The better AI gets, the smaller its share of the economy might get – Alex Imas and Phil Trammell
Alex Imas (Google DeepMind, UChicago) e Phil Trammell (Epoch, Stanford) discutem o que a economia prevê para um mundo com automação avançada: o que será escasso (bens relacionais com humanos), por que a participação do trabalho pode cair ou não, os desafios de redistribuição (UBI vs capital básico universal) e por que cenários de recessão por IA são improváveis. O episódio enfatiza a necessidade de dados melhores e o papel da elasticidade da demanda e da variedade crescente de bens de capital.
Alex Imas – diretor de economia de AGI no Google DeepMind e professor em UChicagoPhil Trammell – head de economia na Epoch e pesquisador em Stanford
A participação do trabalho (labor share) se manteve surpreendentemente estável (~60%) por séculos, mesmo com toda a automação anterior, e pode continuar alta se a demanda por bens com humanos for elástica.
Bens 'relacionais' (onde a presença humana agrega valor intrínseco) são um candidato a escassez futura, mas seu impacto na economia total depende de quão rápido a variedade de bens de capital cresce.
Cenários de recessão por automação (como o da Citrine) exigem condições improváveis: demanda por bens de capital rigidamente limitada e ausência de investimento, mesmo com fronteira tecnológica se expandindo.
A elasticidade da demanda é crucial: se a demanda por software for altamente elástica, a automação pode aumentar o emprego total (via efeito Jevons), mas se for inelástica, a participação do trabalho pode cair.
Para redistribuição, o capital básico universal (UBC) é preferível ao UBI por evitar dependência política, mas enfrenta o problema de indexação: é difícil saber em quais ativos investir para capturar os ganhos da IA.
A concentração dos retornos da IA em poucas empresas privadas (como OpenAI, Anthropic) dificulta a indexação para países em desenvolvimento; se a IA for como a eletricidade (difusa), basta comprar o índice de mercado.
A evolução de preferências (humanos que valorizam interações humanas vs. acumuladores insaciáveis) pode determinar o futuro: se acumuladores dominarem, a participação do capital pode ir a 1.
Dados sobre elasticidades de demanda e tarefas são terrivelmente escassos; um 'Projeto Manhattan de dados' é necessário para prever o impacto da IA no mercado de trabalho.
O que será escasso? Bens relacionais e a participação do trabalho
Alex define o 'setor relacional': bens/serviços onde o valor depende da presença humana (ex.: barista, bailarina). Humanos são naturalmente escassos, então esses bens podem manter a participação do trabalho alta.
Phil contra-argumenta: se a variedade de bens de capital crescer rápido (novos usos para IA), a utilidade marginal dos bens relacionais pode cair, e a participação do trabalho pode ir a zero mesmo com demanda por eles.
Analogia histórica: um economista mongol em 1400 preveria que, com automação, todo o dinheiro iria para cantores, mas a variedade de bens não humanos se expandiu e a participação dos cantores permaneceu insignificante.
A participação do trabalho (labor share) se manteve em ~60% por séculos, surpreendentemente estável. Alguns estudos (Andy Atkins) mostram que, com ajustes contábeis, ela nem caiu nas últimas décadas.
Nada foi completamente automatizado ainda: mesmo bens como computadores têm participação de capital ajustada pela cadeia de suprimentos de ~50%, não 100%.
A diferença qualitativa futura é que alguns bens terão participação de capital = 1 (cadeia totalmente automatizada), mas o efeito na participação agregada é ambíguo.
Previsões econômicas e a necessidade de dados
Alex cita um post de Andrej Karpathy, Brian DeBerry e Andrew Coe mostrando que economistas discordam totalmente sobre o impacto da IA no mercado de trabalho. Ele defende mercados de previsão em vez de previsões individuais.
Exemplo histórico: David Ricardo previu desemprego em massa com a Revolução Industrial – as previsões dele estavam certas sobre a automação dos empregos da época, mas erradas sobre o desemprego de longo prazo (taxa de emprego hoje é a mais alta desde 2000).
Ricardo caiu na 'falácia do lump of labor': não previu que a automação baratearia bens, liberando renda para novos serviços.
Alex defende um 'Projeto Manhattan de dados': não temos dados sobre elasticidades de demanda, nem sobre tarefas (banco O*NET desatualizado). Precisamos mapear cenários (ex.: participação do trabalho = 0 ou = 60%) e coletar dados para distinguir.
A abordagem proposta: trabalhar de trás para frente a partir de cenários (ex.: participação do trabalho zero) e perguntar que tipo de escassez geraria aquele cenário.
O cenário 'messy middle' (meio confuso) é plausível?
Molly (provavelmente Molly White) escreveu sobre um cenário onde a IA automatiza empregos, mas não gera riqueza suficiente para compensar os deslocados, criando problemas políticos de redistribuição.
