O Índice Econômico da Antrópico oferece uma visão de como organizações e indivíduos estão realmente usando grandes modelos de linguagem. O relatório contém a análise da empresa de um milhão de interações de consumidores em Claude.ai, além de um milhão de chamadas de API corporativas, todas datadas de novembro de 2025. O relatório observa que seus números são baseados em observações, e não, por exemplo, em uma amostra de tomadores de decisão de negócios ou em pesquisas genéricas.
Casos de uso limitados dominam
O uso da IA da Anthropic tende a se agrupar em torno de um número relativamente pequeno de tarefas, com as dez tarefas executadas com mais frequência respondendo por quase um quarto das interações do consumidor e quase um terço do tráfego de API empresarial. Há um foco no uso de Claude para criação e modificação de código, como os leitores podem esperar.
Esta concentração do uso da IA como ferramenta de desenvolvimento de software permaneceu bastante constante ao longo do tempo, sugerindo que o valor do modelo se baseia em grande parte nestes tipos de tarefas, sem qualquer utilização emergente de Claude para outros fins de qualquer significado empírico. Isto sugere que implementações amplas e gerais de IA têm menos probabilidade de ser bem sucedidas do que aquelas focadas em tarefas onde grandes modelos de linguagem são comprovadamente eficazes.
O aumento supera a automação
Nas plataformas de consumo, o uso colaborativo – onde os usuários iteram consultas à IA durante uma conversa virtual – é mais comum do que usar a IA para produzir fluxos de trabalho automatizados. O uso da API empresarial mostra o oposto, à medida que as empresas tentam economizar por meio da automação de tarefas. No entanto, embora Claude tenha sucesso em tarefas mais curtas, a qualidade observada dos resultados diminui quanto mais complexa for a tarefa (ou série de tarefas) e quanto maior for o “tempo de reflexão” necessário.
Isso implica que a automação é mais eficaz para tarefas rotineiras e bem definidas que são mais simples, exigem menos etapas lógicas e onde as respostas às consultas podem ser rápidas. Tarefas estimadas que levam várias horas para humanos mostram taxas de conclusão significativamente mais baixas do que tarefas mais curtas. Para que tarefas mais longas sejam bem-sucedidas, os usuários precisam iterar e corrigir os resultados.
Os usuários que dividem grandes tarefas em etapas gerenciáveis e apresentam cada uma delas separadamente (de forma interativa ou via API) melhoraram as taxas de sucesso.
As observações da empresa mostram que a maioria das questões colocadas aos LLMs estão associadas a funções de colarinho branco (embora os países mais pobres tendam a utilizar Claude em ambientes académicos com mais frequência do que, por exemplo, os EUA). Por exemplo, os agentes de viagens podem perder tarefas complexas de planeamento para o LLM e reter elementos do seu trabalho mais transacional, enquanto algumas funções, como gestores de propriedades, mostram o oposto: tarefas administrativas de rotina podem ser tratadas pela IA, e tarefas que necessitam de maior julgamento permanecem com o profissional humano.
Ganhos de produtividade diminuídos pela confiabilidade
O relatório observa que é provável que as alegações de que a IA aumente a produtividade anual do trabalho em 1,8% (ao longo de uma década) sejam reduzidas para 1-1,2%, devido à necessidade de ter em conta mão-de-obra e custos adicionais. Embora um ganho de eficiência de 1% ao longo de uma década ainda seja economicamente significativo, a necessidade de atividades como validação, tratamento de erros e retrabalho reduzirá as taxas de sucesso e, portanto, deverá haver um ajuste semelhante nas mentes dos decisores de uma empresa.
Os ganhos potenciais para uma organização que implementa IA também dependem de as tarefas atribuídas ao LLM complementarem ou substituirem o trabalho. Neste último caso, o sucesso da substituição de tarefas normalmente realizadas por um ser humano por uma IA depende da complexidade do trabalho.
Vale ressaltar que o relatório encontra uma correlação quase perfeita entre a sofisticação das solicitações dos usuários ao LLM e os resultados bem-sucedidos. Assim, a forma como as pessoas usam a IA molda o que ela oferece.
Principais conclusões para líderes
- A implementação de IA agrega valor mais rapidamente em áreas específicas e bem definidas.
- Os sistemas complementares (IA+humano) superam a automação total para trabalhos complexos.
- A confiabilidade e o trabalho extra necessário em torno da IA reduzem os ganhos de produtividade previstos.
- As mudanças na composição da força de trabalho dependem da combinação de tarefas e da sua complexidade, e não de funções específicas.
(Fonte da imagem: “o trabalhador da construção virtual” de antjeverena está licenciado sob CC BY-NC-SA 2.0.)
Quer saber mais sobre IA e big data dos líderes do setor? Confira a AI & Big Data Expo que acontece em Amsterdã, Califórnia e Londres. O evento abrangente faz parte da TechEx e é realizado junto com outros eventos de tecnologia líderes. Clique aqui para mais informações.
AI News é desenvolvido pela TechForge Media. Explore outros eventos e webinars de tecnologia empresarial futuros aqui.
Fontesartificialintelligence
