Entre novembro de 2022 e setembro de 2025, a taxa de recolocação do segmento mais fortemente ligado ao mercado de trabalho norte-americano caiu 13 pontos percentuais. Para o segmento de alta rotatividade, aquele que normalmente absorve choques cíclicos, caiu 2 (Federal Reserve Bank of Richmond, 2026). Essa diferença não tem precedente nos dados examinados pelas autoras — nem na Grande Recessão, nem em qualquer expansão. E as quedas mais acentuadas desde 2023 concentram-se no quartil ocupacional mais exposto à IA: programadores, analistas financeiros, engenheiros.
Se o seu plano de quadro de pessoal para 2026 pressupõe que a parte frágil é o pipeline de entrada e que o seu banco de experientes é substituível a preço de mercado, o plano assenta numa premissa invertida.
O colapso do nível de entrada é real. Mas não é aí que está o dano.
O Economic Brief 26-26, publicado em 12 de agosto por Katarína Borovičková e Claudia Macaluso, faz algo que a maior parte do comentário sobre mercado de trabalho salta: desagrega. A subida recente do desemprego, já haviam estabelecido as autoras, é quase inteiramente uma história de saídas — as pessoas não estão a perder emprego a um ritmo anómalo, estão a falhar em encontrar um novo. A pergunta em aberto era quais pessoas.
O primeiro corte é o familiar. A Current Population Survey separa quem perdeu o emprego, quem o deixou e quem entra no mercado. A narrativa dominante dos últimos dois anos — de que a IA está a fechar o primeiro degrau da escada profissional — prevê que sejam os entrantes a levar a pior. Os dados dizem outra coisa. As taxas de recolocação dos novos entrantes caíram, mas as autoras descrevem a queda como modesta face às quedas entre quem perdeu ou deixou o emprego, e afastam explicitamente os entrantes do resto da análise (Richmond Fed, 2026).
É um achado estreito e vale a pena enunciá-lo com precisão: não significa que a contratação de perfis em início de carreira esteja saudável. Significa que os entrantes não são a margem que explica o colapso agregado. A ação está noutro lugar.
Vínculo, não antiguidade: o que o "tipo primário" mede de facto
O segundo corte é o que deve mudar a forma como lê o seu próprio painel de rotatividade.
As autoras aplicam um enquadramento de tipos latentes retirado de "The Dual U.S. Labor Market Uncovered", de Hie Joo Ahn, Bart Hobijn e Ayşegül Şahin (NBER, 2023), que ordena os trabalhadores pelo grau de vínculo ao mercado de trabalho e não por qualquer credencial observável:
- Tipo primário — cerca de 55% da população, quase sempre empregado, estável e de longa permanência
- Tipo secundário — cerca de 14%, fortemente vinculado mas desempregado com mais frequência
- Tipo terciário — cerca de 31%, fracamente vinculado, muitas vezes fora da população ativa
Em qualquer ciclo normal, é o tipo secundário que carrega o ajustamento. Representa o grosso do desemprego praticamente em todos os anos da série, apesar de ser a menor fatia da população. As recessões atingem o tipo primário com mais força em termos de taxa — na Grande Recessão a sua recolocação caiu 19 pontos do pico ao vale, contra 10 do secundário — mas a proporção manteve-se dentro de limites reconhecíveis.
O episódio atual quebrou essa proporção. Treze pontos contra dois. As pessoas que quase nunca precisam de procurar trabalho são hoje as que não o conseguem encontrar.
Uma cautela de leitura: "tipo primário" é uma classificação estatística de estabilidade laboral, não sinónimo de senioridade. Correlaciona-se com o perfil dos seus analistas, engenheiros e quadros financeiros de longa casa, mas não os mede diretamente. Trate o achado como um sinal direcional forte sobre essa camada, não como um coeficiente aplicável a um headcount específico.
A divergência por exposição à IA tem data de início: 2023
O terceiro corte é onde o mecanismo ganha nome. Seguindo o método de Michael Webb, que pontua ocupações consoante o grau de sobreposição entre o seu conteúdo de tarefas e as capacidades técnicas descritas em patentes de IA (Webb, 2019), as autoras distribuem os trabalhadores por quartis de exposição à IA.
Historicamente, as taxas de saída desses quartis moviam-se em conjunto com o ciclo económico, separadas apenas por pequenas diferenças de nível. Desde 2023 divergiram, e os trabalhadores nas ocupações mais expostas apresentam as maiores quedas nas taxas de recolocação.
A composição desse quartil superior é a parte em que os responsáveis de operações do mid-market devem deter-se. Entre as ocupações altamente expostas estão programadores, analistas financeiros e engenheiros. As menos expostas: construção, restauração, cuidados pessoais. Não é uma história sobre a periferia do seu organograma. É uma história sobre os cargos que sustentam os seus sistemas, o seu fecho de contas e o seu produto.
Existe literatura anterior que antecipa esta forma. O trabalho de Acemoglu e Restrepo sobre robôs industriais encontrou deslocamento concentrado nas ocupações expostas a par de uma realocação para trabalho menos exposto — um padrão em que o número agregado de emprego permanece legível enquanto a composição por baixo se desloca com força (Acemoglu e Restrepo, 2020). O que os dados do Richmond Fed acrescentam é que o episódio atual aparece na margem das saídas e não na das separações. As empresas não estão a dispensar estes trabalhadores a um ritmo invulgar. Simplesmente não os reabsorvem depois de saírem.
