Plano de Ação Continental para a IA da União Europeia: Análise do Mercado de Trabalho Português
Plano de Ação Continental para a IA da União Europeia: Análise do Mercado de Trabalho Português
A Comissão Europeia adotou um Plano de Ação Continental para a Inteligência Artificial (IA), concebido para ajudar a posicionar a UE como líder mundial nesta tecnologia. O Plano assenta em cinco pilares destinados a acelerar a adoção da IA, estimular a inovação e dar maior clareza regulatória ao enquadramento europeu. Nesta avaliação, focamo-nos nos pilares (3) e (4), respetivamente:
- Adoção da IA em setores estratégicos: promoção da utilização da IA no setor público e privado, em particular nas PME, através de uma estratégia integrada que articula instrumentos de apoio, desenvolvimento de competências, infraestruturas de inovação e financiamento europeu.
- Desenvolvimento de competências e talento em IA: reforço da oferta e da atratividade do ensino e da formação avançada em IA, combinando o alargamento dos ciclos académicos, a atração de talento internacional e o apoio às PME e ao setor público através dos Polos Europeus de Inovação Digital e de programas europeus de desenvolvimento de competências.
Objetivos
Posicionar a União Europeia como líder global em inteligência artificial, promovendo uma adoção ampla, competitiva, segura e inovadora.
Avaliação Final da Medida:
Enquadramento da Política e Abordagem Analítica
A abordagem da União Europeia à inteligência artificial tem sido, historicamente, preventiva e orientada para a ética. Essa ênfase regulatória, porém, tem sido criticada por poder travar a inovação e a competitividade face a economias mais flexíveis, como os Estados Unidos e a China. A divergência de produtividade entre a UE e os EUA na última década é frequentemente associada à maior capacidade americana de adotar rapidamente novas tecnologias (Draghi, 2024). Em paralelo, a UE enfrenta limitações relevantes na formação e retenção de talento em IA. Embora forme uma proporção importante dos principais investigadores da área, apenas uma minoria permanece a trabalhar na Europa, refletindo diferenciais salariais e menores oportunidades de financiamento e de escala empresarial (World Economic Forum, 2025). Estas fragilidades também se traduzem numa menor utilização da IA pelos trabalhadores europeus, quando comparados com os norte-americanos (Sukharevsky et al., 2024), e numa presença mais limitada das universidades europeias nos rankings de excelência em ciência de dados e IA.
Para responder a estes desafios, a Comissão Europeia definiu um plano estratégico destinado a acelerar a adoção da inteligência artificial e a reforçar a base de competências e talento necessária à competitividade europeia.
Neste contexto, o presente trabalho propõe uma avaliação, numa perspetiva intergeracional, dos impactos da difusão da inteligência artificial no mercado de trabalho e do papel do plano estratégico da Comissão Europeia nesse processo. A análise centra-se no contexto português, identificando os principais grupos mais expostos à transformação tecnológica e as potenciais implicações em termos de desigualdades entre e dentro de coortes ao longo do ciclo de vida laboral. Por fim, apresentam-se recomendações de política pública, com particular foco no papel das políticas ativas de emprego (ALMPs) na mitigação dos efeitos distributivos mais adversos.
Inteligência Artificial no Mercado Laboral Português
A análise do mercado laboral português assenta numa abordagem orientada para tarefas (tasks), que permite classificar as ocupações segundo o seu grau de exposição à substituição e à complementaridade associadas à inteligência artificial (ver Anexo Metodológico). A partir desta classificação, distinguem-se quatro tipos de ocupações com perfis distintos de risco e oportunidade face à difusão da IA. Em primeiro lugar, surgem as ocupações com baixa exposição à substituição, geralmente ligadas a tarefas manuais não rotineiras e a serviços presenciais. Em segundo, as ocupações cognitivas não rotineiras tendem a beneficiar de maior complementaridade com a IA, com potenciais ganhos de produtividade. Em terceiro, as funções assentes em tarefas rotineiras, cognitivas ou manuais, apresentam maior vulnerabilidade à automatização. Por fim, existe um grupo de ocupações híbridas que combina risco de substituição com potencial de complementaridade, tipicamente associado a funções técnicas e especializadas.
