A aposta de US$ 100 milhões da Rockefeller Foundation em empregos de IA coloca os governos locais à prova

A Rockefeller Foundation comprometeu US$ 100 milhões com uma estratégia de empregos moldada, em parte, pela disrupção da IA, mas o financiamento por si só não determinará seu alcance. A manchete do google news aponta para uma história mais difícil. Agências estaduais e locais precisam transformar experimentos dispersos de força de trabalho em programas que os empregadores usem e os trabalhadores possam acessar.

Chamada de Big Bet on Good Jobs for America, a iniciativa de três anos mira comunidades com baixo nível de emprego ou alta exposição à mudança tecnológica. A fundação quer que seu trabalho apoie aproximadamente 1,6 milhão de empregos adicionais em cerca de 250 localidades ao longo do tempo. Também espera que as melhorias econômicas locais resultantes beneficiem entre 10 milhões e 20 milhões de pessoas.

Esses objetivos colocam a iniciativa em tensão com o sistema fragmentado que ela pretende melhorar. Conselhos locais de força de trabalho, faculdades comunitárias, empregadores, agências estaduais e prestadores de serviços frequentemente operam sob regras diferentes. O programa, portanto, representa mais do que uma resposta filantrópica ao deslocamento de empregos. É um teste para saber se a experimentação local pode se tornar uma política pública duradoura antes que a IA volte a mudar o mercado de trabalho.

O que a estratégia de empregos de US$ 100 milhões realmente muda

A Rockefeller Foundation está financiando um caminho que leva de experimentos locais de força de trabalho a políticas capazes de funcionar além da filantropia.

A fundação anunciou seu compromisso em 21 de abril de 2026. Seu foco inicial inclui saúde, a economia do cuidado, energia, sistemas alimentares e setores viabilizados por IA. Esses setores combinam demanda persistente por mão de obra com exposição substancial a mudanças tecnológicas e demográficas.

O dinheiro não financiará simplesmente um único currículo nacional de capacitação. A estratégia de empregos prevê testar programas em comunidades individuais, adaptar modelos bem-sucedidos e incorporá-los às políticas públicas. Ferramentas de financiamento e práticas dos empregadores também fazem parte dessa etapa final.

Essa estrutura atribui vários papéis potenciais às agências estaduais e locais. Elas podem identificar escassez de mão de obra, coordenar provedores de capacitação, eliminar barreiras de licenciamento e conectar residentes a serviços de apoio. Também podem usar compras públicas, subsídios e programas de desenvolvimento econômico para incentivar a participação dos empregadores.

O cuidado infantil ilustra por que o sistema mais amplo importa. Uma pessoa pode concluir um curso de capacitação e ainda assim não conseguir aceitar um emprego sem acesso confiável a cuidados. As regras de credenciamento podem criar outra barreira quando as habilidades adquiridas em um programa não atendem às exigências de um empregador ou órgão de licenciamento.

A estratégia reconhece esses obstáculos como parte da política de força de trabalho, e não como problemas sociais sem relação entre si. Essa distinção importa porque muitos programas de capacitação medem matrículas ou conclusões. Nenhuma dessas métricas comprova que os participantes obtiveram empregos estáveis com condições razoáveis.

A fundação planeja trabalhar com parceiros públicos, privados e filantrópicos. Ela quer que esses parceiros contribuam com recursos adicionais e, no fim, mantenham abordagens bem-sucedidas sem apoio filantrópico permanente. Isso faz da adoção institucional uma medida central de sucesso.

O programa também difere de uma tentativa direta de criar empregos em tecnologia em todos os lugares. Ele inclui setores viabilizados por IA, mas seu objetivo mais amplo é conectar pessoas a bons empregos durante a mudança econômica. Assim, uma trajetória na área de saúde pode se qualificar mesmo que a função envolva pouco trabalho com IA.

Segundo os detalhes iniciais do programa, a fundação espera começar com aproximadamente 20 a 30 comunidades. Ela não selecionará antecipadamente todos os 250 locais-alvo. Lacunas no mercado de trabalho e a demanda dos empregadores ajudarão a determinar onde o trabalho inicial acontecerá.

