Edição em Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# O uso de IA está se espalhando para além da programação. É mais difícil comprovar sua intensidade

> Pesquisas mostram que o uso de IA no trabalho está se ampliando, enquanto experimentos encontram ganhos e falhas em tarefas específicas. Os dados de uso ainda não mostram se outras profissões alcançarão a intensidade observada na programação.

By BIG CHANGE Editorial

Published: 2026-10-02T04:10:34.217Z
Updated: 2026-10-02T04:10:34.217Z
Canonical: https://bigchange.ai/blog/ai-use-beyond-coding-workplace-evidence

![A seated person works at a laptop while holding a blank sheet of paper at a wooden table.](https://bigchange.ai/api/media/file/ai-work-beyond-coding-hero-v2-1.png)
AI-generated by OpenAI; BIG CHANGE conceptual editorial illustration.

No segundo trimestre de 2026, quase dois em cada cinco adultos empregados nos Estados Unidos disseram ter usado IA generativa no trabalho na semana anterior. Ainda assim, segundo [um monitoramento de pesquisas nacionais](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) de pesquisadores do Federal Reserve de St. Louis, da Vanderbilt e de Harvard, a IA auxiliou em 6,3% das horas de trabalho de todos os adultos empregados. O primeiro número conta pessoas; o segundo, o tempo delas. Nenhum revela se o trabalho foi bom, se uma empresa faturou mais ou se um emprego desapareceu.

Essa distinção importa ao perguntar se o restante do trabalho passará a usar IA com a mesma intensidade que os desenvolvedores de software. Registros de plataformas mostram experimentação mais ampla, inclusive em áreas jurídicas, vendas e marketing. Experimentos mostram ganhos reais em algumas tarefas fora da programação. Também mostram que, por si só, o acesso pode mudar pouca coisa e que uma resposta bem redigida pode estar errada.

## A grande mudança

- **O que mudou:** empresas de IA agora relatam uso recorrente e atividade de agentes em mais funções empresariais, enquanto pesquisas independentes mostram que o uso semanal se ampliou entre trabalhadores dos EUA.
- **Por que isso importa:** o uso cresce quando as ferramentas se encaixam nos fluxos de trabalho existentes, mas os ganhos dependem da tarefa e das verificações. Compradores e trabalhadores precisam acompanhar métricas de resultados além dos números de adoção.
- **O que observar:** uso repetido em tarefas, qualidade verificada das entregas e retorno líquido fora da programação. As evidências atuais não estabelecem quando outras profissões alcançarão o nível de uso da programação nem o que acontecerá com o emprego.

## Os números medem coisas diferentes

A [Pesquisa em Tempo Real da População](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) consulta uma amostra online nacionalmente representativa de adultos dos EUA com idades entre 18 e 64 anos sobre o uso de IA no trabalho. A taxa de uso na semana anterior subiu de 28,2% no terceiro trimestre de 2024 para 39,2% no segundo trimestre de 2026. A parcela estimada de todas as horas de trabalho auxiliadas por IA aumentou de 4,1% para 6,3%. No trimestre mais recente, os entrevistados também estimaram que a IA economizou 2,2% do total de horas de trabalho. Esse último número é uma estimativa do tempo economizado com base na memória dos respondentes, não um ganho observado de produtividade ou faturamento.

A OpenAI observa algo diferente: a atividade entre seus próprios clientes corporativos. Seu [relatório Sinais Empresariais de agosto](https://openai.com/signals/enterprise-data/) informa que, entre fevereiro e junho de 2026, o número de usuários semanais ativos do Codex cresceu 108 vezes em funções jurídicas, 41 vezes em vendas e recrutamento e 26 vezes em marketing, ante cinco vezes em engenharia. As taxas partem de bases não divulgadas, portanto não permitem comparar quantos advogados e engenheiros usam IA nem a parcela do trabalho de cada profissão realizada por ela. Em junho, o Codex gerou 64% do total combinado de tokens de saída do Codex e do ChatGPT entre clientes corporativos. Agentes que operam por mais tempo geram mais tokens; essa parcela não corresponde à proporção de trabalhadores nem mede valor. A OpenAI vende esses produtos e tem interesse em demonstrar sua disseminação.

