Implementação de Ferramentas de IA da OPM Dá a Cada Funcionário Seis Assistentes, mas Acesso Não É Impacto

A OPM deu a cada funcionário acesso a seis plataformas de IA aprovadas, criando uma das mais amplas implementações federais de ferramentas de trabalho de múltiplos fornecedores. A implementação de ferramentas de IA da OPM abrange ChatGPT, Claude, Gemini, Microsoft Copilot, Grok e Perplexity. Mais de 70% da força de trabalho da agência usa ativamente pelo menos uma plataforma.

Essa adoção torna a OPM um teste importante da estratégia de compras OneGov do governo. Acordos centralizados ajudaram uma agência relativamente pequena a adquirir produtos de seis fornecedores concorrentes sem negociar seis contratos empresariais isolados.

No entanto, os próprios dados da OPM revelam uma história mais difícil. O acesso e o uso cresceram mais rápido do que as melhorias mensuráveis em todos os tipos de trabalho. Funcionários que lidam com redação e análise abertas relatam resultados muito mais fortes do que equipes que operam processos estruturados de aposentadoria, jurídicos e financeiros.

Essa lacuna define a verdadeira disputa. A OPM não está simplesmente comparando ChatGPT com Claude ou Gemini com Grok. Ela está testando se o amplo acesso pode melhorar as operações antes que ferramentas individuais sejam profundamente integradas aos fluxos de trabalho da agência.

A Implementação de Ferramentas de IA da OPM Transforma Compras em Estratégia de Produto

A OPM tratou as compras centralizadas como uma forma de preservar a escolha, não apenas de reduzir o trabalho de aquisição.

O diretor de informações da OPM, Adam Starr, descreveu a implementação durante a GovExec Government and AI Summit, em Washington, em 15 de setembro. Uma reportagem posterior sobre a implementação de seis ferramentas detalhou as plataformas e o índice de adoção da agência.

Os seis produtos aprovados vêm de Google, Microsoft, xAI, OpenAI, Anthropic e Perplexity. Os funcionários podem escolher entre assistentes gerais, sistemas voltados para pesquisa e ferramentas integradas a softwares de trabalho.

Essa abordagem difere de um projeto convencional de padronização empresarial. As agências frequentemente selecionam uma plataforma, treinam os funcionários em torno dela e aceitam a dependência resultante do fornecedor. Em vez disso, a OPM criou um mercado interno no qual várias plataformas permanecem disponíveis simultaneamente.

Starr afirmou que os fornecedores regularmente ultrapassam uns aos outros à medida que seus modelos mudam. Manter várias ferramentas disponíveis permite que os funcionários migrem para o produto mais adequado a uma tarefa. Isso também permite que a OPM reavalie fornecedores conforme as capacidades e os termos comerciais evoluem.

O OneGov tornou essa estratégia viável. A General Services Administration negocia termos comuns e canais de compra que agências elegíveis podem usar. As agências ainda realizam o trabalho obrigatório de pedido e aprovação, mas partem de uma estrutura comercial compartilhada.

A orientação atual de compras de IA da GSA lista ofertas governamentais da Anthropic, Google, OpenAI, Perplexity e xAI. Produtos da Microsoft também são abrangidos por acordos mais amplos do OneGov.

A estrutura de compras importa porque avaliar seis produtos, de outra forma, imporia custos significativos de aquisição. Cada contrato poderia exigir análises de segurança separadas, discussões sobre licenciamento, controles de uso e decisões de renovação.

A OPM também não tem o poder de negociação das maiores pastas federais. Starr disse que o OneGov deu à agência acesso a termos que seriam difíceis de assegurar de forma independente.

O resultado é um modelo de implementação incomum. A OPM padronizou a camada de compras enquanto evitou a padronização na camada do usuário. Os funcionários recebem opções aprovadas, enquanto os fornecedores continuam competindo após a assinatura dos contratos.

Isso muda a relação da agência com os fornecedores. Vencer um acordo já não garante que os funcionários escolherão um produto para o trabalho diário. O uso pode mudar à medida que os modelos melhoram, as integrações se expandem ou a confiança diminui.

O arranjo de seis ferramentas também produz evidências comparativas. A OPM pode observar quais produtos atraem usuários e quais tarefas geram atividade recorrente. Em seguida, pode separar a demanda genuína da adoção impulsionada por campanhas de treinamento ou atenção executiva.

