saciados — sem querer consumir mais nem investir mais. O excedente de caixa simplesmente não teria para onde ir. Isso é virtualmente impossível de imaginar em um mundo pós-AGI, onde sempre há um datacenter novo para construir ou uma pesquisa de fronteira para financiar.
Ambos concordaram parcialmente com a ideia de um “messa middle” proposta por Molly Kinder — um período de transição doloroso antes de a riqueza se redistribuir. Mas Trammell vê essa janela como estreita: se a AI for capaz de substituir completamente engenheiros de software, contadores e analistas, a produtividade e a redução de custos seriam tão massivas que a economia encontraria rapidamente um novo equilíbrio.
O custo de manter humanos no processo produtivo
O otimismo sobre a manutenção do emprego esbarra em uma realidade fria. Mesmo que a AI faça 90% do trabalho e os humanos se concentrem nos 10% restantes, chega um ponto em que incluir um humano na linha de produção se torna um custo líquido. AI pode se comunicar em “neuralese” — representações numéricas internas da rede — milhares de vezes mais rápido que a linguagem humana. Em um sistema projetado para AI, inserir um humano reduz a qualidade e a velocidade do produto final.
A teoria do anel O (O-ring theory) — em que um único elo fraco compromete todo o produto — agora opera contra o trabalho humano: a variabilidade e lentidão humanas se tornam o risco a ser eliminado.
Quem nunca para de acumular domina o mundo
A discussão mais desconfortável foi sobre “humanos insaciáveis”. Historicamente, os grandes acumuladores de riqueza eventualmente consumiam, criavam fundações ou deixavam herança para filhos que dissipavam o patrimônio. Mas figuras como Elon Musk falam em construir uma base em Marte. O acúmulo de riqueza se tornou um fim em si mesmo para alguns.
Trammell é cirúrgico: se a expectativa de vida se estender — ou se a AI continuar gerenciando os ativos após a morte do proprietário —, o “choque de dissipação” que historicamente espalhou a riqueza desaparece. E se houver ao menos uma entidade (humana ou uma sonda von Neumann autorreplicante) para quem a utilidade marginal da computação nunca se sacie, essa entidade acumulará uma taxa de retorno maior que todas as outras e, no longo prazo, dominará a maior parte da economia. Para uma sonda von Neumann que quer colonizar a galáxia, o conceito de “labour share” simplesmente perde o sentido.
O que os países em desenvolvimento podem fazer
Ao final, a conversa abordou a posição de países como Índia e Nigéria, que não fabricam semicondutores nem lideram o desenvolvimento de AI. A resposta de Trammell foi direta: comprem o índice. Se a AI transformar todas as indústrias, os benefícios se espalham pela economia como um todo, não apenas por algumas empresas. Imas usou o exemplo das elétricas americanas: ninguém acha que as empresas de energia têm poder político desproporcional, mesmo sendo monopólios regionais, porque os benefícios a jusante se distribuem amplamente.
Mas há uma condição: se os lucros da AI se concentrarem em algumas empresas fechadas (não listadas em bolsa), comprar índices não funciona. A Nigéria não tem ações da SK Hynix ou da Anthropic. A diferença entre AI como eletricidade (onipresente) e AI como plataforma de mídia social (onde os lucros vão para poucos) determinará o destino desses países.
Imas destacou que a existência de modelos open source é a chave para essa bifurcação. Se modelos abertos continuarem rodando seis meses atrás dos modelos fechados, todos os países terão acesso a inteligência de nível AGI, e a AI se tornará mais parecida com a eletricidade. Nesse caso, comprar o índice volta a ser uma estratégia válida.
A pergunta certa não é “quando”, mas “qual bifurcação”
O que emerge dessa conversa é a honestidade dos economistas sobre os limites das próprias previsões. Quando a AGI chegará, quantos empregos desaparecerão — ninguém acerta. Há 200 anos, erramos todas as vezes.
Mas sobre quais dados determinariam a bifurcação já é possível falar: a elasticidade da disposição a pagar por bens relacionais, a elasticidade da demanda por computação, a velocidade de saciedade do consumo dos ultra-ricos, e o gap de desempenho entre modelos abertos e fechados. Esses números dirão para qual cenário estamos indo.
E, como Imas repetiu, o dado mais urgente e mais negligenciado é simples: “Não temos dados. Nem sobre a elasticidade da demanda dos consumidores, nem sobre quais empregos estão nascendo e morrendo.” Construir cenários é fácil. Coletar os dados que permitirão distinguir qual cenário está se tornando real — isso é o que deveríamos estar fazendo agora.
A riqueza pós-AGI dependerá do que seguir escasso. E ninguém ainda sabe a resposta. Mas saber fazer a pergunta já é um começo.
