Adoção de agentes varia de 22% a 85% dentro da União Europeia, segundo dados da OpenAI

A OpenAI publicou em 14 de outubro uma análise do seu time de pesquisa econômica sobre o avanço do uso agêntico de inteligência artificial em empresas e pequenos negócios da União Europeia. O número que organiza o documento não é o de crescimento. É o de desigualdade.

Entre as contas ChatGPT Enterprise da amostra europeia, a parcela de tokens de saída gerada pelas ferramentas agênticas da empresa — o Codex, voltado a programação, e o ChatGPT Work — vai de 22% na Eslovênia a 85% na Lituânia.

Mesmo bloco regulatório. Mesmo produto, vendido nas mesmas condições. Quase quatro vezes de diferença na intensidade com que ele é usado.

Essa dispersão é mais interessante, para quem decide investimento em automação, do que o atraso europeu em relação aos Estados Unidos. O atraso tem uma explicação pronta e confortável à disposição: regulação. A diferença entre Eslovênia e Lituânia não tem.

O que foi medido, e por que é diferente do que se media antes

Pesquisa de adoção de inteligência artificial costuma medir intenção declarada: um executivo responde a um questionário dizendo se usa, se pretende usar, em que prazo. O documento da OpenAI mede outra coisa — consumo real de tokens dentro de contas corporativas pagas, agregado por país.

Segundo a empresa, as ferramentas agênticas já respondem por mais da metade dos tokens de saída na amostra de clientes Enterprise da União Europeia. A maior parte do volume, nesse recorte, deixou de vir de pergunta e resposta e passou a vir de execução de tarefa.

A análise registra ainda que, desde maio de 2026, os usuários ativos semanais de Codex e ChatGPT Work entre pequenas e médias empresas do bloco cresceram mais de oito vezes, com avanço em todos os Estados-membros. E usa uma categoria própria, as empresas de fronteira, definidas como os 10% de clientes Enterprise e Business com maior volume de tokens de saída por usuário ativo. Em setembro, as empresas de fronteira da União Europeia geraram mais de quatro vezes o volume por usuário ativo de uma empresa europeia típica. As de fora do bloco geraram mais de duas vezes o volume das europeias de fronteira.

É um retrato de intensidade de uso construído sobre telemetria de produto, não sobre autodeclaração. Isso é uma vantagem metodológica real — e, como se verá adiante, também o principal limite do dado.

A assimetria interna não cabe nas explicações habituais

Duas variáveis estão controladas nessa comparação, e é isso que a torna útil.

A primeira é o ambiente regulatório. Eslovênia e Lituânia operam sob o mesmo AI Act, o mesmo regime de proteção de dados, o mesmo mercado único. A segunda é o acesso à tecnologia: o produto medido é o mesmo, com a mesma disponibilidade e a mesma tabela de preço.

Se a regra é igual e a ferramenta é igual, a diferença de intensidade de uso está em outro lugar. A leitura mais plausível é que esteja na capacidade organizacional de absorver a ferramenta — quem já tem processo descrito, dado acessível e uma noção clara de qual tarefa deve terminar sozinha consegue colocar um agente para trabalhar. Quem não tem compra a licença e para na primeira semana.

Essa leitura encontra apoio em uma fonte que não vende tokens. Um relatório do consórcio StepUp StartUps publicado na biblioteca de estratégia digital da Comissão Europeia, em janeiro de 2026, aponta que os Estados-membros apresentam níveis de prontidão digital marcadamente diferentes entre si e que as organizações postergam a implantação por incerteza de conformidade e por falta de casos de referência. O mesmo documento registra que a Europa destina hoje uma parcela maior do seu capital de risco a inteligência artificial agêntica do que os Estados Unidos.

Dinheiro e talento, portanto, não são o gargalo declarado. Prontidão e repertório de casos concretos, sim.

O limite da métrica: token é insumo, não resultado

Aqui começa a parte que o anúncio não resolve.