Ainda assim, a disponibilidade por si só não comprova adequação. Sistemas diferentes têm controles, interfaces, comportamentos de modelo e limites de tratamento de dados distintos. A OPM precisa tornar essas diferenças compreensíveis sem sobrecarregar os funcionários.

A conquista imediata, portanto, é mais limitada do que uma transformação do ambiente de trabalho. A OPM eliminou a barreira de aquisição e deu aos funcionários uma forma autorizada de experimentar várias plataformas líderes.

Essa é uma mudança significativa. Ela também deixa mais claro o próximo obstáculo: converter a experimentação em melhoria operacional confiável.

Por Que o OneGov Torna a IA Multimodelo Possível

O OneGov desloca as compras federais de IA de negociações isoladas entre agências para termos comuns, poder de negociação compartilhado e acesso mais rápido.

A GSA lançou o OneGov para consolidar compras entre agências que anteriormente adquiriam tecnologia semelhante sob condições diferentes. A estratégia abrange software, serviços de nuvem, produtos de segurança e sistemas de IA.

O modelo não cria uma única instalação de software para todo o governo. Em vez disso, a GSA estabelece acordos que as agências participantes podem usar por meio de veículos de contratação e caminhos de pedido reconhecidos.

Essa distinção importa. As agências continuam responsáveis pela adequação à missão, segurança, privacidade, gestão de registros e autorização interna. O OneGov reduz o atrito comercial, mas não transfere a responsabilidade operacional dos líderes das agências.

A GSA afirma que os provedores de nuvem devem ter uma autorização FedRAMP apropriada ou estar em processo de obtê-la. O FedRAMP fornece um processo padronizado para avaliar controles de segurança em serviços de nuvem usados por agências federais.

Uma autorização ainda não significa que os funcionários possam inserir qualquer informação governamental em um assistente de IA. As agências devem definir tipos de dados aceitáveis, contas aprovadas, regras de retenção e usos proibidos.

O plano de conformidade de IA da OPM identifica as compras fragmentadas como uma barreira à adoção. Também identifica acesso inconsistente a ambientes de desenvolvimento seguros e visibilidade limitada sobre a atividade de IA.

O plano descreve um ambiente baseado em nuvem com endpoints privados, redes segmentadas e controles de acesso baseados em funções. Também apresenta etapas para testes em sandbox, desenvolvimento, pilotos, produção e eventual desativação.

Esses controles mostram por que um acordo de compras é apenas o começo. Um produto de IA pode estar comercialmente disponível por meio do OneGov, enquanto um caso de uso específico ainda exige análise adicional.

A própria GSA aconselha as agências a começar com problemas de missão definidos. Sua orientação recomenda testar produtos com grupos limitados, examinar fluxos de dados, coordenar funções de supervisão e monitorar o consumo.

A OPM escolheu um modelo de acesso mais amplo para assistentes gerais. Essa decisão dá aos funcionários espaço para descobrir tarefas úteis antes que cada fluxo de trabalho tenha uma aplicação dedicada.

Essa exploração de baixo para cima tem vantagens. Os funcionários mais próximos de um processo frequentemente percebem trabalhos repetitivos que as equipes centrais de tecnologia deixam passar. Eles podem testar redação, resumo, pesquisa, programação e análise de documentos sem esperar por um sistema personalizado.

A abordagem também cria pressão de governança. Seis ferramentas geram mais questões de política do que uma única ferramenta. Os funcionários precisam saber se o mesmo documento é aceitável em todas as plataformas e quais resultados exigem revisão adicional.

Os administradores também precisam de telemetria comparável. Contagens de usuários ativos em produtos diferentes podem não usar definições idênticas. Um login, um prompt e um uso semanal contínuo representam níveis diferentes de adoção.

A economia das renovações também se tornará mais complexa. Acordos introdutórios podem facilitar a experimentação ampla, enquanto termos posteriores baseados em consumo expõem diferenças de uso e valor.

Essa transição já começou. O novo acordo do ChatGPT da GSA está programado para entrar em vigor em 1º de outubro de 2026. Ele substitui a oferta inicial de acesso por uso com desconto baseado em consumo e sem taxa de acesso à plataforma.