Essa distinção importa operacionalmente, porque significa que o sinal não vai aparecer no seu registo de despedimentos nem nos anúncios de quadro de pessoal do seu setor. Aparece apenas no tempo que uma pessoa competente e experiente demora a recolocar-se — uma métrica que quase nenhuma equipa de operações mede, e que descreve as suas próprias condições de recontratação tanto como as dos outros.
As autoras são cautelosas quanto à causalidade, e nós devemos sê-lo também. O padrão é consistente com uma automação a deslocar ocupações expostas, e consistente com evidência de campo de que a IA generativa aumenta a produtividade ao nível da tarefa — sobretudo em trabalhadores menos experientes — de formas que podem remodelar a composição das contratações (Brynjolfsson, Li e Raymond, 2025). Se a queda é impulsionada especificamente pela IA ou por condições agregadas que recaem sobre as mesmas ocupações é o objeto explícito do próximo brief da série. A correlação está documentada; a decomposição está pendente.
A objeção: "Isto são dados macro. A minha rotatividade está bem."
Provavelmente está. E é precisamente esse o problema.
Duas mecânicas operam aqui, e ambas invertem a leitura padrão.
Rotatividade plana na sua camada sénior é uma alternativa externa fraca, não uma vitória de engagement
Se os seus colaboradores experientes e expostos à IA ficam, a taxa base oferece agora uma segunda explicação ao lado da lisonjeira: não conseguem sair. Uma queda de 13 pontos na probabilidade de recolocação para trabalhadores fortemente vinculados significa que o mercado externo que normalmente valida a sua retenção não está a funcionar. O seu inquérito de engagement não distinguirá entre "comprometido" e "preso". O seu número de rotatividade lamentada parecerá excelente até ao momento em que as taxas de recolocação recuperarem — e depois deixará de parecer.
Não é razão para desconfiar das suas pessoas. É razão para deixar de usar a rotatividade como prova principal de que a camada sénior está saudável e ler antes algo com sinal independente: candidaturas de mobilidade interna, risco de saída reportado pelas chefias, ou a proporção de ofertas externas que as pessoas revelam.
A indemnização custa hoje mais do que o preço que lhe atribui
O modelo padrão de reestruturação trata um cargo como readquirível: cortar agora, recontratar a preço de mercado quando as condições mudarem. Esse modelo precifica a reaquisição com base em dinâmicas históricas de recolocação, que é exatamente o que este brief diz ter-se quebrado. Um trabalhador difícil de recontratar externamente é, simetricamente, difícil de readquirir: o mesmo atrito que o prende prende também a sua capacidade de reconstituir a competência mais tarde, porque o pool de onde recontrataria é o pool que não se move.
Para um cargo sénior exposto à IA numa empresa de 200 FTE, a pergunta deste trimestre não é "conseguimos operar sem este lugar". É "se precisarmos desta capacidade daqui a dezoito meses, como estará o mercado e quanto pagámos para descobrir". A recolocação interna — mover a pessoa para um processo adjacente, uma função de governação de dados ou um papel de supervisão de IA — bate a indemnização nessa conta muito mais vezes do que a folha de cálculo sugere, porque a folha tem lá dentro um custo de reaquisição desatualizado.
Três decisões disponíveis antes do fecho do trimestre
- Reprecifique o custo de reaquisição em cada saída de um cargo exposto à IA. Não é uma viragem filosófica — é um número. Se o seu modelo assume substituição a preço de mercado em 60 dias para um analista ou engenheiro sénior, pergunte que evidência sustenta esse pressuposto perante uma queda de 13 pontos na recolocação desse perfil. Onde não se sustenta, a recolocação interna passa à frente da separação só pelo custo. Aplique-o aos dois ou três cargos que já sinalizou para revisão; não precisa de uma política, precisa de um número corrigido nos casos que tem mesmo à frente.
- Deixe de ler rotatividade sénior plana como desempenho de retenção. Acrescente uma pergunta à sua revisão trimestral: que evidência independente temos de que esta camada fica por escolha? Se a resposta for apenas "não se foram embora", não tem evidência, tem uma condição de mercado.
- Audite que cargos caem no quartil exposto antes de planear o quadro de pessoal, não depois. A classificação de Webb é pública e ao nível da ocupação. Mapear o seu organograma contra ela leva uma tarde e diz-lhe que partes do seu plano de pessoal estão expostas a um mercado de recontratação que não funciona normalmente.
Nenhuma destas exige tomar posição sobre se é a IA que causa a divergência. Exigem apenas aceitar que a divergência existe e que se concentra na camada que a maioria dos planos trata como fungível.
A janela é o achado
A característica incómoda destes dados é que são temporários de um modo que castiga a espera. Uma taxa de recolocação deprimida para trabalhadores expostos à IA dá-lhe um poder de retenção invulgar sobre exatamente as pessoas mais difíceis de substituir — e dá-lho de graça, invisivelmente, sem qualquer decisão sua. Também expira. Quando as taxas de saída normalizarem, a retenção que julgava ter conquistado volta a ser um mercado, e volta mais depressa no quartil que está menos preparado para perder.
A decisão deste trimestre não é se cortar. É se os cargos que está a tratar como fungíveis são precisamente aqueles que o mercado de trabalho deixou silenciosamente de fornecer — e se prefere descobri-lo agora, ao custo de uma tarde de mapeamento, ou daqui a dezoito meses, ao custo de uma pesquisa.