A evolução da composição do mercado de trabalho português mostra uma predominância persistente de ocupações com baixo risco de substituição e reduzido potencial de complementaridade com a IA, refletindo o peso estrutural de atividades manuais e de serviços pouco expostos à transformação tecnológica. Atualmente, mais de 80% do emprego continua concentrado em ocupações com baixo risco de substituição, o que sugere uma exposição ainda limitada do mercado de trabalho português à transformação direta pela IA no curto prazo (ver Anexo Metodológico). Ainda assim, observa-se uma deslocação gradual para ocupações com maior potencial de transformação tecnológica, em particular para funções com elevada complementaridade com a IA, associadas a níveis mais elevados de escolaridade e salários superiores, o que indica uma transição progressiva para atividades de maior valor acrescentado. Em contrapartida, as ocupações mais vulneráveis à substituição continuam concentradas em tarefas rotineiras e em segmentos mais expostos do mercado de trabalho, evidenciando que a reconfiguração estrutural induzida pela IA ocorre de forma gradual, mas com impactos desiguais entre diferentes grupos ocupacionais.
Impactos e Grupos de Risco
A distribuição do emprego mostra que uma parcela não negligenciável e crescente dos trabalhadores portugueses se encontra em ocupações com elevado risco de substituição e baixo potencial de complementaridade. Ainda assim, o mercado de trabalho nacional continua predominantemente concentrado em profissões com baixo risco de substituição e reduzido potencial de complementaridade.
Observam-se, contudo, diferenças relevantes na composição do emprego. As mulheres estão mais concentradas em ocupações com maior risco de substituição, associadas a tarefas cognitivas rotineiras e, portanto, mais suscetíveis à automatização, enquanto os homens predominam em funções que combinam risco de substituição com maior potencial de complementaridade tecnológica. As ocupações com menor risco de substituição apresentam maior equilíbrio de género. Esta distribuição sugere que a difusão da IA poderá ter efeitos diferenciados por género, com potencial para agravar vulnerabilidades pré-existentes caso não sejam adotadas políticas de mitigação adequadas. No caso dos trabalhadores estrangeiros, verifica-se maior presença em ocupações com baixo risco de substituição e reduzido potencial de complementaridade, sendo a sua distribuição relativamente homogénea nas restantes.
Em termos de qualificação e remuneração, as ocupações com maior potencial de complementaridade tendem a concentrar trabalhadores com níveis de escolaridade mais elevados e salários superiores. Pelo contrário, as ocupações com menor complementaridade associam-se a níveis mais baixos de qualificação e remuneração.
Em síntese, a distribuição do emprego sugere uma exposição assimétrica ao impacto da IA, permitindo identificar dois grupos particularmente vulneráveis no contexto português:
- Os trabalhadores em início de carreira, atualmente em transição para o mercado de trabalho, que entram em ocupações cognitivas rotineiras. Este grupo é particularmente vulnerável à substituição tecnológica, porque a IA replica com maior facilidade tarefas assentes em conhecimento formal e codificado, menos dependentes de experiência acumulada e de julgamento contextual. A subida do desemprego nos recém-licenciados nos Estados Unidos sugere que este fenómeno já pode estar em curso.
- Trabalhadores em fases mais avançadas da carreira com menor escolaridade, inseridos em funções rotineiras com reduzido potencial de complementaridade tecnológica. Este grupo apresenta elevada vulnerabilidade à substituição, não apenas pela natureza das tarefas desempenhadas, mas também pela automatização crescente de atividades cognitivas e manuais, impulsionada pela difusão conjunta da inteligência artificial e da robótica. Acrescem maiores dificuldades de adaptação às novas exigências tecnológicas, decorrentes de níveis mais baixos de qualificação formal e de menor acesso a oportunidades de aprendizagem ao longo da vida.
Mapa Interativo das Profissões
Os retângulos representam profissões em 2022. A área de cada retângulo é proporcional ao número de trabalhadores e a cor reflete o índice de substituição, de verde (mais baixo) a vermelho (mais alto). Pode ordenar por diferentes métricas e filtrar por género, região, educação, sector e quadrante.
Nenhuma profissão corresponde aos filtros selecionados.
Avaliação da Justiça Intergeracional da Política
A avaliação desta política centra-se nos pilares (3) e (4), restringindo-se, portanto, a essas duas dimensões. Como contrafactual, considera-se um cenário alternativo em que a política é acompanhada por ALMPs, destinadas a mitigar o seu potencial impacto no mercado laboral.
- Aumenta a desigualdade entre as gerações? Provavelmente sim.
