{"id":779,"date":"2026-10-14T18:34:39","date_gmt":"2026-10-14T21:34:39","guid":{"rendered":"https:\/\/yellowkode.com\/blog\/agentic-ai-ue-relatorio-openai-outubro-2026\/"},"modified":"2026-10-14T18:34:39","modified_gmt":"2026-10-14T21:34:39","slug":"agentic-ai-ue-relatorio-openai-outubro-2026","status":"publish","type":"post","link":"https:\/\/yellowkode.com\/blog\/agentic-ai-ue-relatorio-openai-outubro-2026\/","title":{"rendered":"Agentic AI na UE: O que o Relat\u00f3rio da OpenAI de Outubro de 2026 Mede e o que N\u00e3o Mede"},"content":{"rendered":"

Em 14 de outubro de 2026, a OpenAI publicou, pelo bra\u00e7o OpenAI Economic Research, um relat\u00f3rio chamado The EU’s next chapter in AI is agentic<\/em>. O relat\u00f3rio examina como o uso ag\u00eantico est\u00e1 crescendo entre empresas grandes e pequenas, focando em diferen\u00e7as de intensidade de uso e nos tipos de trabalho que as pessoas fazem com o ChatGPT. Dois n\u00fameros 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 usu\u00e1rios ativos semanais de Codex e ChatGPT Work em pequenas e m\u00e9dias empresas da UE cresceram mais de oito vezes, com crescimento em cada estado membro.<\/p>\n

Este artigo n\u00e3o \u00e9 sobre se o n\u00famero \u00e9 bom ou ruim. \u00c9 sobre entender o que exatamente foi medido, como esses produtos funcionam por baixo, e por que a mesma m\u00e9trica pode significar coisas muito diferentes dependendo de onde voc\u00ea olha.<\/p>\n

O que \u00e9 “IA ag\u00eantica” no vocabul\u00e1rio desse relat\u00f3rio<\/h2>\n

A OpenAI usa “ag\u00eantico” num sentido operacional, n\u00e3o filos\u00f3fico. A ideia \u00e9 que as pessoas est\u00e3o saindo de fazer perguntas e passando a usar agentes para executar tarefas do planejamento at\u00e9 a conclus\u00e3o. O relat\u00f3rio conta duas coisas espec\u00edficas como “uso ag\u00eantico”: Codex e ChatGPT Work como as ferramentas ag\u00eanticas nos n\u00fameros. Qualquer outra ferramenta ou produto, mesmo que tamb\u00e9m chame agente, est\u00e1 fora dessa conta.<\/p>\n

Para fixar o que muda em rela\u00e7\u00e3o a um chatbot tradicional, vale uma analogia e depois o mecanismo real. Pense em pedir a algu\u00e9m que resolva o imposto de renda. Um chatbot \u00e9 o parente que explica, por telefone, o que cada campo significa: voc\u00ea faz, ele responde, ciclo curto. Um agente \u00e9 o contador que recebe seus documentos, abre o programa, preenche, consulta uma d\u00favida com voc\u00ea, salva, envia e retorna com o recibo. A mec\u00e2nica diferente \u00e9 essa: h\u00e1 uma meta no in\u00edcio, v\u00e1rias 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 n\u00e3o tem, e sabe recusar o que \u00e9 absurdo. O agente s\u00f3 sabe o que est\u00e1 no prompt, nas ferramentas conectadas e no que o modelo generaliza.<\/p>\n

A pr\u00f3pria OpenAI descreve a diferen\u00e7a mec\u00e2nica assim: a IA ag\u00eantica muda a unidade do trabalho de intera\u00e7\u00f5es isoladas para tarefas delegadas e de horizonte longo. Intera\u00e7\u00f5es de chatbot s\u00e3o curtas e autocontidas. Agentes podem operar de forma independente por minutos ou horas, orquestrando chamadas a ferramentas, interagindo com ambientes e iterando at\u00e9 a solu\u00e7\u00e3o.<\/p>\n

O que s\u00e3o Codex e ChatGPT Work<\/h3>\n

Codex \u00e9 o agente de engenharia de software da OpenAI: recebe uma tarefa descrita em linguagem natural, trabalha no reposit\u00f3rio, executa, testa e devolve o resultado. ChatGPT Work \u00e9 o r\u00f3tulo que a OpenAI usa para o uso ag\u00eantico fora de c\u00f3digo, dentro das contas Enterprise e Business. O que os dois t\u00eam em comum, e por isso entram juntos na conta, \u00e9 que a execu\u00e7\u00e3o n\u00e3o \u00e9 s\u00f3 gerar texto de resposta: envolve chamar ferramentas e iterar.<\/p>\n

