A Anthropic apresenta o relatório intitulado Anthropic Economic Index, que oferece uma análise empírica de como a inteligência artificial, por meio do modelo Claude, está sendo utilizada em diversas tarefas econômicas. Claude apresenta como é usado por milhões de usuários ao redor do mundo, com base em mais de quatro milhões de interações registradas na plataforma Claude.ai, mapeadas para ocupações e tarefas do banco de dados O*NET, do Departamento de Trabalho dos EUA. Esse levantamento revela os padrões de uso da IA em contextos profissionais, destacando seu impacto crescente nas dinâmicas do trabalho.
Apesar da especulação generalizada sobre o impacto da inteligência artificial no futuro do trabalho, não temos evidências empíricas sistemáticas sobre como esses sistemas estão realmente sendo usados para diferentes tarefas. Neste artigo, apresentamos uma nova estrutura para medir os padrões de uso da IA em toda a economia. Aproveitamos um sistema recente de preservação da privacidade para analisar mais de quatro milhões de interações/conversas por meio das lentes de tarefas e ocupações no banco de dados do Departamento do Trabalho dos EUA. Nossa análise revela que o uso de IA se concentra principalmente em tarefas de desenvolvimento e redação de software, que juntas representam quase metade de todo o uso total.
No entanto, o uso da IA se estende mais amplamente por toda a economia, com aproximadamente 36% das ocupações usando IA em pelo menos um quarto de suas tarefas associadas.
Também analisamos como a IA está sendo usada para as tarefas e descobrimos que 57% do uso sugere aumento das capacidades humanas (por exemplo, aprender ou iterar em um resultado), enquanto 43% sugere automação (por exemplo, atender a uma solicitação com o mínimo de envolvimento humano). Embora nossos dados e métodos tenham limitações importantes e apresentem apenas uma imagem do uso de IA em uma única plataforma, eles fornecem uma abordagem automatizada e granular para acompanhar a evolução do papel da IA na economia e identificar os principais indicadores de impacto futuro à medida que essas tecnologias continuam avançando.
Introdução
Os rápidos avanços na inteligência artificial sugerem profundas implicações para a evolução dos mercados de trabalho. Apesar da importância de antecipar e se preparar para essas mudanças, não temos evidências empíricas sistemáticas sobre como os sistemas de IA estão realmente sendo integrados à economia. As metodologias existentes – sejam elas o desenvolvimento de modelos preditivos, a realização de estudos controlados sobre os efeitos da produtividade ou a realização de pesquisas periódicas com os usuários – não conseguem rastrear a relação dinâmica entre o avanço dos recursos de IA e seu uso direto no mundo real em toda a economia.
Figura 1: Medição do uso de IA em toda a economia
Na imagem acima, apresentamos uma nova estrutura empírica para medir o uso de IA em diferentes tarefas na economia, com base na análise de preservação da privacidade de milhões de conversas do mundo real no Claude.ai. Ao mapear essas conversas para categorias ocupacionais no banco de dados do Departamento do Trabalho dos EUA, podemos identificar não apenas os padrões de uso atuais, mas também os primeiros indicadores de quais partes da economia podem ser mais afetadas à medida que essas tecnologias continuam avançando.
Usamos essa estrutura para fazer cinco contribuições importantes:
1. Fornecer a primeira medição empírica em larga escala de quais tarefas estão sendo usadas pela IA em toda a economia
Nossa análise revela o maior uso de tarefas em funções de engenharia de software (por exemplo, engenheiros de software, cientistas de dados, técnicos de bioinformática), profissões que exigem recursos substanciais de escrita (por exemplo, redatores técnicos, redatores, arquivistas) e funções analíticas (por exemplo, cientistas de dados). Por outro lado, as tarefas em ocupações que envolvem manipulação física do ambiente (por exemplo, anestesiologistas, trabalhadores da construção civil) atualmente apresentam uso mínimo (Figura 1, Figura 2, Figura 3).
2. Quantificar a profundidade do uso de IA nas ocupações
Apenas ∼4% das ocupações apresentam uso de IA em pelo menos 75% de suas tarefas, o que sugere o potencial de uso profundo em nível de tarefa em algumas funções. De forma mais ampla, ∼36% das ocupações mostram uso em pelo menos 25% de suas tarefas, indicando que a IA já começou a se difundir nos portfólios de tarefas em uma parte substancial da força de trabalho (Figura 4).
3. Medir quais habilidades ocupacionais são mais representadas nas conversas entre humanos e IA
Habilidades cognitivas como Compreensão de Leitura, Redação e Pensamento Crítico mostram alta presença, enquanto habilidades físicas (por exemplo, Instalação, Manutenção de Equipamentos) e habilidades gerenciais (por exemplo, Negociação) mostram presença mínima – refletindo padrões claros de complementaridade humana com os atuais recursos de IA (Figura 5).
