For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/pt/articles/anthropic-ai-work-report-agent-hours-hiri-d16b5c5e.md.
Em 16 de outubro, a Anthropic publicou dois relatórios que colocam o uso interno de IA lado a lado com as expectativas do público sobre a te...
Em 16 de outubro, a Anthropic publicou dois relatórios que colocam o uso interno de IA lado a lado com as expectativas do público sobre a tecnologia. Um analisa o emprego e o trabalho dentro da empresa. O outro compara uma pesquisa com 1.334 funcionários da Anthropic com respostas de adultos dos EUA.
O contraste é grande. Os funcionários esperam que, até 2030, a IA seja capaz de executar, em média, 75% das horas de trabalho que realizam atualmente; entre os adultos empregados dos EUA, esse número é de 28%. Para uma descoberta digna de um Prêmio Nobel até 2030, as expectativas correspondentes são de 91% entre os funcionários e 39% entre os adultos dos EUA.
São experiências e previsões diferentes, não duas medições de um futuro já definido. Para entender os relatórios, é preciso separar o que a Anthropic observou dentro de uma única empresa daquilo que os participantes acreditam que acontecerá a seguir.
O estudo da Anthropic sobre emprego combina registros internos de emprego e produção, telemetria de agentes, dados de comunicação e calendário, avaliações de contratação, pesquisas e 17 entrevistas com funcionários. Ele descreve uma organização na qual o uso de agentes se tornou rotineiro em funções técnicas e não técnicas.
Em março de 2026, o tempo de execução combinado de agentes autônomos e interativos ultrapassou pela primeira vez as horas de trabalho humano estimadas. Em agosto, apenas os agentes interativos direcionados pelos funcionários acumularam aproximadamente seis vezes as horas humanas; a organização de pesquisa chegou a cerca de 19 vezes, segundo o gráfico da fonte.
Essas comparações exigem que suas definições sejam consideradas. O tempo de trabalho dos agentes inclui inferência e uso ativo de ferramentas, excluindo esperas superiores a 30 minutos; as horas humanas são estimadas com base no número de funcionários, considerando 40 horas por semana. O software executado em paralelo pode acumular tempo rapidamente. Um tempo de execução seis vezes maior não comprova seis vezes mais trabalho útil nem seis funcionários substituídos.
Um exemplo de rede do Slack de um departamento ilustra a mudança na comunicação. A fonte descreve um aumento de 155 funcionários e 150 conversas com agentes para 237 funcionários e 7.922 conversas com agentes. Esses nós de agentes representam threads ou sessões, não milhares de colegas independentes equivalentes a pessoas.
O relatório mostra que os commits de engenharia chegaram a aproximadamente cinco vezes o nível de referência de dezembro de 2025, com aumentos também em consultas de ciência de dados, contratos processados, faturas e produção de vendas. O gráfico da fonte indica que os commits por engenheiro atingiram 5,1 vezes esse nível de referência.
A Anthropic compara, ao longo do tempo, os usuários de ferramentas de agentes com funcionários que ainda não as haviam adotado. Isso é mais informativo do que um simples total da empresa antes e depois, mas a adoção não foi aleatória. O crescimento dos negócios, as mudanças nos projetos e as características dos primeiros usuários podem influenciar a comparação.
A quantidade de código também é uma medida imperfeita de qualidade ou valor comercial. A Anthropic não relata diferenças em vários indicadores indiretos posteriores de exclusão e reversão nas comparações de código feitas dentro de cada pessoa; esses indicadores não abrangem todos os possíveis defeitos.
Os exemplos tornam concreta a mudança organizacional:
São resultados internos com escopo delimitado e relatos individuais. A afirmação de que as expectativas de uma semana se parecem com três meses em outros lugares é uma comparação feita por um entrevistado, não uma proporção de produtividade medida para toda a economia.
Uma geração mais rápida produz um segundo problema: as pessoas não conseguem inspecionar uma quantidade ilimitada de conteúdo. O gráfico da fonte estima que ler toda a produção semanal do Claude em engenharia e pesquisa exigiria aproximadamente 424 horas por pessoa.
Esse é um equivalente de tempo de leitura, calculado a partir dos tokens gerados, considerando 0,75 palavra por token e 250 palavras por minuto. Não significa que os funcionários tenham trabalhado de fato 424 horas nem que precisassem ler cada linha gerada.
Por outro lado, as sessões interativas passaram cerca de 80% do tempo de relógio à espera de uma resposta humana. Essa é uma medida de tempo ocioso, não uma taxa de falha de tarefas de 80%. As duas observações descrevem um gargalo de atenção: os agentes conseguem produzir mais, mas os humanos ainda decidem o que solicitar, revisar e colocar em prática.
