Pesquisa da OpenAI sobre IA no trabalho constata expansão de funções antes da mudança de cargos

A pesquisa da OpenAI sobre IA no trabalho identificou uma mudança marcante em mais de 1,5 milhão de mensagens relacionadas ao trabalho no ChatGPT. Os trabalhadores não estão apenas testando tarefas fora de suas ocupações. Alguns estão voltando a essas atividades e tornando-as partes recorrentes de seus trabalhos.

Essa distinção muda o debate sobre IA no ambiente de trabalho. A questão imediata não é simplesmente se a IA elimina cargos ou melhora tarefas existentes. É se os funcionários passam discretamente a assumir responsabilidades que antes pertenciam a profissionais de marketing, analistas, engenheiros ou especialistas em atendimento ao cliente.

A OpenAI descreve esse padrão como expansão do trabalho. No entanto, a expansão pode representar maior autonomia ou um crescimento não reconhecido da carga de trabalho. Um trabalhador pode resolver um problema sem esperar outro departamento, mas também assumir responsabilidade sem treinamento, revisão ou remuneração adequados.

O estudo de tarefas entre funções abrange usuários do ChatGPT Business de abril a julho de 2026. A OpenAI afirma que as mensagens foram anonimizadas e agregadas, e que os pesquisadores nunca leram conversas individuais.

Sua principal descoberta é comportamental, e não especulativa. Entre cerca de 6.200 trabalhadores observados de forma consistente, tarefas entre ocupações tentadas anteriormente passaram a representar uma parcela crescente de sua atividade de IA específica da ocupação.

O resultado sugere que as descrições de cargo podem ficar para trás em relação à forma como o trabalho realmente está mudando. Os trabalhadores podem estabelecer novas rotinas antes que os gestores redesenhem funções, atualizem controles ou decidam quem é responsável pela decisão final.

Isso cria a tensão central do artigo. A OpenAI vê um caminho da experimentação para trabalhos mais amplos. Empregadores e trabalhadores precisam determinar se esse caminho produz autonomia útil, compressão arriscada de funções ou ambos.

O que a OpenAI encontrou em 1,5 milhão de mensagens de trabalho

A mudança importante não é que os trabalhadores tenham tentado tarefas desconhecidas, mas que uma parcela significativa tenha voltado a elas.

A OpenAI examinou mais de 1,5 milhão de mensagens relacionadas ao trabalho no ChatGPT, geradas entre abril e julho de 2026. A análise deu sequência a um estudo anterior sobre como os funcionários cruzam fronteiras ocupacionais tradicionais ao usar IA.

Essa análise anterior de transposição de tarefas classificou o trabalho como genérico, dentro da ocupação ou entre ocupações. O trabalho genérico incluía atividades amplamente compartilhadas, como redação rotineira, resumos e agendamento.

O trabalho entre ocupações abrangia atividades historicamente associadas a outra profissão. Os exemplos incluíam um profissional de marketing resolvendo problemas de software, um vendedor analisando dados de clientes ou o proprietário de uma pequena empresa revisando um contrato.

A OpenAI havia constatado anteriormente que 16,8% das mensagens relacionadas ao trabalho envolviam tarefas associadas a outra ocupação. Após excluir atividades genéricas, 43,5% das mensagens específicas de ocupação ficavam fora da ocupação identificada do usuário.

A nova pesquisa pergunta o que aconteceu após essa primeira transposição. Entre os trabalhadores observados durante todo o período de quatro meses, tarefas entre ocupações usadas anteriormente representavam 13,1% da atividade de IA específica da ocupação em abril.

Em julho, essa parcela havia subido para 25,9%. Esse aumento não significa que um quarto do trabalho completo de alguém tenha mudado. Ele descreve a composição da atividade específica de ocupação no ChatGPT dentro da amostra observada pela OpenAI.

Uma comparação separada examinou se os trabalhadores voltavam à mesma tarefa entre ocupações no mês seguinte. Aqueles que já haviam usado uma tarefa retornaram a ela em 23,6% das vezes.

Trabalhadores comparáveis sem uso prévio observado realizaram essa mesma tarefa apenas 8,4% das vezes. A diferença sustenta um padrão de recorrência, embora não estabeleça que o ChatGPT tenha causado esse comportamento.

