A OpenAI lançou nesta semana o B2B Signals, primeiro relatório trimestral que analisa, a partir de uso anonimizado dos seus próprios produtos, como empresas adotam IA. O número-chave: empresas “de fronteira” usam 3,5 vezes mais inteligência por funcionário do que empresas típicas — comparação que era de 2x há um ano. A distância está se abrindo, não se fechando.
O dado é incomum porque sai do próprio operador da infraestrutura. OpenAI tem dezenas de milhões de contas corporativas, atravessa setores e geografias, e pôde construir um indicador agregado de uso — mensagens, complexidade, agentes — sem expor cliente específico. É telemetria de adoção em escala que nenhuma consultoria conseguiria reproduzir.
O número que importa
Frontier firms — empresas no topo do ranking de adoção — enviam 3,5x mais mensagens por funcionário do que empresas médias. Mas a métrica de volume explica apenas 36% da vantagem. O grosso da diferença vem de uso mais rico, mais complexo e mais delegado. Em outras palavras: não é só quem manda mais prompt; é quem manda prompts melhores, em fluxos mais sofisticados, com mais autonomia.
O recorte mais marcante é em ferramentas avançadas. No uso de Codex — agente de código da OpenAI — frontier firms enviam 16x mais mensagens por funcionário que empresas típicas. Esse 16x é o termômetro da diferença real. Em uma frente, o time inteiro está fazendo software com agentes; na outra, software ainda é processo artesanal com IA como copiloto eventual.
O que define uma “frontier firm”
OpenAI usa três dimensões. Profundidade: quanto cada funcionário usa IA diariamente. Abrangência: quantas funções dentro da empresa têm IA integrada ao fluxo. Delegação: quanto da tarefa é executado pelo agente, não pelo humano. Empresas no topo dos três eixos formam o cluster “frontier”. Empresas com força em apenas um eixo são consideradas avançadas, mas não fronteira.
O ponto sutil é que delegação é o multiplicador. Empresas que apenas resumem reunião e escrevem e-mail com IA ganham 10–20% de produtividade. Empresas que delegam ciclos completos — pesquisar, codificar, testar, deploy, monitorar — ganham 2–5x. A curva de retorno não é linear; é exponencial em função da delegação.
Implicações para estratégia de dados
Aqui o relatório encontra um nervo. Para delegação funcionar, o agente precisa de contexto — dados estruturados, não estruturados, e tooling para agir. A maioria das empresas brasileiras está parada em um problema anterior: dados em silos, definições inconsistentes de métrica, governança fraca. O B2B Signals expõe que a vantagem competitiva da IA não está no modelo. Está na infraestrutura de dados que alimenta o modelo.
É a velha lição das ondas anteriores — cloud, data warehouse, analytics — repetida com mais brutalidade. Quem não unificou a base, não criou definições corporativas comuns (“o que é um cliente ativo?”, “como mede churn?”), não estruturou catálogo de dados, simplesmente não consegue construir agente sério. E o gap, conforme o relatório mostra, é cumulativo.
O cenário Brasil
Conversas com CIOs de grandes empresas brasileiras nos últimos seis meses revelam padrão consistente: investimento em IA cresceu 2 a 3x, mas o investimento em fundação de dados cresceu menos da metade disso. O resultado é POC bonito, demo elogiado por C-level, e nenhum agente sobrevivendo seis meses em produção. A causa raiz quase sempre é a mesma: dado faltando, dado errado ou dado em formato inutilizável.
O dado adicional do B2B Signals que vale para o Brasil é a comparação setorial. Software e serviços profissionais lideram. Bancos e seguradoras estão no meio. Manufatura e varejo no fundo. Esse ranking é praticamente idêntico ao gap de maturidade de dados — coincidência que não é coincidência. Setores com dado bem estruturado escalam IA mais rápido, abrem mais vantagem, e o ciclo se realimenta.
Como ler o relatório sem cair em viés
Dois cuidados. Primeiro, é um relatório da própria OpenAI, com dados da própria OpenAI. A definição de “frontier” privilegia, naturalmente, empresas que usam mais OpenAI. Empresas pesadas em Claude, Gemini ou modelos abertos não aparecem com o mesmo peso. O número absoluto pode mudar quando incluirmos esse universo, mas a tendência — concentração de vantagem em quem delega mais — é consistente com outras pesquisas independentes (McKinsey, Stanford HAI, MIT).
Segundo, “mensagem por funcionário” é proxy útil, não verdade absoluta. Algumas empresas têm uso intenso vindo de poucos super-usuários. Outras têm uso distribuído. As duas geram número parecido, mas estratégia bem diferente. O recorte interno — quantos funcionários ativos por semana — provavelmente é uma métrica mais honesta do que volume bruto. OpenAI não detalha esse corte no primeiro relatório, mas deve abrir nas próximas edições.
O que o C-level brasileiro precisa fazer essa semana
Primeiro: medir. Pedir ao CIO um diagnóstico do uso atual de IA — quantos funcionários, quantas mensagens, quantos fluxos delegados de ponta a ponta. Se ninguém souber responder isso em 24 horas, esse é o primeiro problema.
Segundo: priorizar fundação de dado. Se o seu data lake é “data swamp”, se você ainda discute em reunião quem é dono da definição de “cliente”, se não tem catálogo de dados ou data products bem desenhados, seu retorno de IA será proporcionalmente menor. Trate isso como pré-requisito, não como projeto paralelo.
Terceiro: investir em delegação, não em assistência. Pare de medir sucesso de IA por “número de funcionários usando ChatGPT”. Comece a medir por “número de fluxos onde o humano só revisa o resultado, não executa o passo”. Essa segunda métrica é a que prediz vantagem competitiva.
Por último: aceite que a curva é exponencial. Se a frontier firm já está em 3,5x, e há um ano estava em 2x, em mais doze meses pode estar em 5x. O custo de ficar parado não é linear; é compounded. Empresa que adiar essa decisão por mais um ano vai descobrir, em 2027, que a concorrente já não compete em produtividade — compete em modelo de negócio inteiro.
Publicado em 11 de maio de 2026 · thinq.news
