21.559 Empresas, Cinco Anos: Adotantes Comprometidos de IA Cresceram 12% na Contratação Júnior

21.559 empresas americanas. Cinco anos de registros de gasto. O resultado corre no sentido oposto à manchete que a maioria esperava sobre IA e empregos: as empresas que mais se comprometeram com IA cresceram o quadro total, e cresceram a contratação de nível júnior mais rápido do que qualquer outra faixa.

O Ramp Economics Lab, em parceria com a Revelio Labs, cruzou o gasto corporativo com IA com registros de força de trabalho de janeiro de 2021 a fevereiro de 2026, e rodou um desenho de diferenças-em-diferenças escalonado (o estimador de Callaway-Sant’Anna) para isolar o que aconteceu depois que uma empresa começou a gastar com IA. Os adotantes de alta intensidade adicionaram 10,2% ao quadro total nos 24 meses seguintes à adoção. Os cargos de nível júnior cresceram 12%, mais rápido que a força de trabalho como um todo. O colapso tão previsto na contratação júnior não apareceu neste painel. O inverso apareceu.

Um número aqui carrega uma etiqueta de advertência, e foi o próprio estudo que a colou. As ressalvas acabam pesando tanto quanto o resultado, então vou chegar a todas elas. Primeiro, o que o painel de fato mediu.

O que o painel mediu

Este é o primeiro painel causal grande a ligar gasto com IA a registros reais de força de trabalho, e vale afirmar o desenho com clareza, porque é ele que determina quanto peso os números aguentam.

A unidade de observação é o gasto mensal de uma empresa com IA, extraído dos dados de pagamento da Ramp, casado com o quadro dessa empresa pela Revelio Labs. Adoção é um evento de gasto: pelo menos US$ 100 por mês em IA, sustentados por três meses consecutivos. Esse limiar transforma uma pergunta vaga (“adotaram IA?”) em um fato datado e observável, que é do que um desenho de diferenças-em-diferenças precisa. O estimador de Callaway-Sant’Anna lida com a realidade incômoda de que as empresas adotaram em momentos diferentes, comparando a trajetória de cada empresa após a adoção contra empresas que ainda não haviam adotado, em vez de contra um único grupo de controle fixo.

O produto é um estudo de evento: o quadro plotado em relação ao mês em que a empresa cruzou o limiar de adoção. É esse enquadramento que faz o resultado ser lido como causal, e não como correlação. Ele não diz que empresas usuárias de IA são maiores. Ele acompanha o que acontece com a contratação de uma empresa depois que ela começa a gastar.

A intensidade é a história inteira

O número da manchete esconde a variável que faz o trabalho de verdade. A adoção sozinha não moveu nada. O uso sustentado e pesado moveu tudo.

A Ramp separa seus adotantes em alta e baixa intensidade pelo gasto por funcionário: cerca de US$ 33,67 por funcionário por mês na ponta alta, contra US$ 2,78 na ponta baixa. O grupo de baixa intensidade fica estatisticamente estável no quadro. Uma empresa pode comprar um punhado de licenças, chamar a si mesma de adotante de IA, e ver seus números de força de trabalho ficarem parados, porque nesses dados eles ficam parados. Os números de 10,2% e 12% pertencem inteiramente às empresas que gastam na ponta comprometida.

O efeito de alta intensidade também escapa do degrau único. Ele se compõe. Os coeficientes do estudo de evento começam pequenos, perto de 3,66 pontos logarítmicos quatro meses após a adoção, e sobem para 45,24 pontos logarítmicos no mês 24. Qualquer que seja o mecanismo que liga uso pesado de IA a contratação, ele se acumula ao longo de dois anos em vez de chegar como um salto único. Essa trajetória tem uma consequência operacional direta: uma empresa que lê seu programa de IA no mês três está lendo antes de o sinal na força de trabalho existir. O efeito que aparece em dois anos é invisível em um trimestre.

As ressalvas que os autores expõem

Aqui está o número com a etiqueta de advertência, e a etiqueta é do próprio estudo.

A Ramp afirma que seus adotantes já cresciam mais rápido que os não adotantes antes de adotar. As empresas inclinadas a gastar pesado em IA eram, em média, as empresas que já contratavam de forma agressiva. Diferenças-em-diferenças é construído para remover diferenças fixas entre grupos, mas não consegue descartar por completo que uma empresa em ascensão contrate e compre IA pela mesma razão de fundo. Os autores dizem isso diretamente.

Mais três limites ficam à vista. A janela de 24 meses captura o quadro, mas pode perder a realocação da composição da força de trabalho, a história mais lenta de quais cargos são redefinidos em vez de somados ou cortados. O painel pende para o lado tech e para empresas com aporte de risco, exatamente a população mais capaz de converter gasto com IA em crescimento, e a menos representativa de uma indústria regional ou de um sistema hospitalar. E este é um estudo de fornecedor: a Ramp vende infraestrutura de pagamento para essas mesmas empresas.

Esse último ponto corta nos dois sentidos, e a direção em que ele corta é a razão de este texto existir. Um fornecedor com incentivo para publicar um número lisonjeiro publicou, em vez disso, o próprio viés de seleção na seção de metodologia. É assim que se parece uma medição com credibilidade. A honestidade sobre o que os dados não conseguem provar é, por si só, um sinal de governança, e é o padrão a que qualquer dashboard interno de impacto de IA deveria ser submetido. Um relatório de IA que nunca traz o próprio fator de confusão à tona é peça de marketing fantasiada de medição.

A leitura de governança

Lidos em conjunto, o resultado e suas ressalvas apontam para um princípio operacional: os resultados de força de trabalho acompanham quão intensamente uma empresa sustenta a adoção governada. A pergunta binária que todo conselho faz, “estamos adotando IA ou não”, é o instrumento errado. Ela não consegue distinguir a empresa que gasta US$ 2,78 por funcionário e não vê nada da empresa que gasta US$ 33,67 e compõe um efeito de 10% no quadro. As duas respondem “sim, adotamos”. Só uma delas aparece nos dados dois anos depois.

Isso reformula toda a conversa sobre headcount. O medo de que a adoção de IA corte empregos assume que adotar é uma alavanca que se puxa uma vez. Neste painel, é um compromisso que se sustenta por anos, e as empresas que mais o sustentaram contrataram mais gente, incluindo mais juniores. O verdadeiro risco para a força de trabalho está em adotar de forma casual, declarar a tarefa cumprida, e esperar um efeito que o gasto nunca foi intenso o bastante para produzir.

Faça isto agora

Pare de medir a adoção de IA como um sim ou não. Meça a intensidade. Pegue os últimos doze meses de gasto com IA e divida pelo quadro, por mês. Se o número está mais perto de US$ 2,78 por funcionário do que de US$ 33,67, você está no grupo para o qual este estudo encontrou efeito zero, e nenhuma quantidade de discurso de “adotamos IA” muda isso. Depois, defina o horizonte de revisão com honestidade. O efeito nesses dados levou dois anos para atingir o tamanho pleno e não existia no mês três. Julgue o programa nesse relógio, governe a intensidade de forma deliberada, e submeta o seu próprio relatório ao mesmo padrão que o estudo estabeleceu: nomeie o fator de confusão antes de citar o número.

Fontes

Ramp Economics Lab + Revelio Labs. “AI Jobs Impact.” Junho de 2026.

A Victorino ajuda organizações a medir a adoção de IA por intensidade e resultado, não por sim ou não, e a governar essa diferença: contato@victorino.com.br | www.victorino.com.br