Essa abordagem em etapas cria uma disciplina útil. Os programas precisam produzir evidências antes que a fundação os leve a mais comunidades. Ela também cria o risco de que pilotos bem-sucedidos dependam de líderes locais incomuns ou de subsídios temporários.

As agências estaduais e locais estão no ponto em que essa diferença se torna visível. Elas podem revelar se um modelo se encaixa nos orçamentos, nas regras e na capacidade administrativa existentes. Sua participação também pode expor custos que um piloto curto não captura.

É por isso que a história vai além de uma única matéria do google news sobre um grande compromisso. A mudança importante é o mecanismo de implementação proposto. Os testes locais devem se tornar uma rota para políticas, financiamento e comportamento dos empregadores.

A próxima questão é se esse mecanismo corresponde à velocidade e à geografia desigual da disrupção do trabalho relacionada à IA.

Por que a pressão da IA atinge as comunidades de forma desigual

A IA não afeta todos os trabalhadores nem todas as economias locais no mesmo ritmo, o que torna as médias nacionais um guia fraco para intervenções.

A Rockefeller Foundation afirma que sua estratégia priorizará locais onde os residentes já estão desconectados do trabalho. Ela também considerará comunidades vulneráveis à IA e a outras mudanças estruturais. Essas condições frequentemente se sobrepõem, mas não são idênticas.

Uma região pode ter baixo desemprego enquanto determinados trabalhadores enfrentam forte pressão. Funcionários administrativos, equipes de atendimento ao cliente, analistas juniores e outras ocupações com muitas tarefas podem vivenciar mudanças nas expectativas antes que demissões apareçam nos dados oficiais. Os empregadores podem primeiro reduzir contratações, combinar funções ou deixar vagas em aberto sem preenchê-las.

O oposto também pode ocorrer. Uma comunidade em dificuldade pode ter poucos empregos que os sistemas atuais de IA consigam automatizar diretamente. Seus principais problemas podem envolver transporte, cuidado infantil, saúde, educação ou demanda limitada dos empregadores. Um programa de capacitação associado à IA não resolveria essas restrições.

Mais de 50 milhões de americanos vivem em comunidades classificadas como em dificuldade pelo Economic Innovation Group. Sua pesquisa sobre comunidades examina diferenças em emprego, renda, pobreza, imóveis vagos e formação de empresas. Esses indicadores ajudam a explicar por que a mesma mudança tecnológica produz resultados locais diferentes.

A fundação também citou a queda da confiança entre os trabalhadores. Uma medida da Gallup constatou que 28% dos trabalhadores estavam satisfeitos com as oportunidades de avançar por meio de trabalho árduo no fim de 2025. Esse resultado caiu em relação aos 46% registrados um ano antes, segundo o resumo da fundação sobre as conclusões relativas ao ambiente de trabalho.

Esses números não comprovam que a IA causou a queda. Custos de moradia, inflação, condições de contratação e expectativas no trabalho também podem influenciar a confiança. Eles mostram que uma grande iniciativa de emprego está entrando em um ambiente em que muitos trabalhadores já duvidam das rotas tradicionais de ascensão.

A IA aumenta a pressão porque muda tarefas mais rapidamente do que muitas classificações ocupacionais se atualizam. Um emprego pode manter seu título enquanto o software absorve pesquisa, redação, agendamento ou análise básica. Os trabalhadores então precisam de habilidades diferentes, mesmo quando a ocupação ainda parece estável.

Isso cria um problema de dados para os governos. Os pedidos de seguro-desemprego chegam depois do deslocamento. As vagas anunciadas podem mostrar antes a mudança nos requisitos de habilidades, mas nem sempre correspondem a contratações reais. Pesquisas com empregadores fornecem contexto, embora organizações menores possam ser difíceis de alcançar.

