# A previsão do Fable 5 para os próximos 5 anos

- Author: Foad Kesheh
- Published: 2026-07-07
- Reading time: 12 min
- Tags: IA, Previsão, Futuro do Trabalho, Planejamento de Cenários, Economia da IA
- URL: https://www.fmktech.com.br/pt-BR/blog/ai-scenarios-2026-2031.md (HTML: https://www.fmktech.com.br/pt-BR/blog/ai-scenarios-2026-2031)

Trinta e nove futuros, três cenários para o Ano 1 e probabilidades tratadas como julgamento estruturado, não como profecia. Uma árvore de cenários de cinco anos para o impacto da IA no trabalho e na sociedade — fundamentada nos dados de trabalho de meados de 2026, nas evidências de ROI corporativo e nas tendências de capacidade, lida deliberadamente tanto pelo lado acelaracionista quanto pelo lado cético.

---

Ninguém sabe o que a IA fará com o trabalho e a sociedade nos próximos cinco anos — e quem vende uma única narrativa confiante, para cima ou para baixo, está vendendo narrativa, não análise. O que você *pode* fazer é mapear o espaço de futuros plausíveis e atribuir pesos honestos aos ramos.

É isso que este post faz. Construímos uma árvore de cenários fundamentada nas evidências de julho de 2026: **três cenários para os próximos doze meses** — um salto de capacidade (35%), uma normalização gradual (45%) e uma correção financeira (20%) — cada um ramificando novamente para o ano seguinte e depois se resolvendo em trajetórias de 2028–2031. O resultado são **39 futuros distintos**, cada um com uma probabilidade condicional (dado o seu ramo-pai) e uma probabilidade cumulativa de caminho (a chance de chegar até ele a partir de hoje). As probabilidades são julgamento estruturado, não medição — mas julgamento estruturado vence intuição solta, e obriga cada afirmação a somar 100%.

A árvore completa é interativa — cada nó expansível, com barras de probabilidade e marcadores de caminho cumulativo:

**▶ Explore a árvore de cenários interativa completa:** [play demo](/blog/ai-scenarios/tree/index.html)

## Onde realmente estamos — meados de 2026

O estado atual honesto não é a história de nenhum dos dois lados. Ambos trabalham com dados reais; estão medindo coisas diferentes.

### O que joga a favor da tese da aceleração

- O progresso da codificação agêntica avançou *mais rápido* do que os previsores esperavam; o crescimento do horizonte de tarefas no estilo METR continua, e os agentes de codificação explodiram em uso no mundo real (o Claude Code passou de ~US$ 2,5 bi de receita anualizada cerca de nove meses após o lançamento).
- A análise da PwC sobre um bilhão de anúncios de vagas: as empresas mais expostas à IA mostram **~40% mais crescimento de produtividade** e estão elevando salários e quadros mais rápido; vagas com habilidades de IA crescem **~8× o mercado geral** com um **prêmio salarial de ~62%**.
- **72% das empresas** já rodam pelo menos uma carga de trabalho de IA em produção (contra 20% em 2020); as que chegam à produção reportam **ROI médio de ~1,7×**, e as líderes muito mais.
- O JPMorgan e o presidente do Fed argumentaram que o investimento em IA está atrelado a receita real e não atende aos critérios clássicos de bolha.
- Líderes dos laboratórios de fronteira (Amodei, Legg, Suleyman) situam o desempenho de nível humano na maioria das tarefas cognitivas dentro dessa janela — Legg dá 50% de chance de uma "AGI mínima" até 2028.

### O que joga a favor da tese cética

- Um estudo do NBER (fevereiro de 2026): **~90% das empresas relatam nenhum impacto de produtividade** da IA — ecoando o paradoxo da produtividade de Solow.
- O MIT constatou que **~95% dos pilotos de GenAI não produziram impacto mensurável no P&L**; a RAND coloca a falha de projetos corporativos de IA **acima de 80%**; o Gartner espera **mais de 40% dos projetos agênticos cancelados** até o fim de 2027.
- Apenas ~29% dos executivos veem ROI significativo, apesar de 59% das empresas gastarem mais de US$ 1 mi por ano; 42% das companhias abandonaram a maioria das suas iniciativas de IA no último ano.
- O capex é enorme e parcialmente financiado por dívida e circularidade: **~US$ 675 bi de gasto dos hyperscalers em 2026, US$ 3–4 tri projetados até 2030**; a OpenAI comprometeu **~US$ 1,4 tri contra ~US$ 20 bi de receita**.
- Pesquisadores respeitados (Karpathy) dizem que agentes autônomos úteis estão mais perto de uma década de distância e que escala sozinha não chega lá.