4. Analisar como o salário e a barreira de entrada se correlacionam com o uso de IA
Constatamos que o uso de IA atinge o pico no quartil superior de salários, mas cai em ambos os extremos do espectro salarial. A maioria das ocupações de alto uso agrupadas no quartil superior corresponde predominantemente a cargos do setor de software, enquanto tanto as ocupações com salários muito altos (por exemplo, médicos) quanto os cargos com salários baixos (por exemplo, funcionários de restaurantes) demonstram um uso relativamente baixo. Esse padrão provavelmente reflete as limitações dos recursos atuais de IA, os requisitos de manipulação física inerentes a essas funções ou ambos. Padrões semelhantes surgem para as barreiras de entrada, com pico de uso em ocupações que exigem preparação considerável (por exemplo, bacharelado) em vez de treinamento mínimo ou extenso (Figura 6 e tabela 2).
5. Avalie se as pessoas usam o Claude para automatizar ou aumentar as tarefas
Constatamos que 57% das interações mostram padrões de aumento (por exemplo, iteração de ida e volta em uma tarefa), enquanto 43% demonstram o uso focado na automação (por exemplo, executar a tarefa diretamente). Embora essa proporção varie entre as ocupações, a maioria apresentou uma mistura de automação e aumento entre as tarefas, sugerindo que a IA serve tanto como ferramenta de eficiência quanto como parceira de colaboração (Figura 7).
Nossos métodos fornecem uma abordagem automatizada, granular e empiricamente fundamentada para rastrear os padrões de uso de IA à medida que os recursos e o uso social evoluem. Essa visibilidade antecipada das tendências emergentes dá aos políticos e à sociedade civil um tempo crucial para responder às mudanças na forma como a IA transforma o trabalho. No entanto, reconhecemos várias limitações importantes; por exemplo, nossos dados de uso não podem revelar como os resultados do Claude são realmente usados na prática, e nossa dependência das descrições ocupacionais estáticas da O*NET significa que não podemos levar em conta tarefas ou empregos totalmente novos que a IA possa criar.
No entanto, essa estrutura oferece uma base para a compreensão do impacto evolutivo da IA na economia. Embora nossos métodos sejam imperfeitos, eles oferecem uma maneira sistemática de rastrear os padrões de uso e identificar os principais indicadores dos efeitos econômicos em diferentes setores. À medida que os recursos e a adoção da IA continuarem a avançando, acreditamos que esse tipo de medição empírica será fundamental para entender e se preparar para as implicações econômicas mais amplas da tecnologia.
Histórico e trabalhos relacionados
Nosso trabalho se baseia em muitas linhas de pesquisa que tentam modelar, medir e prever o impacto da IA na economia.
Fundamentos econômicos e a estrutura baseada em tarefas
Um amplo conjunto de trabalhos em economia propôs modelos teóricos para entender o impacto da automação no mercado de trabalho. Diversos autores defendem a modelagem dos mercados de trabalho com base em tarefas distintas que podem ser executadas por trabalhadores humanos ou máquinas – por exemplo, depuração de código ou corte de cabelo. Com base nessa estrutura, alguns autores mostram que, embora as tecnologias automatizem algumas tarefas, elas geralmente aumentam as capacidades humanas em outras devido à complementaridade entre humanos e máquinas, levando a uma maior demanda por mão de obra. Além disso, Acemoglu e Restrepo [2018] usam essa estrutura para explorar um modelo em que as tecnologias de automação podem criar tarefas totalmente novas, além de substituir tarefas antigas.
Previsão do impacto da IA nos mercados de trabalho
Outro ramo de trabalho aproveita a estrutura baseada em tarefas para prever a prevalência futura da automação em toda a economia, geralmente com base em descrições de tarefas e ocupações do banco de dados O*NET de informações ocupacionais fornecidas pelo Departamento do Trabalho dos EUA [National Center for O*NET Development, 2025b]. Por exemplo, Frey e Osborne [2017] ajustaram um classificador de processo gaussiano a um conjunto de dados de 70 ocupações registradas para prever quais ocupações estão sujeitas à informatização. Brynjolfsson et al. [2018a] contratam pessoas para classificar 2.069 áreas de trabalho detalhadas no banco de dados O*NET, concentrando-se especificamente em seu potencial de ser realizado pelo aprendizado de máquina. Webb [2019] analisa a sobreposição entre documentos de patentes e descrições de tarefas de trabalho para prever a “exposição” de tarefas à IA, encontrando a maior exposição em ocupações com alto nível de escolaridade e altos salários – um padrão parcialmente refletido em nossos dados empíricos de uso, embora encontremos o pico de uso em ocupações com salários médios a altos em vez de nos níveis salariais mais altos. Felten et al. [2023] concentram-se especificamente em grandes modelos de linguagem, estimando a exposição por meio de um conjunto de dados que vincula as habilidades humanas a diferentes ocupações.
