O tecido produtivo português perante a automação cognitiva

A pergunta de partida e o seu encadeamento causal

• A pergunta de fundo não mudou desde 1999: o que é preciso fazer para acelerar o desenvolvimento económico de Portugal? A resposta na sua essência não se alterou: depende da qualidade do conhecimento que o sistema nacional de inovação consegue produzir e difundir e que o sistema produtivo consegue absorver. O que mudou é o contexto tecnológico em que esta resposta tem de ser operacionalizada – e a rapidez da manifestação das consequências do seu menosprezo.

Em 1999, contribuí com um ensaio para o “Livro Branco sobre a Educação em Portugal”, coordenado pelo Prof. Ernâni Lopes, em que argumentei que o desenvolvimento económico não resulta de mais escolaridade em abstracto, mas do tipo certo de conhecimento, produzido e difundido pelo tipo certo de instituições, em articulação com um sistema produtivo que tenha efectiva capacidade de o absorver.

O encadeamento causal que aí estabelecia era preciso: o desenvolvimento económico depende da capacidade de inovação; a capacidade de inovação depende de sistemas nacionais que articulam investigação e desenvolvimento, educação geral e formação profissional; e a formação profissional – em particular os modelos de aprendizagem em contexto – é uma das peças mais directamente ligadas ao tipo de inovação incremental que economias como a portuguesa podem liderar com vantagem – entendendo-se como incremental a inovação baseada em tecnologia e ou conhecimento já existente, utilizado ou não, resultante de atividades e projetos de I&D já realizadas, por contraponto à inovação mais disruptiva, que obriga a investimentos significativos e prolongados no tempo em áreas científicas emergentes. Educação e formação não são fins em si mesmos: são instrumentos do desenvolvimento económico. A Inteligência Artificial não inverte esta sequência causal – amplifica-a, tornando-a simultaneamente mais urgente e mais exigente.

A presente reflexão parte deste argumento e atualiza-o à luz de cinco contributos analíticos disponíveis: A evidência empírica de Acemoglu e Restrepo (2018, 2019) sobre os efeitos da automação no emprego e nos salários; a distinção entre IA generativa e IA agêntica e as suas implicações para as PME; o relatório do CNIPES (2026) sobre a adopção e governação da IA no ensino superior português; os artigos recentes sobre o mercado emergente de treino de IA por profissionais qualificados, nomeadamente na Bloomberg Businessweek (Maio 2026); e a dimensão da soberania cognitiva — o risco de Portugal se tornar operador de tecnologia alheia sem controlo sobre a infraestrutura que a sustenta.

Dois factos recentes iluminam a urgência e a dimensão do problema. O primeiro: A empresa Mercor, startup avaliada em dez mil milhões de dólares, recruta médicos, advogados e assistentes sociais para, a tempo parcial, ensinarem sistemas de IA a realizar exactamente as tarefas que os definem profissionalmente – a cerca de noventa dólares por hora. O mecanismo é transparente: o conhecimento que confere valor a um profissional pode ser decomposto, documentado e transformado em dados de treino, com o próprio profissional como instrumento desta transferência. O segundo: mais de metade das instituições de ensino superior portuguesas utiliza IA no ensino sem ter definido regras sobre como o fazer responsavelmente (CNIPES, 2026). A cadeia que vai da formação ao trabalho e do trabalho ao desenvolvimento está fragilizada em dois pontos simultaneamente.

I. O conhecimento como motor do desenvolvimento – e o que a teoria menosprezava

• A teoria económica neoclássica tratou durante décadas o conhecimento como um bem público que se difundia automaticamente. A evidência empírica acumulada desde os anos setenta desmentiu este pressuposto de forma consistente. A era da IA torna ainda mais difícil ignorar este desmentido.

O modelo de Solow (1956) explicava o crescimento como resultante de capital acumulado e progresso tecnológico exógeno – disponível para todos, gratuito, que não precisava de ser produzido nem aprendido. Esta elegância é também a sua fraqueza: nenhum dos padrões observados é compatível com a hipótese de que o conhecimento se difunde automática e gratuitamente. As empresas com mais conhecimento ganham sistematicamente. Os países com sistemas de inovação mais desenvolvidos crescem mais. Os trabalhadores qualificados auferem salários crescentemente superiores.

A teoria do crescimento endógeno – Romer (1986, 1990), Lucas (1988), Aghion e Howitt (1992, 1998) – corrigiu em parte este problema ao tratar o conhecimento como resultado de investimento deliberado. Mas ignorou três factos estruturais que no meu ensaio de 1999 tinha identificado como determinantes. Em primeiro lugar, uma parte essencial do conhecimento produtivo é tácita (Polanyi, 1958): não pode ser codificada, transmitida por escrito ou aprendida fora do contexto em que é praticada. Em segundo lugar, o conhecimento produtivo está localizado – enraizado em redes de relações, em clusters industriais, em instituições que levam décadas a consolidar. Em terceiro lugar, a inovação é produto de sistemas de interação densa entre empresas, universidades, associações sectoriais e Estado – o que a literatura designa como sistemas nacionais de inovação (Lundvall, 1992; Nelson, 1993).