A taxa média de retorno no mês seguinte entre tarefas entre ocupações foi de 18,5%. No entanto, a recorrência variou bastante conforme a atividade.

Discutir bens ou serviços com clientes teve uma taxa de retorno de 54%. A redação publicitária ou promocional chegou a 44%, enquanto a criação de materiais de marketing atingiu 37%.

A explicação de informações financeiras retornou a uma taxa muito menor, de cerca de 15%. Essa diferença importa porque indica onde os trabalhadores se sentem confortáveis para ampliar suas funções.

A comunicação com clientes e o trabalho promocional frequentemente produzem resultados que as pessoas podem revisar antes da publicação. Explicações financeiras podem trazer consequências maiores quando erros chegam a clientes, gestores ou reguladores.

Os resultados também revelam diferenças na forma como os trabalhadores pedem ajuda. As pessoas usaram prompts mais curtos para tarefas fora de sua ocupação do que para trabalhos dentro de sua área habitual.

Elas tinham menos probabilidade de pedir instruções, conselhos, explicações ou um formato específico de resultado. No entanto, tinham mais probabilidade de fornecer exemplos ou contexto e pedir que o ChatGPT verificasse algo.

A OpenAI interpreta isso como trabalhadores tomando conhecimento especializado emprestado, em vez de estudar uma disciplina inteira. Alguém traz um problema concreto, acrescenta contexto local e pede à IA que aplique conhecimento de outra área.

Esse comportamento faz com que as tarefas de trabalho no ChatGPT se pareçam com uma central informal de serviços. O trabalhador não se torna advogado, engenheiro ou analista. A IA ajuda a levar uma questão específica adiante sem uma transferência convencional.

A mudança é relevante porque comportamentos repetidos podem se tornar práticas operacionais. Quando uma tarefa entra em um fluxo de trabalho semanal, a organização precisa decidir se ela deve estar ali e sob quais controles.

Pesquisa da OpenAI sobre IA no trabalho mostra como novas tarefas se tornam hábitos

O uso recorrente fornece um mecanismo plausível para a mudança de trabalho que começa pelo comportamento individual, e não por uma reestruturação formal.

O caminho começa quando um trabalhador encontra um problema além dos limites habituais de sua função. O funcionário usa IA porque um especialista não está disponível, a transferência é lenta ou a questão parece administrável.

Se o resultado parece útil, o trabalhador repete o processo. A repetição transforma um experimento isolado em um fluxo de trabalho, especialmente quando a tarefa surge com frequência.

Esse mecanismo explica por que a expansão de empregos pela IA pode anteceder novos cargos. Os sistemas de recursos humanos mudam lentamente, enquanto um funcionário pode adicionar uma etapa de prompt, documentação e revisão em poucos minutos.

Considere um gerente de produto que precisa resumir entrevistas com clientes e preparar uma atualização. O gerente também pode usar IA para examinar temas de suporte, redigir linguagem promocional ou solucionar um problema em uma consulta de rastreamento.

Nenhuma dessas adições necessariamente cria um novo cargo. Juntas, porém, elas mudam o que o gerente de produto produz rotineiramente e quais equipes recebem menos transferências.

Um vendedor pode seguir o mesmo padrão com dados de clientes. A primeira solicitação pode ser um cálculo exploratório, enquanto solicitações posteriores passam a fazer parte da preparação de contas.

Um designer pode usar IA para revisar textos de campanha ou esclarecer requisitos de implementação. Um operador de pequena empresa pode alternar entre comunicação com clientes, marketing e interpretação financeira básica.

Esses exemplos não provam que os trabalhadores dominaram as disciplinas emprestadas. Eles ilustram como a IA reduz o esforço necessário para tentar uma tarefa delimitada de forma específica.

O contexto parece central nesse processo. A OpenAI constatou que os trabalhadores forneciam mais exemplos e informações de fundo ao atuar fora de suas ocupações.

Esse comportamento sugere que o trabalhador ainda contribui com conhecimento que o modelo não possui. O funcionário entende o cliente, o prazo, o documento ou a restrição organizacional, enquanto a IA contribui com um padrão transferível.