Alex e Phil acham esse cenário improvável: para que ocorra, a IA teria que ser apenas um pouco mais barata que o trabalho humano (sem abundância), e a automação teria que ser limitada a poucas ocupações (não generalizável).
Se a IA for capaz de automatizar engenheiros de software, provavelmente também automatizará contadores, analistas etc., gerando enormes economias. Além disso, a fronteira tecnológica se expandiria, criando crescimento.
Phil nota que, historicamente, sempre que a tecnologia substituiu trabalho, a fronteira se expandiu. Um cenário de 'drip' (automação lenta, como telefonistas entre 1920-1940) pode levar a subemprego e salários mais baixos, mas não a recessão.
A política importa: Andy Hall mostrou que um aumento de 2% no desemprego muda completamente o cenário político. Um 'drip' pode não gerar resposta fiscal rápida (como no COVID), enquanto um choque rápido sim.
Por que a automação via LLMs ainda não causou desemprego em massa?
Alex: não há evidência de 'banho de sangue' de colarinho branco. Dados do Budget Lab (Yale) mostram que, mesmo em setores expostos (engenharia de software), o emprego continua crescendo, embora o crescimento para juniores seja um pouco menor.
A anedota de formandos em CS com dificuldade de encontrar emprego pode ser explicada por narrativa (empresas demitem para parecer que estão adotando IA) e não por automação real.
Modelo O-ring: se a IA automatiza 9 de 10 tarefas de um trabalho, o humano pode se concentrar na tarefa restante, tornando-se mais produtivo. Se a demanda pelo produto for elástica, o emprego total pode aumentar.
A elasticidade da demanda é crucial: Jevons paradox (maior eficiência leva a maior uso total) só ocorre se a demanda for elástica. Para bens como insulina ou petróleo, a demanda é inelástica; para software, pode ser elástica, mas não é garantido.
Outro motivo para pouca automação: a qualidade da IA ainda é inferior à humana em muitas tarefas, e a confiabilidade é baixa. Automatizar 9/10 com qualidade inferior pode piorar o produto final (modelo de Gantz e Goldfarb).
Barreiras regulatórias e de responsabilidade (ex.: advogados precisam de licenciamento, responsabilidade civil) também mantêm humanos no loop, mesmo sem valor relacional intrínseco.
Preferências futuras: humanos vs. AIs e acumuladores insaciáveis
Se AIs se tornarem agentes autônomos, suas preferências podem não incluir interagir com humanos. A seleção natural (ou de mercado) favorecerá entidades que crescem e acumulam recursos, como sondas von Neumann.
Humanos podem ter preferências evolutivas por interações humanas (ex.: preferir terapeutas humanos). Alex argumenta que, se a reprodução continuar biológica, a seleção natural pode fortalecer essa preferência.
Phil distingue dois tipos de humanos ricos: os que saciam rápido em capital (consomem bens relacionais) e os que não saciam (ex.: Elon Musk, que quer construir colônias em Marte). Estes últimos acumularão a maior parte da riqueza.
Se acumuladores insaciáveis dominarem, a participação do capital pode ir a 1, pois eles reinvestem todo o excedente em vez de consumir bens relacionais.
A taxa de retorno do capital é endógena: se a demanda por capital for alta (devido a novas variedades de bens de capital), a participação do trabalho pode cair; se for baixa, os ricos consumirão mais, mantendo a participação do trabalho alta.
A possibilidade de vida eterna (ou trusts perpétuos) pode amplificar o efeito dos acumuladores, pois eles não dissipam a riqueza com herdeiros.
Redistribuição: UBI, capital básico universal e indexação
Alex prefere capital básico universal (UBC) a UBI, pois UBI cria dependência política de quem está no poder. Com UBC, as pessoas têm propriedade de capital e não precisam de permissão para sobreviver.
Problema do UBC: indexação. Se o governo distribui ações de empresas específicas (ex.: Anthropic) e essas empresas perdem valor, o UBC falha. É preciso indexar o portfólio a toda a economia, o que é difícil se os retornos são concentrados em empresas privadas.
Imposto sobre consumo (tipo IVA) para comprar ações e distribuir à população é uma proposta (David Autor). Mas isso se assemelha à privatização da Previdência Social, que já foi debatida.
Imposto sobre a riqueza pode ser politicamente instável (começa baixo e escala, como o imposto de renda). Além disso, pode distorcer investimentos se for muito alto.
Phil nota que a indexação ficou mais difícil recentemente porque muitos retornos estão em empresas privadas (OpenAI, Anthropic). Mas a tendência histórica é de mais empresas abrindo capital, e a IA pode reduzir custos de disclosure.
Para países em desenvolvimento, a recomendação é comprar o índice de mercado (S&P 500) se a IA for difusa como eletricidade. Se for concentrada, será difícil capturar os ganhos.
IA será como eletricidade ou como mídia social? Implicações para países em desenvolvimento
Se a IA for como a eletricidade (insumo difuso, muitos beneficiários downstream), os ganhos serão amplamente distribuídos e basta comprar o índice. Se for como mídia social (plataforma captura os ganhos), a concentração será alta.