Sistema nacional de inovação.
O conceito designa o conjunto articulado de instituições – empresas, universidades, centros de investigação, associações sectoriais e Estado – que determinam como um país produz, difunde e absorve conhecimento. A qualidade deste sistema, e não apenas o nível agregado de escolaridade, é o determinante central da capacidade de desenvolvimento. Portugal tem um sistema orientado para a inovação incremental — o aperfeiçoamento progressivo do que já se sabe fazer — e é este tipo de inovação que os Centros Tecnológicos sectoriais estão em melhor posição de fortalecer.

A contribuição empírica mais importante para este debate foi a de Acemoglu e Restrepo (2018, 2019): analisaram as regiões americanas que adotaram mais robots industriais entre 1990 e 2007 e encontraram redução significativa e persistente do emprego e dos salários locais, sem o reequilíbrio automático previsto pelos modelos neoclássicos. A razão é analiticamente precisa: quando a automação avança mais depressa do que a criação de novas tarefas humanas, o crescimento da produtividade concentra-se no capital e nas competências de topo. A redistribuição só ocorre quando a inovação cria tarefas suficientemente novas para absorver os trabalhadores dispensados. Para Portugal, a implicação é directa: o caminho do desenvolvimento não passa pela adopção passiva de tecnologia, mas pela construção deliberada da capacidade de a complementar com trabalho humano qualificado.

O impacto mensurável da automação
Acemoglu e Restrepo (2018) estimaram que cada robot adicional por mil trabalhadores reduziu o emprego local entre 0,18 e 0,34 pontos percentuais e os salários entre 0,25 e 0,596. O reequilíbrio automático previsto pelos modelos neoclássicos não se verificou nas décadas seguintes. O Bloomberg Businessweek (Maio 2026) complementa: 4396 dos licenciados americanos recentes estão subempregados, o valor mais elevado desde a pandemia; os postos de entrada em software cresceram 696 entre 2014 e 2024, enquanto os licenciados na área cresceram 11096. Os efeitos de antecipação no mercado de trabalho são já mensuráveis.

II. O triângulo da inovação e o que a IA altera em cada vértice

• O triângulo constituído pela investigação e desenvolvimento, pela educação geral e pela formação profissional é a estrutura que sustenta a capacidade de inovação de qualquer economia. Em Portugal, este triângulo tem um vértice historicamente fraco – o da formação profissional. A Inteligência Artificial não altera a geometria do triângulo: reconfigura as exigências de cada um dos seus vértices.

No contributo de 1999 eu tinha destacado a importância do triângulo e argumentado que os três vértices se reforçavam mutuamente: a I&D, que produz conhecimento novo; a educação geral, que forma as bases cognitivas para o absorver; e a formação profissional, que transforma esse conhecimento em capacidade produtiva concreta, enraizada nos sectores onde a economia compete. A fragilidade do sistema português, documentada em 1999 e não substancialmente alterada desde então, reside no terceiro vértice: o sistema de formação profissional é fraco em comparação com os modelos de referência europeus, desarticulado do sistema produtivo, e incapaz de produzir, em volume suficiente, os trabalhadores qualificados de que as PME nacionais necessitam para competir nas gamas de maior valor acrescentado.

A IA reconfigura as exigências de cada vértice sem desfazer o triângulo. No vértice da I&D, acelera a produção de conhecimento codificável mas cria um problema novo: os sistemas generativos produzem linguagem plausível e não necessariamente conhecimento verificado, obrigando as organizações a desenvolver rotinas explícitas de validação. No vértice da educação geral, exige literacias novas – não apenas usar ferramentas, mas avaliar criticamente os seus resultados, reconhecer os seus limites e preservar o julgamento que os sistemas não possuem. No vértice da formação profissional, acelera a obsolescência das competências técnicas de execução especializada e valoriza a dimensão de julgamento prático e contextual que o modelo dual é especialmente eficaz a desenvolver. A tentação a evitar é tratar a IA como substituto do triângulo – é, antes, uma exigência mais elevada para cada um dos seus vértices.

