Chad Jones e o futuro econômico da inteligência artificial

Uma inteligência artificial capaz de escrever programas, analisar pesquisas e formular hipóteses científicas coloca uma questão maior do que a substituição de determinadas profissões: o que acontece com uma economia quando ela começa a automatizar a própria produção de conhecimento?

Charles I. Jones, conhecido como Chad Jones, examina essa possibilidade em AI and Our Economic Future, publicado no Journal of Economic Perspectives em 2026. A IA pode acelerar o crescimento, enquanto tarefas difíceis de automatizar podem retardar essa aceleração. ¹

Para entender essa combinação, precisamos acompanhar três elementos: como surgem novas ideias, como as tarefas de uma economia dependem umas das outras e como os benefícios e riscos da tecnologia chegam à sociedade.

Por que as ideias são tão importantes

Na tradição da teoria do crescimento que Jones desenvolve a partir de Paul Romer, o conhecimento tem uma propriedade especial: uma mesma ideia pode ser utilizada simultaneamente por muitas pessoas. Economistas chamam isso de não rivalidade. Uma máquina ocupada por uma fábrica não pode estar ao mesmo tempo em outra. Uma descoberta pode orientar a produção em milhares de fábricas. O conhecimento acumulado permite elevar a produção por pessoa sem que cada geração tenha de reinventar tudo. ⁴

Um exemplo próprio ajuda a visualizar essa diferença. Se uma empresa compra um equipamento, expande sua capacidade local. Se alguém descobre uma maneira de reduzir o desperdício de matéria-prima, esse procedimento pode ser adotado por diversas empresas. A aplicação continua exigindo equipamentos, trabalhadores e adaptações, mas a descoberta não se esgota quando a primeira empresa a utiliza.

Essa distinção também permite separar dois efeitos da IA. Melhorar uma atividade existente pode gerar economia de tempo e de recursos. Melhorar nossa capacidade de descobrir métodos novos pode alterar uma sequência inteira de atividades futuras. Uma ferramenta que ajuda a desenvolver um tratamento médico, por exemplo, pode ter consequências que ultrapassam o trabalho realizado no laboratório que a utilizou.

Por que mais tecnologia nem sempre significa crescimento mais rápido

Jones apresenta dois cenários: a IA acelera o crescimento ou sustenta a expansão econômica. O PIB real por pessoa nos Estados Unidos cresceu, em tendência de longo prazo, cerca de 2% ao ano durante aproximadamente 150 anos, atravessando transformações tecnológicas profundas. As inovações podem ter evitado uma desaceleração. ¹

Um trabalho anterior de Jones, com Nicholas Bloom, John Van Reenen e Michael Webb, esclarece esse ponto. Os autores encontram, nos casos estudados, aumento do esforço de pesquisa acompanhado de queda da produtividade da pesquisa. Na indústria de semicondutores, estimam que manter o ritmo da Lei de Moore exigia mais de dezoito vezes o número de pesquisadores do início dos anos 1970. Sua interpretação é que novas ideias se tornam progressivamente mais difíceis de encontrar. ⁵

Em termos simplificados, esse trabalho relaciona o avanço tecnológico a duas forças: o esforço de pesquisa e a produtividade desse esforço. Se a segunda diminui, a primeira precisa aumentar para preservar o ritmo de progresso. ⁵

Podemos construir uma analogia numérica. Suponha que cem pesquisadores produzam dez avanços relevantes por período. Mais tarde, uma equipe de duzentos produz os mesmos dez. O número de pesquisadores dobrou, mas o resultado ficou constante. Uma ferramenta que recuperasse parte da produtividade perdida teria grande valor, mesmo que o número de avanços continuasse crescendo no ritmo anterior.

Por isso, a comparação relevante exige um contrafactual: quanto a economia avançaria sem a nova tecnologia? Observar a mesma taxa antes e depois da adoção de uma ferramenta não basta para determinar seu efeito.