Alex: o grau de abertura dos modelos (open source vs. fechado) é crucial. Se modelos abertos estiverem apenas 6-9 meses atrás da fronteira, o acesso será amplo, favorecendo o cenário 'eletricidade'.
Países como Nigéria ou Índia podem se beneficiar de 'leapfrogging' (como no mobile banking) se adotarem IA rapidamente, mas isso depende de educação e infraestrutura.
Phil: mesmo que a IA seja concentrada, as empresas provavelmente abrirão capital, permitindo indexação. O problema é que, enquanto são privadas, é difícil para estrangeiros investirem.
A recomendação prática: priorizar a indexação (comprar ações de empresas de IA quando possível) em vez de programas de retreinamento, que são lentos e dependem de sistemas educacionais frágeis.
No entanto, Alex ressalta que retreinamento não é mutuamente exclusivo: países podem fazer ambos, mas a indexação é mais rápida e escalável.
Riscos de segurança e concentração de mercado
Phil aponta um trade-off: modelos de fronteira abertos (commoditizados) distribuem melhor os ganhos, mas podem aumentar riscos de segurança (uso malicioso, corrida armamentista).
Modelos concentrados em poucas empresas permitem maior controle (ex.: pausas voluntárias), mas criam um alvo político claro (ex.: Defense Production Act contra Anthropic).
Alex: a concentração também facilita a tributação e a redistribuição (o governo sabe onde está o dinheiro), mas pode gerar ressentimento público.
A solução ideal pode ser ter uma liderança clara, mas com propriedade pública ampla (empresas de capital aberto com muitos acionistas), equilibrando segurança e distribuição.
Passos práticos
Para formuladores de política: invista em coleta de dados sobre elasticidades de demanda e tarefas (tipo O*NET atualizado) para modelar cenários de automação.
Para países em desenvolvimento: crie fundos soberanos que comprem índices amplos (S&P 500) e ações de empresas de IA quando abrirem capital, em vez de focar apenas em retreinamento.
Para indivíduos: diversifique investimentos em índices de mercado amplos (não apenas em empresas de IA) para capturar ganhos difusos da automação.
Para governos: considere implementar capital básico universal (UBC) com portfólio indexado, em vez de UBI, para evitar dependência política e garantir participação nos ganhos de capital.
Para empresas de IA: priorize a abertura de capital (IPO) para permitir que o público em geral indexe os retornos, reduzindo a concentração de riqueza.
Para pesquisadores: desenvolva modelos econômicos que incorporem preferências endógenas (ex.: valor relacional) e variedade crescente de bens de capital, em vez de assumir demanda exógena.
Frases marcantes
"A participação do trabalho se manteve em 60% após toda a automação da Revolução Industrial – isso é surpreendente e quase parece um erro contábil."
"Se você automatiza 9 de 10 tarefas de um trabalho, o humano pode se concentrar na última tarefa e se tornar mais produtivo – mas isso só aumenta o emprego se a demanda for elástica."
"O cenário de recessão por IA exige que a demanda por bens de capital seja rigidamente limitada e que ninguém invista – condições muito improváveis quando a fronteira tecnológica está se expandindo."
"UBI cria dependência política: se você depende de um cheque do governo, está à mercê de quem está no poder. Com capital básico universal, você tem propriedade e não precisa de permissão."
"A IA pode ser como a eletricidade – todo mundo usa, mas os ganhos vão para os usuários – ou como a mídia social – os ganhos vão para a plataforma. A diferença é crucial para a distribuição."
"Se acumuladores insaciáveis como Elon Musk dominarem a economia, a participação do capital pode ir a 1, pois eles reinvestem todo o excedente em vez de consumir bens relacionais."
Mencionados no episódio
David Ricardo – economista clássico que previu desemprego com a Revolução Industrial
Molly White – escreveu sobre o cenário 'messy middle' de automação gradual
Andy Atkins – autor de paper mostrando que a participação do trabalho não caiu com ajustes contábeis
Andrej Karpathy, Brian DeBerry, Andrew Coe – autores de post sobre previsões de economistas
Budget Lab (Yale) – centro que analisa dados de emprego e IA
O*NET – banco de dados de tarefas e ocupações (desatualizado)
David Autor – economista que propôs distribuir ações via imposto sobre consumo
Andy Hall – escreveu sobre política da AGI
Gantz e Goldfarb – autores de modelo sobre automação parcial com qualidade inferior
Citrine – empresa que publicou cenário de recessão por IA
Jonathan Haidt – psicólogo moral (framework de emoções morais)
David Reich – geneticista (entrevistado no podcast, falou sobre seleção natural)
Elon Musk – exemplo de acumulador insaciável (mass drivers na Lua)
Mark Zuckerberg – exemplo de rico que consome bens relacionais (aulas de MMA)
Nick Land – filósofo (preferência por acelerar capital)