O conhecimento que resiste à automação e o que não resiste

A distinção analítica mais importante da literatura recente é a de Acemoglu e Restrepo (2019): o que resiste à automação não é o conhecimento tácito em geral, mas especificamente o conhecimento tácito relacional e contextual – aquele que depende de interações sociais densas, de reputação construída ao longo do tempo e de adaptação a problemas genuinamente novos. O conhecimento tácito de execução especializada, mesmo quando sofisticado, é progressivamente ameaçado à medida que os sistemas de IA aprendem a decompô-lo. A empresa Mercor tornou este mecanismo operacionalmente visível: cada hora de trabalho de um profissional qualificado a documentar as suas tarefas é uma hora de dados de treino de elevada qualidade. O que era conhecimento tácito transforma-se progressivamente em conhecimento codificável — não porque as máquinas o tenham inferido de forma autónoma, mas porque os próprios detentores participaram na sua tradução. Para o sistema de formação profissional português, a implicação é directa: a aposta no conhecimento tácito como vantagem competitiva estrutural é robusta, mas apenas quando e se orientada seletivamente para a sua dimensão relacional e contextual.

A capacidade de uma organização absorver conhecimento externo é função directa do conhecimento previamente acumulado – a absorptive capacity – como demonstraram Cohen e Levinthal (1990). O que tem como corolário que as empresas que mais necessitam de absorver IA são frequentemente as que têm menor capacidade para o fazer, porque investiram menos em qualificações – corolário especialmente relevante para a economia portuguesa. O défice de capital humano das PME é um constrangimento estrutural que precede qualquer intervenção tecnológica. O que significa que a prioridade do sistema de formação não é “ensinar IA” às PME: é construir a base de qualificações que torna possível absorver produtivamente qualquer tecnologia

O risco de erosão do capital de conhecimento tácito e o risco epistémico
A fronteira entre o que os sistemas de IA conseguem aprender e o que não conseguem não é uma propriedade estável do conhecimento humano. É função da quantidade de dados disponíveis, da capacidade de computação e da sofisticação dos algoritmos – variáveis em expansão acelerada. Simultaneamente, os sistemas generativos produzem linguagem plausível, não conhecimento verificado: os seus outputs podem estar errados, desatualizados ou simplesmente inventados, sem que a fluência do texto permita distinguir. O CNIPES (2026) documenta este risco epistémico nas universidades portuguesas: a adopção cresceu de forma significativa, mas a proporção de instituições com rotinas de verificação manteve-se muito reduzida. O mesmo padrão ameaça as PME.

• IMPLICAÇÃO DE POLÍTICA. A política de formação profissional não pode ser concebida como resposta à IA. Tem de ser concebida como condição estrutural do desenvolvimento económico – a mesma lógica que defendia em 1999, tornada mais urgente. A IA não cria esta prioridade: evidencia-a e agrava as consequências de a continuar a adiar.

IlI. Os Centros Tecnológicos sectoriais: resposta estrutural e riscos de dependência

• O problema central das PME portuguesas perante a IA não é nem de vontade nem de recursos financeiros por parte de cada uma delas: é de escala. Nenhuma PME tem, por si só, dimensão para desenvolver as competências de IA que a concorrência internacional exige. A resposta estrutural adequada existe, parcialmente, em Portugal – mas não é solução automática nem generalizável sem análise das condições que a tornam eficaz.

Os Centros Tecnológicos sectoriais funcionam como plataformas de acesso partilhado ao conhecimento de fronteira: agregam o conhecimento tácito de um sector, desenvolvem ferramentas de IA em ambiente académico ou especializado, e devolvem os resultados ao conjunto das PME participantes sob a forma de soluções acessíveis.

Para as PME, esta lógica faz três coisas que nenhuma conseguiria individualmente: compensa o défice de escala; agrega conhecimento tácito sectorial protegendo a confidencialidade competitiva; e cria mecanismo de aprendizagem colectiva que transforma experiência local em capacidade sectorial partilhada.

O Centro Tecnológico do Calçado Português – CTCP – é um caso de referência: o sector passou de produtor de baixo custo a exportador de qualidade diferenciada, com preços médios de exportação de cerca de vinte e oito euros por par em 2023, contra menos de cinco euros dos concorrentes asiáticos (APICCAPS, 2023). Mas a evidência comparada – Tether e Tajar (2008) e Barge-Gil et al. (2011) – documenta que o impacto médio destas instituições é positivo mas modesto, concentrado num subconjunto de PME com suficiente capacidade de absorção de conhecimento – absorptive capacity – e está muito dependente de condições do cluster em que estão integradas, condições que não são automaticamente generalizáveis.

O CTCP foi bem-sucedido por três razões específicas: a concentração geográfica que gerou ecossistema de fornecedores especializados; a janela de procura europeia favorável; e a natureza das competências sensoriais e estéticas do design de calçado, mais resistentes à automação. A prescrição correcta não é replicar este modelo em todos os sectores, mas identificar onde é replicável e construir deliberadamente as condições ausentes.

Para a eficácia de um Centro Tecnológico orientado para a IA, a evidência comparada aponta um conjunto de condições necessárias: massa crítica de PME com absorptive capacity mínima; cluster territorial com densidade de interacção suficiente; financiamento sustentado num horizonte de cinco a dez anos; capacidade própria de IA e ciência de dados; infraestrutura de dados sectorial com design institucional para o problema de acção colectiva; e, com base no CNIPES (2026), formação em literacia epistémica e supervisão crítica de sistemas generativos. Um Centro que processa resultados de IA sem rotinas de auditoria não fortalece a capacidade das PME participantes – reproduz o mesmo desfasamento entre adopção e governação que este ensaio diagnostica.

