A OpenAI publicou novos exemplos de adoção empresarial de agentes em 1º de setembro de 2026 e retomou um dado que chama atenção: as empresas classificadas pela própria companhia entre as 10% de uso mais intenso geraram, em junho, 8,3 vezes mais tokens de saída por usuário ativo do que as empresas situadas no grupo intermediário. Em janeiro, essa diferença era de 2,6 vezes.
O número mostra que algumas organizações estão delegando mais trabalho a sistemas de IA, mas não demonstra sozinho produtividade, economia ou qualidade. A própria OpenAI reconhece que tokens são uma medida imperfeita de valor empresarial: uma resposta curta pode resolver um problema importante, enquanto uma resposta longa pode acrescentar pouco.
Em resumo: o relatório identifica uma diferença crescente na profundidade de uso entre clientes empresariais da OpenAI. Ele não prova que consumir mais tokens causa melhores resultados, nem oferece um ranking público de empresas.
O que a OpenAI mediu
O Enterprise Signals, atualizado em 12 de agosto de 2026, reúne dados agregados e desidentificados da base empresarial da OpenAI. A companhia define como empresas de fronteira aquelas que ficam entre as 10% com mais tokens de saída por usuário ativo em cada mês. O grupo chamado de típico reúne as organizações entre os percentis 45 e 55.
Essa definição importa porque “empresa de fronteira” não significa, neste relatório, maior receita, melhor serviço ou adoção mais segura. Significa somente maior intensidade de uso segundo uma métrica controlada pela própria fornecedora.
A análise funcional também usa uma amostra com mais de 10 milhões de mensagens. Segundo a OpenAI, sistemas automatizados classificaram o conteúdo, sem revisão das mensagens por funcionários da empresa. A página não identifica publicamente as organizações avaliadas nem fornece, no texto consultado, os totais absolutos de usuários e tokens de cada grupo.
O que representa a diferença de 8,3 vezes
Em janeiro, o volume de tokens por usuário ativo nas empresas de fronteira era 2,6 vezes o observado no grupo típico. Em junho, a razão chegou a 8,3 vezes. O relatório interpreta essa ampliação como sinal de que uma parte dos clientes está passando de perguntas e rascunhos para tarefas mais longas, com ferramentas, contexto e execução em várias etapas.
Há uma explicação técnica possível para parte do crescimento: fluxos de agentes normalmente produzem mais saída do que uma conversa curta. Eles podem abrir fontes, editar arquivos, executar testes, revisar resultados e repetir etapas. Portanto, a métrica mistura frequência de uso, tamanho das respostas e complexidade das tarefas delegadas.
É por isso que o volume precisa ser ligado a um resultado verificável. Para uma equipe, as medidas relevantes podem ser tempo de ciclo, taxa de erro, retrabalho, custo, receita, risco evitado ou satisfação do usuário. Sem uma linha de base e um critério de qualidade, mais tokens significam apenas mais processamento registrado.
Agentes já concentram parte importante da saída
Outro dado do relatório afirma que, em junho, o Codex respondeu por 64% dos tokens de saída combinados de Codex e ChatGPT entre clientes empresariais. A OpenAI usa esse indicador para sustentar que o trabalho com agentes está ganhando espaço em relação ao uso apenas conversacional.
O percentual não equivale a 64% das pessoas, das tarefas ou do valor gerado. Uma única tarefa longa de código pode produzir muito mais tokens do que várias conversas curtas. A comparação serve para acompanhar mudança de comportamento dentro dos produtos da OpenAI, não para estimar a parcela de todo o trabalho empresarial feita por IA.
Plugins e Skills aparecem mais no grupo de uso intenso
Entre usuários ativos semanalmente nas empresas de fronteira, 21% usaram Plugins e 19% usaram Skills. No grupo típico, os percentuais divulgados foram 9% e 3%, respectivamente. A diferença sugere maior uso de contexto, instruções reutilizáveis e conexões com ferramentas.
Também aqui existe uma correlação, não uma relação de causa provada. Empresas que já investem em treinamento, dados e governança podem adotar recursos avançados com mais facilidade. O relatório não isola quanto do resultado vem do recurso, da maturidade da organização, do perfil dos funcionários ou da seleção de casos de uso.
Para entender onde uma plataforma de agentes deve ficar na operação, vale comparar também Copilot Studio e Foundry Agent Service pelo centro de responsabilidade. A tecnologia escolhida muda menos o resultado do que permissões, fontes, testes e donos claramente definidos.