Um [estudo separado da OpenAI com mais de 800 mil mensagens do ChatGPT nos EUA](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), publicado em julho, classificou 16,8% das mensagens relacionadas ao trabalho como tarefas associadas a uma profissão diferente da ocupação do usuário. Entre as mensagens específicas o suficiente para serem associadas a uma profissão, a parcela foi de 43,5%. Um [acompanhamento em setembro](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) constatou que alguns trabalhadores voltaram a realizar essas tarefas no mês seguinte. São parcelas de mensagens entre usuários amostrados, com ocupações inferidas a partir dos dados fornecidos pelas empresas no cadastro. Elas mostram o que as pessoas pedem e retomam, não que tenham concluído a tarefa ou mudado de profissão.

O [Índice Econômico de junho da Anthropic](https://www.anthropic.com/research/economic-index-june-2026-report) também estuda a atividade nos próprios serviços do fornecedor. Sua amostragem mais detalhada capta padrões ao longo do dia de trabalho e diferencia os usos em chat, Cowork e API própria. A pesquisa complementar relacionou o uso a cerca de 9.700 entrevistados do Claude com pelo menos cinco sessões. A Anthropic alerta que eles não representam a força de trabalho: profissionais de computação e matemática correspondiam a cerca de 30% dos entrevistados, mas a aproximadamente 4% dos empregos nos EUA. Profissões físicas estavam sub-representadas. O [índice de março](https://www.anthropic.com/research/economic-index-march-2026-report) concluiu que tarefas de computação e matemática correspondiam a 35% das conversas no Claude.ai em fevereiro. Essa é uma parcela das conversas em um produto, não dos desenvolvedores que usam IA; atividades de programação também estavam migrando para a API. O tráfego de um fornecedor pode revelar tarefas e frequência dentro da plataforma, mas, por si só, não fornece uma taxa de adoção por profissão para toda a economia.

## A produtividade depende da tarefa e das verificações

Em [uma implantação escalonada](https://doi.org/10.1093/qje/qjae044) que envolveu 5.172 agentes de atendimento ao cliente, o acesso a um assistente de conversação com IA aumentou em média em 15% a quantidade de problemas resolvidos por hora. Agentes menos experientes e com habilidades mais básicas melhoraram tanto em velocidade quanto em qualidade; os mais experientes e qualificados ganharam um pouco de velocidade, mas tiveram pequenas quedas de qualidade. Os clientes passaram a ser mais educados e menos propensos a pedir para falar com um gerente. O estudo mediu a operação de atendimento de uma empresa, na qual é possível acompanhar resoluções e escalonamentos. Não calculou o retorno para outras centrais de atendimento.

Um [experimento com 7.137 trabalhadores do conhecimento em 66 empresas](https://www.nber.org/papers/w33795) disponibilizou aleatoriamente uma ferramenta de IA nos aplicativos de e-mail, reuniões e escrita. No segundo semestre do estudo, que durou seis meses, os 80% dos trabalhadores tratados que usaram a ferramenta passaram duas horas a menos por semana no e-mail e reduziram o trabalho fora do horário regular. Os pesquisadores não detectaram uma mudança mais ampla na quantidade ou na combinação de tarefas em decorrência do acesso individual. Três autores trabalhavam para a Microsoft Research, e a Microsoft — que produz a ferramenta — coorganizou o experimento e forneceu telemetria do produto. O resultado diz respeito às empresas participantes, não a todo o trabalho de escritório.

Um [experimento de campo com 758 consultores do Boston Consulting Group](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), realizado em 2023 e publicado em março de 2026, encontrou trabalho mais rápido e melhor avaliado em tarefas deliberadamente escolhidas para favorecer as habilidades do GPT-4. Em outro caso, que exigia interpretar evidências de entrevistas, usuários de IA tiveram maior probabilidade de responder incorretamente. O BCG colaborou no estudo, que avaliou exercícios definidos, não resultados entregues a clientes.

No [estudo aleatorizado da METR](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) com 16 desenvolvedores experientes de projetos de código aberto, trabalhando em 246 questões de repositórios que conheciam, as ferramentas de IA disponíveis no início de 2025 aumentaram o tempo de conclusão em 19%. Ainda assim, os desenvolvedores acreditavam que as ferramentas os haviam acelerado. [Uma tentativa posterior da METR](https://metr.org/blog/2026-02-24-uplift-update/) com ferramentas mais novas sugeriu ganhos, mas os pesquisadores consideraram a estimativa pouco confiável porque desenvolvedores que não queriam trabalhar sem IA desistiram, e o trabalho simultâneo de agentes dificultou a medição do tempo. Portanto, os estudos não estabelecem um único efeito de produtividade da programação aplicável a diferentes ferramentas e anos.

