O impacto da IA na economia depende menos de quão inteligente cada modelo fica e mais de quão bem vários agentes conseguem trabalhar juntos. Essa é a tese do ensaio “The Economics of Intelligence”, publicado em 29 de outubro de 2026 por Alex Imas, diretor de economia da AGI no Google DeepMind, pelo pesquisador Andrew Koh e por Shane Legg, cofundador e cientista-chefe de AGI da empresa. Segundo os autores, a competência muda a economia aos poucos, enquanto a coordenação pode transformá-la de forma abrupta.
O texto saiu no DeepMind Institute, uma plataforma criada por pesquisadores do Google e do Google DeepMind para discutir ideias sobre um mundo com AGI, a inteligência artificial geral. A própria página avisa que os ensaios servem para abrir conversas e não devem ser lidos como a posição oficial do Google. Ainda assim, é raro ver um cofundador de um dos principais laboratórios de IA do mundo assinar uma análise detalhada sobre salários, empresas e concentração de mercado.
Inteligência “em mosaico” dentro das empresas
O ponto de partida é uma crítica aos testes de desempenho usados hoje. Eles medem cada modelo isoladamente, mas a economia funciona por meio de organizações, nas quais pessoas com habilidades diferentes se completam. Para ilustrar, os autores relatam um experimento com 100 pessoas em um teste de seis áreas, como matemática, raciocínio verbal, ciência e cultura. O desempenho de alguém numa área dizia pouco sobre o desempenho nas outras, e duplas com habilidades complementares superaram duplas formadas ao acaso em 32%.
Os autores chamam esse efeito de “inteligência em mosaico”. Na visão deles, é por isso que gestores ganham bem: o papel deles é tirar o máximo de uma equipe com talentos desiguais. Os modelos de IA também têm habilidades irregulares, mas costumam ser irregulares do mesmo jeito. Por isso, segundo o ensaio, fazer várias cópias de um modelo aumenta a capacidade de trabalho sem ampliar a variedade de habilidades.
Por que a IA na economia é diferente do trabalho humano
O ensaio aponta duas diferenças principais entre agentes de IA e trabalhadores. A primeira é que um especialista humano não pode ser copiado, enquanto um agente pode ser replicado pelo preço do aluguel de poder computacional. Quando a IA alcança a capacidade humana numa tarefa, dizem os autores, o salário de quem faz aquela tarefa passa a ficar atrelado ao custo da computação. A ideia dialoga com um trabalho do economista Pascual Restrepo publicado pelo NBER, segundo o qual, num mundo com AGI, os salários tendem a convergir para o custo dos recursos computacionais necessários para reproduzir o trabalho humano.
A segunda diferença está na coordenação. Os autores retomam o economista Ronald Coase, que perguntou por que, se organizar o trabalho dentro de uma empresa reduz custos, toda a produção não acontece numa única empresa gigante. A resposta clássica é que coordenar pessoas fica cada vez mais difícil conforme a organização cresce. O ensaio lembra que o telégrafo e as ferrovias do século 19 mudaram justamente essa coordenação, e não a habilidade de cada trabalhador, e assim ajudaram a criar a empresa moderna.
Em tese, agentes de IA teriam vantagem nesse ponto, já que cópias de um mesmo modelo compartilham a mesma base e podem transferir todo o estado de um trabalho entre si. Na prática, porém, os autores reconhecem que os sistemas atuais se coordenam mal. Essa distância entre potencial e realidade é o que, segundo eles, explica por que a economia ainda não mudou tanto quanto o avanço dos modelos sugeriria.
Os quatro cenários da AGI
A partir dessas ideias, o ensaio descreve quatro cenários, de acordo com o nível de competência e de coordenação da IA. Os efeitos variam entre três tipos de setor: mercados grandes e escaláveis, mercados de nicho e o setor “relacional”, que reúne áreas como saúde e educação, em que o contato humano pesa. O resumo dos cenários é o seguinte:
- AGI mínima: a IA iguala o trabalhador médio. A estrutura da economia muda pouco, mas os salários de trabalhos parecidos com o que a IA faz caem em direção ao custo da computação.
- IA supercompetente: a IA supera qualquer especialista, menos em coordenação. O resultado seria abundância sem concentração, com empresas mais enxutas, e as pessoas migrariam para funções de julgamento e orquestração.
