A empresa não deve medir acessos à IA, mas o trabalho que realmente mudou

A métrica mais fácil também pode ser a menos útil

Quando uma empresa libera uma ferramenta de inteligência artificial, os primeiros números aparecem rapidamente. Quantas licenças foram ativadas, quantas pessoas acessaram, quantas mensagens foram enviadas e quais áreas demonstraram maior interesse. Esses dados ajudam a acompanhar distribuição e adesão inicial, mas dizem pouco sobre transformação.

Uma pessoa pode abrir a ferramenta todos os dias e continuar executando o trabalho da mesma forma. Outra pode utilizá-la poucas vezes para redesenhar uma atividade crítica. Se a organização mede apenas frequência, o primeiro comportamento parecerá mais valioso, mesmo quando o segundo produz uma mudança mais relevante.

Em 22 de julho de 2026, a Anthropic anunciou um conector que permite consultar o Anthropic Economic Index diretamente pelo Claude. Segundo a empresa, o índice busca mostrar como a IA está sendo utilizada na economia, com informações organizadas em torno de ocupações, tarefas e padrões de automação ou colaboração.

O lançamento interessa aos negócios porque torna uma base de pesquisa mais acessível por meio de perguntas em linguagem natural. A contribuição mais importante, porém, não está apenas no conector. Está na unidade de observação escolhida: o trabalho real.

O cargo é amplo demais para explicar a mudança

Cargos são rótulos úteis para organizar pessoas, responsabilidades e remuneração. Eles escondem uma grande diversidade de atividades. Dois profissionais com o mesmo título podem passar o dia em tarefas muito diferentes, usar informações distintas e responder por consequências que não são comparáveis.

Por isso, perguntar se a IA substituirá uma profissão inteira costuma produzir respostas vagas. A questão empresarial mais concreta é descobrir quais tarefas já recebem apoio, quais podem ser parcialmente automatizadas, quais continuam dependentes de julgamento e quais não deveriam ser delegadas.

A pesquisa do Economic Index trabalha com essa granularidade. Os relatórios da Anthropic procuram classificar conversas por tarefas e distinguir situações em que a IA colabora com uma pessoa daquelas em que recebe maior autonomia. A própria empresa reconhece limitações metodológicas e apresenta os dados como sinais sobre o uso de Claude, não como uma fotografia completa de toda a economia.

Essa cautela é essencial. Uma fonte produzida por um fornecedor revela o comportamento dentro de seu próprio ecossistema. Ela pode indicar movimentos, levantar hipóteses e orientar perguntas. Não deve ser tratada como representação automática de todos os trabalhadores, setores ou países.

Adoção não é presença, é mudança de processo

A OCDE também diferencia a disponibilidade da tecnologia de sua incorporação efetiva nas empresas. Estudos da organização mostram que a adoção depende de competências, dados, infraestrutura, gestão e capacidade de reorganizar atividades, não apenas de acesso a uma solução.

Essa distinção ajuda a explicar por que iniciativas aparentemente bem sucedidas podem entregar pouco valor. A empresa oferece contas, promove um treinamento geral e observa crescimento de uso. Entretanto, não define quais processos deveriam melhorar, como a qualidade será verificada ou o que as pessoas farão com o tempo liberado.

Transformação começa quando uma tarefa possui um antes e um depois observável. A análise de propostas passou a considerar mais informações? O atendimento consegue recuperar contexto com menos etapas? A equipe identifica riscos que antes ficavam dispersos? O trabalho deixou de acumular em determinado ponto? Essas perguntas aproximam IA de operação.

O objetivo não é reduzir toda contribuição a uma única medida financeira. Algumas mudanças aparecem primeiro em consistência, capacidade de resposta, qualidade de documentação ou aprendizagem. O importante é que a organização consiga explicar qual trabalho mudou e por que essa mudança importa.

Automação e colaboração precisam ser medidas separadamente

Uma das escolhas analíticas do Economic Index é observar a diferença entre automação e colaboração. Essa separação é útil para líderes porque os dois modos de uso exigem desenhos de gestão diferentes.

Na colaboração, a pessoa permanece dentro do ciclo. Ela formula o problema, avalia alternativas, fornece contexto e decide como utilizar a resposta. O ganho pode aparecer como ampliação de repertório, redução do esforço inicial ou melhora na capacidade de comparar opções.

Na automação, o sistema assume mais etapas. Isso pode aumentar capacidade operacional, mas também exige critérios de controle, registro, interrupção e recuperação. Uma tarefa automatizada não deve ser medida apenas pela quantidade concluída. É necessário observar erros, exceções, revisões humanas e consequências para as etapas seguintes.

Misturar os dois modos produz indicadores enganosos. Uma equipe que utiliza IA como parceira de análise não deve ser avaliada pela mesma régua de um fluxo que envia respostas ou altera sistemas sem intervenção contínua. A pergunta correta depende do nível de autonomia.

O conector também ensina uma lição sobre dados

A Anthropic afirma que o novo conector permite fazer perguntas progressivas, começar por um setor e aprofundar a investigação até os dados subjacentes. Os conjuntos de dados continuam disponíveis para download, o que preserva a possibilidade de verificação e análise independente.

