A OpenAI diz que americanos enviam 3 milhões de mensagens por dia ao ChatGPT perguntando sobre salário

O que o relatório realmente mede

A OpenAI relata que pessoas nos EUA enviam, em média, quase 3 milhões de mensagens por dia perguntando ao ChatGPT sobre salários, remuneração ou ganhos. A empresa dividiu as mensagens classificadas como comparação salarial em categorias: cálculo de pagamento (26%), um cargo específico (19%), empreendedorismo (18%), um cargo específico em uma empresa (11%) e perguntas sobre profissão ou carreira (11%).

A classificação veio do que a OpenAI descreve como uma análise que preserva a privacidade, usando classificadores automatizados, sem nenhum humano vendo mensagens individuais. Isso importa para interpretar os resultados: são padrões agregados rotulados por máquina, não uma pesquisa sobre para que os trabalhadores dizem usar a ferramenta.

A distribuição aponta para algo específico. A OpenAI descobriu que a busca salarial é desproporcionalmente mais frequente em profissões de maior qualificação e menos transparentes — áreas criativas, gestão, saúde, funções de computação e matemática — e aumenta onde a remuneração é mais dispersa e mais alta. As pessoas recorrem à ferramenta principalmente onde é mais difícil encontrar um número de referência já publicado.

A interface, não o modelo, é o produto sendo descrito aqui

Tirando a economia da equação, isso é, na essência, um texto sobre comportamento de frontend. A proposta é explicitamente interacional: em vez de pesquisar em vários sites, interpretar páginas de salário espalhadas ou fazer uma pergunta socialmente desconfortável, o trabalhador digita um único prompt e recebe uma referência salarial em segundos.

Em vez de exigir que o trabalhador pesquise em vários sites, interprete páginas de salário espalhadas ou faça uma pergunta socialmente arriscada, um modelo pode sintetizar informações salariais e devolver uma referência em segundos.Montana Labs

O termo 'pergunta socialmente arriscada' é a chave. Parte do que a superfície de chat muda não é a disponibilidade da informação, mas o custo social de perguntar — uma caixa de texto não tem um colega do outro lado. Essa é uma propriedade da interface, e é por isso que perguntas sobre empreendedorismo se concentram em áreas onde 'muitas vezes não existe uma referência salarial publicada' de forma alguma.

Isso também significa que o design faz algo que sites de salário não fazem: ele condensa busca, interpretação e cálculo em uma única interação. O fato de o cálculo de pagamento ser a maior categoria isolada (26%) sugere que as pessoas não estão apenas procurando um número, estão pedindo para a interface fazer aritmética e tradução sobre ele.

O WorkerBench coloca um número no número

Quando uma superfície conversacional retorna um único valor, esse valor carrega todo o peso da confiança — não há página de resultados para conferir, nem faixa de valores para comparar. A OpenAI parece reconhecer isso, e é por isso que o relatório apresenta o WorkerBench, avaliando o GPT-5.4 contra as medianas salariais do OEWS de 2024, nos níveis nacional e metropolitano de ocupação.

A OpenAI relata que o modelo é 'altamente preciso' na amostra observada: alta cobertura, baixo viés e quase todas as estimativas numéricas muito próximas da referência. A ressalva honesta já está embutida no escopo — esse primeiro benchmark testa contra medianas nacionais e metropolitanas já publicadas, exatamente o caso em que a resposta já é conhecida. A própria empresa admite que as perguntas reais estão em outro lugar: 'as perguntas sobre geografia, empresa, nível e remuneração que os trabalhadores realmente fazem todos os dias.'

Ou seja, a afirmação de precisão e o padrão de demanda apontam em direções opostas. Os trabalhadores recorrem desproporcionalmente às profissões menos transparentes, enquanto o benchmark valida justamente as mais transparentes. A distância entre onde a ferramenta é confiável e onde ela é comprovada é o que ainda falta resolver.

Por que uma resposta sintetizada muda o que os frontends devem ao usuário

A implicação específica aqui é sobre apresentação, não sobre busca de informação. Um mecanismo de busca devolve fontes e deixa o usuário julgar; uma resposta de chat devolve uma conclusão. Quando 3 milhões de mensagens diárias perguntam a uma caixa de texto quanto um cargo paga — e desproporcionalmente em áreas negociáveis e de alto risco — a interface está sendo tratada como autoridade justamente nas questões em que é menos testada.

Para quem constrói produtos sobre esses modelos, a lição é concreta: um único número apresentado com confiança em uma bolha de chat precisa carregar a mesma incerteza que a própria OpenAI sinaliza. O WorkerBench é um começo para medir isso, mas até que o benchmark cubra empresa, nível e geografia, a confiabilidade da resposta fica atrás da confiança do formato. A vantagem do frontend — um único número limpo e sintetizado — é também a sua vulnerabilidade.