Em 14 de outubro de 2026, a OpenAI publicou, pelo braço OpenAI Economic Research, um relatório chamado The EU’s next chapter in AI is agentic. O relatório examina como o uso agêntico está crescendo entre empresas grandes e pequenas, focando em diferenças de intensidade de uso e nos tipos de trabalho que as pessoas fazem com o ChatGPT. Dois números viraram manchete: no sample da UE, Codex e ChatGPT Work agora respondem por mais da metade dos output tokens, e desde maio de 2026 os usuários ativos semanais de Codex e ChatGPT Work em pequenas e médias empresas da UE cresceram mais de oito vezes, com crescimento em cada estado membro.
Este artigo não é sobre se o número é bom ou ruim. É sobre entender o que exatamente foi medido, como esses produtos funcionam por baixo, e por que a mesma métrica pode significar coisas muito diferentes dependendo de onde você olha.
O que é “IA agêntica” no vocabulário desse relatório
A OpenAI usa “agêntico” num sentido operacional, não filosófico. A ideia é que as pessoas estão saindo de fazer perguntas e passando a usar agentes para executar tarefas do planejamento até a conclusão. O relatório conta duas coisas específicas como “uso agêntico”: Codex e ChatGPT Work como as ferramentas agênticas nos números. Qualquer outra ferramenta ou produto, mesmo que também chame agente, está fora dessa conta.
Para fixar o que muda em relação a um chatbot tradicional, vale uma analogia e depois o mecanismo real. Pense em pedir a alguém que resolva o imposto de renda. Um chatbot é o parente que explica, por telefone, o que cada campo significa: você faz, ele responde, ciclo curto. Um agente é o contador que recebe seus documentos, abre o programa, preenche, consulta uma dúvida com você, salva, envia e retorna com o recibo. A mecânica diferente é essa: há uma meta no início, várias ferramentas sendo chamadas no meio, estado sendo mantido entre as chamadas, e um resultado no fim. A analogia quebra num ponto importante: o contador tem contexto do mundo que o agente não tem, e sabe recusar o que é absurdo. O agente só sabe o que está no prompt, nas ferramentas conectadas e no que o modelo generaliza.
A própria OpenAI descreve a diferença mecânica assim: a IA agêntica muda a unidade do trabalho de interações isoladas para tarefas delegadas e de horizonte longo. Interações de chatbot são curtas e autocontidas. Agentes podem operar de forma independente por minutos ou horas, orquestrando chamadas a ferramentas, interagindo com ambientes e iterando até a solução.
O que são Codex e ChatGPT Work
Codex é o agente de engenharia de software da OpenAI: recebe uma tarefa descrita em linguagem natural, trabalha no repositório, executa, testa e devolve o resultado. ChatGPT Work é o rótulo que a OpenAI usa para o uso agêntico fora de código, dentro das contas Enterprise e Business. O que os dois têm em comum, e por isso entram juntos na conta, é que a execução não é só gerar texto de resposta: envolve chamar ferramentas e iterar.
O que a métrica “output tokens” mede, e o que ela não mede
Essa é a parte que mais confunde quem lê a manchete. Token é o pedaço mínimo que o modelo gera, mais ou menos uma sílaba ou um fragmento de palavra ou código. “Output tokens” é o volume de texto ou código que o modelo produziu, somado. Não é número de tarefas concluídas, não é horas economizadas, não é receita gerada.
Quando a OpenAI diz que Codex e ChatGPT Work respondem por mais da metade dos output tokens no sample Enterprise da UE, está dizendo que, do volume total gerado pelos modelos dentro desses clientes, mais da metade saiu de execuções agênticas. Uma matéria independente notou exatamente esse ponto: Codex e ChatGPT Work geraram mais da metade de todos os output tokens no sample da OpenAI de clientes europeus Enterprise. É uma mudança marcante na direção de ferramentas de IA que executam tarefas em vez de só responder perguntas, mas mede texto e código gerados, não trabalho concluído com sucesso.