A IA pode transformar a atividade que produz as próximas tecnologias

No trabalho de Philippe Aghion, Benjamin F. Jones e Charles I. Jones sobre IA e crescimento, aparecem dois campos de automação: a produção de bens e serviços e a produção de novas ideias. Automatizar pesquisa pode modificar o próprio processo que gera avanços tecnológicos. Sob certas hipóteses, isso abre espaço para crescimento acelerado e até trajetórias explosivas nos modelos. ⁶

Para visualizar o mecanismo, considere uma situação hipotética. Uma IA ajuda a encontrar um algoritmo mais eficiente. O algoritmo permite realizar mais trabalho com os mesmos computadores. Parte dessa capacidade adicional é utilizada para pesquisar outros algoritmos, materiais ou equipamentos. As melhorias seguintes ampliam novamente as possibilidades de pesquisa.

Esse circuito pode envolver o mundo físico. Um método melhor de projetar componentes pode facilitar a construção de máquinas que executam experimentos. Se os experimentos ficarem mais rápidos e baratos, novas hipóteses poderão ser testadas em maior quantidade.

Entretanto, cada passagem dessa sequência exige algo concreto. Uma hipótese precisa ser boa; um experimento precisa ser executado; seus resultados precisam ser confiáveis; uma técnica precisa funcionar fora do ambiente de teste. A velocidade com que se produz uma proposta não determina, sozinha, a velocidade com que ela se transforma em uma aplicação útil.

Os elos fracos da economia

Jones já estudava a importância das relações entre setores e da complementaridade produtiva em seu trabalho de 2011 sobre elos fracos. Quando a produção depende de insumos complementares, uma deficiência em determinada etapa pode comprometer o resultado de toda a cadeia. As conexões entre empresas também propagam dificuldades: um problema na oferta de um insumo afeta seus compradores e, por meio deles, outras atividades. ⁷

Considere um exemplo próprio: uma empresa produz móveis sob encomenda. Ela precisa elaborar o projeto, adquirir materiais, fabricar as peças, transportar o produto e instalá-lo. Uma IA pode multiplicar a capacidade de elaborar projetos. Mas, se a instalação continuar limitada a dez unidades por dia, a empresa não conseguirá entregar mil unidades diariamente apenas porque passou a produzir mil desenhos.

Isso não torna a melhoria inútil. Ela pode reduzir custos, melhorar os projetos e liberar pessoas para outras atividades. O ponto é que o resultado final depende da combinação das etapas.

Na linguagem econômica, essa relação pode ser representada por uma elasticidade de substituição entre tarefas menor que um. Quando a substituição é difícil, aumentar muito a oferta de uma tarefa compensa pouco a escassez das outras. Essa é a escolha central no modelo de Jones e Christopher Tonetti. ⁸

Uma aplicação dessa lógica, além dos exemplos dos autores, seria analisar um serviço público. Redigir um documento em segundos pode ser valioso, mas a duração do procedimento também depende da qualidade dos dados, das verificações necessárias, da integração dos sistemas e da decisão de quem possui competência para concluí-lo. A avaliação precisa acompanhar o procedimento completo.

O que significa automatizar metade da economia

Jones e Tonetti apresentam um exercício extremo: tornar infinitamente produtivo um conjunto fixo de tarefas, mantendo as demais condições do exercício. Com mercados competitivos e elasticidade de substituição σ entre zero e um, o fator de aumento da produção é:

G = [1 / (1 − s)] elevado a [σ / (1 − σ)]

Aqui, s é a participação inicial das tarefas automatizadas nos custos totais, e G compara a produção posterior com a inicial. Não se trata simplesmente de contar tarefas ou profissões. Os autores utilizam σ = 0,2 em sua calibração principal. ⁸

A tabela abaixo é um cálculo a partir dessa expressão. Com σ igual a 0,2, o expoente é 0,25.

Participação inicial automatizada	Fator de aumento da produção	Aumento sobre o nível inicial
25%	1,075	7,5%
50%	1,189	18,9%
75%	1,414	41,4%
93,75%	2,000	100%
99%	3,162	216,2%

O resultado de 50% pode causar estranheza. Como tornar metade das tarefas, ponderadas por seus custos, infinitamente produtiva gera apenas 18,9% de aumento na produção? A resposta matemática está no expoente: os componentes que permanecem limitados continuam pesando muito no resultado.

O cálculo também mostra sua sensibilidade às hipóteses. Se usarmos σ igual a 0,5, o expoente será um. Nesse caso, automatizar a mesma participação de 50% produz um fator de dois: o nível de produção dobra. Portanto, o número de 18,9% precisa ser lido junto com a hipótese de forte complementaridade.