Os funcionários responderam criando agentes para fazer a triagem de outros agentes, painéis de monitoramento e instruções reutilizáveis. O número de instruções permanentes registradas passou de algumas centenas para 8.500 em um ano. A parcela estimada de sessões dedicada a esse tipo de ferramentas e coordenação subiu de 10% para 22%.
Também é importante manter atualizado o contexto organizacional. Um funcionário cujo nome continuava em um documento antigo de produtos promocionais seguiu recebendo solicitações de agentes para camisetas e canecas mesmo depois que suas responsabilidades mudaram. Mais atividade de software não garante, por si só, uma memória institucional precisa.
As alterações diárias de código mescladas pela Anthropic cresceram de cerca de 2.500 em maio para mais de 30.000 em setembro. O relato de engenharia da empresa descreve a migração do monorepositório para um novo sistema de controle de versões, o Scion, ao mesmo tempo que desenvolvia ferramentas de revisão e outras ferramentas relacionadas.
Uma equipe de sete pessoas desenvolveu os sistemas e concluiu a migração em cinco meses. Em um exemplo específico, uma reescrita inicial, com o Mythos Preview, do pipeline de ingestão do Git para o Scion usou um vigésimo da memória e foi quatro vezes mais rápida que o protótipo anterior da equipe. Esses múltiplos se aplicam à comparação desse pipeline, não a toda a atividade de engenharia.
A pesquisa interna da Anthropic com funcionários, realizada em agosto, ocorreu paralelamente a uma pesquisa da Morning Consult com 10.980 adultos dos EUA. A amostra dos EUA foi ponderada para representar a população adulta nacional; a pesquisa interna não foi ponderada. Para os participantes dos EUA, as perguntas sobre o futuro foram divididas entre 2027 e 2030.
Os grupos estavam mais próximos em relação ao que a IA consegue fazer hoje do que quanto às suas capacidades futuras. Cerca de um quarto de cada grupo acreditava que a IA já conseguia conceber, conduzir e publicar um estudo científico. As expectativas para essa capacidade até 2027 divergiram: aproximadamente 90% entre os funcionários e 38% entre os adultos dos EUA.
Quanto ao próprio trabalho, os funcionários de profissões de computação, engenharia e ciências fora da Anthropic esperavam que, até 2030, a IA fosse capaz de executar 33% das suas tarefas. A estimativa chegou a 40% entre usuários regulares de IA dessas profissões, ainda abaixo dos 75% esperados pelos funcionários da Anthropic.
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
Uma geração completa de projetos para registro gratuito
Melhor para experimentar um fluxo de geração completo e ver rapidamente um primeiro rascunho do projeto.
A economia de tempo revelou outra diferença. Ao considerar uma tarefa adequada à IA e incluir a conferência e a correção, 59% dos funcionários disseram que ela levava um quarto do tempo ou menos. Entre os adultos dos EUA que usam IA no trabalho, 26% deram essa resposta; 29% disseram que a IA levava o mesmo tempo ou mais.
Essas respostas dizem respeito a tarefas adequadas, não a todo o trabalho. Elas podem refletir diferenças nas ferramentas, nos fluxos de trabalho, na seleção de tarefas, no acesso a modelos, no apoio organizacional e nas expectativas dos participantes.
Também perguntaram aos funcionários sobre o trabalho mais amplo de desenvolver um modelo de fronteira do início de 2026, incluindo a direção da pesquisa, experimentos e avaliação. A estimativa mediana era de que, naquele momento, a IA realizasse 51% do trabalho, subindo para 80% até o fim de 2027 e 95% até o fim de 2030.
O número de 95% é uma previsão pessoal proveniente de uma pesquisa interna. Não é uma medição auditada nem um compromisso oficial da Anthropic de deixar exatamente 5% do desenvolvimento para os humanos. O ponto de referência fixo no início de 2026 também difere de perguntar quanto trabalho será necessário para desenvolver o que for considerado um modelo de fronteira em 2030.