### Os dados de trabalho, lidos sem viés

Ainda não há choque agregado de desemprego — os economistas da Anthropic, um estudo do FMI na Dinamarca e o AI Index de Stanford não conseguem encontrá-lo. Mas a composição está mudando com força: as folhas de pagamento de tecnologia e finanças nos EUA agora caem **~28.000 empregos por mês**, as portas de entrada em funções expostas à IA estão se erodindo para os trabalhadores jovens enquanto as posições sêniores se mantêm ou crescem, e um **mercado de duas vias** está se formando, no qual as funções "profissionalizadas", intensivas em julgamento, se descolam das comoditizadas. Os próximos cinco anos são, sobretudo, sobre qual desses sinais se acumula.

## Cenário A — Salto de capacidade, difusão desigual (35%)

Sistemas agênticos cruzam limiares de confiabilidade em codificação, operações de back-office e fluxos de atendimento. A curva de horizonte de tarefas continua compondo; os laboratórios de fronteira lançam agentes que sustentam tarefas de várias horas. O capex é vindicado o suficiente para continuar. Mas a difusão segue irregular: os líderes dos 72%-em-produção se distanciam ainda mais, enquanto a maioria do "90% não vê nada" do NBER fica para trás. Os congelamentos de contratação em funções de escritório se aprofundam, o declínio de 28 mil/mês em tecnologia e finanças se espalha, e os engenheiros que orquestram agentes se tornam o recurso escasso.

Para onde vai no Ano 2:

| Ramo do Ano 2 | Probabilidade condicional | Probabilidade de caminho |
| --- | --- | --- |
| A difusão alcança | 40% | 14% |
| O deslocamento supera a absorção | 35% | ~12% |
| Muro de capacidade após o salto | 25% | ~9% |

**Folhas notáveis.** A melhor folha de toda a árvore mora aqui: o *boom de produtividade generalizado* (**~4,9% de probabilidade de caminho**) — o crescimento da PTF sobe 1–2 p.p., equipes pequenas fazem rotineiramente o que departamentos faziam, e os salários reais sobem na maior parte da distribuição. Mas o mesmo cenário abriga uma das caudas mais sombrias: *forma-se uma subclasse estrutural* (**~3,1%**), na qual o pipeline de entrada no trabalho cognitivo colapsa mais rápido do que as alternativas surgem, o desemprego juvenil permanece elevado por anos e programas próximos de uma renda básica saem dos papers de think tanks para grandes pilotos.

## Cenário B — Normalização gradual (45%)

O caminho modal. A capacidade melhora de forma constante mas não explosiva; a lacuna de ROI se fecha lentamente à medida que as empresas aprendem as lições chatas — implantação liderada por fornecedores, incorporação em fluxos de trabalho, prontidão de dados. As ações passam por uma correção, mas o uso real continua crescendo por baixo. Nem a turma da AGI-até-2027 nem a turma do estouro-da-bolha consegue sua manchete. A IA vira infraestrutura como a nuvem virou: de forma desigual, sem glamour, irreversivelmente. A rotatividade de empregos permanece setorial — suporte, administrativo, tradução, programação júnior — em vez de agregada, e o mercado de duas vias continua se formando em silêncio.

| Ramo do Ano 2 | Probabilidade condicional | Probabilidade de caminho |
| --- | --- | --- |
| Composição lenta | 45% | ~20% |
| Avanço tardio | 25% | ~11% |
| Inverno de ROI | 30% | ~14% |

**Folhas notáveis.** O futuro isolado mais provável de toda a árvore está aqui: ***o playbook da nuvem se completa*** (**~9,1% de probabilidade de caminho**). Em 2030 a IA é infraestrutura invisível, o crescimento da produtividade roda ~0,5–1 p.p. acima da tendência, e o trabalho da maioria das pessoas mudou 30% em conteúdo e 0% em existência — os historiadores comparam à segunda fase da eletrificação, não a uma singularidade. Seu irmão mais silencioso, o *deslocamento discreto*, é a versão em câmera lenta da cicatriz de entrada: funções de suporte, administrativo, QA e conhecimento júnior encolhem 20–30% via congelamentos de contratação e atrito — espalhado por anos suficientes para nunca virar um único evento político, o que, pode-se argumentar, torna mais difícil de corrigir.

## Cenário C — Correção e desilusão (20%)

A estrutura financeira racha: acordos de investimento circulares se desfazem, a dívida de data centers reprecifica (metade dos US$ 3 tri projetados é crédito privado), uma empresa de IA de destaque bate num muro de financiamento, e a correção acionária vira derrocada. Os compradores corporativos congelam; a narrativa dos "95% sem impacto no P&L" vira a história de consenso. Crucialmente, a pesquisa de capacidade continua nos laboratórios — a correção é financeira antes de ser funcional, e as ferramentas centrais com uso real mantêm seus usuários.

| Ramo do Ano 2 | Probabilidade condicional | Probabilidade de caminho |
| --- | --- | --- |
| Reset saudável | 50% | 10% |
| Congelamento profundo | 25% | 5% |
| Recuperação da IA barata | 25% | 5% |