A armadilha da dependência infraestrutural e a soberania cognitiva

Há um risco que a análise convencional dos Centros Tecnológicos tende a subestimar: a distinção entre usar ferramentas de IA e controlar a infraestrutura que as sustenta. Se as PME e os Centros Tecnológicos utilizarem plataformas de IA de origem externa sem controlo sobre os dados que as alimentam, os modelos que as treinam ou as plataformas que as distribuem, o valor acrescentado da inovação incremental transfere-se sistematicamente para fora do sistema nacional. Um Centro que agrega o conhecimento tácito sectorial para o introduzir em plataformas cujos modelos são treinados e detidos por terceiros está a contribuir para a captura desse conhecimento por agentes sem qualquer obrigação de o devolver ao sistema produtivo que o gerou. A soberania cognitiva — a capacidade de controlar, pelo menos parcialmente, não apenas a aplicação mas a produção do conhecimento que alimenta os sistemas de IA – é uma condição do desenvolvimento de longo prazo que a agenda de política pública ainda não incorporou de forma explícita.

Soberania cognitiva e dependência infraestrutural
Um país que utiliza exclusivamente ferramentas de IA cujos dados, modelos e plataformas pertencem a terceiros exteriores ao sistema nacional encontra-se numa posição estruturalmente análoga à de uma economia que exporta matéria-prima e importa o produto manufacturado: participa no processo produtivo global mas não captura o valor principal. Para os Centros Tecnológicos portugueses, a construção de infraestrutura de dados sectorial própria, com governação nacional e protocolos explícitos de contribuição e verificação, não é uma opção técnica secundária – é uma condição da autonomia económica no longo prazo. A este risco associa-se outro: o mercado de trabalho comprimido pode tornar-se acelerador involuntário da transferência de conhecimento tácito. Profissionais qualificados subempregados aceitam trabalhar a tempo parcial a documentar as suas tarefas para alimentar modelos de IA – como o modelo Mercor demonstra. Saber quem detém o conhecimento tácito de um sector, em que condições o partilha e com que contrapartidas institucionais é uma questão de estratégia económica.

• IMPLICAÇÃO DE POLÍTICA. Os Centros Tecnológicos devem ser concebidos não apenas como plataformas de adopção de IA, mas como nós de produção de conhecimento sectorial com soberania sobre os dados que geram. Para os sectores onde um Centro Tecnológico pleno não é viável – a maioria, composta por microempresas dispersas -, a política pública precisa de uma via alternativa: programas de literacia epistémica de acesso imediato, consórcios intersectoriais de menor dimensão focados em boas práticas, e reforço das associações empresariais como interface de primeiro nível.

A constituição de consórcios de dados sectoriais enfrenta um obstáculo de estrutura clássica: cada PME beneficia dos modelos produzidos com os dados de todas, mas tem incentivo individual para não partilhar os seus, que representam vantagem competitiva proprietária. Olson (1965) demonstrou que grupos com interesse colectivo identificável não cooperam voluntariamente sem mecanismos que alterem os incentivos individuais.

Por sua vez, Ostrom (1990) identificou as condições em que este dilema pode ser resolvido por via da governação colectiva: limites claramente definidos, regras construídas com participação dos utilizadores, monitorização efectiva e sanções graduadas. A implicação central para o design de consórcios de dados é que as soluções não se importam: têm de ser construídas com as comunidades específicas de utilizadores.

A adopção sub-óptima de tecnologia pelas PME resulta ainda de outras razões estruturais: a aversão ao risco de implementação quando os benefícios são diferidos e incertos; as limitações de atenção do proprietário-gestor; a desconfiança histórica nas instituições de apoio; e o risco de poaching – as PME que investem na formação dos seus trabalhadores arriscam vê-los recrutados por outras antes de o investimento ser amortizado (Acemoglu & Pischke, 1999). As políticas que assumem que as PME adoptam tecnologia porque é racionalmente óptimo falham sistematicamente.

IV. O Estado, a cooperação universidade-indústria e os três pilares da integração responsável

• A resposta ao problema das PME não se esgota nos Centros Tecnológicos. O triângulo que sustenta o sistema nacional de inovação exige que o vértice da I&D esteja efectivamente ligado ao sistema produtivo – e que o Estado desempenhe as funções que já demonstrou ser capaz de desempenhar, sem presumir capacidades que a evidência não suporta.