O que a m\u00e9trica “output tokens” mede, e o que ela n\u00e3o mede<\/h2>\n

Essa \u00e9 a parte que mais confunde quem l\u00ea a manchete. Token \u00e9 o peda\u00e7o m\u00ednimo que o modelo gera, mais ou menos uma s\u00edlaba ou um fragmento de palavra ou c\u00f3digo. “Output tokens” \u00e9 o volume de texto ou c\u00f3digo que o modelo produziu, somado. N\u00e3o \u00e9 n\u00famero de tarefas conclu\u00eddas, n\u00e3o \u00e9 horas economizadas, n\u00e3o \u00e9 receita gerada.<\/p>\n

Quando a OpenAI diz que Codex e ChatGPT Work respondem por mais da metade dos output tokens no sample Enterprise da UE, est\u00e1 dizendo que, do volume total gerado pelos modelos dentro desses clientes, mais da metade saiu de execu\u00e7\u00f5es ag\u00eanticas. Uma mat\u00e9ria 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. \u00c9 uma mudan\u00e7a marcante na dire\u00e7\u00e3o de ferramentas de IA que executam tarefas em vez de s\u00f3 responder perguntas, mas mede texto e c\u00f3digo gerados, n\u00e3o trabalho conclu\u00eddo com sucesso.<\/p>\n

Isso importa porque uma execu\u00e7\u00e3o ag\u00eantica tende a gastar muito mais tokens por tarefa do que uma pergunta de chat. Um agente que l\u00ea um reposit\u00f3rio, prop\u00f5e mudan\u00e7as, roda testes, l\u00ea o output do teste e corrige, consome ordens de magnitude mais tokens do que “me explique recurs\u00e3o”. Portanto, a m\u00e9trica infla naturalmente quando o uso ag\u00eantico aparece, mesmo que o n\u00famero de pessoas envolvidas seja menor. Isso n\u00e3o torna o n\u00famero falso, s\u00f3 torna necess\u00e1rio saber o que ele mede antes de concluir qualquer coisa.<\/p>\n

A m\u00e9trica de PMEs \u00e9 diferente e precisa ser lida separada. A OpenAI diz que os usu\u00e1rios ativos semanais das duas ferramentas em pequenas e m\u00e9dias empresas da UE cresceram mais de oito vezes desde maio de 2026. Isso rastreia pessoas usando as ferramentas por semana, uma medida diferente da participa\u00e7\u00e3o no output Enterprise. Uma mede volume gerado, a outra mede cabe\u00e7as ativas. Juntar as duas numa frase s\u00f3 \u00e9 tentador e enganoso.<\/p>\n

A dispers\u00e3o entre pa\u00edses e por que ela existe<\/h2>\n

A ado\u00e7\u00e3o de IA ag\u00eantica na UE est\u00e1 longe de ser uniforme. Entre as contas ChatGPT Enterprise do sample, a participa\u00e7\u00e3o dos output tokens gerados via Codex e ChatGPT Work variou de 22% na Eslov\u00eania a 85% na Litu\u00e2nia. \u00c9 uma diferen\u00e7a grande, e o relat\u00f3rio n\u00e3o a explica em profundidade. Vale lembrar o que esse n\u00famero representa: no sample Enterprise, Codex e ChatGPT Work responderam por 22% do output na Eslov\u00eania e 85% na Litu\u00e2nia. Esses n\u00fameros descrevem uso da ferramenta dentro do sample da OpenAI, n\u00e3o ado\u00e7\u00e3o entre empresas de qualquer um dos pa\u00edses.<\/p>\n

Em outras palavras, se por acaso a amostra na Litu\u00e2nia tem concentra\u00e7\u00e3o de clientes de tecnologia que usam Codex pesado, o n\u00famero sobe. Se o sample esloveno \u00e9 dominado por clientes que ainda usam ChatGPT no modo chat cl\u00e1ssico, o n\u00famero desce. A dispers\u00e3o \u00e9 real, mas atribuir causa (regula\u00e7\u00e3o, cultura, idioma, maturidade digital) a partir s\u00f3 desse dado \u00e9 especula\u00e7\u00e3o.<\/p>\n

O que s\u00e3o “frontier firms” nessa leitura<\/h2>\n

A OpenAI criou uma categoria espec\u00edfica para comparar os clientes mais intensivos. A OpenAI define “frontier firms” como os 10% melhores dos clientes Enterprise e Business por output tokens por usu\u00e1rio ativo. Em setembro, frontier firms da UE geraram mais de quatro vezes o output das firmas t\u00edpicas da UE por usu\u00e1rio ativo. Mas frontier firms fora da UE produziram mais do que o dobro das frontier firms da UE.<\/p>\n

