A OpenAI divulgou uma lista de empregos que o ChatGPT já consegue substituir humanos.

A fronteira entre assistência e autonomia começa a parecer ténue.

A OpenAI afirma que os seus testes mais recentes mostram que os grandes modelos de linguagem já conseguem lidar com uma parte surpreendente das tarefas diárias em dezenas de funções. A empresa apresenta isto como apoio, não substituição, mas os detalhes parecem um novo mapa de quem faz o quê.

Um novo padrão de medida e porque importa

Numa nota técnica chamada GDPval, a OpenAI avaliou como os seus sistemas desempenham tarefas economicamente valiosas em 44 tipos de trabalho. O foco mantém-se no trabalho real. Os testes simulam atividades como análise, redação, apoio ao diagnóstico e assistência profissional.

A conclusão passa discreta. Em muitas simulações, o modelo igualou ou superou o desempenho de humanos competentes em tarefas delimitadas. Isto inclui análises estruturadas, redação jurídica rotineira, relatórios de risco e orientação ao cliente. As conclusões sugerem uma mudança na forma como se realiza o trabalho do conhecimento.

O referencial de comparação da OpenAI argumenta que os modelos atuais já concluem tarefas de alto valor com qualidade consistente, não apenas exemplos de demonstração.

Este tipo de medição é importante. Vai além de truques de festa e aborda custo, tempo e exatidão. Os executivos lêem métricas. Os trabalhadores sentem os fluxos de trabalho. Quando um referencial mostra desempenho repetível em tarefas reais, as organizações testam-no em produção.

Funções mais expostas à automação tipo ChatGPT

O estudo e os comentários de executivos apontam para funções que dependem de informação estruturada, julgamento rápido e comunicação clara. Estas funções baseiam-se em padrões. O modelo também.

• Agentes de apoio ao cliente: triagem, resolução de problemas com guiões e orientação de contas.
• Programadores de software: código modelo, refatoração, escrita de testes e documentação.
• Engenheiros industriais: análise de processos, procedimentos operacionais padrão e notas de simulação.
• Profissionais jurídicos: redação de contratos, comparação de cláusulas e pesquisa de precedentes.
• Assistentes sociais: resumos de avaliações e navegação de recursos, com supervisão.
• Enfermeiros e farmacêuticos: lembretes de protocolos, notas de admissão e verificação de interações, com supervisão.
• Detetives privados: pesquisa em fontes abertas, organização de pistas e montagem de cronologias.
• Conselheiros financeiros: memorandos de risco, resumos de portfólios e comparações de políticas.

Exposição não é o mesmo que substituição total. Significa que uma grande parte das tarefas pode ser automatizada ou fortemente assistida. Quanto mais padronizada a subtarefa, maior a exposição. Quanto mais exige presença física, empatia contextualizada ou responsabilidade complexa, menor a exposição.

O que o modelo já faz no trabalho

Em fluxos de trabalho de marketing, redige brochuras, e-mails e textos para anúncios com tom específico para o segmento. Aprende as regras da marca a partir de um manual de estilo e alguns exemplos. Revê variações até um gestor aprovar uma versão.

Em contextos clínicos, equipas testam prompts multimodais que ajudam a triar imagens de dermatologia e resumir conclusões para revisão de um enfermeiro. O sistema sugere níveis de urgência e assinala casos extremos. Um profissional valida todas as recomendações.

Em equipas jurídicas, prompts especializados montam rascunhos iniciais de contratos, comparam cláusulas com manuais de procedimentos e encontram jurisprudência relevante. Os advogados continuam a escolher a estratégia. Continuam a assinar. Simplesmente partem de um rascunho mais forte em menos tempo.

No setor financeiro, os modelos analisam relatórios, resumem fatores de risco e produzem tabelas de cenários para o analista. As pessoas verificam os números e decidem quanto à exposição. A máquina reduz o trabalho repetitivo e mantém o rastro documental organizado.

A linha entre “assistente” e “substituto” esbate-se quando 70% de uma tarefa se torna fiável, rápida e barata.

Assistência em vez de substituição mantém-se como posição oficial

A OpenAI sublinha a ideia de aumento de capacidade. A mensagem é apoiar os trabalhadores, não substituí-los. A empresa também destaca alinhamento e segurança. Os líderes enfatizam limites, auditorias e responsabilidade clara.