Essa relação se assemelha mais à ampliação de capacidades do que à automação completa. As anteriores evidências de ampliação da Anthropic constataram que 57% do uso observado do Claude envolvia colaboração, em comparação com 43% categorizados como automação.

A Anthropic também alertou que seus dados representavam usuários do Claude, e não o mercado de trabalho como um todo. As descobertas da OpenAI exigem a mesma distinção entre atividade observada no produto e comportamento geral da força de trabalho.

Ainda assim, os dois programas de pesquisa apontam para uma visão de mudança baseada em tarefas. Os empregos são compostos por muitas atividades, e a adoção de IA pode se espalhar de forma desigual entre elas.

Algumas tarefas se repetem porque são fáceis de verificar e se encaixam nas rotinas existentes. Outras continuam raras porque os erros são caros, as regras locais são complexas ou a aprovação humana continua indispensável.

Essa desigualdade é importante para qualquer pessoa que esteja criando um fluxo de trabalho com IA. Um sistema útil precisa preservar os documentos, as decisões e o contexto que tornam possível a revisão posterior.

Ferramentas pessoais podem ajudar os trabalhadores a manter essa continuidade. Um segundo cérebro de IA estruturado pode conectar solicitações recorrentes ao material de origem por trás delas.

O objetivo não deve ser o acúmulo irrestrito de tarefas. Deve ser um processo rastreável no qual os trabalhadores possam recuperar evidências, compreender decisões anteriores e identificar quando a revisão de um especialista é necessária.

O estudo da OpenAI, portanto, descreve mais do que a adoção de prompts. Ele mostra como a unidade de mudança no ambiente de trabalho pode ser uma atividade repetida incorporada a uma função inalterada.

Esse mecanismo desloca a atenção do acesso para o desenho. Dar aos trabalhadores uma conta de IA inicia o processo, mas não determina se o uso recorrente se tornará trabalho confiável.

Os gestores precisam decidir quais resultados exigem revisão, quais fontes são permitidas e quais decisões permanecem fora da autoridade do trabalhador. Essas escolhas determinam se a expansão de funções se torna capacidade ou exposição.

A expansão de funções pressiona o modelo de transferência para especialistas

O trabalho recorrente entre funções desafia organizações construídas em torno do encaminhamento de cada problema desconhecido para uma equipe especializada.

As organizações tradicionais separam o trabalho por bons motivos. Marketing, finanças, jurídico, engenharia e operações de atendimento ao cliente desenvolvem conhecimentos especializados, padrões e responsabilidades distintos.

Essas fronteiras também criam espera. Uma pequena solicitação pode entrar em uma fila, perder contexto durante a transferência e retornar depois que o momento original já passou.

As tarefas de trabalho no ChatGPT reduzem o custo de tentar encontrar uma resposta antes de fazer essa transferência. A pessoa mais próxima do problema pode redigir, calcular, classificar ou solucionar o problema imediatamente.

O primeiro relatório da OpenAI identificou um padrão de transposição mais forte entre usuários médios em espaços de trabalho menores. Tarefas fora da ocupação representavam 18,9% da atividade dos usuários em espaços de trabalho com duas a cinco licenças.

A parcela foi de 16,3% para usuários em espaços de trabalho com mais de 100 licenças. A OpenAI sugeriu que organizações menores têm menos recursos especializados, tornando a assistência generalista mais valiosa.

Essa interpretação se ajusta à realidade operacional de equipes pequenas. A pessoa que descobre um problema frequentemente se torna responsável por ele porque ninguém mais está disponível.

Empresas maiores têm mais especialistas, mas também enfrentam custos de coordenação. Um funcionário capaz de preparar um primeiro rascunho melhor pode reduzir encaminhamentos desnecessários sem ignorar a revisão final.

O modelo pressionado, portanto, não é a especialização em si. É a premissa de que toda tarefa especializada deve permanecer inteiramente dentro de uma função especializada.

A IA pode separar preparação de autorização. Um vendedor pode examinar um conjunto de dados, enquanto um analista valida o método. Um gestor pode redigir perguntas sobre um contrato, enquanto o jurídico fornece o parecer legal.