Eloundou et al. [2023] também consideram a exposição de tarefas a modelos de linguagem, usando os próprios modelos de linguagem para obter estimativas mais granulares de exposição no nível de tarefas individuais – uma abordagem que seguimos em nosso trabalho. Ao considerar os impactos do software alimentado por modelos de linguagem, eles concluem que cerca de metade de todas as tarefas na economia poderia um dia ser automatizada por modelos de linguagem. Embora nossos dados empíricos de uso mostrem uma adoção atual menor (∼36% das ocupações que usam IA em pelo menos um quarto de suas tarefas), os padrões de uso entre as tarefas estão amplamente alinhados com suas previsões, especialmente ao mostrar um alto uso para tarefas de desenvolvimento de software e criação de conteúdo.
Estudos do mundo real sobre o uso de IA
Para complementar essas previsões baseadas no julgamento humano ou de máquinas, outro conjunto de trabalhos tenta reunir dados concretos para entender como a IA está sendo adotada atualmente no mercado de trabalho. Por exemplo, estudos mostram a rápida adoção da IA em diferentes setores e países: uma pesquisa do final de 2023 constatou que metade dos trabalhadores em ocupações dinamarquesas expostas havia usado o ChatGPT, estimando que ele poderia reduzir pela metade o tempo de trabalho em cerca de um terço de suas tarefas [Humlum e Vestergaard, 2024], enquanto um estudo subsequente em agosto de 2024 constatou que 39% dos adultos americanos em idade ativa haviam usado IA generativa, sendo que cerca de um quarto deles a usava semanalmente [Bick et al., 2024]. Além disso, outras pesquisas tentaram medir a amplitude e a profundidade desse uso, com estudos que constataram efeitos positivos das ferramentas de IA generativa sobre a produtividade em uma ampla gama de domínios individuais, incluindo engenharia de software [Peng et al., 2023, Cui et al, 2024], redação [Noy e Zhang, 2023], atendimento ao cliente [Brynjolfsson et al., 2023], consultoria [Dell’Acqua et al., 2023, para tarefas que eram adequadas para IA], tradução [Merali, 2024], análise jurídica [Choi e Schwarcz, 2023] e ciência de dados [Wiles et al., 2024]. Unimos essas abordagens separadas para realizar a primeira análise em grande escala de como os sistemas avançados de IA estão realmente sendo usados em tarefas e ocupações. Baseamo-nos na estrutura baseada em tarefas, mas, em vez de prever os possíveis impactos (“exposição” das ocupações à IA), medimos os padrões de uso no mundo real usando o Clio [Tamkin et al., 2024], um sistema recente que permite a análise com preservação da privacidade de milhões de conversas entre humanos e IA em um grande provedor de modelos. Isso nos permite complementar os estudos controlados dos efeitos da produtividade da IA em domínios específicos com uma visão abrangente de onde e como a IA está sendo integrada ao trabalho em toda a economia. Nossa metodologia permite rastrear esses padrões dinamicamente à medida que os recursos de IA e a adoção social evoluem, revelando tanto as tendências de uso atuais quanto os principais indicadores de difusão futura.
Métodos e análise
Para entender como os sistemas de IA estão sendo usados para diferentes tarefas econômicas, utilizamos o Clio [Tamkin et al., 2024], uma ferramenta de análise que usa o Claude [Anthropic, 2024] para fornecer percepções agregadas de milhões de conversas entre humanos e modelos. Usamos o Clio para classificar as conversas em tarefas ocupacionais, habilidades e padrões de interação, revelando falhas nessas diferentes categorias. Todas as análises se baseiam em dados de conversas coletados durante dezembro de 2024 e janeiro de 2025. Consulte os Apêndices B, E e F para obter mais detalhes e sugestões, incluindo a validação da composição de nosso conjunto de dados e como realizamos a classificação em casos com grande número de categorias (por exemplo, tarefas O*NET).
Análise em nível de tarefa do uso de IA
Usando o Clio em um conjunto de dados de um milhão de conversas do Claude.ai Free e Pro,4 analisamos cada interação para mapeá-la para a categoria de tarefa mais relevante no banco de dados O*NET. Como há quase 20.000 declarações de tarefas exclusivas no O*NET, criamos uma árvore hierárquica de tarefas usando o Clio e realizamos a atribuição percorrendo a árvore. Embora muitas vezes existam várias tarefas válidas para as quais uma única conversa poderia ser mapeada, observamos resultados qualitativamente muito semelhantes ao mapear
uma única conversa para várias tarefas. Fornecemos detalhes e análises adicionais no Apêndice B, inclusive sobre como mapeamos conversas para tarefas (Apêndice B.1), o processo de criação da hierarquia (Apêndice B.1), o fato de obtermos resultados semelhantes para dados no nível da conversa e no nível da conta (Apêndice B.2) e a validação da composição do nosso conjunto de dados (Apêndice B.7). Além disso, discutimos a validação humana de nossas classificações de hierarquia de tarefas no Apêndice C e os resultados dos dados em nível de cluster no Apêndice G.