A programação tem mecanismos de feedback especialmente acessíveis: repositórios preservam o contexto e as alterações, enquanto compilações, testes e revisões podem revelar falhas. Mesmo ali, um teste aprovado não representa o produto inteiro. No atendimento ao cliente, a resolução de problemas e as reações dos clientes oferecem outros tipos de feedback. Um rascunho de e-mail pode economizar tempo sem alterar a produção da empresa. Recomendações jurídicas, financeiras ou médicas exigem verificações adequadas às consequências, e o comprador precisa considerar o trabalho de revisão, além do custo da ferramenta. São problemas de medição diferentes; por isso, o uso, por si só, não comprova intensidade ou valor equivalentes.

## O trabalho pode mudar antes da folha de pagamento

Na Dinamarca, pesquisadores relacionaram pesquisas com trabalhadores de 11 profissões expostas e de 7.000 locais de trabalho a registros administrativos. A [revisão de março de 2026](https://www.nber.org/papers/w33777) identificou iniciativas de chatbots por empregadores e mudanças de tarefas relatadas, mas nenhum efeito detectável sobre rendimentos ou horas registradas entre trabalhadores ou locais de trabalho dois anos após o lançamento do ChatGPT; as estimativas descartam efeitos superiores a 2%. Esse resultado é limitado à Dinamarca, às profissões e ao período estudados. Não demonstra que uma adoção posterior deixará o emprego inalterado.

Para um trabalhador, o uso recorrente pode significar uma combinação mais ampla de tarefas ou menos tempo gasto com e-mail. Para um comprador, a questão é se o fluxo de trabalho inteiro produz entregas confiáveis a um custo aceitável. Para quem recebe uma resposta de atendimento ou depende de orientação profissional, o resultado é saber se ela é correta e responsável. As evidências disponíveis sustentam que o uso está se ampliando para além da programação e que há ganhos mensuráveis em tarefas selecionadas. Ainda não sustentam um cronograma para que outras profissões alcancem a profundidade de uso da engenharia de software nem um efeito único sobre produtividade e emprego em todas elas.

## Fontes e leituras complementares

- [Monitor de adoção da Pesquisa em Tempo Real da População, explicado pelo Federal Reserve de St. Louis](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/), 27 de agosto de 2026: uso semanal nos EUA, horas de trabalho auxiliadas por IA e economia de tempo autodeclarada. Não observa a qualidade da produção nem o faturamento.
- [Sinais Empresariais da OpenAI](https://openai.com/signals/enterprise-data/), atualizado em 12 de agosto de 2026: uso na base de clientes corporativos da OpenAI, com métricas de tokens e usuários semanais ativos. As contagens iniciais não foram divulgadas.
- [OpenAI, Trabalho na fronteira](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), julho de 2026, e seu [acompanhamento de setembro](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf): classificação de mensagens do ChatGPT e recorrência entre usuários empresariais amostrados; não mede resultados de trabalho concluído.
- [Índice Econômico da Anthropic, Cadências](https://www.anthropic.com/research/economic-index-june-2026-report), 26 de junho de 2026, e [Curvas de aprendizado](https://www.anthropic.com/research/economic-index-march-2026-report), 24 de março de 2026: atividade no Claude, tipos de saída e pesquisa com usuários selecionados. Os denominadores são o tráfego e os entrevistados da Anthropic.
- [Brynjolfsson, Li e Raymond, IA generativa no trabalho](https://doi.org/10.1093/qje/qjae044), publicado online em 4 de fevereiro de 2025, na edição de maio do *Quarterly Journal of Economics*: mediu a produtividade de agentes de atendimento, diferenças por experiência e as reações dos clientes durante uma implantação escalonada em uma empresa.
- [Dillon e colaboradores, Mudanças nos padrões de trabalho com IA generativa](https://www.nber.org/papers/w33795), revisão de novembro de 2025: acesso aleatorizado à IA no trabalho, tempo dedicado ao e-mail e combinação de tarefas nas empresas participantes. Três autores trabalhavam para a Microsoft Research, e a Microsoft coorganizou o experimento.
- [Dell'Acqua e colaboradores, Navegando a fronteira tecnológica irregular](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), experimento realizado em 2023 e publicado em 11 de março de 2026: mediu velocidade, qualidade avaliada e erros em diferentes exercícios de consultoria.
- [Experimento de programação da METR](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) e [atualização de fevereiro de 2026](https://metr.org/blog/2026-02-24-uplift-update/): evidências aleatorizadas sobre programação e problemas de seleção no estudo posterior.
- [Humlum e Vestergaard, Águas paradas, correntes rápidas](https://www.nber.org/papers/w33777), revisão de março de 2026: pesquisas com trabalhadores e locais de trabalho na Dinamarca vinculadas a registros administrativos de horas e rendimentos.

