O mundo do trabalho em expansão do ChatGPT revela uma combinação mais ampla de tarefas
A OpenAI divulgou em 26 de outubro dados que abrangem 165 atividades de trabalho em quase 100 países, oferecendo aos pesquisadores uma visão mais detalhada do uso do ChatGPT por consumidores. O mundo do trabalho em expansão do ChatGPT descreve uma variedade crescente de solicitações. A tensão central diz respeito ao que essas solicitações revelam sobre mudanças econômicas, especialmente quando usar uma ferramenta e melhorar o trabalho são resultados diferentes.
Para empregadores, a divulgação levanta uma questão prática sobre onde os funcionários consideram a IA útil. Para pesquisadores, oferece uma forma de conectar a atividade conversacional a categorias ocupacionais estabelecidas. Nenhum desses públicos deve tratar uma combinação variável de tarefas como uma medida direta de produtividade, deslocamento de trabalhadores ou adoção empresarial.
A pesquisa da Anthropic sobre Claude oferece uma comparação útil porque também acompanha como o uso de IA se espalha entre tarefas. Juntos, esses esforços tornam a IA no local de trabalho mais observável. Eles também aumentam a pressão sobre fornecedores e compradores para distinguir evidências de experimentação de evidências de valor duradouro.
O que o mundo do trabalho em expansão do ChatGPT realmente mede
Segundo a divulgação sobre atividades de trabalho da OpenAI, a série trimestral abrange do primeiro trimestre de 2025 ao terceiro trimestre de 2026. Nos 74 países observados durante todo o período, as dez principais atividades representaram, em média, 51,1% das mensagens de trabalho classificadas, abaixo dos 56,0%.
Isso representa uma queda de 4,9 pontos percentuais. A descoberta diz respeito à composição das mensagens de trabalho, e não à quantidade de trabalho concluído.
Uma composição em mudança é importante porque uma história de adoção pode parecer diferente sob seus totais principais. Uma ferramenta pode atrair mais uso enquanto atende a propósitos familiares. Alternativamente, seu público existente pode começar a levar a ela uma variedade maior de problemas. Essas são formas diferentes de expansão.
A divulgação cria uma oportunidade para investigar essa distinção. Pesquisadores podem examinar se os padrões de atividade se movem juntos em diferentes lugares ou se evoluem de forma distinta. A questão útil passa a ser qual trabalho entra na conversa, em vez de simplesmente saber se um país parece entusiasmado com IA.
A conexão ocupacional ocorre por meio das Atividades de Trabalho Intermediárias, categorias que agrupam tarefas relacionadas entre diferentes empregos. A OpenAI obtém essas categorias do O*NET, uma estrutura de informações ocupacionais. Seu modelo de conteúdo ocupacional separa atividades de trabalho de cargos, requisitos dos trabalhadores e condições no local de trabalho.
Essa distinção altera a unidade de análise. Preparar uma explicação, avaliar informações e organizar materiais podem aparecer em diferentes ocupações. Analisar apenas cargos ocultaria essas atividades compartilhadas.
Considere um funcionário hipotético preparando uma apresentação. A tarefa pode envolver interpretar feedback de clientes, verificar premissas financeiras e redigir texto explicativo. Um cargo descreve o funcionário de forma ampla. As categorias de atividade descrevem partes da tarefa.
Essa visão mais detalhada oferece aos pesquisadores um ponto de partida melhor para estudar onde a assistência entra em um fluxo de trabalho. Ainda assim, ela deixa o processo ao redor fora do quadro. Alguém precisa decidir se a apresentação responde à questão de negócio e se as evidências que a sustentam se confirmam.
A mesma cautela se aplica a comparações ao longo do tempo. Uma participação menor de uma atividade líder não estabelece que as pessoas a realizem com menos frequência. Outras atividades podem simplesmente crescer mais rápido.
Por esse motivo, o mundo do trabalho em expansão do ChatGPT deve ser interpretado como um mapa da atenção em transformação dentro da plataforma observada. Seu valor está em direcionar perguntas melhores a atividades específicas. Transformar esse mapa em uma explicação sobre resultados econômicos exige evidências adicionais.
Empregadores enfrentam um problema de medição que vai além da adoção
A pressão imediata recai sobre empregadores que precisam conectar o interesse dos funcionários a resultados empresariais confiáveis. Uma gama mais ampla de solicitações amplia o território que eles precisam avaliar.