**Folhas notáveis.** As caudas aqui importam mais do que as médias. O *congelamento profundo* (**5% de probabilidade de caminho**) é o pior ramo macro: o contágio de crédito privado vindo da dívida de data centers atinge a economia mais ampla, a retirada do capex de IA empurra uma recessão, e a IA leva a culpa pública tanto pelas perdas de emprego na subida quanto pela recessão na descida. Mas a *recuperação da IA barata* (**5%**) é o cenário-chave de desacoplamento — a bolha estoura enquanto a capacidade continua melhorando por eficiência em vez de escala, modelos abertos e destilados entregam o desempenho da fronteira de 2026 a 1/30 do custo, e a difusão acelera precisamente *porque* a IA ficou barata e sem graça. O valor migra violentamente dos provedores de modelos para os integradores, especialistas de domínio e usuários finais.

## O método — um prior que faz a maior parte do trabalho

Essas probabilidades foram calibradas contra as evidências de meados de 2026 acima e deliberadamente ponderadas para que nem a narrativa do hype nem a narrativa do estouro domine a árvore. Uma premissa estrutural carrega a maior parte do peso. Da nota de método da árvore:

> "O prior mais forte desta árvore: *o progresso de capacidade e a difusão financeira/organizacional são variáveis parcialmente independentes.* As capacidades podem continuar melhorando durante uma correção financeira (veja o ramo C3), e o dinheiro pode continuar fluindo durante um platô de capacidade (A3). A maioria das previsões ruins neste espaço colapsa essas duas coisas em um único eixo. Revisite e repondere a cada ~6 meses."

Esse desacoplamento é o motivo pelo qual a árvore tem tanto uma folha de "estouro financeiro que acelera a difusão" quanto uma de "platô de capacidade dentro de um boom" — futuros que previsões de eixo único estruturalmente não conseguem expressar.

## Fontes

1. S&P Global — [AI impact on employment 2026](https://www.spglobal.com/en/research-insights/special-reports/ai-impact-on-employment-2026) (efeito líquido negativo no emprego em nível de firma; mudanças setoriais)
2. Anthropic — [Labor market impacts of AI](https://www.anthropic.com/research/labor-market-impacts) (nenhuma alta agregada detectável de desemprego para trabalhadores expostos)
3. Bloomberg — [Tech & finance losing 28k jobs/month](https://www.bloomberg.com/news/articles/2026-07-01/tech-and-finance-sectors-losing-28-000-jobs-monthly-show-ai-impact-on-labor)
4. PwC — [2026 Global AI Jobs Barometer](https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html) (mercado de trabalho de duas vias)
5. Wikipedia (agregando NBER, Morgan Stanley, JPMorgan, Fed) — [AI bubble](https://en.wikipedia.org/wiki/AI_bubble)
6. AI Futures Project — [Q1 2026 timelines update](https://blog.aifutures.org/p/q1-2026-timelines-update) (codificação agêntica à frente da previsão)
7. AIMultiple — [AGI predictions survey](https://aimultiple.com/artificial-general-intelligence-singularity-timing); Vera Calloway — [AGI timeline 2026](https://www.veracalloway.com/blog/ai-culture/agi-timeline/) (ceticismo de Karpathy)
8. B. Sykes — [State of AI adoption in the enterprise, Q1 2026](https://bsykes.substack.com/p/the-state-of-ai-adoption-in-the-enterprise)
9. Unico Connect — [AI statistics 2026](https://unicoconnect.com/blogs/ai-statistics-2026) (taxas de falha do MIT / RAND / Gartner)
10. WRITER — [Enterprise AI adoption 2026 survey](https://writer.com/blog/enterprise-ai-adoption-2026/)
11. Goldman Sachs Research — [How will AI affect the US labor market?](https://www.goldmansachs.com/insights/articles/how-will-ai-affect-the-us-labor-market)
12. Gartner — [2026 Hype Cycle for Agentic AI](https://www.gartner.com/en/articles/hype-cycle-for-agentic-ai)

## Planeje para ramos, não para manchetes

A lição prática não é nenhuma folha isolada — é que cerca de dois terços da massa de probabilidade está em mundos nos quais a IA continua se difundindo em fluxos de trabalho reais, em algum cronograma, através de alguma quantidade de ruído financeiro. As organizações que vencem na *maioria* dos ramos são as que constroem capacidade durável de IA agora: integração em fluxos de trabalho, músculo de avaliação e o julgamento para saber quais tarefas automatizar e quais profissionalizar.

É exatamente esse o trabalho que fazemos na FMKTech. Se você quer ajuda para posicionar seu produto ou sua operação para os ramos que importam, [vamos conversar](/#contact).

---

## Onde procurar depois

- [Índice do blog](https://www.fmktech.com.br/pt-BR/blog.md)
- [Homepage](https://www.fmktech.com.br/pt-BR.md)
- [llms.txt](https://www.fmktech.com.br/llms.txt)