Figura 2: divisão hierárquica das seis principais categorias ocupacionais pela quantidade de uso de IA em suas tarefas associadas
Nossa análise revela que as tarefas relacionadas a computadores apresentam a maior quantidade de uso de IA, seguidas por tarefas de redação em contextos educacionais e de comunicação. Para entender padrões mais amplos, agrupamos essas tarefas de acordo com a estrutura ocupacional da O*NET, primeiro mapeando-as para ocupações específicas (como Arquitetos de Redes de Computadores) e depois para categorias ocupacionais mais amplas (como Ocupações Matemáticas e de Computadores). A Figura 2 ilustra essa distribuição entre categorias ocupacionais, mostrando as ocupações e tarefas mais comuns em cada grupo, enquanto a Figura 3 compara esses padrões de uso com a distribuição real dessas ocupações na força de trabalho dos EUA. É importante observar que a classificação ocupacional de uma conversa não significa necessariamente que o usuário era um profissional daquela área. Por exemplo, embora algumas consultas relacionadas à nutrição possam vir de nutricionistas, outras provavelmente vêm de pessoas que buscam aconselhamento dietético pessoal. Esse amplo acesso à assistência de IA para tarefas tradicionalmente profissionais – mesmo que a assistência não seja perfeita – pode ter implicações significativas para esses campos, embora a análise desses impactos esteja fora do escopo deste estudo. Discutiremos essas limitações mais detalhadamente abaixo.
Figura 3: Comparação da representação ocupacional nos dados de uso do Claude.ai e na economia dos EUA
Em geral, os dados revelam várias percepções:
- De acordo com nossas descobertas em nível de tarefa, as ocupações de informática e matemática apresentam a maior taxa de uso de IA associada, compreendendo 37,2% de todas as consultas.
- As ocupações de Artes, Design, Entretenimento, Esportes e Mídia foram as segundas mais comuns (10,3%), provavelmente refletindo a prevalência de marketing, redação e outros tipos de geração de conteúdo no tráfego do Claude.ai.
- As ocupações na área de educação também foram altamente representadas, incluindo as ocupações de Instrução Educacional e Biblioteca, bem como ocupações específicas de assuntos como Ocupações de Ciências da Vida, Físicas e Sociais.
- Uma parte significativa do tráfego do Claude.ai caiu em ocupações relevantes para os negócios: Ocupações comerciais e financeiras, ocupações de suporte administrativo e de escritório e ocupações gerenciais.
- Sem surpresa, as ocupações que exigem trabalho físico foram as menos presentes, por exemplo, ocupações de transporte e movimentação de materiais; ocupações de apoio à saúde; e ocupações de agricultura e pesca.
Figura 4: Profundidade do uso de IA nas ocupações
Quantas tarefas por ocupação mostram o uso de IA?
Para avaliar a profundidade da integração da IA entre as ocupações, examinamos a fração das tarefas de cada ocupação que apareceu em nossa execução do Clio.5 Conforme mostrado na Figura 4, descobrimos que o uso de tarefas de IA segue uma distribuição muito distorcida. Apenas ∼ 4% das ocupações mostram o uso de pelo menos 75% das tarefas associadas – por exemplo, em Professores de Língua e Literatura Estrangeiras (75% das tarefas), observamos o uso de IA para tarefas relacionadas à colaboração com colegas em questões de ensino e planejamento do conteúdo do curso, embora não para atividades como escrever propostas de subsídios ou manter registros de alunos. Apenas ∼11% das ocupações mostram o uso em metade ou mais de suas tarefas, como ilustrado por Gerentes de Marketing (50% das tarefas), onde vemos o uso de IA em tarefas que envolvem análise de pesquisa de mercado e desenvolvimento de estratégia, mas não em atividades como consulta de especificação de produtos ou coordenação de feiras. O quadro se amplia em limites mais baixos, onde ∼36% das ocupações veem pelo menos um quarto de suas tarefas com algum uso de IA – exemplificado por fisioterapeutas (25% das tarefas), onde observamos interações de IA em tarefas relacionadas a pesquisa e educação de pacientes, mas não em tratamento prático ou instrução de cuidados domiciliares. Essa distribuição sugere que, embora a IA possa estar presente em muitas ocupações atualmente, a integração profunda na maioria das tarefas de uma determinada ocupação permanece rara por enquanto. Em vez de automatizar completamente todas as funções de trabalho, a IA atual parece ser usada principalmente para tarefas específicas dentro das ocupações.
Demonstração de habilidades ocupacionais
O banco de dados O*NET contém 35 habilidades ocupacionais que identificam as habilidades essenciais de que os trabalhadores precisam para realizar tarefas em diferentes empregos. Elas incluem habilidades como pensamento crítico, solução de problemas complexos, persuasão e manutenção de equipamentos. Usamos o Clio para identificar todas as habilidades ocupacionais exibidas pelo modelo relevantes para uma determinada conversa do Claude.ai, mostradas na Figura 5.