O crescimento fora da engenharia exige contexto
A OpenAI informa que, desde fevereiro, o número semanal de usuários empresariais ativos do Codex cresceu 108 vezes no setor jurídico, 41 vezes em vendas, 41 vezes em recrutamento e 26 vezes em marketing. Em engenharia, o crescimento foi de cinco vezes.
Essas taxas não vêm acompanhadas, na página, das bases absolutas de cada função. Uma área que começou com poucos usuários pode apresentar multiplicação alta sem superar uma área já madura. O dado indica velocidade de expansão dentro da base observada, não tamanho final nem sucesso do uso.
O relatório observa que trabalhos não técnicos costumam ter critérios de conclusão menos objetivos do que código. Um teste automatizado pode mostrar se uma alteração funciona. Já uma análise jurídica, uma recomendação comercial ou uma peça de comunicação depende de fontes, contexto, regras e julgamento humano mais difíceis de reduzir a um único teste.
Três exemplos mostram como o uso fica mais profundo
No artigo de 1º de setembro, a OpenAI apresenta Basis, Clay e Exa Labs como exemplos de empresas que transformaram tarefas em fluxos repetíveis.
- Basis: converteu o onboarding em uma Skill com gatilho, etapas, ferramentas e definição de conclusão. Segundo a empresa, a primeira etapa caiu de duas horas para 30 minutos.
- Clay: usa espaços persistentes e subagentes para atualizar contexto de contas e preparar prioridades. A economia estimada de cerca de uma hora de triagem noturna foi atribuída pela própria Clay.
- Exa Labs: estruturou um fluxo que identifica oportunidades de integração, reúne contexto, cria pull requests, executa testes e prepara atualizações, mantendo revisão humana antes de compromissos externos.
Esses casos são descrições publicadas pela fornecedora com relatos das empresas participantes. Não são ensaios controlados nem auditorias independentes. Eles servem melhor como padrões de desenho do que como promessa de que outra organização obterá os mesmos números.
Fato e análise precisam permanecer separados
Fato confirmado: a OpenAI mediu uma diferença de 8,3 vezes em tokens de saída por usuário ativo entre os grupos definidos pelo relatório e divulgou maior presença de Plugins, Skills e Codex no grupo de uso intenso.
Análise do Bastidores da IA: a principal lição não é “usar mais IA”. É transformar uma tarefa conhecida em um sistema observável, com fonte, permissão, resultado esperado, ponto de revisão e métrica de negócio. Volume só ganha significado quando pode ser conectado a uma entrega que alguém consegue verificar.
Também é importante reconhecer o conflito de interesse. A OpenAI fornece os produtos, define as métricas e publica a interpretação. Os dados administrativos podem ser mais precisos do que uma pesquisa de opinião sobre uso, mas continuam limitados à base e às categorias da própria empresa.
Como avaliar um piloto sem confundir atividade com valor
- Escolha um processo recorrente e defina o problema antes da ferramenta.
- Registre tempo, qualidade, custo e erros na situação atual.
- Liste as fontes que o agente pode consultar e as ações que pode executar.
- Use a menor permissão compatível com a tarefa.
- Defina onde o agente deve parar para revisão humana.
- Exija evidências, como fontes, diffs, logs, testes ou checklist.
- Meça exceções e retrabalho, não apenas tarefas iniciadas.
- Compare o resultado com a linha de base e encerre o piloto se o ganho não se sustentar.
Tokens, mensagens e usuários ativos podem ajudar a explicar adoção. A decisão de ampliar o uso deve depender do resultado, do risco e da capacidade da equipe de revisar o que foi produzido. Uma matriz de risco para revisão humana ajuda a tornar esse ponto de parada explícito.
O que ainda falta saber
As páginas consultadas não trazem uma decomposição pública por tamanho de empresa, região, plano contratado ou quantidade absoluta de usuários em cada comparação. Também não permitem distinguir completamente crescimento orgânico, expansão comercial da OpenAI e mudança de comportamento de clientes existentes.
Futuras edições do Enterprise Signals poderão mostrar se a diferença permanece e se métricas de atividade começam a ser associadas a resultados comparáveis. Até lá, o dado de 8,3 vezes deve ser tratado como um sinal de profundidade de uso dentro da base da OpenAI, não como uma meta universal.
Ilustração editorial exclusiva do Bastidores da IA. Não é captura de tela, benchmark visual ou interface real.
Fontes oficiais consultadas em 6 de setembro de 2026
- OpenAI: Enterprise signals, what frontier firms are doing differently, atualizado em 12 de agosto de 2026.
- OpenAI: How AI-native companies turn workflows into operating capability, publicado em 1º de setembro de 2026.
- OpenAI: From assistance to execution, how enterprises put AI to work, publicado em 12 de agosto de 2026.