## Sources

- [A IA generativa economiza tempo no trabalho?](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) — Pesquisa online representativa dos EUA: uso na semana anterior, horas de trabalho auxiliadas por IA e economia de tempo autodeclarada; não verifica produção nem faturamento.
- [Sinais empresariais](https://openai.com/signals/enterprise-data/) — Telemetria empresarial da OpenAI: usuários do Codex por função e combinação de tokens. Bases não divulgadas e agentes que consomem muitos tokens limitam as inferências.
- [Trabalho na fronteira: como a IA está ampliando o que as pessoas fazem no trabalho](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) — Classificação da OpenAI de mais de 800 mil mensagens de trabalho; parcelas de mensagens associadas a outras profissões não correspondem a trabalho concluído.
- [Trabalho na fronteira: como trabalhadores estão descobrindo novas formas de trabalhar](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) — Estudo de recorrência com usuários selecionados da OpenAI; solicitações repetidas não comprovam uma reformulação do trabalho.
- [Índice Econômico da Anthropic: Cadências](https://www.anthropic.com/research/economic-index-june-2026-report) — Padrões de uso do Claude e pesquisa não representativa com cerca de 9.700 usuários selecionados.
- [Índice Econômico da Anthropic: Curvas de aprendizado](https://www.anthropic.com/research/economic-index-march-2026-report) — Amostras de fevereiro de 2026 do Claude.ai e da API. Os 35% relacionados à programação correspondem à parcela de conversas no Claude.ai.
- [IA generativa no trabalho](https://doi.org/10.1093/qje/qjae044) — Estudo publicado na QJE (edição de maio de 2025) com 5.172 agentes na operação de atendimento de uma empresa: aumento médio de 15% nas resoluções por hora. Os ganhos se concentraram entre os iniciantes; trabalhadores mais qualificados tiveram pequenas quedas de qualidade. Os clientes ficaram mais educados e menos propensos a pedir um gerente. O estudo não estima retorno geral nem efeitos sobre o emprego.
- [Mudanças nos padrões de trabalho com IA generativa](https://www.nber.org/papers/w33795) — Edição de maio de 2025 do NBER, revisão de novembro de 2025. Estudo aleatorizado de 7.137 trabalhadores em 66 empresas. Três autores trabalhavam para a Microsoft Research; a Microsoft produziu a ferramenta, coorganizou o estudo e forneceu telemetria.
- [Navegando a fronteira tecnológica irregular](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf) — Exercícios controlados com consultores, vinculados ao BCG, realizados em 2023 e publicados em Organization Science em 11 de março de 2026; ganhos e erros dependentes da tarefa, não resultados para clientes.
- [Estudo de produtividade de desenvolvedores da METR no início de 2025](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — Estudo aleatorizado com 16 desenvolvedores e 246 questões; as ferramentas disponíveis na época aumentaram o tempo em 19% em uma amostra restrita.
- [Atualização do experimento de produtividade de desenvolvedores da METR](https://metr.org/blog/2026-02-24-uplift-update/) — Os pesquisadores explicam por que estimativas posteriores de aceleração não são confiáveis devido à seleção e à medição do tempo.
- [Águas paradas, correntes rápidas](https://www.nber.org/papers/w33777) — Edição de maio de 2025 do NBER, revisão de março de 2026. Pesquisa dinamarquesa com trabalhadores e dados administrativos encontra efeitos iniciais nulos e limitados sobre rendimentos e horas registradas.