A velocidade de avanço da investigação em IA excede a capacidade de absorção interna de qualquer empresa. Para as PME, o fosso entre a fronteira do conhecimento científico e a capacidade de aplicação industrial tende a ser ainda mais pronunciado. A resposta

exige instituições cuja missão explícita é traduzir conhecimento científico em soluções industriais aplicáveis – os knowledge intermediaries (Tether & Tajar, 2008). O INESC TEC constitui um dos mais relevantes dos exemplos nacionais: com competências em IA, robótica, ciência de dados e manufatura avançada, desenvolve investigação aplicada em parceria com empresas, incluindo PME. Na era da IA agêntica, este modelo requer uma camada adicional: o co-design dos procedimentos de verificação dos outputs gerados pelos sistemas autónomos, antes de produzirem efeitos difíceis de reverter.

Com a globalização e a IA, os governos perderam margem de manobra em instrumentos tradicionais de política económica, mas mantêm papel estruturante no investimento em infraestrutura de conhecimento, na regulação do sistema financeiro e na política de coesão. Todavia, como Rodrik (1996) demonstrou, reformas institucionalmente ambiciosas antes da criação das condições da respectiva eficácia tendem a produzir resultados piores do que a ausência de reforma.

A história da política de inovação em Portugal confirma este padrão – descontinuidade do financiamento, dependência de ciclos de fundos europeus desalinhados, capacidade limitada de avaliação independente. A prescrição realista centra-se nas funções demonstradamente eficazes: financiamento plurianual de institutos com autonomia de gestão e co-financiamento de projectos empresa-universidade com avaliação sistemática de impacto. Narayanan e Kapoor (2024) identificaram ainda o reliability gap: mesmo sistemas com taxas de sucesso elevadas podem, em domínios de consequências sérias, exigir verificação humana da totalidade dos outputs – anulando uma proporção substancial dos ganhos de produtividade esperados. O sistema APEX da Mercor confirma este diagnóstico: os melhores modelos disponíveis continuam a falhar em tarefas profissionais complexas e abertas em contextos reais (Bloomberg Businessweek, Maio 2026).

Os Três Pilares da integração responsável da IA

O CNIPES (2026) propõe uma estrutura de três pilares cuja correspondência com as necessidades do sistema produtivo é directa. O primeiro – Saber sobre IA – designa a literacia técnica e epistémica: compreender a lógica de funcionamento dos sistemas, os seus limites e as suas implicações para a produção e verificação de conhecimento. O segundo – Fazer com IA – designa a integração de ferramentas de IA generativa nos processos produtivos de forma crítica e com transparência sobre os limites dos outputs. O terceiro – Ser sem IA – é analiticamente o mais exigente: a capacidade de decidir quando não delegar em sistemas automáticos, de preservar o espaço do julgamento humano onde este é insubstituível, e de cultivar a resiliência necessária para trabalhar produtivamente num ambiente de aceleração tecnológica contínua.

Os Três Pilares (CNIPES, 2026)
Saber sobre IA: literacia técnica e epistémica – compreender como os sistemas funcionam e os seus limites. Fazer com IA: integrar IA generativa de forma crítica, verificando os outputs e mantendo transparência sobre os seus limites. Ser sem IA: desenvolver a capacidade de decidir quando não delegar, preservar o julgamento humano insubstituível e cultivar resiliência afetiva face à aceleração tecnológica. Este terceiro pilar não é apenas uma competência técnica – é, nosentido preciso do termo, uma competência de carácter, e é aquela para o qual a formação profissional de qualidade está em melhor posição de contribuir.

Há, contudo, um risco de implementação que não pode ser ignorado. Num contexto de pressão sobre o curto prazo – que as microempresas e PME portuguesas enfrentam de forma particularmente aguda – existe uma tendência sistémica para que o sistema de formação se concentre exclusivamente no segundo pilar, em detrimento dos outros dois.

O Saber sobre IA exige tempo de reflexão que os programas de formação acelerada raramente contemplam. O Ser sem IA exige investimento pedagógico no desenvolvimento do julgamento crítico que não é mensurável a curto prazo – e é o primeiro a ser sacrificado quando os programas sofrem reduções. O risco concreto é que o sistema produza trabalhadores que sabem usar ferramentas de IA com eficiência operacional, mas que não desenvolvam a capacidade para as questionar. Estes trabalhadores serão mais vulneráveis ao risco epistémico – e não menos – do que os que nunca foram formados. A certificação de programas de formação com financiamento público deve exigir avaliação explícita dos três pilares – e não apenas do segundo.

Para o pequeno empresário que reconhece o argumento mas se confronta com limitações de tempo, de liquidez e de atenção de gestão, qualquer investimento em formação de longo prazo requer uma decisão que não pode assumir sozinho. Por isso, uma política realista deve explicitar pelo menos três respostas.

Em primeiro lugar, a substituição do financiamento individual por mecanismos de financiamento partilhado – fundos sectoriais que socializam o risco do investimento e eliminam a vantagem competitiva que o poaching confere ao não-investimento (Acemoglu & Pischke, 1999).

