Profissionais aprendem IA sozinhos — empresas ainda treinam só um em seis
Em 10 de setembro de 2026, a iCIMS publicou um levantamento segundo o qual candidatos a emprego nos Estados Unidos estão desenvolvendo competências em inteligência artificial por iniciativa própria mais rapidamente do que avança a capacitação oferecida pelas empresas. O lançamento do ICIMS Insights September 2026 Workforce Report foi registrado no comunicado distribuído pela PR Newswire.
Na pesquisa com mil candidatos norte-americanos, 47% afirmaram ter desenvolvido habilidades de IA nos seis meses anteriores, ante 41% um ano antes. O autoaprendizado subiu de 22% para 30%, enquanto o treinamento fornecido pelo empregador permaneceu praticamente estável, perto de um em cada seis profissionais — contraste também registrado por uma cobertura independente publicada em 12 de setembro.
A exigência de IA cresce, mas não descreve uma única competência
O estudo reúne bases com alcances diferentes. As respostas sobre aprendizado e confiança vieram dos mil candidatos consultados nos Estados Unidos; já a análise de anúncios de emprego usa dados da Lightcast para Estados Unidos, Reino Unido, França e Oriente Médio. Por isso, os percentuais de candidatos não devem ser tratados como retrato de todos esses mercados.
Na apresentação oficial dos resultados, a iCIMS informa que 45% dos entrevistados encontravam competências de IA generativa como requisito em vagas que considerariam. Ao mesmo tempo, funções diretamente relacionadas à IA correspondiam a 4% da demanda de contratação nos Estados Unidos, 2,7% no Reino Unido e 1,2% na França. As maiores concentrações de requisitos estavam em engenharia de IA generativa, processamento de linguagem natural, engenharia de aprendizado de máquina, engenharia de inteligência artificial, deep learning e ciência de dados.
Os dois recortes medem coisas diferentes. Uma vaga pode pedir o uso de IA dentro de uma função financeira, administrativa ou clínica sem ser classificada como ocupação de IA. Assim, a presença crescente de requisitos nas descrições não significa que os cargos especializados já dominem o mercado; significa que a tecnologia começa a integrar o repertório esperado em profissões mais amplas.
Confiança declarada está à frente das habilidades especializadas
A maioria dos participantes se considerava pronta para se adaptar à IA no trabalho, mas a própria descrição de proficiência mostra um alcance mais limitado. Ferramentas gerais como ChatGPT, Copilot e Gemini concentravam grande parte da familiaridade declarada, enquanto engenharia de prompts, aprendizado de máquina e desenvolvimento de modelos apareciam com frequência muito menor.
Isso não torna o uso de chatbots irrelevante. Mostra que frequência de uso, confiança pessoal e competência profissional verificável são medidas distintas. Resumir textos ou produzir um primeiro rascunho pode ser útil, mas não demonstra, por si só, capacidade de definir critérios, avaliar erros, integrar a ferramenta a um processo ou responder pelos efeitos do resultado.
A diferença também afeta a seleção. “Conhecimento de IA” pode signific desde operar uma ferramenta de uso geral até construir modelos ou aplicar sistemas em ambientes regulados. Quando a vaga não especifica qual nível procura, candidatos com experiências muito diferentes parecem equivalentes no currículo, e o empregador tem pouca base para verificar se a habilidade declarada corresponde ao trabalho real.
Uma escada separa familiaridade de capacidade profissional
Os resultados permitem organizar uma escada de competências. Trata-se de uma síntese editorial baseada nas categorias citadas pelo levantamento, não de uma classificação formal da iCIMS. Ela distingue quatro níveis que podem coexistir e não precisam ser percorridos em uma única ordem.
- Uso geral: pesquisar, resumir, redigir e organizar informações com ferramentas amplas.
- Prompting e avaliação: fornecer contexto e restrições, testar instruções, comparar saídas e revisar falhas.
- Desenvolvimento: trabalhar com código, dados, modelos, integrações ou automações.
- Aplicação setorial: combinar a tecnologia com regras, riscos, métricas e julgamento de uma profissão específica.
A aplicação setorial não é simplesmente o último estágio de uma formação técnica. Um profissional pode saber avaliar o uso de IA em finanças ou saúde sem desenvolver modelos; da mesma forma, alguém com domínio de programação pode não conhecer as normas ou consequências de uma decisão em determinado setor. A competência depende do problema, das condições de uso e da responsabilidade envolvida.
Essa separação também torna a experiência demonstrável. Em vez de registrar apenas “familiaridade com IA”, um candidato pode descrever o problema enfrentado, a ferramenta empregada, os critérios de avaliação, a revisão humana e o resultado produzido. Comparações entre versões, testes de qualidade, código autorizado, análises de falhas ou projetos próprios anonimizados são evidências mais informativas do que uma lista de produtos.
Para recrutadores, cada degrau exige uma verificação compatível. Uma tarefa de revisão pode avaliar o uso geral; prompting requer observar consistência e capacidade de testar respostas; desenvolvimento pede código e métricas; aplicação setorial exige considerar normas, riscos e consequências profissionais. A proposta não é criar uma credencial universal, mas evitar que habilidades distintas sejam comprimidas no mesmo rótulo.
O relatório identifica a distância, não mede proficiência
Os resultados descrevem como os participantes relatam aprendizado, confiança e habilidades. A divulgação não informa a aplicação de testes padronizados de desempenho a cada entrevistado nem compara a qualidade do autoaprendizado com a do treinamento empresarial. Portanto, não permite concluir que quem estudou sozinho atingiu domínio profissional superior.
Também não é possível transferir automaticamente os percentuais norte-americanos para candidatos no Brasil. A implicação relevante para brasileiros interessados em vagas internacionais está na especificidade crescente dos requisitos: termos amplos no currículo informam pouco quando a empresa procura prompting, desenvolvimento de modelos ou aplicação responsável em um setor.
O quadro confirmado pelo relatório é uma expansão do aprendizado autônomo acompanhada por pouca mudança na capacitação fornecida pelos empregadores. Ainda faltam dados sobre quanto cada modalidade melhora o desempenho e sobre como as empresas transformarão requisitos genéricos em avaliações consistentes. Essa será a medida decisiva para saber se a distância observada se reduz ou apenas muda de forma.
Leia também:
Assine nossa newsletter
Receba as últimas notícias sobre Web3, IA e cripto diretamente no seu e-mail.