- IA supercooperativa: a competência é a da AGI mínima, mas a coordenação passa de um limiar. Crescer passa a compensar cada vez mais, e podem surgir grandes empresas formadas só por IA, com queda abrupta de salários nos mercados grandes.
- Superinteligência: competência e coordenação passam dos limiares. A produção se concentra em grandes empresas de IA, e nem os nichos protegem mais as equipes humanas.
No cenário mais extremo, os autores consideram a possibilidade de o trabalho humano migrar para o setor relacional, que poderia empregar boa parte da força de trabalho com bons salários. Eles tratam essa hipótese como especulação. O texto também lembra que a história da automação já levou trabalhadores da agricultura para a indústria e da indústria para os serviços. A automação física também avança, como mostra a Amazon, que ultrapassou 1 milhão de robôs em suas operações.
Agentes ainda trabalham mal em equipe
Para sustentar que a coordenação está atrasada, o ensaio cita o CooperBench, um teste criado por pesquisadores da Universidade Stanford e da SAP. Ele reúne 652 tarefas de programação em que dois agentes recebem funções diferentes que podem entrar em conflito. Segundo os resultados, modelos como o GPT-5 e o Claude Sonnet 4.5 tiveram só 25% de sucesso trabalhando em dupla, cerca de 50% abaixo do desempenho de um único agente fazendo as duas tarefas. Os agentes chegaram a gastar até 20% do orçamento conversando entre si, sem melhorar o resultado final.
O ensaio também cita Noam Brown, pesquisador da OpenAI, em entrevista ao podcast de Dwarkesh Patel publicada em setembro. Brown disse que é “muito difícil” fazer esses agentes se coordenarem de forma produtiva, porque eles tendem a resolver o problema cada um por conta própria. Sobre a prova matemática que a OpenAI atribuiu a milhares de agentes trabalhando juntos, ele afirmou que não daria “nem 10% do crédito” à abordagem com vários agentes, e sim à força do modelo.
O que observar no mercado de trabalho
Segundo os autores, o retrato atual combina com a teoria: startups mais enxutas, organogramas mais achatados e contratações mais fracas em vagas de entrada, mas sem desemprego em massa nem monopólios de IA. Eles alertam que os números agregados de emprego são um sinal fraco, porque os salários e as funções mudam antes de as empresas se reorganizarem. Casos como o do Barclays, que anunciou cortes de vagas com o avanço da IA, mostram como essas mudanças já aparecem em setores específicos.
O ensaio não traz propostas detalhadas de política pública, mas faz recomendações de medição. A primeira é criar testes para “organizações de agentes”, que avaliem se vários sistemas dividem um problema sem duplicar esforço, passam o contexto adiante e corrigem os erros uns dos outros em vez de multiplicá-los. A segunda é atualizar as estatísticas econômicas para acompanhar, lado a lado, os gastos com folha de pagamento e com computação. Para os autores, salários e funções são sinais mais precoces do que o PIB ou a concentração de mercado.
Um debate que vai além da corrida por modelos
A principal contribuição do texto é mudar a pergunta. Em vez de discutir apenas quando um modelo vai superar os humanos, os autores sugerem acompanhar quando vários sistemas de inteligência artificial conseguirão funcionar como uma organização. Eles escrevem que o debate sobre a AGI tratou a inteligência por tempo demais como uma “corrida de capacidade individual”. A transformação, dizem, viria da organização que transforma habilidades irregulares em algo maior que a soma das partes.
Por ora, o ensaio é um modelo teórico, apoiado num estudo técnico que a DeepMind publicou à parte, e não uma previsão com datas. O experimento com 100 pessoas aparece de forma resumida, sem detalhes de método. Mesmo com essas limitações, o texto oferece um critério concreto para acompanhar a IA na economia nos próximos anos: se os agentes começarem a cooperar bem, a mudança pode ser rápida; se continuarem trabalhando mal em equipe, os efeitos tendem a seguir graduais.
Fontes e referências
- DeepMind Institute — The Economics of Intelligence: How and when does AGI lead to economic transformation?
- NBER — We Won’t be Missed: Work and Growth in the AGI World (Pascual Restrepo)
- CooperBench — CooperBench: Why Coding Agents Cannot be Your Teammates Yet
- Dwarkesh Podcast — Noam Brown – Agent swarms, alignment, & recursive self-improvement