Os autores aplicam o exercício às tarefas hoje executadas por software, cuja participação estimam em cerca de 2% do PIB. Com σ igual a 0,5, torná-las infinitamente produtivas elevaria o PIB em aproximadamente 2%. Esse cálculo mantém fixas as tarefas consideradas. ⁸

Quando s se aproxima de 100%, a expressão cresce sem limite. Isso decorre das hipóteses do exercício: cada vez menos tarefas permanecem como restrições. A divergência matemática não demonstra que uma economia real possa produzir quantidades infinitas; indica que o modelo deixa de impor um teto por meio dos componentes não automatizados.

Três cuidados ajudam a interpretar esse exercício. Primeiro, o ganho calculado é no nível de produção, não uma taxa anual de crescimento. Segundo, a produtividade infinita é uma idealização matemática, não uma descrição dos equipamentos disponíveis. Terceiro, o conjunto de tarefas está fixo: o exercício não incorpora, por si só, todas as atividades e descobertas que poderiam surgir depois.

Se o ganho de 18,9% fosse realizado gradualmente ao longo de dez anos, equivaleria, por cálculo composto, a aproximadamente 1,75% ao ano de aumento adicional do nível em relação a uma trajetória sem esse ganho. Essa conversão é apenas ilustrativa; o modelo estático não determina o prazo de realização.

Como a aceleração pode aparecer depois

Nas simulações apresentadas nos slides de 2026, Jones combina o circuito entre automação e novas ideias com a limitação imposta pelos elos fracos. Ele compara uma continuação dos padrões históricos de automação com uma mudança muito mais intensa na produtividade das máquinas. Os resultados variam amplamente conforme o cenário. ²

Uma maneira de interpretar a relação entre as duas forças é observar o que acontece quando o gargalo muda de lugar. Na empresa de móveis, melhorar apenas o projeto não resolve o limite de instalação. Se a fabricação e o transporte também avançarem, a instalação ficará ainda mais decisiva. Se ela finalmente melhorar, uma parcela maior da capacidade acumulada nas etapas anteriores poderá ser utilizada.

Esse exemplo permite entender por que avanços sucessivos podem produzir resultados finais desiguais. Uma melhoria pode elevar pouco a entrega naquele momento e, ainda assim, preparar condições para uma expansão posterior. O efeito de uma tecnologia depende das outras capacidades disponíveis quando ela é adotada.

Ao mesmo tempo, precisamos distinguir crescer mais de crescer cada vez mais depressa. Um país pode ficar permanentemente 20% mais rico e depois continuar crescendo à mesma taxa. Uma aceleração persistente exige que as forças que elevam a produtividade continuem operando ao longo do tempo.

Para dimensionar a diferença, basta fazer uma conta independente. A 2% ao ano, uma grandeza dobra em aproximadamente 35 anos; a 5%, em 14 anos; a 10%, em pouco mais de sete. Essas são relações matemáticas, não previsões para a economia brasileira ou mundial.

O que acontece com empregos e salários

Jones destaca nos slides que uma profissão reúne várias tarefas. Automatizar parte delas pode complementar o trabalho humano; automatizar todo o conjunto pode reduzir a demanda pelo profissional. Ele utiliza os radiologistas para ilustrar por que ler imagens não esgota uma ocupação. O exemplo serve para questionar previsões simples de desaparecimento de profissões. ²

Podemos examinar uma situação hipotética sem tentar prever uma categoria específica. Uma profissional gasta metade do dia organizando informações e metade conversando com clientes para compreender seus problemas. Se a organização for automatizada, ela poderá atender mais clientes ou oferecer um serviço melhor. Mas a empresa também poderá decidir manter a produção e diminuir a equipe.

O resultado depende, entre outros fatores, da resposta da demanda, das tarefas que permanecem necessárias e de como o trabalho é reorganizado. Ganho de produtividade e redução de emprego em uma atividade podem acontecer simultaneamente.