Figura 5: Distribuição das habilidades ocupacionais exibidas pelo Claude nas conversas
Intuitivamente, as habilidades que exigem interação física, incluindo instalação, manutenção de equipamentos e reparos, apresentaram a menor prevalência no tráfego do Claude.ai. Por outro lado, as habilidades cognitivas, como Pensamento crítico, Compreensão de leitura, Programação e Escrita, tiveram a maior prevalência. No entanto, nossa análise capta apenas se uma habilidade foi exibida nas respostas do Claude, e não se essa habilidade foi fundamental para o objetivo do usuário ou se foi executada em um nível especializado. Por exemplo, embora a Escuta Ativa apareça como a segunda habilidade mais comum, isso provavelmente reflete os comportamentos de conversação padrão do Claude – como reformular as entradas do usuário e fazer perguntas de esclarecimento – em vez de os usuários buscarem especificamente interações focadas na escuta.
Uso de IA por salário e barreira de entrada
Também relatamos tendências de uso em duas dimensões ocupacionais adicionais presentes no O*NET: o salário médio de uma ocupação e sua barreira de entrada (ou seja, o nível de preparação necessário para uma ocupação).
Salário
A Figura 6 mostra como o uso de IA varia de acordo com o salário médio da ocupação. Constatamos que o uso atinge o pico no quartil superior dos salários com ocupações computacionais, como programadores de computador e desenvolvedores da Web. As ocupações em ambos os extremos da escala salarial mostram um uso menor. Por exemplo, garçons e anestesistas (ocupações com salários baixos e altos, respectivamente) estão entre as menos representadas nos dados, o que está de acordo com nossas descobertas de que as habilidades que exigem interação física são menos comuns em nossos dados.
Figura 6: Uso ocupacional do Claude.ai por salário anual
As ocupações no banco de dados O*NET são colocadas em Job Zones (zonas de trabalho) que variam de um a cinco, categorias definidas pela quantidade de preparação necessária para que uma pessoa desempenhe as funções de uma determinada ocupação. As ocupações que exigem níveis mais altos de educação, experiência e treinamento são colocadas em Job Zones mais altas. À medida que a Job Zone aumenta de um para quatro, o mesmo acontece com a representação dessa zona em nossos dados, chegando ao máximo na Zona 4: Considerable Preparation Needed (Preparação considerável necessária), que inclui ocupações que normalmente exigem um diploma de bacharel de quatro anos. Entretanto, a representação cai na Zona de Trabalho 5: Extensive Preparation Needed (Preparação extensiva necessária), em que a maioria das ocupações exige diplomas avançados. Esses resultados estão alinhados com nossa análise salarial, que mostrou um alto uso no quartil superior de empregos (por exemplo, desenvolvedores de software), mas um baixo uso na extremidade mais alta do espectro (por exemplo, anestesiologistas e ginecologistas), que tendem a exigir treinamento avançado. Esses resultados deixam claro que as barreiras humanas à entrada podem ser significativamente diferentes das barreiras aos modelos de idiomas. Consulte o Apêndice D.2 e a Tabela 2 para ver os resultados completos.
Barreira à entrada
Ocupações que normalmente exigem um diploma de bacharel de quatro anos. No entanto, a representação cai na Zona de Trabalho 5: Extensive Preparation Needed, em que a maioria das ocupações exige diplomas avançados. Esses resultados estão alinhados com nossa análise salarial, que mostrou um alto uso no quartil superior de empregos (por exemplo, desenvolvedores de software), mas um baixo uso na extremidade mais alta do espectro (por exemplo, anestesistas e ginecologistas), que tendem a exigir treinamento avançado. Esses resultados deixam claro que as barreiras humanas à entrada podem ser significativamente diferentes das barreiras aos modelos de idiomas. Consulte o Apêndice D.2 e a Tabela 2 para ver os resultados completos.
Automatização vs. aumento de usuários
Embora as análises anteriores revelem quais tarefas estão sendo mais usadas pela IA, elas não nos dizem como a IA está sendo usada para essas tarefas. Uma distinção importante na literatura econômica é entre automação – quando a tecnologia substitui o trabalho humano – e aumento – quando a tecnologia complementa e aprimora as capacidades humanas. Para entender qual padrão é mais predominante, usamos o Clio para classificar as conversas em um dos cinco diferentes padrões de colaboração agrupados em comportamentos automatizados versus aumentados, listados na Tabela 1. Os comportamentos de colaboração aumentativa e automática estão presentes nas interações dos usuários com o Claude.ai, com um número ligeiramente maior de conversas classificados como aumentativa (57%) do que automática (43%). Dito isso, observamos uma importante ressalva de que os usuários podem editar e ajustar a resposta que recebem do Claude fora da janela de bate-papo, o que sugere que a verdadeira proporção de conversas aumentativas pode ser ainda maior. Além disso, até mesmo a automação de tarefas simples pode servir para aprimorar os recursos humanos quando incorporada a fluxos de trabalho mais amplos orientados por humanos. Para entender melhor a distribuição de tarefas em cada um desses padrões de colaboração, consideramos como os comportamentos automatizados e aumentativos diferem em diferentes tarefas ocupacionais:
Comportamentos automáticos
A maioria das conversas de orientação consistia em tarefas de redação e outras tarefas de geração de conteúdo. Também houve uma alta porcentagem de conversas de orientação nas tarefas relevantes para os negócios, como “Elaborar e otimizar comunicações profissionais por e-mail comercial” e tarefas relacionadas a trabalhos escolares, como “Resolver diversos problemas de geometria com cálculos e provas”. A grande maioria das conversas do Feedback Loop estava relacionada à codificação e depuração, em que o usuário repetidamente retransmitia o erro recebido de volta ao modelo.