As agências locais podem combinar esses sinais com conhecimentos que os conjuntos de dados nacionais não captam. As faculdades comunitárias sabem quais programas perdem alunos. Os conselhos de força de trabalho ouvem quais qualificações os empregadores rejeitam. Os órgãos de benefícios podem detectar mudanças no perfil dos residentes que buscam assistência.

Esse papel informacional só é valioso quando as agências conseguem compartilhar conclusões de forma segura e consistente. Sistemas fragmentados frequentemente usam definições diferentes para participação, conclusão, colocação e retenção. As comparações se tornam pouco confiáveis quando cada programa contabiliza os resultados de forma diferente.

Portanto, o programa precisará de uma estrutura comum de medição. Ela deve distinguir uma vaga recém-criada de um trabalhador que se desloca entre empregos já existentes. Também deve separar colocações temporárias de empregos que duram além de um subsídio inicial.

O crescimento salarial importa, mas não pode ser considerado isoladamente. Jornada, benefícios, estabilidade de horários, possibilidades de progressão e controle do trabalhador ajudam a determinar se uma posição merece o rótulo de “bom emprego”. O custo de vida local também pode alterar o significado de um mesmo salário.

A meta ampla da fundação cria outro desafio. Apoiar 1,6 milhão de empregos adicionais exige mais do que inserir indivíduos por meio de pequenos projetos demonstrativos. Abordagens bem-sucedidas precisam influenciar sistemas maiores, incluindo fórmulas de financiamento público, exigências dos empregadores e regras estaduais de credenciamento.

A IA pode ajudar em partes desse sistema. Derek Kilmer, vice-presidente sênior da fundação para programas e políticas dos EUA, apontou para o processamento mais rápido de licenças para moradias acessíveis. Aprovações mais rápidas podem apoiar a atividade de construção, mas o software por si só não pode garantir novas moradias nem empregos estáveis.

Esse exemplo capta a tensão central da iniciativa. A IA pode ser tanto uma fonte de disrupção da força de trabalho quanto uma ferramenta para melhorar a administração pública. As agências precisam buscar aplicações úteis sem presumir que a automação produz automaticamente ganhos econômicos compartilhados.

A atenção do Google News encontra o teste da implementação local

O verdadeiro adversário do programa não é outra fundação ou fornecedor de tecnologia. É a lacuna entre metas nacionais ambiciosas e a capacidade local de execução.

O enquadramento do google news torna o compromisso de financiamento fácil de entender. Uma fundação nacional está fazendo uma grande aposta em comunidades e trabalhadores durante uma mudança impulsionada pela IA. A história da implementação é menos organizada porque a responsabilidade atravessa muitas instituições.

Um departamento estadual do trabalho pode financiar capacitação, mas não pode obrigar os empregadores a reconhecê-la. Uma faculdade comunitária pode criar uma credencial, mas não pode fornecer transporte para todos os estudantes. Um governo local pode coordenar serviços, mas pode não ter autoridade sobre exigências de licenciamento.

Os empregadores também têm incentivos que nem sempre se alinham aos programas públicos. Eles podem querer trabalhadores capacitados para vagas imediatas, ao mesmo tempo que evitam compromissos de longo prazo. Podem mudar critérios de contratação ou planos de tecnologia antes que uma turma de capacitação se forme.

Parcerias locais eficazes precisam definir a contribuição do empregador. Essa contribuição pode incluir entrevistas, colocações remuneradas, contribuição para o currículo, horários previsíveis ou compromissos de reter trabalhadores bem-sucedidos. Sem obrigações claras, os recursos públicos podem subsidiar a capacitação para posições que nunca se materializam.

A saúde oferece um caso de teste concreto. Muitas comunidades precisam de mais trabalhadores, mas as rotas de entrada podem envolver mensalidades, exigências clínicas, licenciamento e tempo de capacitação não remunerado. Cobrir um custo inicial pode ajudar, mas os participantes ainda podem precisar de cuidado infantil, transporte e renda durante a capacitação.

