OpenAI afirma que o Codex já gera 99,8% dos seus tokens de output semanais a nível interno

Os números que a OpenAI revela sobre si própria

O dado principal refere-se à própria OpenAI, não aos seus clientes: a empresa afirma que o Codex já representa 99,8% dos tokens de output gerados semanalmente dentro da OpenAI, e que o engenheiro médio produz 99% dos seus tokens de output através do Codex em vez do ChatGPT. Até agosto de 2025, em contraste, o trabalhador médio da OpenAI dedicava menos de 10% dos seus tokens ao Codex.

O artigo acumula outras medidas internas: em junho de 2026, a mediana combinada de tokens de output era, segundo o relatório, 56 vezes superior à de novembro de 2025 na área de Investigação, 32 vezes no Apoio ao Cliente, 27 vezes em Engenharia e 13 vezes em Jurídico. O número de utilizadores semanais não-programadores cresceu 137 vezes entre indivíduos, 189 vezes entre organizações e 12 vezes dentro da própria OpenAI desde agosto de 2025.

Vale a pena ter em conta: as estimativas de horizonte temporal das tarefas resultam de um LLM a avaliar transcrições do Codex, e os limiares por utilizador individual baseiam-se numa amostra aleatória de 0,1%. A própria OpenAI classifica estes números como indicativos, não exatos. Assim, a evidência mais sólida aqui é comportamental — qual ferramenta as pessoas abrem — e não uma medição rigorosa de horas de trabalho humano substituídas.

A interface passa de uma troca de mensagens para uma execução que se supervisiona

A ideia central defendida pela OpenAI é que os agentes alteram 'a unidade do trabalho de conhecimento, de interações isoladas para tarefas delegadas e de longo horizonte.' Trata-se de uma afirmação tanto sobre frontend como sobre modelos. A interface de um chatbot é a troca de mensagens: escreve-se, lê-se, escreve-se de novo. A interface de um agente é uma execução que decorre durante minutos ou horas, invocando ferramentas e iterando.

O relatório afirma que, até maio de 2026, 80,6% dos utilizadores individuais analisados tinham feito pelo menos um pedido estimado em mais de 30 minutos de trabalho humano, 70,2% em mais de uma hora, e 25,6% em mais de oito horas. Se isto for verdade, a interface onde uma pessoa passa o seu dia já não é uma caixa de mensagens. É uma fila de tarefas de longa duração, com estados intermédios, resultados parciais e pontos em que um humano tem de aceitar, rejeitar ou redirecionar.

O dado mais extremo torna isto concreto: no percentil 99, a OpenAI afirma que os utilizadores geram regularmente mais de 60 horas de atividade de agentes Codex por dia, distribuídas por múltiplos agentes em paralelo. Sessenta horas de agente num único dia só são possíveis se o humano estiver a orquestrar, não a conversar. O problema de design em aberto é o que essa pessoa efetivamente observa — porque ninguém lê 60 horas de transcrição.

Pessoal não-técnico a entrar em trabalho de engenharia

A afirmação com maior potencial de repercussão é a de que os departamentos Jurídico, Financeiro e de Recrutamento da OpenAI passaram a ter o Codex como a sua principal ferramenta de AI por volta de abril de 2026 — mais tarde do que a Engenharia, mas a um ritmo mais rápido — e que o advogado ou recrutador médio gera agora mais de 85% dos seus tokens de output através do Codex.

O mapa de calor que compara profissão com tipo de trabalho é mais comedido do que a narrativa em torno dele sugere. Em Produto / Marketing / Operações, o trabalho de conhecimento continua a ser a maior categoria, com 51%, ficando a programação/engenharia nos 25%. Em Financeiro / Operações de Negócio, o trabalho de conhecimento representa 34% e a programação/engenharia 31%. Ou seja, os não-programadores estão a realizar algum trabalho com características de programação através do Codex — automação, transformação de dados, depuração, análise estruturada — mas os dados não mostram que estejam a tornar-se engenheiros. Mostram que o custo de avançar para uma tarefa adjacente, anteriormente inacessível, desceu o suficiente para que o façam ocasionalmente.

O que uma equipa que constrói sobre isto tem realmente de conceber

Interpretado como um sinal de produto vindo da própria construção interna do fornecedor, o anúncio aponta para uma lacuna específica. Se a unidade de trabalho passa a ser uma execução longa, paralela e semiautónoma, então a parte difícil de um produto de agentes não é a chamada ao modelo — é a interface de supervisão. Como é que um recrutador ou um advogado, sem formação em engenharia, avalia o resultado de um agente que acabou de realizar uma hora de execução técnica que essa pessoa não conseguiria fazer sozinha?

Essa é a implicação concreta para quem está a lançar funcionalidades de agentes: os dados da OpenAI descrevem um mundo em que a confiança no resultado de um agente importa mais do que a capacidade bruta do agente, porque a pessoa que aprova o trabalho, cada vez mais, não o consegue verificar linha a linha. O problema de frontend implícito nos próprios números da OpenAI — pontos de verificação, resultados comparáveis, formas económicas de rejeitar e voltar a executar — é a parte que menos descrevem, e é nela que uma equipa que replique este padrão vai gastar a maior parte do seu tempo.