Os trabalhadores em fases mais avançadas da carreira tendem a beneficiar menos diretamente da IA no curto prazo. No entanto, tal implica que também estão relativamente mais protegidos do risco de substituição. O problema concentra-se sobretudo nos trabalhadores em início de carreira que tentam entrar no mercado de trabalho: são estes que enfrentam maior exposição à substituição tecnológica, sobretudo no acesso ao emprego. O resultado mais provável é, por isso, um agravamento das desigualdades entre coortes. A longo prazo, embora a magnitude exata destes efeitos permaneça incerta, há razões fortes para esperar que eles persistam, em linha com o scarring effect (efeito cicatrizante), isto é, os efeitos duradouros de iniciar a vida profissional num período de transformação estrutural. Esta é a trajetória expectável no cenário de referência, ou seja, na ausência de ALMPs. Com instrumentos complementares adequados, estes efeitos poderiam ser mitigados de forma significativa. - Aumenta a desigualdade intrageracional? Provavelmente sim.
Os efeitos desta medida não serão homogéneos dentro de cada coorte. Entre os trabalhadores em início de carreira, o impacto dependerá sobretudo do tipo de ocupação, nomeadamente do grau de exposição à substituição e do potencial de complementaridade com a IA. Embora o estatuto socioeconómico inicial não determine, por si só, esse risco, continua a condicioná-lo de forma relevante, através da educação, da área de formação e do acesso a oportunidades. Neste grupo, o efeito será, por isso, inevitavelmente desigual. Entre os trabalhadores em fases mais avançadas da carreira, o risco de agravamento das desigualdades intrageracionais é ainda mais claro. A substituição concentra-se nas ocupações cognitivas rotineiras, que tendem a estar associadas a salários mais baixos e a menores possibilidades de requalificação. Em vez de atenuar estas diferenças, a política, na ausência de ALMPs, poderá reforçá-las dentro da própria coorte. - Reforça a transmissão de desigualdade através de gerações? Provavelmente sim.
Na ausência de ALMPs, e dado que os impactos de curto prazo se distribuem de forma desigual entre grupos etários, é expectável que essas desigualdades não só persistam como se transmitam entre gerações. Os trabalhadores em início de carreira e em transição para o mercado de trabalho serão, em princípio, os mais penalizados. Por um lado, enfrentam os efeitos cicatrizantes de entrar na vida ativa num período de transformação tecnológica profunda. Por outro, foram em grande medida formados num contexto pré-IA, sem necessariamente possuírem as competências que tenderão a ser mais valorizadas no futuro. Esta vulnerabilidade é ainda maior quando entram em ocupações cognitivas rotineiras, mais expostas à substituição tecnológica. Num cenário contrafactual com ALMPs eficazes, estes efeitos poderiam ser mitigados de forma significativa. - Limita as escolhas das gerações futuras? Provavelmente não.
A curto prazo, poderá haver alguma redução das escolhas disponíveis para as gerações futuras. Ainda assim, a longo prazo, o impacto é incerto e não é expectável que essas escolhas diminuam, tendo em conta a evidência associada a revoluções tecnológicas anteriores.
Avaliação final: Provavelmente eficaz. Intergeracionalmente injusta na ausência de políticas ativas de emprego (ALMP) que corrijam os efeitos distributivos da adoção da IA — não pela política em si.
Recomendações: Complementar o Plano em Matérias de Educação e Trabalho
Até ao momento, o foco do Plano tem incidido sobretudo em assegurar que a Europa dispõe do talento necessário
para liderar esta transformação tecnológica. Esse objetivo é importante, mas é manifestamente insuficiente. A adoção generalizada da inteligência artificial terá efeitos profundos no mercado de trabalho e esses efeitos não podem continuar a ser tratados como uma questão secundária no desenho das políticas públicas. Ao automatizar tarefas e ao afetar de forma desigual diferentes ocupações e grupos etários, esta transformação exige instrumentos complementares que mitiguem os riscos distributivos e reforcem de forma efetiva a capacidade de adaptação dos trabalhadores (Brynjolfsson et al., 2025; del Rio-Chanona et al., 2025).
Em paralelo, no domínio da educação e da formação, a difusão da IA impõe uma reorientação clara das competências valorizadas. Essa reorientação não se limita à literacia digital ou ao uso funcional de ferramentas de IA. Exige também o reforço deliberado de competências transversais dificilmente substituíveis, nomeadamente pensamento crítico, comunicação e capacidade de adaptação a contextos dinâmicos (Felten et al., 2023; Hutson & Ceballos, 2023).