Uma organização pode aprovar uma ferramenta de IA sem entender onde ela ajuda. Funcionários podem usá-la para explorar um tema desconhecido, melhorar um rascunho ou resolver um problema analítico. Cada atividade cria uma relação diferente entre assistência, verificação e responsabilidade.
Portanto, a questão de gestão vai além do acesso. Um rascunho finalizado tem pouco valor operacional se suas afirmações exigirem correções extensas. Uma resposta que ajuda um funcionário a entender um problema pode gerar valor mesmo quando nenhum texto produzido chega à entrega final.
Essas possibilidades sugerem medidas diferentes. O tempo de conclusão é importante para tarefas repetitivas. A precisão é importante quando erros trazem consequências. O aprendizado é importante quando os funcionários precisam realizar trabalhos semelhantes de forma independente mais tarde.
Um único painel de adoção não pode resolver todas essas questões. Contar contas ativas estabelece participação. Contar mensagens estabelece interação. Nenhum dos dois estabelece automaticamente que a organização executou uma tarefa melhor.
Pesquisas independentes ilustram a importância de observar resultados diretamente. Erik Brynjolfsson, Danielle Li e Lindsey Raymond estudaram um assistente conversacional usado por agentes de suporte ao cliente. Seu estudo sobre produtividade no trabalho mediu problemas resolvidos por hora e encontrou benefícios que variavam entre diferentes níveis de experiência dos trabalhadores.
A relevância aqui diz respeito ao desenho da pesquisa. O suporte ao cliente ofereceu um contexto definido, uma intervenção específica e um resultado operacional observável. Isso sustenta um tipo de inferência diferente da distribuição de solicitações em uma plataforma.
Assim, um empregador que lê a nova divulgação do Signals deve tratar as atividades populares como candidatas à investigação. A popularidade identifica algo que os funcionários estão tentando realizar. Ela não explica se a abordagem atual funciona.
Considere um gestor hipotético que usa IA para preparar uma atualização de projeto. Produzir uma redação legível é parte da tarefa. Determinar quais marcos realmente atrasaram, quais decisões permanecem em aberto e quais compromissos mudaram exige registros de apoio.
Se o rascunho apresentar esses fatos de forma incorreta, a fluidez pode ocultar trabalho adicional. Alguém precisa localizar a discrepância, recuperar o contexto original e revisar a atualização. Avaliar apenas a velocidade de redação deixaria esse ônus de fora.
É nesse ponto que a gestão do conhecimento pessoal se torna relevante para a discussão mais ampla sobre o local de trabalho. A qualidade de uma resposta depende, em parte, de as pessoas conseguirem localizar e avaliar as informações por trás dela.
Essa conexão não estabelece uma alegação de desempenho para remio ou qualquer outro produto. Ela identifica um componente separado do fluxo de trabalho: manter evidências úteis disponíveis quando uma decisão precisa de apoio.
Para compradores, a implicação prática é pedir uma descrição completa da tarefa. O que o funcionário recebeu, o que o assistente produziu e que verificação ocorreu em seguida? As respostas fornecem uma base de compra mais sólida do que um volume impressionante de atividade.
A pesquisa sobre Claude mostra por que o uso mais amplo precisa de interpretação
O mundo do trabalho em expansão do ChatGPT surge dentro de um esforço já existente para medir a IA por meio do comportamento observado. A pesquisa sobre adoção de IA da Anthropic oferece uma comparação particularmente relevante.
Seu relatório de março de 2026 constatou que as dez principais tarefas no Claude.ai caíram de 24% das conversas em novembro para 19% em fevereiro. A Anthropic também descreveu a migração da atividade de programação para sua interface de desenvolvedores e mudanças no uso pessoal e para trabalhos acadêmicos.
Uma distribuição mais ampla de tarefas pode refletir várias mudanças ocorrendo ao mesmo tempo. Migração de produto, composição do público e necessidades em evolução merecem análise antes de se chegar a uma conclusão econômica.
A comparação com Claude sustenta uma interpretação cautelosa dos dados de plataforma. As pessoas escolhem onde realizar uma atividade. Se uma interface especializada se torna mais adequada, a atividade pode deixar um produto de chat geral sem desaparecer do ecossistema mais amplo do fornecedor.