As agências estaduais podem enfrentar várias dessas barreiras em conjunto. Elas podem alinhar benefícios, financiamento educacional e reconhecimento de credenciais. Também podem revisar regras que exigem que os trabalhadores repitam uma capacitação equivalente ao se deslocarem entre instituições ou jurisdições.

O governo local pode contribuir com uma visão mais próxima das lacunas nos serviços. Os condados frequentemente administram programas de saúde, habitação e força de trabalho. As cidades influenciam o transporte, o licenciamento e o desenvolvimento econômico. Governos tribais e territórios têm condições jurídicas e geográficas distintas que modelos nacionais podem deixar de considerar.

No entanto, a participação local não é automaticamente equitativa. Comunidades com redatores experientes de propostas de financiamento e redes consolidadas de organizações sem fins lucrativos muitas vezes competem de forma mais eficaz por recursos para projetos-piloto. Locais com a capacidade administrativa mais fraca podem ter dificuldade para ingressar em programas concebidos para áreas em situação de vulnerabilidade.

A Rockefeller Foundation precisará decidir se recompensa a prontidão ou se a desenvolve. Selecionar apenas comunidades preparadas pode gerar resultados iniciais mais rápidos. Também pode produzir modelos que falham em lugares com menos funcionários, sistemas de dados mais frágeis e redes menores de empregadores.

Uma iniciativa relacionada do setor público mostra a importância da capacidade. O AI Readiness Project tem trabalhado para reunir líderes de tecnologia governamental em torno de aprendizado compartilhado e projetos-piloto. Seu objetivo declarado inclui alcançar estados, territórios e nações tribais, ao mesmo tempo que apoia pelo menos 10 demonstrações em nível estadual.

A cobertura da Government Technology sobre essa iniciativa de prontidão enfatizou colaboração, educação e ambientes de teste de baixo risco. Essas bases são importantes porque as agências não podem implementar IA de forma responsável sem expertise em compras públicas, governança de dados e padrões de avaliação.

A iniciativa de empregos opera em uma escala econômica mais ampla, mas enfrenta requisitos semelhantes. As agências precisam de equipes capazes de interpretar dados do mercado de trabalho, gerenciar fornecedores, proteger informações pessoais e avaliar se as intervenções funcionam. Um projeto-piloto não pode substituir essa competência institucional.

As compras públicas também podem atrasar a adoção. Órgãos públicos precisam documentar requisitos, avaliar riscos e assegurar concorrência justa. Essas salvaguardas são importantes, especialmente quando os sistemas lidam com dados de emprego ou benefícios. Ainda assim, elas podem criar cronogramas incompatíveis com um programa filantrópico de três anos.

O compartilhamento de dados apresenta outro obstáculo. Provedores de treinamento, empregadores e agências podem deter partes diferentes do registro de um participante. Combinar esses registros pode melhorar a medição de resultados, mas também levanta questões de consentimento, segurança e acesso.

Qualquer uso de correspondência automatizada exige cuidado especial. Um sistema que recomenda trabalhadores para vagas pode reproduzir padrões presentes em dados históricos de contratação. As agências precisam de testes, canais de recurso e revisão humana antes de tratar uma recomendação como uma decisão de emprego.

Os trabalhadores também devem saber quando a IA influencia seu percurso em um programa. A transparência deve abranger triagem, correspondência, avaliações e recomendações de apoio. Uma pessoa não deve perder acesso porque um modelo opaco interpretou dados incompletos.

Essas restrições não tornam o governo local um parceiro inadequado. Elas explicam por que seu papel é essencial. Órgãos públicos fornecem responsabilização, escala e continuidade que uma concessão temporária não consegue criar sozinha.

Portanto, o projeto-piloto mais sólido será aquele que sobreviver às condições normais de governo. Ele deve funcionar com níveis reais de pessoal, exigências legais e ciclos orçamentários. Também deve produzir evidências que outra jurisdição possa examinar antes de copiar o modelo.

Para equipes que gerenciam evidências entre agências e provedores, uma base de conhecimento pesquisável pode ajudar a organizar políticas, registros de reuniões e avaliações. Essas ferramentas apoiam a coordenação, mas a governança ainda determina quais informações podem ser compartilhadas.