Uma discussão de pesquisa separada da Anthropic oferece exemplos mais específicos de progresso:
| Experimento ou exemplo | Resultado relatado | Limite da comparação |
|---|---|---|
| Otimização do código de treinamento de um modelo pequeno | O Mythos Preview alcançou cerca de 52 vezes a velocidade inicial; um humano experiente chegou a aproximadamente quatro vezes em quatro a oito horas | Trata-se de uma tarefa fixa de otimização de código, não de um treinamento de modelo de fronteira real 52 vezes mais rápido. |
| Pesquisa de supervisão fraca para forte | Os agentes recuperaram 97% de uma lacuna de desempenho definida, usando 800 horas acumuladas e cerca de US$ 18.000 em computação; dois humanos recuperaram cerca de 23% ao longo de uma semana | Os humanos selecionaram o problema e a rubrica, e o resultado não foi transferido de forma direta para modelos em escala de produção. |
| Escolha da próxima etapa de uma pesquisa | A sugestão do Mythos Preview foi considerada melhor em 64% de 129 casos selecionados | Os casos foram escolhidos deliberadamente porque a decisão humana original podia ser aprimorada. |
Essa condição de seleção é particularmente importante. Em um conjunto separado de 127 casos em que a escolha humana já era forte, as sugestões do modelo foram consideradas melhores em apenas cerca de 20% das vezes. Os resultados indicam melhorias em componentes específicos da pesquisa, não demonstram de forma geral que a IA superou o julgamento humano em pesquisa.
A Anthropic cresceu consideravelmente no conjunto, mas a composição das contratações técnicas mudou. O relatório de emprego afirma que a parcela de funcionários em início de carreira nos departamentos técnicos caiu de 21% para 14%, enquanto a parcela de novas contratações em início de carreira caiu de 27% para 9%.
Uma redução na proporção não significa automaticamente uma diminuição do número absoluto de trabalhadores. No entanto, ela levanta uma questão diferente: como as pessoas adquirem experiência se menos tarefas de implementação em início de carreira se transformam em empregos? O relatório da empresa aborda a realocação interna e o monitoramento de funções em risco, reconhecendo que proteger os funcionários atuais não ajuda quem nunca foi contratado.
Em geral, os funcionários não esperavam que as contratações totais da empresa fossem interrompidas: 95% esperavam que o número de funcionários aumentasse no ano seguinte. Essas são crenças dos funcionários, não um plano de contratação.
O relatório sobre expectativas também transforma as respostas da pesquisa em um modelo econômico. Os dados do adulto mediano dos EUA implicam um crescimento do PIB dos EUA de 5,4% em 2030; os do funcionário mediano da Anthropic implicam 17,1%. Esses números descrevem cenários condicionais produzidos pelo modelo, não uma taxa de crescimento medida nem uma previsão incondicional.
A fonte conclui sugerindo que a Anthropic está cerca de 18 meses à frente da adoção mais ampla. Isso pode ser interpretado como uma perspectiva econômica, mas os relatórios não estabelecem um cronograma universal de 18 meses para outras empresas. A difusão dependerá da confiabilidade, da segurança, dos custos, da regulamentação, das preferências dos clientes e da forma como o trabalho é organizado.
Não. Os 95% são a expectativa mediana dos funcionários para o fim de 2030, em resposta a uma pergunta sobre o desenvolvimento de um modelo de fronteira do início de 2026. O relatório distingue explicitamente essas estimativas pessoais de uma medição ou previsão da empresa.
Não. A comparação de tempo de execução contabiliza a execução do software e estima as horas humanas com base no número de funcionários. Para determinar o trabalho economizado, é preciso considerar os resultados das tarefas, a qualidade, o esforço de revisão e uma comparação válida com o fluxo de trabalho humano.
O número de aproximadamente cinco vezes diz respeito aos commits por engenheiro em relação a um nível de referência específico. Não comprova o mesmo ganho em todas as funções, e produzir mais código não é uma medida completa de trabalho útil.
Ele converte o volume produzido no tempo necessário para lê-lo a uma velocidade presumida. A estimativa ilustra a escala do texto gerado, não as horas reais de trabalho dos funcionários nem uma obrigação de ler tudo.
Ela demonstra uma mudança na composição das contratações de uma empresa de IA em rápido crescimento. Os resultados mais amplos dependerão da adoção, da demanda, da criação de tarefas e da maneira como os empregadores desenvolvem treinamento e planos de carreira.
O valor é um cenário implícito no modelo, produzido a partir das respostas do participante mediano da pesquisa interna. Ele depende de hipóteses sobre capacidades, adoção, economia de tempo, autonomia e transição dos trabalhadores.
As evidências internas da Anthropic mostram a expansão do uso de agentes, maior produção em várias medidas, mais trabalho dedicado à supervisão de agentes e uma parcela menor de profissionais em início de carreira nas contratações técnicas. A pesquisa com funcionários também indica expectativas de progresso da IA muito mais rápidas do que as observadas na pesquisa com o público.
Os relatórios são mais úteis quando as mudanças observadas no ambiente de trabalho, os experimentos específicos por tarefa e as previsões pessoais são tratados separadamente.
Comece com uma frase e tenha um site completo em minutos.