Esse desenho oferece uma referência para empresas que desejam tornar seus próprios dados acessíveis à liderança. Uma interface conversacional pode reduzir a distância entre uma base complexa e quem precisa tomar decisões. Ela não elimina a necessidade de origem documentada, definição de métricas e contexto.

Se o assistente responde sem mostrar de onde veio a informação, a facilidade de consulta pode aumentar a confiança mais rápido do que a compreensão. Se os dados internos estão incompletos ou misturam conceitos diferentes, a linguagem natural apenas torna o erro mais fácil de consumir.

O valor de um conector, portanto, depende de três elementos: uma base confiável, perguntas bem formuladas e possibilidade de examinar a evidência. Sem essa combinação, a empresa ganha uma conversa fluida, mas não necessariamente uma decisão melhor.

Cada empresa precisa construir seu próprio índice do trabalho

Nenhum índice externo consegue responder sozinho como a IA está mudando uma organização específica. A empresa precisa criar uma visão interna, proporcional ao seu tamanho e à importância dos processos envolvidos.

O primeiro passo é mapear tarefas, não apenas departamentos. Para cada atividade relevante, convém registrar objetivo, frequência, responsável, dados utilizados, impacto de um erro e forma atual de execução. Esse mapa revela onde a IA participa de maneira ocasional e onde já influencia a rotina.

O segundo passo é classificar o modo de uso. A tecnologia sugere, prepara uma primeira versão, compara opções, executa etapas ou conclui a tarefa? Quanto mais o sistema avança sozinho, maior deve ser a atenção a permissões, revisão e reversibilidade.

O terceiro passo é escolher evidências compatíveis com a finalidade. Tempo total, retrabalho, qualidade, satisfação interna, número de exceções, continuidade do serviço e capacidade de atender uma demanda antes ignorada podem ser úteis. A métrica precisa descrever o resultado desejado, e não apenas aquilo que a ferramenta registra com facilidade.

Por fim, a organização deve revisar o mapa. Modelos, integrações e processos mudam. Uma tarefa considerada experimental pode se tornar crítica, enquanto uma automação promissora pode perder relevância. Medir IA é acompanhar uma transformação contínua.

Métricas sem contexto podem premiar o comportamento errado

Indicadores influenciam escolhas. Quando a empresa celebra volume de uso, as pessoas aprendem que abrir a ferramenta e gerar mais conteúdo é sinal de progresso. Isso pode aumentar atividade sem aumentar valor.

A pressão por números também pode estimular automações desnecessárias. Uma tarefa simples, rara ou sensível talvez funcione melhor com execução humana. Colocar IA no fluxo apenas para demonstrar adoção cria custo de integração, revisão e manutenção que não existia antes.

O oposto também acontece. Uma área pode utilizar IA de forma discreta para melhorar documentação, preparar decisões ou organizar conhecimento. Como o volume de interações é pequeno, o impacto passa despercebido. A liderança perde a oportunidade de aprender com um caso relevante porque observa apenas quantidade.

Boas métricas devem proteger a empresa desses dois erros. Elas precisam reconhecer mudanças úteis mesmo quando são pouco frequentes e rejeitar atividade intensa quando não existe melhoria verificável.

A liderança precisa perguntar melhor

O novo conector foi criado para responder perguntas sobre o uso econômico da IA. Dentro das empresas, o avanço depende de líderes capazes de formular perguntas equivalentes sobre sua própria realidade.

Qual tarefa mudou? Quem ganhou ou perdeu autonomia? Onde a revisão humana se tornou mais importante? Que conhecimento precisa ser preservado? O que acontece quando a ferramenta não está disponível? Quais grupos recebem benefícios e quais absorvem o trabalho de correção? Essas perguntas conectam tecnologia, operação e responsabilidade.

Também é necessário perguntar o que ainda não aparece nos dados. Sistemas internos podem registrar solicitações concluídas e ignorar o esforço para corrigir uma entrega. Podem contar respostas enviadas e não perceber uma conversa que precisou ser retomada por uma pessoa. Podem medir velocidade e deixar de observar confiança.

A função da liderança não é transformar toda atividade em painel. É garantir que as medidas escolhidas não escondam o trabalho que sustenta o resultado.

Conclusão

O conector do Anthropic Economic Index torna mais simples explorar dados sobre como a inteligência artificial aparece em tarefas e ocupações. O lançamento também oferece uma mensagem maior para empresas: compreender a adoção exige olhar abaixo do cargo, da licença e do acesso.

Dados externos podem revelar padrões e provocar perguntas. Eles não substituem a observação dos processos internos, das pessoas envolvidas e das consequências de cada uso.

Na minha visão, uma empresa não demonstra maturidade porque muitas pessoas usam IA. Ela demonstra maturidade quando sabe explicar qual trabalho melhorou, qual trabalho apenas mudou de lugar e qual decisão continua exigindo responsabilidade humana.

A métrica decisiva não é quantas vezes a tecnologia foi acionada. É se a organização consegue reconhecer, com evidências, o que passou a fazer melhor e o que ainda precisa aprender antes de delegar mais.