OpenAI diz que os americanos enviam 3 milhões de mensagens diárias no ChatGPT a perguntar sobre salários

O que o relatório realmente contabiliza

A OpenAI reporta que, nos EUA, as pessoas enviam, em média, quase 3 milhões de mensagens por dia a perguntar ao ChatGPT sobre salários, remuneração ou rendimentos. A empresa dividiu as mensagens rotuladas de comparação salarial em categorias: cálculo salarial (26%), uma função específica (19%), empreendedorismo (18%), uma função específica numa empresa (11%), e questões sobre profissão ou carreira (11%).

A classificação resultou do que a OpenAI descreve como uma análise que preserva a privacidade, recorrendo a classificadores automáticos, sem qualquer pessoa a visualizar mensagens individuais. Isso é relevante para interpretar os resultados: trata-se de padrões agregados etiquetados por máquina, não de um inquérito sobre aquilo que os trabalhadores dizem usar a ferramenta para fazer.

A distribuição aponta para algo específico. A OpenAI verificou que a pesquisa salarial está sobrerrepresentada em profissões mais qualificadas e menos transparentes — áreas criativas, gestão, saúde, funções de informática e matemática — e aumenta onde os salários são mais dispersos e mais elevados. As pessoas recorrem mais à ferramenta precisamente onde é mais difícil encontrar uma referência salarial publicada.

A interface, e não o modelo, é o produto que está a ser descrito

Retirando a componente económica, isto é, no fundo, um texto sobre comportamento de frontend. A proposta é explicitamente interacional: em vez de pesquisar em vários sites, interpretar páginas de salários dispersas ou fazer uma pergunta socialmente incómoda, o trabalhador escreve um único prompt e obtém uma referência salarial em segundos.

Em vez de exigir que o trabalhador pesquise em vários sites, interprete páginas de salários dispersas ou faça uma pergunta socialmente arriscada, um modelo pode sintetizar informação salarial e devolver uma referência em segundos.Montana Labs

A expressão «pergunta socialmente arriscada» é o pormenor revelador. Parte do que a superfície de conversação altera não é a disponibilidade de 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 as perguntas sobre empreendedorismo se concentram em áreas onde «muitas vezes não existe qualquer referência salarial publicada».

Isto também significa que o design faz algo que os sites de salários não fazem: condensa pesquisa, interpretação e cálculo numa única interação. O facto de o cálculo salarial ser a maior categoria isolada (26%) sugere que as pessoas não estão apenas a procurar um número — estão a pedir à interface que faça aritmética e tradução sobre ele.

O WorkerBench coloca um número no número

Quando uma superfície conversacional devolve um único valor, esse valor carrega todo o peso da confiança — não há uma página de resultados para analisar, nem um intervalo para comparar. A OpenAI parece reconhecer isso, e é por isso que o relatório introduz o WorkerBench, que avalia o GPT-5.4 face às medianas salariais do OEWS de 2024, a nível nacional e por área metropolitana, por profissão.

A OpenAI reporta que o modelo é «altamente preciso» na amostra observada: elevada cobertura, desvio reduzido e quase todas as estimativas numéricas muito próximas da referência. A ressalva honesta está implícita no âmbito — este primeiro benchmark testa contra medianas nacionais e metropolitanas já publicadas, exatamente o caso em que a resposta já é conhecida. A empresa admite que as verdadeiras questões estão noutro lugar: «as perguntas sobre geografia, empresa, nível e remuneração que os trabalhadores realmente fazem todos os dias».

Assim, a afirmação sobre a precisão e o padrão de procura apontam em direções opostas. Os trabalhadores concentram-se sobretudo nas profissões menos transparentes, enquanto o benchmark valida precisamente as mais transparentes. O intervalo entre onde a ferramenta é considerada de confiança e onde está realmente comprovada é a parte que ainda falta resolver.

Porque é que uma resposta sintetizada muda o que os frontends devem ao utilizador

A implicação específica aqui é sobre apresentação, não sobre recuperação de informação. Um motor de pesquisa devolve fontes e deixa o utilizador julgar; uma resposta de chat devolve uma conclusão. Quando 3 milhões de mensagens diárias perguntam a uma caixa de texto quanto rende uma determinada função — e de forma desproporcionada em áreas negociáveis e de elevado risco — a interface está a ser tratada como autoridade precisamente nas questões em que está menos testada.

Para quem está a construir soluções sobre estes modelos, a conclusão é concreta: um único número apresentado com confiança numa bolha de chat precisa de transportar a incerteza que a própria OpenAI assinala. O WorkerBench é um primeiro passo para medir isso, mas até que o benchmark cubra empresa, nível e geografia, a fiabilidade da resposta fica atrás da confiança do formato. A vantagem do frontend — um único número sintetizado e claro — é também a sua fragilidade.