O acordo vigora por 27 meses e cobre modelos elegíveis do ChatGPT, incluindo serviços em ambientes federais autorizados. Também amplia as opções de pedido em vários níveis de governo.

Para a OPM, isso cria um teste direto. A agência deve decidir se o uso justifica o consumo contínuo quando o acesso ultrapassar o período introdutório.

Os seis fornecedores enfrentam o mesmo desafio básico. As compras simplificadas abriram a porta, mas a participação sustentada dependerá da demanda dos funcionários, da adequação aos fluxos de trabalho, da segurança e de resultados comprováveis para a missão.

Seis Assistentes de IA Criam Competição Diária pelo Trabalho Federal

A estratégia multimodelo da OPM torna os funcionários os juízes práticos de sistemas de IA concorrentes.

Cada plataforma aprovada entra no ambiente de trabalho com um posicionamento de produto diferente. O Microsoft Copilot pode se beneficiar da proximidade com aplicações de produtividade conhecidas. ChatGPT e Claude atendem a necessidades amplas de redação, análise e programação.

O Gemini se conecta ao portfólio de modelos e à oferta governamental do Google. O Perplexity enfatiza a descoberta de respostas e a pesquisa. O Grok traz os modelos da xAI e recursos voltados à busca para a comparação.

Essas descrições não devem ser tratadas como limites fixos. Os fornecedores adicionam regularmente modos de pesquisa, conectores, funções de programação, análise de documentos e ações semelhantes a agentes. A sobreposição entre produtos cresce a cada lançamento.

Essa sobreposição sustenta o argumento de Starr para manter várias opções. Uma plataforma que tem bom desempenho em uma tarefa hoje pode perder sua vantagem depois que outro fornecedor atualiza seus modelos.

A escolha dos funcionários também oferece um sinal que as equipes de compras raramente recebem de um contrato com fornecedor único. O uso voluntário recorrente sugere que um produto se encaixa no trabalho real, embora não prove que o trabalho melhorou.

A distinção entre preferência e desempenho é importante. Os funcionários podem preferir uma plataforma porque sua interface parece familiar. Podem evitar outra porque exigências de login ou restrições de dados criam atrito.

O uso também pode seguir hábitos organizacionais. O Microsoft Copilot pode aparecer onde os funcionários já trabalham, enquanto um assistente separado baseado em navegador exige uma mudança deliberada de contexto.

Por outro lado, um sistema independente pode oferecer capacidades que um assistente integrado não possui. Alguns trabalhadores podem manter várias abas abertas e direcionar tarefas diferentes para produtos distintos.

Esse comportamento se assemelha mais ao uso de IA por consumidores do que à implementação tradicional de software federal. Ele dá flexibilidade aos funcionários, mas pode fragmentar prompts, trabalhos salvos e conhecimento organizacional entre fornecedores.

Uma resposta útil gerada em um assistente pode permanecer invisível para os colegas. O contexto de apoio pode ficar em um repositório de documentos separado, uma cadeia de e-mails ou um caderno de anotações do funcionário.

Essa fragmentação torna a gestão do conhecimento parte do problema de adoção. Mais assistentes não criam automaticamente uma memória compartilhada para uma organização.

Portanto, a OPM precisa avaliar mais do que a qualidade dos modelos. Ela precisa entender como os funcionários recuperam materiais de origem, validam resultados, preservam decisões e transferem resultados úteis para sistemas de registro.

Um assistente de pesquisa pode produzir uma resposta concisa, mas um funcionário ainda precisa de evidências confiáveis. Um assistente de redação pode reorganizar um memorando, mas o registro final deve seguir os requisitos da agência.

Assistentes de programação apresentam outra variação. Eles podem ajudar profissionais de tecnologia a compreender sistemas mais antigos ou gerar alterações propostas. Revisores humanos continuam responsáveis pelas decisões de segurança, testes e implantação.

A pressão competitiva vai além dos seis fornecedores. Outras agências federais observam se a abordagem multimodelo da OPM permanece administrável após o fim dos incentivos iniciais de compra.

Um resultado positivo enfraqueceria a premissa de que uma agência precisa de um único assistente padrão. Ele apoiaria um modelo de portfólio no qual produtos aprovados competem por tarefas e orçamentos.