Token de saída mede volume gerado. Não mede tarefa concluída, erro evitado, retrabalho, nem dinheiro. Uma empresa pode aparecer no topo da distribuição por ter desenhado bem o trabalho — ou por estar queimando inferência em um fluxo mal construído, que pede ao modelo três vezes o que um pedido só resolveria.

A crítica a essa métrica já é explícita no mercado. Uma análise publicada pelo PYMNTS em março de 2026 resume o problema: tokens medem volume, não desfecho. Um prompt mal construído consome mais e entrega menos; um agente que gasta alguns dólares de inferência para poupar quinze minutos de atendimento tem retorno negativo com consumo alto.

Há também evidência quantitativa de que volume e qualidade podem andar em direções opostas. A Faros AI, que vende medição de produtividade de engenharia — e portanto também tem interesse na conclusão —, publicou em abril de 2026 uma análise de dados de 22 mil desenvolvedores em 4 mil equipes. Os indicadores de entrega subiram: conclusão de tarefas 34% maior, épicos concluídos por desenvolvedor 66% maior. Os indicadores de saúde do processo pioraram no mesmo período: tempo mediano de revisão cinco vezes maior, retrabalho de código 861% maior, proporção de incidentes por pull request mais que triplicada e aumento de 31% nas entregas que seguem sem revisão. A comparação que a empresa propõe é com a métrica de linhas de código, abandonada pela indústria décadas atrás justamente por premiar volume.

E há o conflito de interesse mais direto de todos: a OpenAI vende exatamente o token que está contando. Quanto maior a intensidade registrada, melhor para quem publica o levantamento. Isso não invalida o dado — telemetria de produto é uma fonte razoável sobre o próprio produto —, mas define o que ele pode sustentar.

A cobertura especializada marcou esse limite. Uma análise do Superpower Daily observa que os percentuais descrevem a base de clientes da OpenAI, não a adoção nacional de cada país, e que o levantamento mede produção gerada e atividade de usuário — não ganho de produtividade, tarefa concluída com sucesso ou adoção pelo conjunto das empresas europeias.

Ou seja: a amostra é de quem já comprou. A Eslovênia aparecer com 22% não diz que empresas eslovenas usam menos inteligência artificial. Diz que, entre as que já pagam por ChatGPT Enterprise, a fatia agêntica do consumo é menor.

O que o dado muda numa decisão de empresa

No curto prazo, pouco em termos de compra. Nada no documento indica que uma ferramenta deva ser trocada ou que um contrato deva ser antecipado.

O que ele muda é a pergunta de diagnóstico. Enquanto adoção de inteligência artificial era discutida como problema de acesso — qual modelo, qual fornecedor, qual preço —, a conversa cabia no orçamento de tecnologia. Um conjunto de dados em que o mesmo produto rende 22% em um lugar e 85% em outro, sob a mesma regra, empurra o diagnóstico para dentro da operação: como o trabalho está desenhado, quais tarefas têm começo e fim definidos, que decisão alguém está disposto a delegar.

No médio prazo, se a fatia agêntica continuar subindo, há uma consequência de custo que ainda está subestimada. Pergunta e resposta tem consumo previsível por interação. Execução de tarefa não: um agente que persiste em um objetivo consome em função da dificuldade do problema e da qualidade da instrução. Inferência deixa de ser uma assinatura e passa a ser custo variável atrelado ao desenho do processo. Quem não mede o que o agente conclui vai descobrir isso pela fatura.

A implicação prática é simples de enunciar e desconfortável de executar: antes de ampliar o uso, definir o que o agente precisa terminar — e não quanto ele precisa consumir. O número da OpenAI mostra que a intensidade de uso agêntico já é maioritária na amostra e espantosamente desigual entre países vizinhos. Ele não mostra, e não se propõe a mostrar, que essa intensidade virou resultado.

A diferença entre as duas coisas é o trabalho que nenhum fornecedor entrega junto com a licença.