A OpenAI publicou em 13 de agosto um relatório baseado em dados de uso da própria plataforma mostrando que a distância entre as empresas que mais usam IA e as que usam pouco mais que triplicou em sete meses — e a métrica que separa os dois grupos não é se a empresa "tem IA", mas se ela já passou de assistência para execução.
O que mudou
Segundo o relatório "From assistance to execution: how enterprises put AI to work", da própria OpenAI, as empresas "de fronteira" (top 10% em uso mensal de IA entre os clientes empresariais da OpenAI) hoje geram 8,3 vezes mais tokens de saída por usuário ativo do que empresas típicas — um salto em relação aos 2,6 vezes registrados em janeiro. Em paralelo, o Codex já responde por 64% dos tokens de saída combinados de Codex e ChatGPT entre clientes empresariais, segundo dados de junho, sinal de que boa parte do uso está migrando de assistência pontual (redigir, resumir) para execução delegada dentro de sistemas em produção — validar documentos, rotear aprovações, disparar remediações, escrever resultado direto no registro. Nas empresas de fronteira, 21% dos usuários ativos usam plugins semanalmente, contra 9% nas empresas típicas.
Vale o registro: são dados de telemetria da própria base de clientes empresariais da OpenAI, não uma pesquisa independente de mercado — então refletem o comportamento de quem já usa a plataforma, não o mercado como um todo. Ainda assim, a direção do sinal (o hiato crescendo, não encolhendo) é consistente com o que outras pesquisas de adoção têm mostrado ao longo do ano.
Por que isso importa
O dado mais importante aqui não é o "8,3 vezes" em si, mas a velocidade da mudança: o hiato mais que triplicou em sete meses. Isso sugere que a vantagem de quem já saiu do piloto e chegou à execução não cresce de forma linear — ela se acumula, porque cada agente que passa a atuar dentro de um sistema em produção gera mais dados, mais casos de uso testados e mais confiança organizacional para o próximo agente. Empresas que ficam paradas na fase de assistência (só usando chat para redigir e resumir) não estão apenas "um pouco atrás" — estão numa curva que se afasta mais rápido a cada mês.
O impacto para o Brasil
A própria OpenAI recomenda um roteiro para fechar essa distância: medir profundidade de uso (não apenas quantas licenças foram compradas), priorizar governança, investir em capacitação, escalar o que já funciona, e migrar de assistência por chat para trabalho delegado a agentes. É praticamente o inverso do padrão que a gente já viu repetidamente aqui — inclusive na pesquisa da IDC/Cognizant sobre os 88% dos pilotos de agentes que nunca chegam à produção. Para lideranças brasileiras, o recado é direto: contar assento de licença de IA como indicador de adoção é medir a coisa errada. O que separa quem está ganhando vantagem de quem está ficando para trás é se o agente já tem permissão para agir dentro de um sistema real, com governança definida, ou se ainda está preso à caixa de chat.
Leitura da Entercast
Esse relatório dá um número para algo que já vínhamos apontando aqui há semanas: a diferença entre piloto e escala não é uma etapa a mais no roadmap, é um efeito composto que penaliza quem demora. Quem está lendo isso e ainda trata IA como "ferramenta de produtividade individual" — em vez de como camada de execução com permissão, governança e trilha de auditoria dentro dos próprios sistemas — está, segundo os números da própria OpenAI, ficando mais para trás a cada mês que passa, não permanecendo no mesmo lugar.