Essa divisão pode tornar o tempo dos especialistas mais concentrado. Os especialistas recebem solicitações mais bem formuladas, contexto mais rico e um artefato preliminar, em vez de um problema indefinido.

No entanto, as organizações podem facilmente usar essa eficiência de forma indevida. Líderes podem concluir que um trabalhador capaz de iniciar uma tarefa também pode assumir sua qualidade, risco e manutenção.

Essa conclusão transforma a expansão do trabalho com IA em compressão de funções. Vários domínios passam a ser acumulados em um único cargo sem a remoção de responsabilidades anteriores.

A diferença costuma aparecer no desenho da carga de trabalho. Se um funcionário adiciona análise de clientes, rascunhos de marketing e solução de problemas técnicos, quais deveres anteriores deixam de existir?

Sem uma resposta explícita, a empresa não redesenhou o trabalho. Ela apenas ampliou o escopo pelo qual uma pessoa se sente responsável.

O uso recorrente também pode enfraquecer os ciclos de aprendizado dos especialistas. Uma equipe de marketing pode deixar de conhecer as dúvidas comuns dos clientes se a equipe de vendas produzir cada resposta de forma independente.

A engenharia pode deixar de perceber falhas repetidas no produto se outras equipes solucionarem os problemas por conta própria. As equipes jurídicas podem perder visibilidade sobre preocupações contratuais recorrentes se os funcionários solicitarem apenas a aprovação final.

Por isso, as organizações precisam de limites de escalonamento. A elaboração de textos de baixo impacto pode permanecer próxima ao trabalhador original, enquanto decisões reguladas, irreversíveis ou sensíveis ao cliente devem ser encaminhadas a especialistas.

Elas também precisam de registros compartilhados. Se cada trabalhador desenvolver rotinas privadas no ChatGPT, a empresa não conseguirá inspecionar facilmente o que funcionou, o que falhou ou quais premissas se disseminaram.

Um fluxo de trabalho documentado oferece aos gestores uma base melhor para o redesenho. As equipes podem identificar atividades recorrentes entre funções, medir as necessidades de revisão e decidir se uma nova responsabilidade pertence ao cargo.

Para equipes de produto, um fluxo de trabalho semanal com IA oferece um modelo para manter fontes e resultados conectados. O princípio mais amplo se aplica a todas as funções.

O objetivo não é preservar cada transferência histórica de trabalho. É manter a especialização, a responsabilização e o aprendizado institucional, mesmo quando a primeira resposta se aproxima mais do problema.

As conclusões da OpenAI pressionam líderes que tratam a adoção como uma implantação de software. A questão gerencial mais relevante é como as responsabilidades mudam depois que os trabalhadores desenvolvem hábitos repetíveis.

O Que os Números de Recorrência Não Comprovam

O estudo identifica um padrão no uso do ChatGPT, mas não comprova produtividade, aquisição de habilidades ou redesenho duradouro de cargos.

O conjunto de dados da OpenAI oferece uma visibilidade incomum sobre o comportamento real no produto. Ainda assim, trata-se de uma amostra observacional de pessoas que já usam o ChatGPT Business para trabalhar.

A amostra não representa todos os funcionários, ocupações, empresas ou produtos de IA. Trabalho físico e locais de trabalho com acesso limitado ao ChatGPT provavelmente não aparecem de forma proporcional.

As ocupações foram inferidas a partir de informações sobre cargo ou departamento fornecidas durante a integração ao Business. Esse método é útil, mas títulos de cargo e rótulos departamentais podem ocultar responsabilidades híbridas.

Um gerente de produto que realiza análise de clientes pode estar cruzando uma fronteira ocupacional. A mesma atividade talvez já seja esperada dentro da empresa dessa pessoa.

Esse problema de classificação apareceu no primeiro relatório. A OpenAI reconheceu que sua análise não conseguia distinguir plenamente o trabalho entre funções criado recentemente das responsabilidades já existentes assistidas por IA.

O novo estudo acrescenta evidências de recorrência, mas a recorrência não resolve essa ambiguidade. Um prompt repetido pode refletir uma expansão real do cargo, uma tarefa antiga realizada de outro modo ou um projeto temporário.