Em segundo lugar, incentivos fiscais imediatos e de acesso simplificado para microempresas que contratualizem programas de formação com instituições certificadas.

Em terceiro lugar, a demonstração de casos concretos com impacto visível e mensurável no curto prazo: a lição da literatura de difusão tecnológica (Rogers, 2003) é inequívoca – o adoptante tardio move-se por observação dos resultados dos adoptantes precoces, e não por argumentação teórica sobre vantagens estruturais de longo prazo.

V. Portugal: diagnóstico actualizado, orientação estratégica e agenda

• A economia portuguesa apresenta um diagnóstico estrutural conhecido – especialização nas gamas média e média-baixa em termos de valor acrescentado, insuficiência de escolaridade e desarticulação entre sistema de formação e sistema produtivo. A Inteligência Artificial torna este diagnóstico mais urgente e acrescenta-lhe quatro riscos que o meu contributo de 1999 não contemplava integralmente.

A economia portuguesa especializa-se nas gamas média e média-baixa de valor acrescentado – reflexo, como documentei, da insuficiência histórica da escolaridade média da população activa e da desarticulação entre o sistema de formação e o sistema produtivo. O sistema de inovação português não tem a densidade de instituições e agentes científicos necessária para alimentar inovação radical – e não é essa a sua vantagem comparativa. A orientação estrutural para a inovação incremental é simultaneamente uma limitação relativa e uma especialização que pode ser potenciada com as ferramentas e políticas certas.

Na era da IA, o meu diagnóstico de 1999 agrava-se por quatro riscos adicionais.

1. O primeiro é a compressão do horizonte de adaptação: a evidência disponível sugere que Portugal tem menos tempo para construir as condições institucionais necessárias do que as análises convencionais assumiam, com efeitos de antecipação no mercado de trabalho já mensuráveis.
2. O segundo é a polarização interna no universo das PME: entre as empresas com acesso aos Centros Tecnológicos e as que ficam fora desses ecossistemas, o fosso tecnológico tende a alargar-se – e com ele a desigualdade salarial e territorial.
3. O terceiro é o desfasamento entre adopção e governação da IA no sistema de formação: o CNIPES (2026) documenta que o próprio sistema de ensino superior está em fase de transição incompleta – apenas 14,7% das instituições têm políticas de IA em prática, enquanto 42,6% não dispõem de qualquer enquadramento formal.
4. O quarto é a dependência infraestrutural e a perda de soberania cognitiva: se a inovação incremental aumentada por IA for feita sem controlo sobre a infraestrutura que a sustenta, Portugal torna-se operador qualificado de tecnologia alheia, transferindo sistematicamente o valor acrescentado para fora do sistema nacional.

A orientação estratégica correcta é a inovação incremental aumentada por IA com soberania cognitiva: usar a IA como amplificador do conhecimento tácito relacional e contextual acumulado, construída sobre infraestrutura de dados sectorial própria, com governação nacional verificável. Esta orientação exige cinco frentes de intervenção simultânea: a elevação do nível médio de escolaridade como condição prévia; a revisão dos conteúdos da formação para incorporar literacia epistémica e afetiva; a aproximação progressiva ao modelo dual com construção prévia das condições institucionais; o reforço dos Centros Tecnológicos com design institucional específico para a soberania cognitiva; e a redução da desigualdade educativa como condição de eficiência sistémica. Os sistemas de inovação sofrem de inércia estrutural porque as suas instituições se reforçam mutuamente: para sair do equilíbrio de baixo nível é necessária uma coordenação de intervenções em múltiplos subsistemas em simultâneo, e a sequência destas intervenções é frequentemente mais determinante do que o seu conteúdo (Rodrik, 1996).

Agenda para três horizontes

• No curto prazo, sem alterar a arquitectura institucional existente: extensão das capacidades de IA generativa dos Centros Tecnológicos existentes com financiamento plurianual e critérios de avaliação de impacto; programas de literacia em IA para trabalhadores e gestores de PME com componentes de literacia epistémica e afetiva; revisão dos perfis de saída dos cursos de formação para incorporar supervisão básica de sistemas automatizados; lançamento de projectos-piloto de consórcios de dados sectoriais com design institucional específico segundo os princípios de Ostrom (1990); e articulação com as instituições de ensino superior para que as competências de supervisão crítica sejam progressivamente incorporadas nos perfis dos cursos que alimentam o sistema produtivo.
• No médio prazo: financiamento partilhado da formação profissional com mecanismos que corrijam o incentivo ao sub-investimento por “poaching”; projectos-piloto de formação dual em sectores que reúnam as condições necessárias; agências independentes de certificação de competências com actualização regular dos perfis incluindo supervisão de IA agêntica; e programas de apoio à transição para trabalhadores deslocados.
• No longo prazo: um sistema de formação profissional em que a participação das empresas é a norma, a articulação com o sistema de inovação é estrutural e permanente, e a “learnability” — a competência meta-cognitiva de aprender a aprender (Aghion & Howitt, 1998) – é mais determinante do que qualquer conjunto fixo de competências técnicas.