Isso torna os limites da plataforma economicamente relevantes. Uma conversa de consumidor e um fluxo de trabalho automatizado de software oferecem visões diferentes do trabalho. Estudar qualquer um dos dois pode ser útil, desde que a análise explique o que fica fora dele.
Os conjuntos de dados também usam categorias e populações diferentes. A medida da OpenAI de atividades de trabalho por país e a medida da Anthropic de tarefas em conversas não fornecem uma disputa direta sobre adoção no local de trabalho. Comparar seus percentuais como equivalentes criaria uma classificação enganosa.
Uma comparação melhor diz respeito às perguntas que cada empresa investiga. As atividades se tornam mais variadas? A experiência muda a forma como as pessoas usam a assistência? As interfaces atraem tarefas diferentes? Essas perguntas ajudam a explicar o desenvolvimento do uso de IA sem declarar um fornecedor como vencedor.
O relatório da Anthropic também associou maior tempo de uso à maior frequência de interações bem-sucedidas, ao mesmo tempo que reconheceu explicações alternativas. Usuários experientes podem aprender estratégias melhores. Os primeiros adotantes também podem diferir dos usuários que chegam mais tarde de formas que influenciam os resultados.
Essa incerteza é importante para empregadores que avaliam um uso mais amplo do ChatGPT no trabalho. Dar acesso aos funcionários e permitir que desenvolvam hábitos úteis são decisões organizacionais separadas. Uma ferramenta pode estar disponível antes que uma equipe saiba quais tarefas são adequadas para ela.
Do ponto de vista do produto, isso cria um exigente problema de interpretação. Um aumento nas solicitações pode sinalizar descoberta útil, dificuldade não resolvida ou tentativas repetidas de obter uma resposta aceitável. A interface registra a interação, enquanto o resultado pode ocorrer em outro lugar.
Um analista hipotético pode pedir várias revisões porque a tarefa é complexa. Outro pode parar rapidamente porque a resposta atende à necessidade. Um terceiro pode abandonar a ferramenta após uma resposta pouco útil.
O volume de mensagens, por si só, não consegue distinguir essas situações. Compreendê-las exige evidências sobre o objetivo da tarefa, sua dificuldade e o que aconteceu depois.
Portanto, o contexto competitivo torna mais nítida a tensão principal do artigo. Os fornecedores podem descrever cada vez melhor o trabalho que as pessoas levam até eles. Os compradores ainda precisam de evidências sobre o trabalho que as pessoas concluem.
A reportagem mais sólida preservará ambas as perspectivas. Dados comportamentais revelam padrões que relatos individuais não podem estabelecer. Estudos de resultados testam se esses padrões se traduzem em benefícios em contextos específicos. Cada um aborda uma parte diferente da história da IA no local de trabalho.
Diferenças entre países desafiam uma estratégia universal de implementação
A variação geográfica torna menos convincente uma explicação uniforme para a IA no local de trabalho. A importância de uma atividade dentro do uso observado em um país não estabelece sua importância em toda a economia desse país.
Uma participação descreve uma relação entre uma categoria e seu grupo de comparação. Se solicitações analíticas ocupam uma parcela maior da combinação observada, isso informa os pesquisadores sobre essa combinação. Estabelecer o motivo exige evidências além do próprio percentual.
Diversas hipóteses merecem ser testadas. A composição ocupacional pode influenciar os tipos de solicitações que as pessoas fazem. Idioma, acesso, regras organizacionais e familiaridade com IA também podem influenciar a participação.
Estas são explicações possíveis, e não conclusões estabelecidas pela divulgação. Separá-las é importante porque cada uma implica uma resposta diferente de empregadores e formuladores de políticas.
Se um padrão refletir ocupações locais, a seleção de tarefas se torna central. Um programa de treinamento deve abordar atribuições que as pessoas realmente executam. Se o acesso explicar um padrão, o treinamento por si só não resolverá a restrição subjacente.
Se regras organizacionais moldam a participação, o uso informal por consumidores pode revelar apenas parte do quadro. Funcionários que enfrentam restrições podem evitar determinados pedidos ou usar sistemas aprovados fora da plataforma observada.
Consequentemente, comparações entre países devem evitar transformar um perfil de uso em um julgamento sobre a capacidade da força de trabalho. Uma atividade pode ser incomum em um conjunto de dados por motivos alheios ao fato de os trabalhadores se beneficiarem de assistência.