Um resultado negativo reforçaria o argumento pela consolidação. As agências poderiam concluir que treinamentos, governança, integrações e monitoramento de uso duplicados superam os benefícios da escolha dos funcionários.

Os fornecedores, portanto, competem por mais do que pontuações em benchmarks. Eles precisam reduzir o trabalho administrativo, adequar-se a ambientes aprovados, dar suporte a fluxos de trabalho específicos e produzir resultados que resistam à revisão humana.

A implantação de seis ferramentas torna essa competição visível. Ela não determina o vencedor, e a OPM não publicou resultados de uso ou desempenho por plataforma.

Sem esses números, nenhum fornecedor pode afirmar que a disponibilidade em toda a agência equivale à preferência. As evidências disponíveis apoiam a estratégia de portfólio, não uma classificação das ferramentas dentro dela.

A Alta Adoção Não Produziu Impacto Igual

As evidências mais robustas da OPM mostram que a estrutura do trabalho, e não o entusiasmo geral, determina se um assistente de IA parece útil.

A OPM entrevistou funcionários em junho e recebeu mais de 1.100 respostas, representando uma taxa de resposta de 56%. Seus resultados de pulso da força de trabalho oferecem mais detalhes do que o número principal de adoção.

Entre os respondentes, 81,4% disseram ter usado ferramentas de IA aprovadas. A telemetria situou o uso geral efetivo mais perto de 70%, ilustrando por que a adoção autodeclarada não deve ser analisada isoladamente.

O uso relatado aumentou com a senioridade. A pesquisa encontrou uso entre 77,4% dos não supervisores, 93,5% dos supervisores e 97,3% dos altos executivos.

O Net Promoter Score de toda a agência para as ferramentas de IA aprovadas foi positivo, em 17,9. No entanto, os resultados variaram acentuadamente entre as unidades organizacionais.

O Gabinete do Diretor registrou uma pontuação de 95,7. A organização de tecnologia da OPM registrou 65, enquanto seu escritório de capital humano também informou um resultado fortemente positivo.

As operações jurídicas registraram uma pontuação negativa. A Retirement Services chegou a menos 38,1, com quase seis em cada dez respondentes classificados como detratores.

Na operação de aposentadoria da agência em Boyers, os funcionários deram uma nota de 4,6 em 10 à afirmação de que a IA melhorou o desempenho de sua unidade.

Essa diferença não é simplesmente uma divisão entre líderes entusiasmados e funcionários operacionais resistentes. Ela reflete a natureza do trabalho subjacente.

Assistentes gerais se adaptam relativamente bem a tarefas não estruturadas de conhecimento. Redação, síntese, brainstorming, pesquisa e análise inicial podem começar em uma interface comum de chat.

Operações estruturadas seguem um padrão diferente. O processamento de aposentadorias depende de fluxos de casos estabelecidos, registros, cálculos, políticas e sistemas que os funcionários não podem substituir por uma janela de conversa isolada.

A OPM descreveu um funcionário de desenho organizacional que antes passava horas ou dias classificando feedback de grupos focais em uma planilha. Um processo assistido por IA agora produz categorias e temas iniciais em minutos.

A responsabilidade do funcionário não desapareceu. O trabalho passou a se concentrar na validação do resultado e no uso das conclusões.

Outro exemplo vem das operações de aposentadoria. Um funcionário criou uma ferramenta para um cálculo de insuficiência de prêmio realizado aproximadamente 11.000 vezes por ano.

O cálculo manual antes levava de cinco a dez minutos para cada caso. O novo processo produz uma planilha auditável em segundos, segundo a OPM.

Esse exemplo tem mais peso do que uma estatística genérica de uso. Ele conecta uma tarefa definida, uma saída repetível e um artefato revisável.

Também mostra por que os seis assistentes gerais são apenas uma camada da estratégia. Os maiores ganhos operacionais exigem que a IA entre no fluxo de trabalho existente, em vez de obrigar os funcionários a transferir o trabalho para um chat separado.

As barreiras apontadas pela OPM reforçam esse ponto. Quase metade dos funcionários entrevistados citou tempo insuficiente para aprender ou experimentar. Mais de um terço levantou preocupações com precisão e confiabilidade.

Quase um quarto citou preocupações com segurança ou sensibilidade dos dados. Apenas 1,4% disseram que um supervisor desencorajou o uso de IA.