Comportamentos complementares
As conversas de Iteração de Tarefas geralmente envolviam desenvolvimento front-end (tarefas como “Auxiliar em tarefas de desenvolvimento da web e melhorias na interface do usuário” e “Criar e modificar páginas de destino e componentes-chave do site”), bem como tarefas de comunicação profissional (por exemplo, “Otimizar currículos, cartas de apresentação e formulários de emprego” e “Auxiliar na redação e comunicação profissional e acadêmica”). A porcentagem mais alta de conversas de aprendizagem ocorre em tarefas de educação geral, como “Explicar e analisar a implementação e os impactos da lei marcial”, “Oferecer conselhos sobre gastroenterologia e saúde digestiva” e “Auxiliar na programação de microcontroladores e projetos de sistemas incorporados”. A validação foi a menor categoria de conversas, e quase todas se concentraram em tarefas que discutiam traduções de idiomas.
Padrões de uso por tipo de modelo
À medida que os recursos de IA evoluem, entender como os diferentes modelos são usados pode ajudar a prever mudanças no uso entre as ocupações. Exploramos isso comparando os padrões de uso entre dois modelos do Claude: Claude 3 Opus, lançado em março de 2024, e Claude 3.5 Sonnet (novo), lançado em outubro de 2024. Nossa análise revela uma clara especialização na forma como esses modelos são usados (Figura 8). Em relação ao Sonnet, o Opus é mais usado para trabalhos criativos e educacionais (por exemplo, “Produzir e atuar em filmes, TV, teatro e música”, “Gerenciar o processo de publicação de livros e documentos”, “Projetar e desenvolver currículos e materiais educacionais abrangentes”, “Realizar pesquisas acadêmicas e divulgar os resultados”). Esses padrões se alinham com as observações generalizadas dos usuários sobre o caráter e o estilo de escrita relativamente exclusivos do Opus.7 Por outro lado, o Claude 3.5 Sonnet (novo) é preferido para tarefas de codificação e desenvolvimento de software (por exemplo, “Desenvolver e manter aplicativos de software e sites” e “Programar e depurar sistemas e máquinas de computador”), o que é consistente com avaliações externas que destacam suas habilidades de codificação relativamente fortes. Ao acompanhar esses padrões de uso nas versões do modelo em nível de tarefa, podemos entender melhor quais melhorias de capacidade geram mudanças significativas no uso da IA em diferentes setores da economia
Discussão
Apresentamos a primeira análise empírica em larga escala de como os sistemas avançados de IA estão sendo realmente usados em tarefas econômicas. Embora nosso trabalho ofereça amplas percepções sobre o uso da IA na economia, observamos as principais limitações e áreas para pesquisas futuras.
https://www.anthropic.com/research/claude-character
Limitações
Amostra de dados
Usamos instantâneos de conversas do Claude.ai Free e Pro em períodos de 7 dias.8 É possível que essa amostra não seja representativa do uso do Claude.ai em janelas de tempo mais longas e é bem provável que nossa amostra seja diferente, em aspectos importantes, dos dados da API ou dos dados de outros provedores de modelos de IA devido a diferentes recursos do modelo, características do produto e bases de usuários. Além disso, o Claude.ai só produz texto, em vez de outras modalidades. Isso afasta os principais usuários em potencial que podem depender de saídas de imagem ou vídeo (por exemplo, designers de moda). Por esses motivos, nossas descobertas devem ser interpretadas como um retrato imperfeito do uso de IA no mercado de trabalho, observando que uma compreensão mais ampla dos padrões de interação do modelo surgirá à medida que mais pesquisadores e organizações puderem compartilhar dados de uso de diversos contextos de implantação.
Confiabilidade da classificação orientada por modelos
Nosso uso do Claude para classificar as conversas dos usuários também pode introduzir possíveis inconsistências se a compreensão das tarefas pelo modelo for diferente da leitura pretendida no banco de dados O*NET. Embora realizemos a validação humana de nosso pipeline (Apêndice C), confiemos em validações anteriores do Clio [Tamkin et al., 2024] e corroboremos nossos resultados com análises em nível de cluster (Apêndice G), é importante observar que essas classificações provavelmente contêm algum ruído inerente.