O mesmo raciocínio se aplica dentro de empresas multinacionais. Uma equipe central pode identificar um caso de uso promissor e presumir que ele se transfere facilmente. Os escritórios locais ainda precisam avaliar o idioma, o material de origem, o processo de aprovação e as expectativas dos clientes em torno da atribuição.
Considere um fluxo de trabalho hipotético de comunicação com clientes. Elaborar uma explicação é apenas parte da tarefa. A equipe também deve entender quais políticas se aplicam, quais promessas pode fazer e quando um caso exige escalonamento.
A capacidade de um modelo de produzir linguagem refinada não resolve esses requisitos locais. Avaliar o fluxo de trabalho significa verificar se os funcionários recebem o contexto e a autoridade necessários para usar essa linguagem adequadamente.
Para desenvolvedores, diferenças geográficas criam questões de pesquisa sobre a adequação do produto. O próximo passo útil é investigar uma necessidade observada com usuários locais. Um padrão no nível de país pode orientar essa investigação sem prescrever o recurso a ser desenvolvido.
Para os trabalhadores, as implicações são igualmente específicas. A experiência com uma atividade popular em outro lugar não garante que a mesma abordagem seja adequada para uma atribuição local. O teste relevante diz respeito ao trabalho real e às suas restrições.
O mundo do trabalho em expansão do ChatGPT, portanto, sustenta uma análise mais diferenciada da adoção. Uma participação mais ampla não precisa produzir comportamentos idênticos. Uma tecnologia pode se disseminar enquanto as pessoas a adaptam a finalidades distintas.
Essa interpretação também muda como o sucesso deve ser discutido publicamente. Uma narrativa universal convida a afirmações abrangentes sobre quem está à frente. Uma narrativa baseada em tarefas pergunta onde a assistência se encaixa, o que impede uma adoção útil e quais resultados justificam mais investimento.
Essas questões exigem mais trabalho do que um ranking de países. Elas também oferecem a empregadores e pesquisadores um caminho mais claro para decisões que possam defender.
O trabalho ausente limita as conclusões sobre empregos
A OpenAI afirma que o conjunto de dados abrange planos individuais do ChatGPT, excluindo mensagens empresariais e Codex. Sua comparação nos EUA também coloca cerca de 43% das tarefas mapeadas e ponderadas pelo emprego em “Other IWAs”, fora das categorias relatadas individualmente.
Esses limites impedem que a divulgação sirva como um censo do trabalho ou uma medida de substituição de empregos. A atividade ausente é relevante para qualquer interpretação.
A metodologia de amostragem que acompanha o material acrescenta mais detalhes. A amostra mais ampla do Signals usa 1 milhão de mensagens de consumidores por mês e exclui contas com determinadas restrições de elegibilidade ou uso de dados. Classificadores automatizados atribuem categorias comportamentais, enquanto proteções de privacidade adicionam ruído estatístico.
Essas escolhas moldam o que os pesquisadores podem observar. Um classificador infere a categoria de uma mensagem. Ele não entrevista o trabalhador, inspeciona a entrega concluída nem confirma que uma ação solicitada ocorreu.
A proteção de privacidade também cria uma troca interpretativa. Informações agregadas permitem estudar padrões enquanto protegem mensagens individuais. Distinções finas exigem cautela, especialmente quando um subgrupo se baseia em menos observações.
A resposta adequada é adequar a conclusão à medição. Um padrão de solicitações pode sustentar uma investigação sobre a demanda por assistência. Estabelecer uma mudança no emprego exige evidências sobre emprego.
Um trabalho contém responsabilidades que não aparecem de forma organizada dentro de um prompt. Alguém precisa perceber que um problema requer atenção, obter informações ausentes, coordenar-se com colegas e assumir responsabilidade pelo resultado.
A assistência com um componente pode alterar esse trabalho sem eliminá-lo. Ela pode reduzir o esforço, ampliar o escopo de uma atribuição ou introduzir uma nova carga de revisão. Qual efeito predomina continua sendo uma questão empírica.
O erro oposto seria descartar a divulgação porque ela não consegue responder a todas as questões sobre trabalho. Registros comportamentais detalhados oferecem um ponto de partida útil. Eles ajudam pesquisadores a identificar atividades que merecem estudo mais atento.