O compromisso nacional atrai atenção. O desenho administrativo local determina se essa atenção se transforma em infraestrutura duradoura de emprego.

Os Números Ainda Não Comprovam o Modelo

A fundação anunciou grandes metas de resultados, mas as evidências públicas ainda não mostram quais intervenções as alcançarão.

O compromisso de US$ 100 milhões está confirmado, assim como o período de três anos e as metas de longo prazo relacionadas a empregos, comunidades e beneficiários. Esses números descrevem ambição e escopo. Eles não representam colocações concluídas nem impacto econômico verificado de forma independente.

A distinção importa porque “viabilizar a criação” abrange várias relações possíveis. Uma concessão pode apoiar diretamente o treinamento de um trabalhador. Uma mudança de política pode ajudar empregadores a preencher vagas. Uma ferramenta de financiamento pode contribuir ao lado de vários outros programas.

A atribuição se torna mais difícil à medida que a iniciativa se expande. Se o emprego aumenta após o início de um programa local, os avaliadores devem considerar crescimento econômico, expansão dos empregadores, migração e outros investimentos públicos. Contabilizar cada novo emprego exageraria o papel do programa.

A fundação buscou um parceiro de medição, avaliação e aprendizado para sua iniciativa de empregos nos Estados Unidos. Sua solicitação publicada descreveu modelagem quantitativa de impacto, análise do mercado de trabalho e apoio à infraestrutura de dados. Esse trabalho deve ajudar a definir como o programa separa resultados diretos de influência mais ampla.

Mesmo uma avaliação robusta não consegue eliminar todas as incertezas. As comunidades diferirão em composição setorial, demografia, capacidade de prestação de serviços e exposição a choques econômicos. Uma política que funciona em um mercado de saúde pode não se transferir para outro sem mudanças substanciais.

A escala do programa cria uma pressão aritmética básica. Dividir o compromisso entre 250 locais deixaria recursos diretos limitados por localidade, mesmo antes dos custos centrais de avaliação e do programa. Esse cálculo simples não é o plano real de alocação, mas ilustra a dependência de alavancagem.

A fundação pretende explicitamente atrair capital público, privado e filantrópico adicional. Também quer que modelos comprovados sejam incorporados às políticas e às práticas dos empregadores. Esses mecanismos precisam fornecer a maior parte da escala final se a iniciativa se aproximar de suas metas nacionais.

A alavancagem pode ser um resultado significativo. Uma concessão modesta pode sustentar evidências que alteram um orçamento público maior ou um processo de empregador. Ainda assim, recursos anunciados ou alinhados não devem ser contabilizados como impacto até que o dinheiro esteja comprometido e utilizado.

A fundação cita trabalhos anteriores que ajudaram a destravar financiamento federal de energia limpa em mais de 45 estados. Esse histórico sustenta sua teoria de que a filantropia pode reunir parceiros e influenciar fluxos maiores de capital. O esforço voltado a empregos ainda exige suas próprias evidências.

As estimativas de deslocamento provocado pela IA exigem cautela semelhante. Um estudo associado ao Iceberg Index do MIT estimou que as capacidades atuais de IA se sobrepõem a tarefas que representam 11,7 por cento do valor salarial do mercado de trabalho dos Estados Unidos. A simulação do mercado de trabalho modela exposição, não prevê que a mesma proporção de trabalhadores perderá seus empregos.

A exposição das tarefas pode levar a vários resultados. Empregadores podem reduzir o quadro de pessoal, aumentar a produção, reformular empregos ou criar novos serviços. Trabalhadores podem usar a IA como assistente em vez de enfrentar substituição completa.

Um programa baseado em uma única previsão de deslocamento seria, portanto, frágil. Planejadores locais precisam de estratégias baseadas em cenários que funcionem sob múltiplos padrões de adoção. Eles devem se preparar para mudanças nas tarefas, bem como para perdas diretas de emprego.