Complexidade variável das consultas dos usuários
Embora nos esforcemos para excluir conversas sem relevância para qualquer tarefa ocupacional (Apêndice B), nosso método não leva em conta a complexidade das consultas dos usuários – por exemplo, fornecer instruções para uma omelete básica não indica conhecimento culinário. Consequentemente, podemos superestimar as taxas de uso de determinadas tarefas ao classificar conversas de usuários novatos.
Limitações do banco de dados O*NET
Embora o banco de dados O*NET ofereça informações valiosas sobre os setores econômicos atuais, sua natureza estática apresenta limitações importantes para analisar o impacto da IA no mercado de trabalho. O banco de dados não consegue capturar tarefas e ocupações emergentes que os sistemas de IA, como o Claude, podem criar ou transformar. Além disso, embora a O*NET capture um número muito grande de tarefas, ela não pode conter todas as tarefas da economia. Além disso, essas tarefas geralmente são escritas em termos gerais, o que gera uma ambiguidade inerente ao classificar as conversas – muitas tarefas são semelhantes em várias ocupações diferentes. Por fim, como um sistema de classificação centrado nos EUA, a O*NET pode ignorar categorias ocupacionais e tarefas significativas de outras regiões, o que pode distorcer nossa análise distributiva do uso global da Claude.ai. Isso limita nossa análise, pois os padrões de uso de IA podem variar em contextos internacionais Gmyrek et al. [2023].
Falta de contexto completo nos fluxos de trabalho do usuário
Embora nosso trabalho analise os dados de conversas no Claude.ai, nossos métodos não conseguem captar como os usuários estão usando os resultados das conversas do Claude.ai. Por exemplo, não podemos observar se os usuários estão copiando trechos de código em ambientes de desenvolvimento, incorporando sugestões de escrita em documentos, verificando as respostas em relação a outras fontes ou usando os resultados como inspiração em vez de conteúdo literal. Portanto, continua fora de alcance fazer julgamentos definitivos sobre o quanto os resultados do Claude são realmente incorporados pelos usuários em suas tarefas. Nosso objetivo é fornecer a estrutura e os resultados preliminares para que esse estudo mais aprofundado seja realizado.
Implicações e trabalhos futuros
Embora reconhecendo essas limitações, nossa análise revela várias implicações importantes para a forma como estudamos e respondemos aos efeitos econômicos da IA.
Comparação com estudos preditivos
Nossos resultados empíricos validam e desafiam as previsões anteriores sobre o impacto da IA no trabalho. Webb [2019] previu a maior exposição à IA em ocupações em torno do 90º percentil salarial, enquanto encontramos o pico de uso em ocupações com salários médios a altos, com uso notavelmente menor em ambos os extremos da distribuição salarial. Esse padrão sugere que fatores que vão além da viabilidade técnica – como custos de implementação, barreiras regulatórias e prontidão organizacional – podem estar moderando a adoção nos setores com salários mais altos. Eloundou et al. [2023] previram que 80% dos trabalhadores dos EUA poderiam ter pelo menos 10% de suas tarefas de trabalho afetadas por modelos de linguagem; em contrapartida, nossos dados empíricos mostram que a adoção atual é de ∼57% das ocupações que usam IA para pelo menos 10% de suas tarefas – menor do que o previsto, mas com tendência potencial de aproximação da previsão deles à medida que os recursos melhoram e as barreiras de adoção diminuem. No entanto, a previsão de maior uso em setores como o de saúde ainda não se concretizou em nossos dados, e observamos um uso visivelmente maior em aplicações científicas do que o esperado, destacando o impacto das barreiras específicas do setor para a difusão, bem como desenvolvimentos inesperados nos recursos do modelo. Essas discrepâncias entre as previsões e o uso real ressaltam a importância da medição empírica para compreender o impacto econômico em evolução da IA e sugerem que a viabilidade técnica, por si só, pode não ser suficiente para prever onde e como a IA será adotada em toda a economia.
Acompanhamento dinâmico do uso de IA
Nossa pesquisa oferece uma estrutura para acompanhar sistematicamente a integração da IA na força de trabalho ao longo do tempo. Ao contrário das pesquisas que capturam o comportamento autorrelatado, nossa abordagem revela os padrões reais de uso da IA conforme eles ocorrem naturalmente no local de trabalho, fornecendo um quadro mais preciso e granular da verdadeira integração. Essa capacidade atende a várias funções cruciais: permite a detecção precoce de padrões de uso emergentes, ajuda a identificar setores que se aproximam de pontos de inflexão tecnológica e revela onde as barreiras de adoção podem estar criando uma difusão desigual entre os setores. Ao monitorar a amplitude (entre as ocupações) e a profundidade (dentro de funções específicas) do uso da IA, os formuladores de políticas podem desenvolver intervenções direcionadas – seja apoiando setores que apresentam ganhos de produtividade promissores (ou atrasados) ou abordando possíveis efeitos de deslocamento em áreas de automação rápida. Um sistema de medição dinâmico oferece um tempo de espera crítico para que os formuladores de políticas e as organizações se preparem para as transições tecnológicas, em vez de responderem de forma reativa depois que as interrupções já tiverem ocorrido.