Essas conclusões enfraquecem uma narrativa comum sobre adoção. O principal problema não é necessariamente a oposição cultural dos gestores. Os funcionários precisam de tempo, resultados confiáveis, regras claras e melhor integração.

A OPM também informou que o item de menor pontuação na pesquisa dizia respeito a saber se as ferramentas de IA aprovadas melhoravam o desempenho da unidade. A nota em toda a agência foi de 7,3 em 10.

Essa nota não representa um fracasso, mas revela uma lacuna visível entre uso e impacto organizacional. Um usuário ativo pode economizar tempo em tarefas isoladas sem alterar o desempenho geral de uma unidade.

A implementação das ferramentas de IA da OPM, portanto, passou em um teste de acesso e em um teste inicial de adoção. Ela ainda não passou em um teste de impacto uniforme.

A Troca É Entre Escolha e Controle Operacional

Dar seis opções aos funcionários incentiva a experimentação, mas multiplica o trabalho necessário para governar dados, qualidade, gastos e conhecimento institucional.

Uma estratégia de plataforma única oferece simplicidade administrativa. O treinamento pode se concentrar em uma interface, as políticas podem fazer referência a um ambiente e as equipes de suporte podem desenvolver respostas repetíveis.

Essa simplicidade vem acompanhada de dependência. Se o fornecedor escolhido ficar para trás, mudar os termos ou falhar em uma tarefa específica, os funcionários terão alternativas limitadas.

A OPM aceita mais complexidade para preservar a pressão competitiva. A agência pode comparar produtos e evitar presumir que um modelo permanecerá o melhor em todas as categorias.

O risco central é que a escolha de modelos se transforme em comportamento fragmentado, e não em um portfólio informado. Os funcionários precisam de orientações práticas sobre qual ferramenta é adequada para cada tarefa aprovada.

Sem essa orientação, seis assistentes podem produzir seis respostas diferentes, hábitos de documentação e locais de trabalho. Os funcionários podem repetir prompts em várias plataformas sem aprender quais diferenças importam.

A precisão continua sendo outra restrição. Sistemas generativos produzem resultados probabilísticos, ou seja, geram respostas prováveis em vez de recuperar fatos garantidos. Uma linguagem fluente pode ocultar detalhes sem sustentação ou contexto ausente.

O trabalho federal de pessoal eleva o nível de risco. A OPM influencia contratação, benefícios, serviços de aposentadoria, políticas de força de trabalho e sistemas de capital humano em todo o governo.

Um rascunho incorreto pode ser corrigido por meio de revisão. Um valor incorreto inserido em um processo de benefícios pode gerar consequências para um indivíduo e trabalho adicional para a agência.

As políticas de segurança também precisam permanecer específicas. Um acordo empresarial pode oferecer controles mais robustos do que uma conta de consumidor, mas não torna todos os conjuntos de dados apropriados para todos os usos.

As obrigações de registros acrescentam outra camada. As agências precisam de regras para preservar prompts, resultados, decisões e evidências de apoio quando a IA contribui para o trabalho oficial.

Viés e equidade exigem atenção quando os sistemas afetam atividades relacionadas ao emprego. A estrutura de conformidade da OPM prevê avaliações de impacto que examinam qualidade, origem dos dados e possíveis vieses.

Esses requisitos não proíbem a adoção. Eles explicam por que a integração operacional deve avançar com mais cautela do que o acesso a um assistente geral.

O controle de custos se tornará cada vez mais importante à medida que os acordos amadurecem. Modelos baseados em consumo vinculam gastos à atividade, criando incentivos para diferenciar o uso valioso da experimentação casual.

Contagens brutas de prompts não responderão a essa questão. Uma interação curta pode evitar horas de trabalho manual, enquanto uma sessão longa pode não produzir nada utilizável.

A estrutura de medição proposta pela OPM oferece uma direção melhor. Ela separa uso, percepção e impacto, em vez de tratá-los como intercambiáveis.

O uso revela se os funcionários experimentam os produtos. A percepção ajuda a identificar atritos e confiança. O impacto precisa conectar as ferramentas a medidas existentes, como tempo de processamento, qualidade do serviço ou velocidade de contratação.