A durabilidade política apresenta outra incerteza. Administrações estaduais mudam, orçamentos locais se apertam e líderes de agências deixam seus cargos. Um projeto-piloto bem-sucedido pode desaparecer quando sua fonte de financiamento termina ou seu defensor deixa o cargo.

Incorporar um programa à legislação ou a um orçamento recorrente pode melhorar a continuidade. Também pode consolidar uma abordagem antes que as evidências estejam maduras. A iniciativa deve equilibrar adoção rápida com espaço para revisão.

A voz dos trabalhadores é outra variável ausente. Empregadores e agências podem definir sucesso em torno de vagas preenchidas ou custos reduzidos. Os participantes podem dar maior peso a horários, segurança, benefícios, tempo de deslocamento ou progressão profissional.

Os programas devem coletar feedback dos trabalhadores durante o desenho e após a colocação. Também devem informar quem abandona o programa, não apenas quem conclui o treinamento. A evasão pode revelar barreiras ocultas pelos números agregados de colocação.

A avaliação independente deve examinar diferenças por raça, gênero, idade, deficiência e geografia, quando legal e apropriado. Ganhos médios podem ocultar grupos que recebem colocações de menor qualidade ou registram taxas mais altas de abandono.

A visão cética não é que a iniciativa não tenha valor. É que uma meta nacional pode superar as evidências produzidas por projetos-piloto locais. Definições claras, dados comparáveis e divulgação pública determinarão se a expansão reflete resultados ou entusiasmo.

Esse risco deve permanecer visível sempre que a história ressurgir por meio do google news ou de outro canal de descoberta. Anúncios de financiamento são imediatos. Resultados confiáveis de emprego levam mais tempo para serem medidos.

Órgãos Públicos Devem Equilibrar a Adoção de IA com a Proteção dos Trabalhadores

Governos estaduais e locais não podem tratar a IA apenas como uma ameaça aos empregos nem apenas como uma ferramenta de eficiência. Eles devem gerenciar ambos os papéis.

A fundação inclui setores habilitados por IA entre seus setores prioritários. Essa escolha cria oportunidades para novas ocupações e para que trabalhadores atuais adquiram habilidades úteis. Também levanta questões sobre que tipo de treinamento continua valioso à medida que os produtos mudam.

Ensinar uma única interface de software pode gerar números rápidos de conclusão. Isso pode se tornar obsoleto quando um fornecedor altera funcionalidades ou um empregador adota outra plataforma. Programas duradouros devem enfatizar discernimento, conhecimento de domínio, letramento em dados e uso responsável de ferramentas.

Trabalhadores da saúde, por exemplo, podem usar IA para resumir documentação ou coordenar horários. Ainda precisam de conhecimento clínico, habilidades de comunicação e consciência das exigências de privacidade. O treinamento deve explicar quando a saída automatizada exige verificação.

Servidores públicos enfrentam demandas semelhantes. Uma agência pode usar IA generativa, ou seja, software que cria texto ou outro conteúdo a partir de instruções, para redigir material rotineiro. As equipes continuam responsáveis por verificar fatos, proteger dados e cumprir as leis de registros.

A IA também pode reduzir a fricção administrativa em programas de força de trabalho. Ela pode resumir anotações de casos, identificar documentos ausentes ou ajudar residentes a navegar por requisitos complexos. Cada uso precisa ser testado em relação à população real atendida pela agência.

As alegações de eficiência merecem escrutínio quando os sistemas afetam o acesso a benefícios ou emprego. Uma decisão mais rápida não é automaticamente uma decisão melhor. As agências devem medir taxas de erro, recursos, acessibilidade e resultados díspares, além do tempo de processamento.

A revisão humana deve ser significativa. Um funcionário que simplesmente aprova uma recomendação automatizada sem tempo ou informações suficientes oferece pouca proteção. Os revisores precisam ter autoridade para alterar decisões e documentar o motivo.

