A escala muda a pergunta que a liderança precisa fazer
Em 22 de outubro de 2026, a OpenAI anunciou que a Uber começaria a disponibilizar o ChatGPT Work para mais de 30 mil profissionais em sua força de trabalho global. A expansão parte de um piloto com mil pessoas e foi apresentada como a primeira implantação, em toda a empresa, de uma plataforma de agentes voltada ao trabalho do conhecimento.
O número de acessos chama atenção, mas não é a parte mais instrutiva do anúncio. A implantação será acompanhada por uma biblioteca interna de habilidades de IA, integrações aprovadas e treinamento dedicado. Operações, finanças, marketing e produto aparecem entre as áreas envolvidas, enquanto as equipes de desenvolvimento continuam usando ferramentas próprias para suas necessidades.
A análise deste artigo é que a transição relevante não acontece quando a licença chega a todos. Ela acontece quando a organização deixa de tratar a IA como uma experiência isolada e passa a construir uma capacidade comum para escolher tarefas, conectar informações, revisar resultados e responder pelas ações. A escala amplia o valor possível, mas também amplia o custo da ambiguidade.
Um piloto descobre possibilidades, uma implantação define condições
Durante um piloto, é aceitável que participantes explorem usos diferentes e que a equipe observe onde surge utilidade. Quando o recurso alcança toda a empresa, essa abertura precisa conviver com condições mais claras. Quem pode usar cada integração, quais dados podem ser consultados e que ações exigem aprovação deixam de ser detalhes de configuração e passam a fazer parte do desenho do trabalho.
A documentação administrativa do ChatGPT Enterprise recomenda decidir responsáveis pelo ambiente, organizar grupos, configurar papéis e permissões, preparar controles de identidade, habilitar os recursos adequados e monitorar adoção e uso. A sequência importa porque convidar muitas pessoas antes de definir propriedade e acesso pode transformar dúvidas previsíveis em incidentes difíceis de reconstruir.
Isso não significa congelar todos os usos antes do lançamento. Significa criar um espaço seguro para aprender. A empresa pode liberar capacidades de forma coerente com o papel de cada grupo, oferecer um caminho para solicitar novas conexões e manter um responsável por resolver conflitos. A experimentação continua, mas deixa rastros que permitem aprender e corrigir.
A biblioteca interna deve guardar decisões, não apenas comandos
O anúncio da Uber menciona uma biblioteca interna de habilidades de IA. Em muitas empresas, uma iniciativa assim começa como uma coleção de prompts. Esse formato ajuda a dar exemplos, mas se torna insuficiente quando o agente participa de fluxos com várias etapas, fontes e ferramentas. Copiar um comando não informa, por si só, em que situação ele é adequado nem onde a revisão humana deve ocorrer.
Uma habilidade reutilizável deveria explicar o objetivo do trabalho, as entradas permitidas, as fontes preferenciais, as ações disponíveis, os critérios de qualidade e as condições de interrupção. Também precisa deixar claro quem aprova a saída e como registrar uma exceção. O texto usado para orientar o agente é apenas uma parte desse conjunto.
Essa estrutura preserva conhecimento operacional. Se uma equipe descobre que determinado relatório precisa comparar duas bases e sinalizar divergências antes de gerar uma recomendação, essa aprendizagem deve acompanhar a habilidade. Assim, quem reutiliza o fluxo recebe não só uma forma de pedir, mas o raciocínio que tornou o uso confiável.
Conectar as ferramentas diárias aumenta a necessidade de limites
Segundo o anúncio, o agente poderá trabalhar com ferramentas como Google Drive, Gmail, Google Calendar e Slack para pesquisar informações, preparar reuniões, criar apresentações, analisar dados e concluir fluxos entre aplicativos. Essa proximidade com o ambiente cotidiano reduz a distância entre uma resposta e uma ação. É justamente por isso que a governança não pode terminar na autorização inicial da conexão.
Os controles administrativos documentados pela OpenAI distinguem acesso ao aplicativo, ações disponíveis e regras de confirmação. Uma organização pode permitir leitura e ainda exigir aprovação antes de uma alteração. Também pode controlar o acesso por função e decidir como tratar novas ações introduzidas depois. Essas diferenças ajudam a evitar que a permissão para consultar uma fonte seja interpretada como autorização para modificar o sistema correspondente.
O desenho prático deve acompanhar a consequência. Preparar um rascunho de pauta é diferente de enviar uma mensagem. Analisar uma agenda é diferente de cancelar um compromisso. Consultar dados financeiros é diferente de atualizar um registro. Quando o agente atravessa ferramentas, cada passagem precisa preservar a autoridade que já existe no processo.
Capacitação precisa nascer do trabalho real
Treinar toda a empresa apenas com uma apresentação sobre recursos tende a produzir familiaridade superficial. A pessoa aprende o que o agente pode fazer, mas não necessariamente como decidir se ele deve participar de uma tarefa. Uma capacitação útil começa com situações reais da área e transforma cada uma em um exercício de definição, execução, verificação e melhoria.
Uma equipe de marketing pode praticar a preparação de um briefing a partir de materiais aprovados e depois verificar afirmações e direitos de uso. Finanças pode testar a organização de explicações para uma variação, mantendo a reconciliação e a decisão fora do alcance automático. Operações pode simular uma mudança de agenda com informações conflitantes e observar se o agente pede esclarecimento antes de agir.