O recado estrutural da OpenAI \u00e9 que existe espa\u00e7o para a UE aprofundar o uso, n\u00e3o s\u00f3 espalh\u00e1-lo.<\/p>\n

Mesma ressalva de antes: isso \u00e9 intensidade de uso de tokens, n\u00e3o produtividade medida. Ent\u00e3o o relat\u00f3rio mapeia uso crescente e uma lacuna na intensidade de uso, n\u00e3o ganhos de produtividade comprovados.<\/p>\n

O que isso significa na pr\u00e1tica para quem constr\u00f3i<\/h2>\n

Se voc\u00ea est\u00e1 decidindo onde colocar esfor\u00e7o de engenharia, o relat\u00f3rio sugere duas coisas concretas. Primeira: entre clientes grandes de OpenAI na UE, o padr\u00e3o ag\u00eantico j\u00e1 \u00e9 majorit\u00e1rio em volume gerado. Isso quer dizer que fluxos de trabalho que presumem o padr\u00e3o antigo (humano escreve prompt, l\u00ea resposta, decide, escreve pr\u00f3ximo prompt) est\u00e3o perdendo peso em rela\u00e7\u00e3o a fluxos onde o modelo \u00e9 quem orquestra chamadas.<\/p>\n

Segunda: Codex em especial n\u00e3o \u00e9 s\u00f3 ferramenta de dev. Em junho de 2026, o uso ag\u00eantico representou 64% dos output tokens combinados Enterprise de Codex e ChatGPT. Usu\u00e1rios semanais ativos de Codex tamb\u00e9m cresceram em \u00e1reas fora de desenvolvimento de software, com jur\u00eddico, vendas, recrutamento e marketing entre as fun\u00e7\u00f5es que viram crescimento forte. Essa \u00faltima parte \u00e9 da an\u00e1lise da Analytics Insight sobre dados anteriores da OpenAI, n\u00e3o do relat\u00f3rio da UE, e vale a ressalva.<\/p>\n

Para desenhar um fluxo ag\u00eantico m\u00ednimo que j\u00e1 siga esse padr\u00e3o, a estrutura t\u00edpica \u00e9 algo como:<\/p>\n