Essa última categoria continua sendo a mais difícil. As agências podem contar usuários ativos rapidamente, mas os resultados da missão muitas vezes dependem de vários sistemas e mudanças de política.

O desenho de seis plataformas pode ajudar se a OPM comparar resultados entre tarefas equivalentes. Pode dificultar a avaliação se cada unidade adotar produtos diferentes sem medição consistente.

A agência também deve evitar transformar a competição entre fornecedores em confusão para os funcionários. Um portfólio precisa de padrões compartilhados, limites claros para as tarefas e uma forma de preservar trabalho útil fora de qualquer assistente específico.

A principal troca é administrável, mas não é temporária. Cada nova capacidade de modelo, conector ou estrutura de compra altera o equilíbrio entre flexibilidade e controle.

Três Sinais Mostrarão Se o Acesso Amplo Realmente Funciona

A próxima etapa será avaliada pelas decisões de renovação, pelos resultados no nível do fluxo de trabalho e por evidências de que unidades operacionais mais fracas estão reduzindo sua lacuna de adoção.

O primeiro sinal é a resposta da OPM à mudança nos termos do OneGov. O próximo acordo do ChatGPT começa em 1º de outubro, enquanto outras ofertas iniciais também se aproximam de seus prazos programados.

As decisões de compra da OPM mostrarão se a agência manterá as seis plataformas após o acesso introdutório. A disponibilidade contínua sustentaria a estratégia de portfólio de Starr.

A consolidação sugeriria que a demanda real ou os custos administrativos favorecem menos fornecedores. Qualquer um dos resultados ofereceria mais evidências do que o anúncio inicial de aquisição.

Os detalhes serão importantes. A OPM poderia preservar o acesso a várias ferramentas enquanto atribui produtos preferenciais a tarefas específicas. Também poderia separar assistentes amplos para funcionários de serviços especializados de desenvolvimento ou pesquisa.

O segundo sinal é se a OPM publica medidas de desempenho no nível da missão. Percentuais de usuários ativos estabelecem alcance, mas não demonstram processamento mais rápido de aposentadorias ou melhores resultados de contratação.

A calculadora de insuficiência de prêmio fornece um modelo útil. Ela identifica uma tarefa repetida, o requisito anterior de tempo, um fluxo de trabalho mais rápido e uma saída auditável.

As evidências futuras devem seguir essa estrutura. A OPM deve conectar processos apoiados por IA ao tempo de ciclo, taxas de erro, retrabalho, qualidade do serviço ou outra medida operacional estabelecida.

Essas evidências fortaleceriam o argumento em favor da adoção em todo o governo. Um foco contínuo em logins e percepção de pesquisas enfraqueceria as alegações de que o acesso amplo altera o desempenho das agências.

O terceiro sinal é se as unidades com baixa pontuação melhoram depois que a IA entra em seus sistemas existentes. A Retirement Services oferece o teste mais claro porque seu trabalho é estruturado e sua percepção é fraca.

Se ferramentas integradas melhorarem o trabalho com casos, preservando a revisão e a auditabilidade, a OPM demonstrará que a IA pode ir além da redação e da análise.

Se a lacuna persistir, o acesso amplo continuará mais útil para gestores, profissionais de tecnologia e outros funcionários que lidam com informações não estruturadas.

Esse resultado não tornaria o programa inútil. Ele estabeleceria um limite mais restrito para assistentes de uso geral e direcionaria investimentos para engenharia específica de fluxos de trabalho.

Outras agências devem observar esses sinais antes de copiar a parte visível da estratégia da OPM. Adquirir vários assistentes é mais fácil do que manter um portfólio governado que produza resultados mensuráveis.

A lição mais forte até agora não é que todo funcionário precise de seis produtos. É que a compra centralizada pode criar opções, enquanto as evidências internas determinam onde essa escolha merece investimento contínuo.

Para os trabalhadores do conhecimento, a questão prática é igualmente direta. Um assistente apenas torna uma tarefa isolada mais rápida, ou melhora o processo do qual colegas e clientes dependem?

Acompanhe os próximos dados de implementação das ferramentas de IA da OPM tendo essa distinção em mente. Procure resultados nos fluxos de trabalho, decisões de renovação e ganhos dentro de operações estruturadas. Essas medidas revelarão se o OneGov criou uma capacidade duradoura ou apenas facilitou a experimentação.