O treinamento também deve ensinar a recusar uma automação inadequada. Se a fonte não está acessível, a instrução é ambígua ou a consequência não pode ser desfeita, a saída correta talvez seja interromper o fluxo. A maturidade não aparece apenas no que a equipe consegue delegar. Ela aparece na clareza com que reconhece o que ainda precisa permanecer sob análise direta.
Adoção não é o mesmo que resultado
A OpenAI informa que Uber e OpenAI pretendem compartilhar aprendizados sobre adoção, casos de uso e resultados mensuráveis conforme a implantação avance. Esse compromisso é importante porque o anúncio inicial não demonstra, por si só, um ganho de desempenho. Ele descreve a escala e as condições planejadas, não uma conclusão sobre o efeito produzido em todas as áreas.
A organização deve separar pelo menos três perguntas. As pessoas conseguem acessar e compreender o recurso? Os fluxos criados são usados de forma repetida e dentro das regras? O trabalho final melhora segundo um critério relevante para aquela atividade? Uma alta frequência pode apenas revelar curiosidade, enquanto um uso menos frequente pode resolver uma tarefa importante.
O indicador precisa seguir a finalidade. Em um processo de preparação de reunião, pode interessar se as fontes corretas foram localizadas e se as pendências ficaram visíveis. Em uma análise, pode interessar a possibilidade de verificar a origem de cada afirmação. Medir apenas volume de conversas ou tempo de uso favorece atividade, não necessariamente qualidade.
A distância entre capacidade e confiança não desaparece com um modelo melhor
Em outro texto publicado em 22 de outubro, a OpenAI descreve a lacuna de implantação como a distância entre aquilo que um modelo parece capaz de fazer e aquilo que as pessoas conseguem usar de forma confiável no trabalho. O texto defende começar pelo resultado, aprender com a operação e transformar o que funciona em uma solução repetível.
Essa perspectiva ajuda a interpretar a expansão da Uber. Um agente mais capaz pode executar tarefas mais complexas, mas ainda depende de contexto empresarial, critérios e limites. A ferramenta não conhece automaticamente a diferença entre um documento preliminar e uma política vigente, nem descobre sozinha quem tem autoridade para aceitar uma exceção.
O trabalho de implantação é tornar essas condições legíveis. Isso inclui selecionar fontes, definir proprietários, construir avaliações e observar falhas reais. A empresa não precisa customizar tudo para sempre, mas precisa compreender o suficiente para reconhecer quando uma solução genérica deixou de representar o processo que deveria apoiar.
Começar a escala por um catálogo vivo de fluxos
Uma empresa que queira aprender com esse movimento pode começar sem reproduzir a dimensão da Uber. O primeiro passo é reunir os usos já testados e classificá-los por tarefa, dados consultados, integrações, consequência e responsável. O catálogo deve distinguir ideias, experiências controladas e fluxos liberados para uso recorrente.
Cada fluxo liberado precisa ter uma versão, uma forma de relatar problema e uma data de revisão. Se a fonte muda, uma integração ganha nova ação ou a política da área é atualizada, a habilidade correspondente volta à avaliação. Esse cuidado evita que um exemplo antigo continue circulando como prática aprovada apenas porque funcionou em outro contexto.
A expansão pode então seguir evidências operacionais. Novos grupos recebem habilidades adequadas ao próprio trabalho, passam por situações de teste e ajudam a melhorar o catálogo. O centro da implantação deixa de ser a distribuição da ferramenta e passa a ser o aprendizado acumulado sobre como ela participa de decisões reais.
Conclusão
A implantação anunciada pela Uber reúne elementos que merecem atenção: um piloto anterior, acesso amplo, biblioteca interna, integrações aprovadas e treinamento dedicado. Em conjunto, eles mostram que a escala de um agente empresarial não deve ser confundida com uma simples multiplicação de contas.
Na minha visão, democratizar a IA dentro de uma empresa não é oferecer o mesmo botão a todas as pessoas. É dar condições para que cada equipe transforme conhecimento do trabalho em práticas reutilizáveis, com fontes reconhecíveis, permissões proporcionais e decisões humanas preservadas. Quero que a escala distribua capacidade sem dissolver responsabilidade.
Quando a organização aprende a registrar seus fluxos, testar limites e medir o resultado que realmente importa, o piloto cumpre sua função e deixa de ser o centro. A IA passa a integrar uma capacidade organizacional que pode evoluir com o trabalho. É essa disciplina, mais do que o alcance do lançamento, que determina se o agente será apenas novidade ou parte confiável da operação.
Fontes e referências
- OpenAI: Uber brings ChatGPT Work to all employees with OpenAI, publicado em 22 de outubro de 2026 ↗
- OpenAI Help Center: ChatGPT Enterprise admin quickstart, atualizado em 20 de outubro de 2026 ↗
- OpenAI Help Center: Admin controls, security, and compliance for plugins and apps, consultado em 23 de outubro de 2026 ↗
- OpenAI: What FDE means at OpenAI, publicado em 22 de outubro de 2026 ↗
- OpenAI: Uber uses OpenAI to help people earn smarter and book faster, publicado em 6 de maio de 2026 ↗