# pseudoc\u00f3digo de um agente m\u00ednimo\n# 1. define a meta\ngoal = \"revisar PRs abertos e sugerir melhorias\"\n\n# 2. define as ferramentas que o agente pode chamar\ntools = [\n list_open_prs, # l\u00ea do GitHub\n read_pr_diff, # l\u00ea o conte\u00fado\n post_review_comment, # escreve de volta\n]\n\n# 3. loop de execu\u00e7\u00e3o\nwhile not done:\n action = model.decide_next_step(goal, history, tools)\n result = run(action) # a chamada de ferramenta real\n history.append((action, result))\n done = model.is_goal_complete(goal, history)\n<\/code><\/pre>\n
O ponto que a m\u00e9trica de output tokens captura \u00e9 o tamanho de history<\/code>. Cada itera\u00e7\u00e3o do loop acumula tokens. Um chat cl\u00e1ssico roda esse loop uma vez. Um agente roda dezenas.<\/p>\n
Onde isso quebra<\/h2>\n
Tr\u00eas limites concretos para quem for olhar o relat\u00f3rio e decidir algo a partir dele.<\/p>\n
    \n
  • Fonte \u00fanica.<\/strong> Os dados v\u00eam da base de clientes da OpenAI. A pesquisa da empresa mede atividade dentro da sua base de clientes, n\u00e3o produtividade na Europa. Nada diz sobre quem usa Claude, Gemini, Mistral, modelos locais ou solu\u00e7\u00f5es fechadas de hyperscalers.<\/li>\n
  • M\u00e9trica de volume, n\u00e3o de resultado.<\/strong> Como j\u00e1 discutido, output tokens \u00e9 um proxy. Um agente que fica em loop corrigindo o pr\u00f3prio erro gera muitos tokens e zero valor. A m\u00e9trica, sozinha, n\u00e3o distingue.<\/li>\n
  • Compara\u00e7\u00e3o entre pa\u00edses sem controle de amostra.<\/strong> O range 22% a 85% \u00e9 um fato sobre o sample, n\u00e3o sobre os pa\u00edses. Para virar afirma\u00e7\u00e3o sobre a Eslov\u00eania ou a Litu\u00e2nia como mercados, faltaria normalizar por composi\u00e7\u00e3o setorial dos clientes, tamanho das contas e tempo de contrato.<\/li>\n<\/ul>\n
    H\u00e1 ainda um ponto estrutural levantado pela pr\u00f3pria Comiss\u00e3o Europeia em material anterior sobre agentic AI: a\u00e7\u00f5es aut\u00f4nomas e multi-step borram a responsabilidade entre sistemas e ferramentas, desafiando frameworks de compliance existentes e exigindo rastreabilidade cont\u00ednua e supervis\u00e3o humana significativa. Isso n\u00e3o aparece como custo nos output tokens, mas aparece no custo real de operar o agente em produ\u00e7\u00e3o.<\/p>\n
    O que n\u00e3o d\u00e1 para afirmar a partir deste material<\/h2>\n
    Honestidade sobre o que o relat\u00f3rio n\u00e3o resolve. O resumo p\u00fablico e as reportagens derivadas n\u00e3o trazem a metodologia completa de amostragem, n\u00e3o quebram os n\u00fameros por setor, n\u00e3o dizem quais verticais puxam a m\u00e9dia em cada pa\u00eds, e n\u00e3o trazem medida independente de produtividade. N\u00e3o d\u00e1 para dizer, com base s\u00f3 nesse relat\u00f3rio, que empresas da UE est\u00e3o mais produtivas, nem que a Litu\u00e2nia est\u00e1 “na frente” da Eslov\u00eania em qualquer sentido econ\u00f4mico. D\u00e1 para dizer que, dentro da base de clientes OpenAI na UE, o padr\u00e3o de uso mudou e o volume gerado por execu\u00e7\u00e3o ag\u00eantica superou o volume gerado por uso conversacional.<\/p>\n
    Tamb\u00e9m n\u00e3o d\u00e1 para extrapolar para o Brasil ou para a Am\u00e9rica Latina. O relat\u00f3rio \u00e9 especificamente sobre a UE, com corte metodol\u00f3gico pr\u00f3prio.<\/p>\n
    Como testar isso voc\u00ea mesmo<\/h2>\n
    Um caminho pequeno para sair do abstrato. Se voc\u00ea tem acesso a uma conta ChatGPT com Codex habilitado, ou usa a Agents SDK\/Responses API da OpenAI, monte um teste controlado em tr\u00eas passos.<\/p>\n
      \n
    1. Escolha uma tarefa real que voc\u00ea faria em chat, por exemplo “gerar um relat\u00f3rio semanal a partir de tr\u00eas CSVs e mandar por e-mail”. Fa\u00e7a pelo modo chat cl\u00e1ssico: voc\u00ea pergunta, cola CSV, pede an\u00e1lise, copia resultado, cola no e-mail. Cronometre e anote tokens consumidos (vis\u00edvel no dashboard).<\/li>\n
    2. Refa\u00e7a a mesma tarefa como agente: d\u00ea ao modelo acesso a ferramentas de leitura dos CSVs, de gera\u00e7\u00e3o do texto e de envio por e-mail, e descreva s\u00f3 a meta. Cronometre e anote tokens.<\/li>\n
    3. Compare tr\u00eas eixos: tempo humano, tokens consumidos, qualidade do resultado final.<\/li>\n<\/ol>\n
      Voc\u00ea vai reproduzir, em escala de um experimento, o mesmo fen\u00f4meno que o relat\u00f3rio mede em agregado: o fluxo ag\u00eantico gasta muito mais tokens, exige menos tempo humano, e a qualidade depende crucialmente de qu\u00e3o bem as ferramentas foram definidas. Esse \u00faltimo ponto \u00e9 onde o relat\u00f3rio fica em sil\u00eancio e onde est\u00e1 o trabalho real de quem constr\u00f3i.<\/p>\n
      Fonte prim\u00e1ria: OpenAI, The EU’s next chapter in AI is agentic<\/em>, OpenAI Economic Research, 14 de outubro de 2026.<\/p>\n","protected":false},"excerpt":{"rendered":"
      Como ler o relat\u00f3rio da OpenAI sobre ado\u00e7\u00e3o de IA ag\u00eantica na UE: o que s\u00e3o output tokens, Codex, ChatGPT Work e onde os n\u00fameros n\u00e3o provam.<\/p>\n","protected":false},"author":2,"featured_media":778,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-779","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/779","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/comments?post=779"}],"version-history":[{"count":0,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/779\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media\/778"}],"wp:attachment":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media?parent=779"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/categories?post=779"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/tags?post=779"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}