Medição em nível de tarefas
Nossas descobertas destacam a importância de analisar o uso da IA no nível da tarefa e não no nível do cargo. Atualmente, observamos o uso concentrado em tarefas específicas (por exemplo, engenharia de software, criação de conteúdo) em vez de automação total de ocupações. Se esse padrão persistir – com a IA afetando apenas um subconjunto de tarefas dentro dos empregos – isso sugere que as ocupações evoluirão em vez de desaparecerem. Entretanto, se a amplitude do uso de tarefas crescer sem sinais de saturação, isso pode sugerir a possibilidade de uma transição mais abrangente no local de trabalho.
Aumento vs. automação
Nas tarefas afetadas, a maneira como os sistemas de IA são usados pode diferir significativamente. Nossa análise revela uma distinção importante: enquanto alguns usuários empregam sistemas de IA para automatizar completamente as tarefas, outros os utilizam como ferramentas de colaboração que aprimoram suas capacidades. Essa diferença é importante tanto para os trabalhadores quanto para a produtividade. Quando a IA serve como um parceiro complementar, e não como um substituto, os estudos demonstraram maior produtividade, mantendo o envolvimento significativo dos indivíduos em seu trabalho [Noy e Zhang, 2023, Peng et al., 2023, Cui et al., 2024]. Esses padrões podem informar as prioridades das políticas – apoiando o desenvolvimento de interfaces de IA colaborativas onde elas demonstram benefícios claros, ao mesmo tempo em que garantem a preparação adequada para áreas em que a automação se torna mais predominante.
Dos padrões de uso aos impactos mais amplos
Entender como os padrões atuais de uso da IA podem se traduzir em mudanças econômicas mais amplas continua sendo um desafio importante. Embora nossos dados revelem onde a IA está sendo usada atualmente, inferir consequências de longo prazo a partir dessas tendências iniciais de uso apresenta desafios empíricos significativos [Acemoglu et al., 2022]. Por exemplo, o alto uso em determinadas ocupações pode sinalizar futuros ganhos de produtividade ou efeitos de deslocamento, enquanto a distribuição desigual do uso da IA entre os níveis salariais pode oferecer indicadores iniciais de como a IA pode remodelar as oportunidades e desigualdades econômicas. Embora nossos resultados atuais não possam mapear definitivamente essas relações, a análise longitudinal que rastreia os padrões de uso e os resultados pode ajudar a revelar os mecanismos pelos quais o uso da IA gera mudanças no local de trabalho. Em geral, nossas descobertas demonstram que a IA já começou a ser usada em uma fração significativa das tarefas econômicas. Oferecemos essa estrutura inicial para acompanhar a evolução do impacto da IA no trabalho como um ponto de partida e esperamos fazer parcerias com formuladores de políticas, economistas e outras partes interessadas para desenvolver propostas de políticas que disseminem os benefícios da IA em toda a economia.
Conclusão
Para entender como a IA afeta a economia, é necessário basear nossa análise em dados do mundo real. Nossa análise de milhões de conversas no Claude.ai revela padrões claros: O uso de IA atinge o pico no desenvolvimento de software e na redação técnica, com ∼4% das ocupações mostrando uso em três quartos de suas tarefas e ∼36% mostrando uso em pelo menos um quarto de suas tarefas. O uso se divide quase igualmente entre automação (43%) e aumento (57%) das capacidades humanas. Embora esses padrões sejam informativos, eles capturam apenas o início da integração da IA no trabalho. À medida que os sistemas de IA se expandem para além do texto e passam a lidar com vídeo, fala e ações físicas por meio da robótica, e à medida que os agentes de IA se tornam mais capazes de realizar tarefas extensas de forma autônoma, a natureza da colaboração entre humanos e IA está pronta para se transformar drasticamente. Novas tarefas e até mesmo ocupações totalmente novas podem surgir em torno desses recursos. As estruturas empíricas que acompanham essas mudanças de forma dinâmica serão fundamentais para prever e se preparar para o cenário de trabalho em evolução. O desafio que temos pela frente não está apenas em medir essas mudanças, mas em usar nossa compreensão delas para ajudar a moldar um futuro melhor.
Referências
Autores: Kunal Handa, Alex Tamkin, Miles McCain, Saffron Huang, Esin Durmus
Sarah Heck, Jared Mueller, Jerry Hong, Stuart Ritchie, Tim Belonax, Kevin K. Troy
Dario Amodei, Jared Kaplan, Jack Clark, Deep Ganguli
Fonte: Anthropic
Artigo original: https://bit.ly/4jafbTO