O discurso faz sentido num mercado de trabalho tenso. E reflete também limitações. Os modelos inventam factos (“alucinam”). Falham o contexto. Gerem melhor a sintaxe do que a ética. Estas limitações mantêm um humano no circuito em tudo o que toca saúde, direito ou finanças.

Especialistas divididos quanto à rapidez da mudança

Alguns tecnólogos defendem que a disrupção chega mais rápido do que se espera. Apontam para funções repletas de lógica que seguem modelos e regras. Essas mexem-se primeiro. Áreas criativas estão mais perto do que parece, porque a síntese de padrões adapta-se bem a estilos diferentes.

Outros veem uma narrativa de forte aumento. Esperam saltos de produtividade, não despedimentos em massa. As equipas redesenham funções para centrar as pessoas em relações, originalidade e decisões. A máquina trata da repetição. O humano é responsável pelos resultados.

Supervisão humana permanece inegociável

Indicadores de desempenho não absolvem de responsabilidade. Os modelos continuam a inventar citações. Sobreajustam-se a prompts errados. Escondem incerteza. Estes modos de falha exigem avaliadores treinados e caminhos claros de escalonamento.

A saúde precisa de validação documentada, rastreio de auditoria e limites de ação. Equipas jurídicas precisam de controlo de confidencialidade e verificação de jurisprudência. Finanças exigem gestão de risco de modelos, funções de desafio e testes de stress. Sem essa estrutura, um assistente rápido torna-se numa via rápida para más decisões.

Ninguém pode delegar a responsabilidade a um modelo. Os humanos continuam responsáveis pelo julgamento e efeitos.

Como podem agir as organizações já hoje

Líderes podem reduzir riscos e aumentar ganhos tratando a adoção como um programa operacional, não como mera instalação de gadget.

• Mapear tarefas, não empregos. Identificar subtarefas com inputs claros e resultados mensuráveis.
• Pilotar com âmbito limitado. Definir métricas de sucesso, frequência de revisão e critérios de saída.
• Manter sempre um humano no processo. Exigir validação em áreas reguladas ou de alto impacto.
• Criar bibliotecas de prompts. Padronizar instruções e referências para repetibilidade.
• Acompanhar erros e variações. Registar alucinações, escalar casos extremos e treinar prompts novamente.
• Proteger dados. Remover informação pessoal, definir regras de retenção e monitorizar acessos.
• Aperfeiçoar equipas. Ensinar técnicas de revisão, sinais de risco e como criar prompts eficazes.

Perfil de automação por função (exemplo)

O que isto significa para trabalhadores em funções expostas

Se o seu trabalho aparece na lista de funções expostas, ainda tem margem. A forma mais rápida de manter valor é envolver o modelo no seu julgamento. Controlar o enquadramento, as restrições e a decisão final. Construir o seu próprio manual de prompts e controlos de qualidade. Identificar onde o assistente poupa tempo e onde induz em erro.

Gestores podem redesenhar carreiras que recompensem competência na revisão, relação com o cliente e fluência entre ferramentas. Surgem novos títulos, como analista de operações de IA, bibliotecário de prompts e avaliador de risco. Estas funções intermediam especialistas de domínio e automação, traduzindo intenção em resultados fiáveis.

Cenário rápido em números (exemplo)

Imagine um centro de contacto com 100 agentes. Um assistente bem ajustado redige respostas para 60% dos e-mails e resolve 30% dos chats sem transferência. O tempo de tratamento cai 35% nos tickets assistidos. Realoca 20 agentes para revisão de qualidade, curadoria de dados de treino e casos complexos. A satisfação do cliente sobe se mantiver a escalada rápida e transparente. Cai se procurar apenas desvio de chamadas sem cuidar dos casos limites.

Conceitos-chave a clarificar

GDPval: um referencial que mede desempenho em tarefas de interesse empresarial e não testes abstratos. Alucinação: o modelo produz informações falsas mas plausíveis. Humano-no-circuito: processo em que uma pessoa revê ou aprova as respostas do modelo antes de agir.

Dois riscos práticos destacam-se. Primeiro, confiança exagerada, quando a equipa deixa de rever porque acha que o assistente está certo. Segundo, risco de privacidade, se inserem dados sensíveis em prompts sem controlo. Ambos os riscos diminuem quando audita amostras semanalmente e treina revisores para desafiar a máquina.

Destacam-se igualmente dois ganhos claros. As equipas produzem rascunhos mais rapidamente e documentam melhor o raciocínio. O próprio histórico torna-se um ativo de treino. Se for bem cuidado, melhora a qualidade. Se não, multiplica os erros.