Conclusão — Doze teses sobre o conhecimento, o desenvolvimento e a Inteligência Artificial

• O encadeamento causal desta reflexão é o mesmo do meu contributo de 1999 para o “Livro Branco sobre a Educação em Portugal” : o desenvolvimento económico depende da capacidade de inovação, que depende do sistema nacional de inovação, que depende da qualidade do triângulo I&D-educação-formação profissional. A Inteligência Artificial não inverte esta causalidade – amplifica as consequências de a menosprezar.

As primeiras dez teses preservam e qualificam o núcleo do contributo de 1999 e as duas últimas incorporam as dimensões introduzidas pela IA agêntica e pelo CNIPES (2026).

I. A dinâmica do desenvolvimento económico é função da capacidade de inovação da economia e da sociedade (Romer, 1990). É por este elo que o encadeamento causal começa, e é a ele que toda a política de formação deve ser referida.

II. A dinâmica de inovação não depende apenas do ritmo de invenção científica: o processo de difusão e de absorção do conhecimento é igualmente determinante. Produzir conhecimento sem que chegue aos agentes com capacidade de o utilizar é condição necessária mas não suficiente do desenvolvimento (Cohen & Levinthal, 1990; Lundvall, 1992).

III. A imitação, avaliada relativamente às práticas dominantes no país onde tem lugar, pode constituir uma inovação. Para Portugal, a inovação incremental – o aperfeiçoamento progressivo do que se sabe fazer – é uma vantagem estratégica legítima, e não uma limitação a superar.

IV. A dinâmica de inovação não resulta de características individuais aleatórias: é o produto de um sistema de interacções densas entre agentes económicos, científicos e institucionais (Lundvall, 1992). A política de inovação é, em última análise, política de construção e manutenção deste sistema.

V. O sistema de inovação determina o tipo de inovação predominante numa economia. Portugal tem um sistema orientado para a inovação incremental – e é neste tipo de inovação, potenciada pela IA, que deve concentrar as suas apostas.

VI. O sistema de inovação tem elevada inércia estrutural. Isto não exclui acções de curto prazo com estruturas existentes – mas obriga a que as reformas mais ambiciosas sejam sequenciadas com rigor, precedidas da construção das condições que as tornam eficazes (Rodrik, 1996).

VII. A natureza e a articulação dos subsistemas de I&D, educação geral e formação profissional são os determinantes centrais da eficácia do sistema nacional de inovação (Costa, 1999; Lopes, Coord., 2000). Este é o triângulo que sustenta tudo o mais.

VIII. A eficácia da política pública de inovação depende da qualidade do diagnóstico e da viabilidade das intervenções face à capacidade efectivamente demonstrada pelo Estado – e não face à capacidade que se presume que o Estado deveria ter (Rodrik, 1996).

IX. A prescrição de modelos institucionais só é operacionalizável se acompanhada de uma teoria da transição que distinga, com rigor, o que pode ser feito imediatamente com as estruturas existentes do que requer construção institucional de médio prazo.

X. A coesão social e a redução da desigualdade educativa são condições de eficiência do sistema de inovação – e não apenas objectivos distributivos com fundamento ético autónomo (Acemoglu & Restrepo, 2018).

XI. A Inteligência Artificial não invalida o argumento central – qualifica-o e torna-o mais urgente. O conhecimento mais valioso na era da IA é o tácito relacional e contextual: aquele que depende de interacções sociais densas, de reputação construída ao longo do tempo e de adaptação a problemas genuinamente novos (Acemoglu & Restrepo, 2019; Polanyi, 1958). O tácito de execução especializada é progressivamente erodível – como o modelo Mercor demonstra em tempo real. A formação profissional que desenvolve o primeiro tipo é uma aposta de desenvolvimento robusta; a que desenvolve apenas o segundo é uma aposta decrescentemente defensável.

XII. O risco epistémico da IA generativa e a dependência infraestrutural são dois lados do mesmo problema sistémico, que atravessa simultaneamente o tecido empresarial e o sistema de formação (CNIPES, 2026). Os sistemas generativos automatizam linguagem, não conhecimento; produzem plausibilidade sem garantia de verdade ou de autoria. Quando o conhecimento sectorial que alimenta esses sistemas pertence a infraestruturas externas, o valor do desenvolvimento transfere-se para fora. O caminho exige: consolidar a IA generativa com rotinas explícitas de verificação; construir infraestrutura de dados sectorial com soberania nacional; resolver os problemas de acção colectiva nos consórcios de dados (Ostrom, 1990); e construir as competências de supervisão crítica antes de escalar para a dimensão agêntica. A política de capacitação das PME tem de ser articulada com a política de governação da IA no sistema de formação que as abastece: sem esta articulação, o triângulo I&D-educação-formação profissional fica estruturalmente comprometido. A sequência importa tanto quanto a direcção (Rodrik, 1996).