Jones também recorre à literatura sobre salários. Caselli e Manning mostram que, sob suas hipóteses, novas tecnologias não implicam queda salarial para todos; os salários médios podem aumentar quando os bens de investimento ficam relativamente mais baratos. Isso não garante que cada trabalhador ganhe: mudanças na desigualdade e nos salários relativos continuam possíveis. ⁹

Uma explicação útil é a vantagem comparativa. Imagine que uma máquina faça duas atividades melhor do que uma pessoa, mas sua superioridade seja muito maior na primeira. Se utilizar a máquina tem custo e sua capacidade é limitada, pode fazer sentido reservá-la para a primeira atividade e contratar a pessoa para a segunda. Essa possibilidade não determina qual será o salário nem elimina dificuldades de transição.

Uma economia mais rica pode distribuir a renda de outra maneira

Nos slides, Jones observa que o trabalho é o principal recurso que muitas pessoas oferecem para obter renda. Uma automação muito ampla torna decisiva a questão de como elas participarão da riqueza produzida. Ele também distingue renda material e sentido do trabalho: ocupações podem proporcionar vínculos, aprendizado e realização. ²

Uma conta própria esclarece uma distinção importante. Suponha que a renda do trabalho seja 60 e a do capital, 40. Se ambas dobrarem, a renda do trabalho será 120 e sua participação continuará em 60%. Mas, se o trabalho subir para 90 e o capital para 160, a renda dos trabalhadores terá aumentado 50%, enquanto sua participação cairá para 36%.

Portanto, participação menor não significa necessariamente renda absoluta menor. Também não significa que todos os trabalhadores terão a mesma trajetória: os totais podem aumentar enquanto determinados grupos perdem renda.

Essa conta permite separar perguntas que frequentemente se misturam. Quanto a economia produz? Quem recebe essa renda? Quem possui os ativos? E quem consegue atravessar a mudança sem perder suas condições de vida? Cada pergunta exige uma avaliação própria.

Mesmo uma distribuição satisfatória da renda deixaria outra questão em aberto: como as pessoas organizariam a vida se a necessidade econômica de trabalhar diminuísse muito? Podemos imaginar mais tempo para estudo, cuidado, convívio e atividades culturais. Mas essa possibilidade depende de condições materiais e instituições que tornem tais escolhas acessíveis.

Os benefícios podem demorar e os riscos podem chegar antes

O artigo destaca uma assimetria: os elos fracos podem retardar ganhos, mas tornam sistemas vulneráveis à destruição de uma etapa essencial. A IA pode causar danos graves antes de transformar a produtividade da economia inteira. ¹

Um exemplo próprio seria uma rede logística. Melhorar seu funcionamento pode exigir coordenação entre armazéns, veículos, sistemas e pessoas. Interrompê-la pode exigir apenas que um componente indispensável deixe de funcionar. Construir capacidade e causar uma interrupção têm exigências diferentes.

Em The AI Dilemma, Jones analisa o conflito entre crescimento e risco existencial. Os resultados dependem fortemente de como o modelo representa o valor do consumo e da vida. Com utilidade logarítmica, seus agentes podem aceitar riscos extraordinariamente altos; com utilidade marginal do consumo caindo mais rapidamente, tornam-se muito mais cautelosos. Benefícios que prolongam a vida voltam a alterar o cálculo, porque também envolvem sobrevivência. ¹⁰

Para padrões de vida comparáveis aos norte-americanos, Jones apresenta três exercícios hipotéticos: ¹

Hipóteses do exercício	Risco único de extinção que os agentes aceitariam
Crescimento de 10% ao ano e utilidade logarítmica	Menos de aproximadamente 33%
Mesmo crescimento e utilidade marginal proporcional ao inverso do consumo ao quadrado	Cerca de 2,5%
Benefícios que também reduzem pela metade as taxas de mortalidade	Cerca de 25%

O significado das preferências pode ser esclarecido matematicamente. Na utilidade logarítmica, dobrar o consumo de um para dois, de dois para quatro ou de quatro para oito acrescenta o mesmo ganho de utilidade. Quando a utilidade marginal é proporcional a 1/c², sendo c o consumo, essas duplicações geram incrementos cada vez menores. Nesse segundo caso, mesmo aumentos ilimitados de consumo acrescentam um valor limitado à utilidade: uma renda gigantesca tem menor capacidade de compensar o risco de perder a vida.