Isso importa porque uma execução agêntica tende a gastar muito mais tokens por tarefa do que uma pergunta de chat. Um agente que lê um repositório, propõe mudanças, roda testes, lê o output do teste e corrige, consome ordens de magnitude mais tokens do que “me explique recursão”. Portanto, a métrica infla naturalmente quando o uso agêntico aparece, mesmo que o número de pessoas envolvidas seja menor. Isso não torna o número falso, só torna necessário saber o que ele mede antes de concluir qualquer coisa.
A métrica de PMEs é diferente e precisa ser lida separada. A OpenAI diz que os usuários ativos semanais das duas ferramentas em pequenas e médias empresas da UE cresceram mais de oito vezes desde maio de 2026. Isso rastreia pessoas usando as ferramentas por semana, uma medida diferente da participação no output Enterprise. Uma mede volume gerado, a outra mede cabeças ativas. Juntar as duas numa frase só é tentador e enganoso.
A dispersão entre países e por que ela existe
A adoção de IA agêntica na UE está longe de ser uniforme. Entre as contas ChatGPT Enterprise do sample, a participação dos output tokens gerados via Codex e ChatGPT Work variou de 22% na Eslovênia a 85% na Lituânia. É uma diferença grande, e o relatório não a explica em profundidade. Vale lembrar o que esse número representa: no sample Enterprise, Codex e ChatGPT Work responderam por 22% do output na Eslovênia e 85% na Lituânia. Esses números descrevem uso da ferramenta dentro do sample da OpenAI, não adoção entre empresas de qualquer um dos países.
Em outras palavras, se por acaso a amostra na Lituânia tem concentração de clientes de tecnologia que usam Codex pesado, o número sobe. Se o sample esloveno é dominado por clientes que ainda usam ChatGPT no modo chat clássico, o número desce. A dispersão é real, mas atribuir causa (regulação, cultura, idioma, maturidade digital) a partir só desse dado é especulação.
O que são “frontier firms” nessa leitura
A OpenAI criou uma categoria específica para comparar os clientes mais intensivos. A OpenAI define “frontier firms” como os 10% melhores dos clientes Enterprise e Business por output tokens por usuário ativo. Em setembro, frontier firms da UE geraram mais de quatro vezes o output das firmas típicas da UE por usuário ativo. Mas frontier firms fora da UE produziram mais do que o dobro das frontier firms da UE.
O recado estrutural da OpenAI é que existe espaço para a UE aprofundar o uso, não só espalhá-lo.
Mesma ressalva de antes: isso é intensidade de uso de tokens, não produtividade medida. Então o relatório mapeia uso crescente e uma lacuna na intensidade de uso, não ganhos de produtividade comprovados.
O que isso significa na prática para quem constrói
Se você está decidindo onde colocar esforço de engenharia, o relatório sugere duas coisas concretas. Primeira: entre clientes grandes de OpenAI na UE, o padrão agêntico já é majoritário em volume gerado. Isso quer dizer que fluxos de trabalho que presumem o padrão antigo (humano escreve prompt, lê resposta, decide, escreve próximo prompt) estão perdendo peso em relação a fluxos onde o modelo é quem orquestra chamadas.
Segunda: Codex em especial não é só ferramenta de dev. Em junho de 2026, o uso agêntico representou 64% dos output tokens combinados Enterprise de Codex e ChatGPT. Usuários semanais ativos de Codex também cresceram em áreas fora de desenvolvimento de software, com jurídico, vendas, recrutamento e marketing entre as funções que viram crescimento forte. Essa última parte é da análise da Analytics Insight sobre dados anteriores da OpenAI, não do relatório da UE, e vale a ressalva.