O conhecimento é, ao mesmo tempo, o destino e o caminho do desenvolvimento económico. Esta reflexão começou, em 1999, com uma pergunta sobre a relação entre desenvolvimento, educação e formação profissional. Vinte e cinco anos depois, a resposta mantém a sua essência: O desenvolvimento depende da capacidade de produzir, difundir e absorver conhecimento; a formação profissional – enraizada em sectores, articulada com a investigação científica, sustentada por instituições que durem mais do que os ciclos de financiamento – é a peça mais proximal desta cadeia. O que a Inteligência Artificial altera não é o encadeamento causal, é a velocidade a que as consequências de o ignorar se tornam visíveis – e irreversíveis. A IA apenas retirou-nos o luxo de continuar a adiar a importância da formação profissional e da qualidade institucional por mais vinte e cinco anos.

Referências

Acemoglu, D., & Pischke, J.-S. (1999). The structure of wages and investment in general training.

Journal of Political Economy, 107(3), 539-572. https://doi.org/10.1086/250071

Acemoglu, D., & Restrepo, P. (2018). The race between man and machine: Implications of technology for growth, factor shares, and employment. American Economic Review, 108(6), 1488-1542. https://doi.org/10.1257/aer.20160696

Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30. https://doi.org/10.1257/jep.33.2.3

Aghion, P., & Howitt, P. (1992). A model of growth through creative destruction. Econometrica, 60(2), 323-351.

Aghion, P., & Howitt, P. (1998). Endogenous growth theory. MIT Press. APICCAPS. (2023). World footwear yearbook 2023. APICCAPS.

Autor, D. H. (2022). The labor market impacts of technological change (NBER Working Paper No. 30172). NBER. https://doi.org/10.3386/w30172

Barge-Gil, A., Vasquez-Urriago, A., & Modrego, A. (2011). The impact of technology centres on firms [Working Paper]. CSIC.

Bloomberg Businessweek (Europe). (2026, 1 de Maio). The company training AI to take everyone’s jobs; Falling into a bad job market; The bachelor’s to barista pipeline. Bloomberg L.P.

Brynjolfsson, E., & McAfee, A. (2014). The second machine age. W. W. Norton & Company.

CNIPES. (2026). Inteligência artificial no ensino superior em Portugal: Diagnóstico nacional para governação institucional. https://doi.org/10.5281/zenodo.19555760

Cohen, W. M., & Levinthal, D. A. (1990). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 35(1), 128-152.

Costa, C. S. (1999). Desenvolvimento económico, educação e formação profissional: Que relação? Em E. Lopes (Coord.), Livro branco sobre a educação em Portugal. Ministério da Educação. (disponível em www.linkedin.com/in/carlos-costa-3406ab1b4)

Gospel, H. (1995). The decline of apprenticeship training in Britain. Industrial Relations Journal, 26(1), 32-44.

Hall, B. H., & Khan, B. (2003). Adoption of new technology (NBER Working Paper No. 9730).

NBER.

Lopes, E. (Coord.). (2000). Livro branco sobre a educação em Portugal. Ministério da Educação/Gradiva.

Lucas, R. E. B. (1988). On the mechanics of economic development. Journal of Monetary Economics, 22(1), 3-42.

Lundvall, B.-Å. (1992). National systems of innovation: An analytical framework. Pinter. McKinsey Technology. (2026). Reimagining tech infrastructure for (and with) agentic AI. McKinsey & Company.

Narayanan, A., & Kapoor, S. (2024). AI as normal technology. AI Snake Oil. https://aisnakeoil.substack.com

Nelson, R. R. (Ed.). (1993). National innovation systems: A comparative analysis. Oxford University Press.

Olson, M. (1965). The logic of collective action. Harvard University Press. Ostrom, E. (1990). Governing the commons. Cambridge University Press. Polanyi, M. (1958). Personal knowledge. University of Chicago Press.

Rodrik, D. (1996). Understanding economic policy reform. Journal of Economic Literature, 34(1), 9-41.

Rogers, E. M. (2003). Diffusion of innovations (5.ª ed.). Free Press.

Romer, P. M. (1986). Increasing returns and long-run growth. Journal of Political Economy, 94(5), 1002-1037.

Romer, P. M. (1990). Endogenous technological change. Journal of Political Economy, 98(5), S71-S102.

Solow, R. M. (1956). A contribution to the theory of economic growth. Quarterly Journal of Economics, 70(1), 65-94.

Tawil, T. (2026). The AI labor debate: Three views on the future of work. Carnegie Endowment for International Peace.

Tether, B., & Tajar, A.(2008). Beyond industry-university links. Research Policy, 37(6-7),1079-1095.