A janela de observação também abrangeu quatro meses. Esse período é suficiente para identificar comportamentos de retorno, mas curto demais para estabelecer uma mudança ocupacional permanente.

A sazonalidade pode afetar marketing, comunicação com clientes, orçamentos e relatórios. Uma tarefa recorrente entre meses consecutivos pode desaparecer após uma campanha ou ciclo de planejamento.

O aumento de abril a julho exige uma interpretação especialmente cuidadosa. À medida que os trabalhadores experimentam mais atividades, cresce o conjunto de tarefas que podem ser contadas como usadas anteriormente.

A OpenAI observa essa dinâmica em sua metodologia. A participação crescente é consistente com a formação de rotinas, mas não deve ser tratada como uma estimativa causal controlada.

A pesquisa também mede mensagens, e não resultados empresariais concluídos. Ela não mostra se os resultados foram aceitos, corrigidos, descartados ou associados a ganhos mensuráveis.

Um trabalhador que retorna a uma tarefa pode sinalizar valor. Também pode refletir dificuldade repetida, resultados inadequados ou um processo que exige várias tentativas.

Um experimento sobre padrões de trabalho do NBER oferece um contexto útil para essa limitação. Esse estudo concedeu aleatoriamente a trabalhadores acesso à IA generativa em aplicações comuns do local de trabalho.

Ele constatou que o acesso mudou a forma como as pessoas distribuíam o tempo entre atividades. No entanto, estudos experimentais de acesso e análises de registros de mensagens respondem a perguntas diferentes.

Experimentos podem estimar mudanças causais sob condições específicas. Registros de produto revelam comportamentos naturais em escala muito maior, mas com menos controle sobre seleção e contexto.

Nenhuma das abordagens, isoladamente, determina se funções mais amplas melhoram a qualidade do trabalho. Produtividade, autonomia, aprendizado, estresse e remuneração podem mudar em direções diferentes.

Há também uma questão de competência. Fornecer contexto e solicitar verificação pode melhorar a resposta de um modelo, mas não concede ao trabalhador julgamento especializado.

Uma explicação financeira bem elaborada ainda pode conter um erro sutil. Uma correção de software plausível pode introduzir problemas de segurança. Um texto de marketing pode violar uma restrição implícita de marca ou regulatória.

As atividades mais recorrentes no estudo da OpenAI envolvem, em grande parte, comunicação e trabalho promocional. Sua proeminência pode refletir facilidade de integração, e não desempenho confiável do modelo.

A menor recorrência de explicações financeiras oferece outra possibilidade. Os trabalhadores podem reconhecer que alguns domínios exigem mais cautela, revisão ou responsabilização.

As organizações não devem interpretar a recorrência como permissão automática. Uma atividade útil ainda pode exigir um revisor definido, um conjunto de fontes aprovado e um limite claro para decisões consequentes.

A privacidade é outra consideração. A OpenAI afirma ter excluído dados com treinamento desativado e mensagens sem classificações utilizáveis, preservando o anonimato por meio da agregação.

Isso diz respeito ao processo de pesquisa descrito no relatório. Os empregadores ainda precisam de suas próprias regras para informações confidenciais, dados de clientes e registros inseridos em sistemas de IA.

A conclusão mais defensável é mais restrita do que uma promessa de emprego transformado. Alguns trabalhadores usam repetidamente o ChatGPT além das fronteiras ocupacionais, e certas tarefas recorrem com mais frequência que outras.

Essa descoberta merece atenção porque as rotinas muitas vezes precedem mudanças formais. Ela não estabelece se os empregos resultantes são melhores, mais seguros, mais produtivos ou remunerados de forma justa.

Três Sinais Mostrarão se a Expansão do Trabalho com IA Vai Durar

O próximo teste é verificar se o comportamento recorrente entre funções produz fluxos de trabalho com responsabilização, adoção medida mais ampla e melhores resultados de trabalho.

O primeiro sinal é a persistência em períodos de observação mais longos. A janela de quatro meses da OpenAI capturou o início de comportamentos repetidos, não todo o seu ciclo de vida.

