OpenAI's B2B Signals redefine a maturidade em IA pela profundidade de uso, não pelo número de licenças

O que o B2B Signals realmente mede

A OpenAI lançou o B2B Signals, um relatório recorrente construído a partir do uso corporativo agregado e desidentificado de seus produtos. O objetivo declarado é acompanhar como a IA se difunde dentro das empresas: quão profundo é o uso, quais ferramentas se correlacionam com adoção mais avançada, e onde os casos de uso estão se expandindo entre setores e funções.

A métrica principal é fora do comum. Em vez de contar licenças ou frequência de mensagens, o relatório usa tokens gerados como proxy de 'inteligência demandada'. A OpenAI deixa claro que tokens não medem valor de negócio diretamente, mas os trata como um sinal de quanto trabalho os funcionários pedem ao modelo em cada interação.

Essa escolha importa porque reformula a pergunta sobre adoção. A primeira fase da IA corporativa era sobre acesso — quem tinha as ferramentas implantadas. O argumento da OpenAI é que o acesso já não é o diferencial, e sua nova métrica foi desenhada para captar o que, segundo ela, é o diferencial agora.

A tese da profundidade e o número de 36%

A OpenAI relata que as empresas no percentil 95 de uso — sua definição de 'ponta' — agora exigem 3,5x mais inteligência por funcionário do que empresas típicas, subindo de 2x em abril de 2025. A empresa apresenta esse aumento como evidência de que a vantagem das líderes está 'começando a se acumular'.

A estatística mais determinante é menor e mais específica: o volume de mensagens explica apenas 36% dessa diferença. Se estiver correta, a maior parte da diferença entre empresas líderes e típicas não vem de enviar mais mensagens, mas de cada mensagem fazer mais — contexto mais rico na entrada, resultado mais substancial na saída.

Essa é a distinção que a OpenAI traça entre usar IA para responder perguntas e usar IA para executar trabalho complexo. Vale notar que todo esse enquadramento se apoia em tokens como substituto de complexidade, um proxy que o próprio relatório assinala como imperfeito.

Codex e a virada em direção à delegação

A diferença mais acentuada aparece nas ferramentas agênticas e avançadas. Empresas de ponta enviam 16x mais mensagens no Codex por funcionário do que empresas típicas — a maior disparidade única do relatório. ChatGPT Agent, Apps in ChatGPT, Deep Research e GPTs mostram padrões direcionais parecidos.

A OpenAI cita a Cisco como seu exemplo de produção com Codex: builds cerca de 20% mais rápidos, mais de 1.500 horas de engenharia economizadas por mês, e um aumento de 10 a 15x na velocidade de resolução de defeitos. O relatório atribui os maiores ganhos a tratar o Codex, nas palavras da Cisco, como 'parte da equipe'.

As empresas que se movem primeiro estão construindo a musculatura operacional para usar IA não só como uma interface mais rápida, mas como uma forma de redesenhar o trabalho do zero.Montana Labs

No lado da produção, o AI Claim Assistant da Travelers Insurance guia clientes pelo primeiro aviso de sinistro e cria os processos dentro dos sistemas da Travelers; a OpenAI diz esperar que o assistente lide com aproximadamente 100.000 desses atendimentos no primeiro ano. Esses são os dois exemplos citados nominalmente para sustentar a tese da delegação.

Lendo com cautela os dados de uso do próprio fornecedor

O B2B Signals é um produto de mensuração construído pelo fornecedor cujo consumo ele mesmo mede, e sua unidade central — tokens — também é a unidade de cobrança da OpenAI. A narrativa de que profundidade supera acesso, e que a adoção do Codex marca maturidade, se encaixa perfeitamente com comprar mais das ferramentas avançadas da OpenAI.

Isso não torna as descobertas erradas, mas define os termos de análise para quem as lê. As afirmações úteis e testáveis aqui são estreitas e específicas: que a profundidade por interação, e não a contagem de mensagens, explica a maior parte da diferença observada, e que as ferramentas agênticas mostram a maior dispersão entre empresas líderes e típicas.

A implicação prática para líderes de engenharia é uma questão de mensuração. Se a profundidade é o diferencial que a OpenAI descreve, então acompanhar licenças e contagem de mensagens vai sistematicamente subestimar — ou sobrestimar — onde uma equipe realmente está. O trabalho mais difícil é instrumentar quais fluxos de trabalho passaram de assistência por chat para execução delegada com uso de ferramentas, e validar se o uso intenso de tokens se traduz em resultados de negócio reais, e não apenas em contas maiores.