Os contratos com fornecedores devem apoiar essa supervisão. As agências precisam de acesso a informações de desempenho, avisos de mudança, termos de segurança e procedimentos para lidar com falhas. Devem evitar acordos que impeçam testes independentes de sistemas consequentes.

As equipes de compras também podem exigir declarações claras sobre dados de treinamento, limitações do modelo e subcontratados. Nem todos os detalhes estarão disponíveis para sistemas comerciais. A agência ainda precisa de informações suficientes para avaliar o risco.

A iniciativa de força de trabalho pode modelar melhores práticas de compra ao vincular financiamento à transparência e à avaliação. Um projeto-piloto que use IA deve divulgar sua finalidade, os usuários afetados e as métricas de sucesso. Também deve identificar condições que acionariam sua suspensão.

Agências locais devem separar ferramentas usadas para assistência de ferramentas usadas para decisões. Redigir um lembrete de treinamento apresenta riscos diferentes de classificar candidatos. Aplicar um único processo de aprovação a todos os usos pode desperdiçar recursos e deixar de identificar os casos de maior risco.

As organizações trabalhistas e os trabalhadores da linha de frente devem participar das discussões de design desde cedo. Os funcionários geralmente sabem quais tarefas causam atrasos e quais erros prejudicam os moradores. Sua participação pode revelar se uma ferramenta proposta resolve um problema real.

Esse envolvimento também reduz a chance de que o desenvolvimento da força de trabalho se torne um eufemismo para aceitar empregos de menor qualidade. O treinamento deve ampliar as opções dos trabalhadores, e não apenas prepará-los para mais monitoramento ou horários instáveis.

Os empregadores que recebem apoio público devem explicar como a IA altera os cargos que oferecem. Devem identificar quais tarefas desaparecem, quais habilidades ganham valor e como os ganhos de produtividade afetam os trabalhadores. Caso contrário, os provedores de treinamento terão de planejar com base em informações incompletas.

A ênfase da iniciativa em bons empregos abre espaço para essas condições. O financiamento público e filantrópico pode exigir compromissos dos empregadores relacionados a salários, retenção, progressão profissional e horários. Os padrões exatos precisarão refletir os mercados de trabalho e as ocupações locais.

Os governos estaduais podem enfrentar barreiras políticas mais amplas. Podem modernizar o licenciamento ocupacional, apoiar credenciais portáteis e alinhar dados educacionais aos resultados de emprego. Também podem financiar serviços que ajudem os participantes a permanecer no treinamento.

Agências locais podem testar essas abordagens em mercados de trabalho específicos. Sua experiência pode mostrar quais barreiras mais importam e quais intervenções geram efeitos não intencionais. A fundação poderá então levar lições confiáveis entre diferentes jurisdições.

A IA não deve dominar todas as estratégias locais de emprego. Muitas comunidades precisam de investimentos básicos em transporte, banda larga, moradia ou serviços de cuidado antes que o treinamento técnico se torne útil. O desenho do programa deve permitir que essas necessidades moldem a resposta.

Essa flexibilidade é uma força se vier acompanhada de avaliação disciplinada. Ela se torna uma fraqueza se toda atividade local se qualificar sem uma teoria de mudança comum. Definições compartilhadas de resultados devem coexistir com a adaptação local.

Portanto, a principal escolha não é entre empregos e tecnologia. É entre experimentação rápida e construção de instituições responsáveis. A iniciativa só terá êxito se conseguir fazer as duas coisas.

O que os leitores do Google News devem acompanhar a seguir

A próxima fase deve ser avaliada pela seleção das comunidades, por resultados mensuráveis de emprego e por evidências de que pilotos bem-sucedidos entram em sistemas permanentes.

O primeiro sinal é a seleção das comunidades iniciais. Segundo relatos, a fundação espera começar com cerca de 20 a 30 localidades antes de se expandir. Essas escolhas revelarão como ela equilibra necessidade urgente, demanda dos empregadores, diversidade geográfica e preparação administrativa.

