O relatório Economic Index, da Anthropic, traça um panorama do uso real de grandes modelos de linguagem ao analisar um milhão de interações de consumidores no Claude.ai e um milhão de chamadas de API empresariais, todas datadas de novembro de 2025. A empresa ressalta que os números vêm de observações diretas — e não de pesquisas com tomadores de decisão ou amostras genéricas.
Uso concentrado em poucos casos
O uso do Claude tende a se concentrar em um conjunto relativamente pequeno de tarefas. As dez atividades mais frequentes respondem por quase um quarto das interações de consumidores e por quase um terço do tráfego de API das empresas. Há, como era de se esperar, forte foco em criação e modificação de código.
Essa concentração no papel do AI como ferramenta de desenvolvimento de software tem se mantido estável ao longo do tempo, o que indica que o valor do modelo está mais ligado a esses tipos de tarefas. Não há, nos dados observados, um uso emergente de importância empírica em outras frentes, o que sugere que implantações amplas e genéricas de IA tendem a ser menos eficazes do que projetos centrados em tarefas onde os modelos já demonstraram resultados.
Aprimoramento (augmentation) supera automação
No ambiente de consumo, o uso colaborativo — em que o usuário interage com o modelo e refina perguntas ao longo de uma conversa — é mais frequente do que a busca por fluxos automatizados. Nas APIs corporativas o padrão é o oposto: as empresas buscam economias por meio da automação.
No entanto, o Claude entrega melhores resultados em tarefas mais curtas; à medida que a tarefa (ou a série de tarefas) se torna mais complexa e exige maior tempo de “pensamento”, a qualidade observada cai. Tarefas estimadas para levar várias horas para um humano apresentam taxas de conclusão significativamente menores do que tarefas mais curtas. Para que trabalhos longos tenham sucesso, é necessário iterar e corrigir saídas.
Quando os usuários segmentam grandes tarefas em etapas manejáveis e as submetem separadamente — seja de forma interativa ou via API — as taxas de sucesso melhoram.
Quem usa e como afeta resultados
A maior parte das consultas aos LLMs está associada a funções de colarinho branco, embora países mais pobres tendam a usar o Claude em contextos acadêmicos com mais frequência do que, por exemplo, os Estados Unidos. O relatório traz exemplos práticos: agentes de viagem podem ver o modelo assumir o planejamento complexo e manter para si as atividades mais transacionais; já em ocupações como a de gestores de imóveis, o oposto ocorre: tarefas administrativas rotineiras ficam a cargo da IA, e o trabalho que exige maior julgamento permanece com o profissional humano.
Produtividade reduzida pela necessidade de validação
Reivindicações de que a IA poderia aumentar a produtividade do trabalho em 1,8% ao ano ao longo de uma década provavelmente devem ser reduzidas para algo entre 1% e 1,2%, ao se considerar trabalho e custos extras associados. Mesmo um ganho de 1% ao longo de dez anos tem relevância econômica, mas atividades como validação, tratamento de erros e retrabalho diminuem as taxas de sucesso e exigem que executivos ajustem suas expectativas.
Os ganhos potenciais para uma organização também dependem de o trabalho atribuído ao LLM complementar ou substituir atividades humanas. No caso de substituição, o sucesso depende da complexidade do trabalho.
O relatório destaca ainda uma correlação quase perfeita entre a sofisticação dos prompts enviados ao modelo e os resultados bem-sucedidos — em suma, a forma como as pessoas usam a IA molda o que ela entrega.
Principais aprendizados para líderes
- A implementação de IA entrega valor mais rapidamente quando é focada em áreas específicas e bem definidas.
- Sistemas complementares (IA + humano) superam a automação total em trabalhos complexos.
- A confiabilidade do modelo e o trabalho extra necessário em torno da IA reduzem os ganhos de produtividade previstos.
- Mudanças na composição das equipes dependem da mistura de tarefas e da complexidade delas, não apenas dos cargos em si.