Para desenhar um fluxo agêntico mínimo que já siga esse padrão, a estrutura típica é algo como:
# pseudocódigo de um agente mínimo
# 1. define a meta
goal = "revisar PRs abertos e sugerir melhorias"
# 2. define as ferramentas que o agente pode chamar
tools = [
list_open_prs, # lê do GitHub
read_pr_diff, # lê o conteúdo
post_review_comment, # escreve de volta
]
# 3. loop de execução
while not done:
action = model.decide_next_step(goal, history, tools)
result = run(action) # a chamada de ferramenta real
history.append((action, result))
done = model.is_goal_complete(goal, history)
O ponto que a métrica de output tokens captura é o tamanho de history. Cada iteração do loop acumula tokens. Um chat clássico roda esse loop uma vez. Um agente roda dezenas.
Onde isso quebra
Três limites concretos para quem for olhar o relatório e decidir algo a partir dele.
- Fonte única. Os dados vêm da base de clientes da OpenAI. A pesquisa da empresa mede atividade dentro da sua base de clientes, não produtividade na Europa. Nada diz sobre quem usa Claude, Gemini, Mistral, modelos locais ou soluções fechadas de hyperscalers.
- Métrica de volume, não de resultado. Como já discutido, output tokens é um proxy. Um agente que fica em loop corrigindo o próprio erro gera muitos tokens e zero valor. A métrica, sozinha, não distingue.
- Comparação entre países sem controle de amostra. O range 22% a 85% é um fato sobre o sample, não sobre os países. Para virar afirmação sobre a Eslovênia ou a Lituânia como mercados, faltaria normalizar por composição setorial dos clientes, tamanho das contas e tempo de contrato.
Há ainda um ponto estrutural levantado pela própria Comissão Europeia em material anterior sobre agentic AI: ações autônomas e multi-step borram a responsabilidade entre sistemas e ferramentas, desafiando frameworks de compliance existentes e exigindo rastreabilidade contínua e supervisão humana significativa. Isso não aparece como custo nos output tokens, mas aparece no custo real de operar o agente em produção.
O que não dá para afirmar a partir deste material
Honestidade sobre o que o relatório não resolve. O resumo público e as reportagens derivadas não trazem a metodologia completa de amostragem, não quebram os números por setor, não dizem quais verticais puxam a média em cada país, e não trazem medida independente de produtividade. Não dá para dizer, com base só nesse relatório, que empresas da UE estão mais produtivas, nem que a Lituânia está “na frente” da Eslovênia em qualquer sentido econômico. Dá para dizer que, dentro da base de clientes OpenAI na UE, o padrão de uso mudou e o volume gerado por execução agêntica superou o volume gerado por uso conversacional.
Também não dá para extrapolar para o Brasil ou para a América Latina. O relatório é especificamente sobre a UE, com corte metodológico próprio.
Como testar isso você mesmo
Um caminho pequeno para sair do abstrato. Se você tem acesso a uma conta ChatGPT com Codex habilitado, ou usa a Agents SDK/Responses API da OpenAI, monte um teste controlado em três passos.
- Escolha uma tarefa real que você faria em chat, por exemplo “gerar um relatório semanal a partir de três CSVs e mandar por e-mail”. Faça pelo modo chat clássico: você pergunta, cola CSV, pede análise, copia resultado, cola no e-mail. Cronometre e anote tokens consumidos (visível no dashboard).
- Refaça a mesma tarefa como agente: dê ao modelo acesso a ferramentas de leitura dos CSVs, de geração do texto e de envio por e-mail, e descreva só a meta. Cronometre e anote tokens.
- Compare três eixos: tempo humano, tokens consumidos, qualidade do resultado final.
Você vai reproduzir, em escala de um experimento, o mesmo fenômeno que o relatório mede em agregado: o fluxo agêntico gasta muito mais tokens, exige menos tempo humano, e a qualidade depende crucialmente de quão bem as ferramentas foram definidas. Esse último ponto é onde o relatório fica em silêncio e onde está o trabalho real de quem constrói.
Fonte primária: OpenAI, The EU’s next chapter in AI is agentic, OpenAI Economic Research, 14 de outubro de 2026.