Pesquisas populacionais independentes oferecem outra perspectiva. O estudo sobre adoção de IA generativa, de Alexander Bick, Adam Blandin e David Deming, utilizou pesquisas representativas em nível nacional nos EUA para examinar o uso no trabalho e em casa. Essa abordagem ajuda a situar as observações da plataforma dentro de uma população mais ampla.
Os métodos se complementam. Pesquisas podem perguntar sobre horas de trabalho e experiências além de um fornecedor específico. Dados de plataforma podem descrever interações sem depender inteiramente da memória de um respondente.
Nenhum dos métodos elimina a necessidade de interpretação cuidadosa. Respostas de pesquisas podem conter erros de relato. Amostras de plataforma podem omitir populações importantes. A concordância entre métodos diferentes fortaleceria mais a confiança do que a repetição da mesma medição.
Uma leitura cética deve, portanto, concentrar-se na lacuna entre observação e resultado. A divulgação não estabelece de forma independente que uma combinação mais ampla de solicitações tenha produzido resultados melhores, salários mais altos ou menos empregos.
Ela também não estabelece que atividades ausentes sejam imunes a mudanças futuras. Sua ausência descreve um limite de medição. Prever seu futuro exige evidências adicionais sobre capacidades, condições de implantação e decisões organizacionais.
A conclusão defensável é mais restrita e útil: os pesquisadores agora têm uma base mais detalhada para perguntar onde a IA de consumo se cruza com o trabalho.
Três sinais tornarão a próxima divulgação mais informativa
A próxima fase deve conectar amplitude, consistência de medição e resultados. Nos próximos meses, esses são os sinais que fortalecerão ou enfraquecerão a interpretação de um uso mais amplo no ambiente de trabalho.
Primeiro, observe a persistência dentro de grupos comparáveis de países e atividades quando a OpenAI atualizar a série novamente. Um padrão contínuo sob definições consistentes fortaleceria a hipótese de que a composição está mudando de forma duradoura.
Uma reversão exigiria análise mais atenta. Atribuições sazonais, mudanças nos usuários ou alterações na forma como a atividade é capturada poderiam explicar movimentos temporários. Pesquisadores devem investigar essas possibilidades antes de atribuir uma tendência a mudanças duradouras no trabalho.
O momento de qualquer atualização futura não deve ser presumido com base na divulgação atual. O sinal importante é a comparabilidade da próxima observação, sempre que ela se tornar disponível.
Segundo, observe conexões mais claras entre chat de consumidores, sistemas empresariais e interfaces especializadas. Publicações de fornecedores que expliquem esses limites tornariam mais fácil interpretar a migração entre produtos.
Se a atividade cair em uma interface enquanto cresce em outra, a narrativa mais ampla muda. O que inicialmente parece redução de interesse pode, em vez disso, refletir uma melhor adequação entre uma tarefa e um ambiente diferente.
Definições consistentes fortaleceriam essa análise. Categorias incompatíveis deixariam incerteza sobre se os pesquisadores estariam observando uma mudança comportamental ou uma mudança na medição.
Terceiro, observe avaliações independentes que associem atividades específicas a resultados de trabalho concluído. Medidas úteis incluem precisão, esforço de revisão, tempo de conclusão e se os funcionários mantêm a capacidade de avaliar o resultado.
Evidências de melhoria em toda a atribuição fortaleceriam a importância econômica de um uso mais amplo. Evidências de trabalho substancial de correção a qualificariam. Qualquer um dos resultados ajudaria compradores a tomar decisões melhores.
Esse último sinal é o mais importante para pessoas responsáveis por entregas reais. Uma gama crescente de solicitações torna a IA relevante para mais atribuições. Ela não elimina a necessidade de determinar o que aconteceu depois que a conversa terminou.
Para leitores que avaliam o mundo do trabalho em expansão do ChatGPT, comecem por uma atividade que reconhecem em seu próprio trabalho. Compare a pergunta que um funcionário traz com as evidências necessárias para concluir a atribuição. Pergunte onde o assistente contribui, onde a verificação continua necessária e qual resultado justificaria o uso contínuo. Mantenha essas perguntas ligadas ao material de origem, e não à fluência da resposta. Em seguida, procure pesquisas que meçam todo o processo, incluindo correções e julgamento humano. A divulgação oferece um ponto de partida para essa investigação. Qual atividade observada se tornaria significativamente mais valiosa se pesquisadores pudessem mostrar que as pessoas a concluíram com mais precisão, menos esforço e responsabilidades claramente atribuídas?
