IA e remuneração médica: o erro do nobel Geoffrey Hinton sobre o fim da radiologia

Por Leonardo Vedolin*

Recentemente, participei de um painel sobre o impacto da Inteligência Artificial (IA) na remuneração médica. A discussão mostrou o quanto o debate finalmente amadureceu: a IA não vai substituir os médicos, mas absorverá partes mecânicas do trabalho, especialmente as tarefas repetitivas, operacionais e baseadas em reconhecimento de padrões.

O impacto da tecnologia na empregabilidade é debate central na sociedade moderna e na medicina não é diferente. A busca por respostas envolve visões antagônicas. Os otimistas destacam a criação de novas carreiras e o aumento da produtividade num mundo em envelhecimento constante. Os críticos reforçam o desemprego estrutural e o aumento da desigualdade social. Aprofundar a discussão com análise de caso pode estimular a reflexão e consequentes ações estruturadas no futuro.

• Aproveite até 60% de desconto na taxa de corretagem com a Mynt, plataforma cripto do BTG Pactual. Por tempo limitado! Abra sua conta e se torne um cliente VIP. Cupom: FOM26.

Na Radiologia, a evolução da IA nos últimos dez anos tem servido como laboratório para entender esse impacto. A especialidade é única: combina massivo volume de dados, sistemas operacionais digitais padronizados (PACS/RIS), imagens uniformes para diagnóstico e pressão contínua por produtividade. Do lado regulatório, até meados de 2026, a FDA havia aprovado 1.524 dispositivos médicos baseados em IA nos EUA, com impressionantes 76% voltados especificamente para Radiologia — hoje, quase 30 novos modelos por mês¹.

Dez anos depois, os dados demonstram o oposto: a Radiologia tornou-se a terceira especialidade melhor paga nos Estados Unidos e faltam profissionais no mercado mundial. O alarmismo anterior afugentou estudantes de medicina justamente quando a demanda explodiu: a tese ajudou a criar a escassez que escalou o problema.

Quatro dinâmicas do trabalho humano

O erro não foi tecnológico, mas econômico: prever a automação de uma tarefa e deduzir o desaparecimento de uma profissão inteira. Pelo menos quatro dinâmicas econômicas explicam esse paradoxo.

Primeiro, a automatização aposenta tarefas, não empregos. Um radiologista não realiza uma única atividade; sua prática inclui detecção de lesões, integração com equipes multidisciplinares, julgamento de casos complexos e responsabilidade final pelo laudo. A IA automatiza o reconhecimento de padrões, mas o julgamento clínico, a comunicação assistencial e a responsabilidade permanecem humanos. Essa segmentação concentra o valor médico exatamente nas tarefas que resistem à automação.

Segundo, o efeito Baumol². Setores com baixo ganho de produtividade humana ficam progressivamente mais caros. A IA reduz o custo marginal das tarefas repetitivas a quase zero, deslocando todo o tempo médico para o julgamento não automatizável. Como a produtividade humana residual não avança no mesmo ritmo da tecnologia, seu preço sobe, financiado justamente pela eficiência que a IA gerou.

Terceiro, o paradoxo de Jevons³. Quando a tecnologia aumenta a eficiência de um recurso, seu custo unitário cai e sua demanda global cresce. A IA reduzirá o custo da diagnose por imagem. Menores custos num cenário de envelhecimento populacional e avanços diagnósticos aumentam o volume de exames solicitados. A automação não elimina trabalho; a demanda induzida expande o mercado.

Por fim, a impossibilidade técnica de substituição total. Em processos em que uma falha causa catástrofe, não se substitui qualidade e responsabilidade humana por eficiência algorítmica. Nenhuma instituição de saúde pode remover o piso de supervisão médica. Algoritmos não possuem licença, não respondem legalmente, não assinam laudos. O médico permanece como garantidor de última instância.

O que a IA não pode fazer

Mas sejamos realistas: a IA continuará evoluindo exponencialmente e seus benefícios não serão distribuídos simetricamente. As últimas décadas mostram que a riqueza tecnológica tende a migrar para empresas que detêm algoritmos, infraestrutura computacional e dados agregados.

O que desaparece não é o radiologista, mas o modelo de profissional treinado para funcionar exclusivamente como máquina de dar laudos. A especialidade está migrando de um sistema baseado em leitura primária para outro baseado em supervisão, validação e integração clínica. O radiologista do futuro concentrará valor em julgamento, liderança e pensamento sistêmico, competências que nenhuma máquina consegue reproduzir integralmente.

O paradoxo de Hinton se resolveu de forma inesperada: a IA realmente transformou a Radiologia, mas não pela substituição dos médicos. Transformou pela criação de uma nova divisão de trabalho. À medida que a máquina absorve volume, velocidade e padronização, o médico volta a concentrar seu valor no que persiste insubstituível: contexto, responsabilidade e julgamento clínico.

*Leonardo Vedolin é vice-presidente médico da Dasa

Referências:
1- Radiology gets 68 new FDA-cleared algorithms" — junho de 2026
URL: radiologybusiness.com/topics/artificial-intelligence/radiology-gets-68-new-fda-cleared-algorithms
2- Baumol WJ. The cost disease: Why computers get cheaper and health care doesn't. Yale University Press, 2012.
3- Jevons WS. The coal question: An inquiry concerning the progress of the nation and the probable exhaustion of our coal mines. Macmillan, 1865.