Neste enquadramento, recomenda-se a adoção de políticas complementares que reforcem de forma explícita a dimensão laboral e formativa do Plano, assegurando uma transição tecnológica mais equilibrada, mais robusta e mais sustentável:
- Na educação:
• Reforço curricular nas escolas e universidades, incluindo unidades pedagógicas que capacitem os jovens para utilizar ferramentas de IA ao longo do percurso académico e em futuros contextos profissionais, aproveitando os ganhos expectáveis de eficiência e produtividade.
• Intensificação do desenvolvimento de competências transversais nos programas curriculares do ensino básico, secundário e superior.
• Incentivo ao ensino e formação vocacional, alinhados com as necessidades regionais do mercado de trabalho, direcionados para ocupações manuais e não rotineiras com procura estrutural elevada e menor suscetibilidade à automação. - No mercado de trabalho:
• Reforço das políticas ativas de emprego, com maior cobertura e direcionamento explícito para os grupos mais vulneráveis à substituição tecnológica, incluindo mecanismos de identificação antecipada de ocupações em risco e transições estruturadas de emprego para emprego, em linha com as necessidades regionais do mercado de trabalho. Por exemplo, o governo português poderia criar um programa semelhante ao Estágios +Talento, mas dirigido a jovens recém-licenciados que procurem profissões com tarefas de elevado risco de substituição por IA. No entanto, esse programa teria de ter uma duração superior a seis meses, dado que é pouco plausível que, num período tão curto, o trabalhador adquira experiência suficiente para transitar para tarefas com menor risco de substituição pela IA.
• Expansão dos programas de formação em áreas digitais e relacionadas com a IA, assegurando maior escala e melhor alinhamento com as necessidades do mercado de trabalho, tanto para trabalhadores no ativo como para desempregados, e complementando a formação especializada com percursos intermédios de qualificação.
Anexo Metodológico: Classificação de Ocupações e Exposição à IA
A análise do mercado de trabalho português baseia-se numa abordagem centrada nas tarefas, que cruza
informação do O*NET — base de dados ocupacional desenvolvida pelo U.S. Department of Labor, com detalhe sobre as tarefas e competências associadas a cada profissão — com microdados dos Quadros de Pessoal, para estimar a exposição em Portugal das diferentes ocupações à substituição e à complementaridade por inteligência artificial. As profissões foram classificadas em função do tipo de tarefas que envolvem e distribuídas por quatro quadrantes analíticos, que combinam níveis altos e baixos de substituição e complementaridade:
- LS-LA corresponde a baixa substituição pela IA e baixa complementaridade com a IA;
- LS-HA, a baixa substituição e alta complementaridade;
- HS-LA, a alta substituição e baixa complementaridade;
- HS-HA, a alta substituição e alta complementaridade.
Estes resultados foram depois mapeados para a classificação portuguesa CPP 2010 e aplicados a dados longitudinais de trabalhadores (Quadros de Pessoal), permitindo identificar as profissões que ocupam os quatro quadrantes ocupacionais no mercado de trabalho português, conforme ilustrado na Figura 1.
Para mais informações relativamente à metodologia aplicada, por favor veja o estudo principal.
Figura 1: Composição do mercado laboral português pelo principal tipo de tarefas em 2022
(agregado ao nível da ocupação)
Fontes: O*NET, Quadros de Pessoal, e cálculos dos autores.
Data de Publicação: 2026-03-25
About Instructors
Francesco Franco
Francesco Franco has been teaching at Nova School of Business and Economics since 2004. He earned his PhD in Economics from the Massachusetts Institute of Technology. His research interests include fluctuations and applied macroeconomics, topics on which he has published in Portuguese and international journals.
Mateus Lucena
Mateus holds a Master’s degree in Behavioural Economics and Game Theory, as well as a Bachelor’s degree in Economics from NOVA School of Business and Economics. He currently works as an Economics Consultant at Ramboll, focusing on Societal Impacts and Policy within the CEMEA region.
Marli Fernandes
Marli holds a PhD in Economics from Nova School of Business and Economics. She obtained her Bachelor and Master in Economics from the same institution. Her research interests are focused on Political Economy and Economics of Migration.
Marlon Francisco
Marlon Francisco is a PhD candidate and Teaching Assistant at Nova SBE, and an Economist (consultant) at the World Bank. Previously, he worked as an Economist for Fitch Ratings, the Portuguese Treasury and Debt Management Agency (IGCP), and the International Monetary Fund (African Department).