Esses exercícios não estimam a probabilidade real de extinção nem fornecem, sozinhos, uma autorização moral para correr riscos. A questão que podemos extrair deles é metodológica: uma conta sobre segurança tecnológica inclui hipóteses sobre o que valorizamos, além de hipóteses sobre o funcionamento da tecnologia.

Em outro estudo, Jones pergunta quanto valeria investir em redução de risco. Utilizando parâmetros de avaliação da vida empregados nos Estados Unidos, encontra cenários em que gastos substanciais se justificam mesmo sem atribuir valor às gerações futuras. Ele também discute a corrida entre laboratórios: cada participante pode ter incentivo para avançar rapidamente, embora uma coordenação mais cuidadosa pudesse beneficiar o conjunto. ¹¹

Para avaliar essa proposta, seria necessário examinar dois elementos separadamente: o tamanho do risco e a eficácia das medidas disponíveis. Um gasto elevado não se justifica apenas porque uma ameaça é grave; precisa haver razões para acreditar que a intervenção a reduz. Por outro lado, a incerteza não transforma automaticamente o valor de prevenção em zero.

Como avaliar a teoria

A leitura apresentada aqui permite formular perguntas concretas para acompanhar a IA. Os sistemas estão apenas produzindo mais propostas ou também aumentando a quantidade de resultados verificados? Os ganhos estão removendo os gargalos que limitam a entrega final? As empresas conseguem integrar as ferramentas às demais etapas? A produtividade adicional se converte em mais produção, menores preços, maiores rendas ou redução de pessoal?

Também precisamos testar as hipóteses do modelo. A complementaridade entre tarefas pode ser diferente de setor para setor. Atividades podem ser redesenhadas, substituídas ou deixar de ser necessárias. Novas tecnologias podem alterar a organização produtiva de maneiras que os dados históricos não capturam bem. E custos de energia, equipamentos e adaptação continuam exigindo investigação.

Por essas razões, as simulações funcionam melhor como instrumentos para examinar mecanismos e condições do que como um calendário do futuro. O valor da abordagem está em tornar explícita uma sequência de perguntas: o que a IA automatiza, o que permanece escasso e como essa escassez influencia os resultados?

À medida que a tecnologia avança, acompanhar essas relações pode ser mais esclarecedor do que observar apenas a qualidade de uma demonstração impressionante. Um programa que executa uma tarefa excepcionalmente bem é uma peça de evidência. Entender o futuro econômico exige observar como essa peça se encaixa no restante da produção e na vida das pessoas.

Artigo vídeo e apresentação

Os três materiais centrais para acompanhar a exposição de Chad Jones são:

Artigo — AI and Our Economic Future.
Vídeo no YouTube — AI and Our Economic Future com Chad Jones.
Apresentação em PDF — Slides da Stanford GSB Spring Reunion de 2026.

Referências utilizadas

[1] Jones, Charles I. AI and Our Economic Future. Journal of Economic Perspectives, 2026. PDF.

[2] Jones, Chad. A.I. and Our Economic Future. Stanford GSB Spring Reunion, 1º de maio de 2026. Slides.

[3] Vídeo da apresentação.

[4] Jones, Charles I. Paul Romer: Ideas, Nonrivalry, and Endogenous Growth, 2019. PDF.

[5] Bloom, Nicholas; Jones, Charles I.; Van Reenen, John; Webb, Michael. Are Ideas Getting Harder to Find?, 2020. PDF.

[6] Aghion, Philippe; Jones, Benjamin F.; Jones, Charles I. Artificial Intelligence and Economic Growth, 2019. PDF.

[7] Jones, Charles I. Intermediate Goods and Weak Links in the Theory of Economic Development, 2011. PDF.

[8] Jones, Charles I.; Tonetti, Christopher. Past Automation and Future A.I.: How Weak Links Tame the Growth Explosion. Versão de maio de 2026. PDF.

[9] Caselli, Francesco; Manning, Alan. Robot Arithmetic: New Technology and Wages, 2019. Página do artigo.

[10] Jones, Charles I. The AI Dilemma: Growth versus Existential Risk, 2024. PDF.

[11] Jones, Charles I. How Much Should We Spend to Reduce A.I.'s Existential Risk? Versão de setembro de 2025. PDF.