Um primeiro grupo confiável deve incluir mais do que comunidades já habilidosas em conquistar subsídios nacionais. Ele deve testar o modelo em diferentes mercados de trabalho e capacidades governamentais. Os critérios de seleção devem ser suficientemente públicos para que os locais excluídos compreendam a decisão.

Os leitores também devem observar quais organizações lideram localmente. Uma parceria sustentada apenas por consultores externos pode ter dificuldades após o fim do financiamento. Estruturas mais robustas incluirão agências, empregadores, educadores, representantes dos trabalhadores e provedores de serviços com responsabilidades definidas.

O segundo sinal é o modelo de medição. O programa precisa de definições consistentes para matrícula, conclusão, colocação, retenção e qualidade do emprego. Também precisa de um método defensável para estimar empregos influenciados indiretamente por políticas ou financiamento.

Os primeiros relatórios devem separar os resultados diretos dos participantes dos efeitos nacionais modelados. Devem mostrar quantas pessoas ingressaram nos programas, obtiveram trabalho e permaneceram empregadas. Dados sobre salários, horas, benefícios e progressão profissional ofereceriam um quadro mais completo.

Os resultados devem incluir fracassos e revisões. Um piloto que identifica uma trajetória de treinamento ineficaz ainda pode gerar valor se a lição evitar gastos mais amplos. Ocultar resultados negativos enfraqueceria a estratégia de expansão do programa.

O processo de avaliação também deve distinguir a exposição à IA do deslocamento efetivo de trabalhadores. As comunidades podem acompanhar a adoção pelos empregadores, mudanças nas tarefas, padrões de contratação e demissões. Nenhum indicador isolado captará toda a transição.

O terceiro sinal é a adoção institucional. Um piloto promissor ganha significado em escala quando um estado muda uma política, uma agência cria financiamento recorrente ou empregadores adotam uma trajetória validada. Uma expansão financiada apenas por outra subvenção de curto prazo ofereceria evidências mais fracas.

Observe mudanças nas regras de credenciais, no apoio ao cuidado infantil, no financiamento de treinamento e nos acordos com empregadores. Esses detalhes administrativos dirão mais sobre a durabilidade do que outro anúncio sobre participação.

Documentos orçamentários estaduais podem revelar se os governos estão assumindo custos contínuos. A legislação pode mostrar se uma política sobrevive além de uma administração. Acordos de negociação coletiva e contratos de empregadores podem indicar se os trabalhadores compartilham os ganhos de produtividade.

O programa também deve informar quanto capital adicional mobiliza. Uma alegação ampla sobre recursos alinhados é menos útil do que compromissos documentados vinculados a intervenções específicas. O financiamento público deve ser identificado separadamente das contribuições privadas e filantrópicas.

Um resultado mais sólido combinaria colocações confiáveis com adoção de políticas e custos transparentes. Um resultado mais fraco enfatizaria o total de beneficiários sem explicar sua ligação com as atividades financiadas.

Para os leitores que chegam pelo google news, o número de destaque é apenas o ponto de partida. A história duradoura diz respeito a se as instituições locais conseguem responder à mudança tecnológica antes que os trabalhadores vulneráveis absorvam seus custos.

Desenvolvedores e fornecedores de IA devem acompanhar porque programas públicos podem moldar expectativas de compras e avaliação. Compradores empresariais devem acompanhar porque parcerias locais podem revelar necessidades reais da força de trabalho. Os trabalhadores devem acompanhar porque os padrões de qualidade do emprego determinarão se a adaptação gera oportunidade ou apenas mais uma credencial.

Líderes estaduais e locais não precisam prever o efeito exato da IA sobre cada ocupação. Precisam de sistemas que detectem mudanças, testem respostas e preservem a responsabilização. A Rockefeller Foundation aposta que a filantropia pode ajudar a construir esses sistemas.

A questão decisiva agora é prática: as primeiras comunidades publicarão evidências suficientemente fortes para que governos e empregadores comprometam seus próprios recursos? Essa resposta, e não o tamanho do anúncio, determinará se a iniciativa se tornará uma infraestrutura duradoura para a força de trabalho.