Relatórios futuros devem mostrar se as mesmas atividades permanecem presentes após seis ou doze meses. Uma recorrência duradoura fortaleceria a interpretação de expansão do trabalho.

Uma queda sugeriria que muitos usos eram experimentos temporários, necessidades sazonais ou tarefas que os trabalhadores acabaram devolvendo aos especialistas.

A composição do trabalho recorrente também importa. Uma concentração contínua em textos promocionais implicaria uma mudança mais restrita do que a expansão para análise, trabalho técnico ou processos regulados.

O segundo sinal é se o padrão aparece além dos usuários do ChatGPT Business. OpenAI, Anthropic, Microsoft e pesquisadores independentes observam diferentes populações por meio de produtos distintos.

Resultados convergentes reduziriam a chance de que o design do produto ou o perfil dos clientes explique a descoberta. Divergências revelariam como interfaces de modelos e contextos de trabalho moldam o comportamento.

A pesquisa da Anthropic constatou que a atividade com IA se concentra em desenvolvimento de software e escrita. O trabalho da OpenAI sobre cruzamento de funções destaca cálculo financeiro, solução de problemas técnicos, marketing e atividades voltadas ao cliente.

Essas perspectivas são compatíveis, mas não intercambiáveis. Cada fornecedor observa o comportamento por meio de seu próprio produto, base de usuários, sistema de classificação e processo de medição que preserva a privacidade.

Os pesquisadores também devem distinguir trabalhadores que usam voluntariamente ferramentas de chat de uso geral de funcionários aos quais suas organizações atribuem sistemas de IA. A motivação e as expectativas gerenciais podem afetar a recorrência.

O terceiro sinal é a resposta organizacional. Os empregadores precisam mostrar se tarefas repetidas entre funções entram em fluxos de trabalho formais com revisão, treinamento e responsabilidades ajustadas.

Uma descrição de cargo revisada forneceria um indicador visível. Novos pontos de aprovação, programas de habilidades ou métricas de carga de trabalho forneceriam evidências operacionais mais fortes.

Os sistemas de remuneração e promoção também serão importantes. Se os trabalhadores entregam uma gama mais ampla de resultados valiosos, as organizações precisam decidir se essa abrangência conta como crescimento reconhecido de habilidades.

Se os deveres se expandirem sem reconhecimento, a mesma tendência poderá produzir intensificação do trabalho. Os funcionários assumiriam mais domínios enquanto continuariam sendo avaliados com base em suas responsabilidades anteriores.

A pesquisa da OpenAI sobre IA no ambiente de trabalho torna essa escolha gerencial mais difícil de ignorar. O acesso à IA pode alterar a divisão do trabalho antes mesmo de os líderes anunciarem uma reestruturação.

Essa mudança pode beneficiar os trabalhadores quando remove atrasos e lhes dá maior controle sobre os resultados. Pode beneficiar especialistas quando a preparação rotineira chega mais bem organizada.

Ela também pode criar riscos ocultos quando o trabalho gerado escapa à revisão de especialistas. O fator decisivo não é apenas a qualidade do modelo, mas o desenho da responsabilidade em torno de cada tarefa recorrente.

Trabalhadores do conhecimento devem começar identificando quais atividades assistidas por IA se tornaram discretamente regulares. Devem registrar as fontes, os revisores, as correções e as consequências associadas a essas atividades.

Os gestores devem fazer uma pergunta complementar: qual responsabilidade antiga foi reduzida quando uma nova entrou no fluxo de trabalho? Se a resposta for nenhuma, a expansão talvez já esteja se transformando em sobrecarga.

O passo seguinte mais útil é uma pequena auditoria do uso recorrente de IA. Selecione um mês de atividades repetidas, separe a preparação das decisões finais e identifique os pontos de revisão ausentes.

Depois, compare os resultados com o mês seguinte. A tarefa continuou útil, reduziu uma transferência de trabalho, exigiu menos correções ou apenas transferiu mais responsabilidade para um trabalhador?

A OpenAI identificou um caminho plausível da experimentação à rotina. Trabalhadores e empregadores agora precisam de evidências de que essas rotinas melhoram o trabalho, em vez de apenas ampliá-lo.