A rápida adoção da IA generativa

A IA generativa é tecnologia potencialmente importante, mas seu impacto depende da velocidade e da intensidade de adoção. Este artigo apresenta a primeira pesquisa norte-americana nacionalmente representativa sobre adoção de GenAI no trabalho e fora dele. Em agosto de 2024, 39% da população dos EUA entre 18 e 64 anos havia usado GenAI; mais de 24% dos trabalhadores a haviam usado pelo menos uma vez na semana anterior e quase um em cada nove a usou em todos os dias de trabalho. Comparações históricas indicam adoção mais rápida que a do computador pessoal e da internet. A tecnologia é usada em ampla variedade de ocupações e tarefas, o que é compatível com uma tecnologia de propósito geral.

ChatGPT estreou em novembro de 2022 e, em março de 2024, as ferramentas generativas mais comuns já haviam recebido mais de 3 bilhões de acessos por centenas de milhões de usuários mensais. Estudos encontram ganhos de produtividade para trabalhadores em atendimento, escrita, consultoria e programação, embora outros esperem efeitos modestos, dependentes de como a IA substitui tarefas complexas. O impacto econômico final depende de quão rápido e intensamente a tecnologia é adotada; até então, havia pouca evidência sistemática sobre quem a usa, quanto usa e para quê.

O artigo usa a Real-Time Population Survey (RPS), pesquisa nacional que segue o núcleo de perguntas e a estrutura temporal da Current Population Survey (CPS), referência mensal de mercado de trabalho do U.S. Census Bureau e do Bureau of Labor Statistics. O desenho permite ponderar a amostra pelas estimativas nacionais de emprego e rendimentos, incluir perguntas novas e acompanhar a adoção de GenAI em amostra representativa da força de trabalho.

Em agosto de 2024, 39,4% das pessoas de 18–64 anos tinham usado GenAI; 32% haviam usado na semana pesquisada e 10,6%, todos os dias. Entre ocupados, 28% usaram no trabalho, 24,2% ao menos uma vez na semana e 10,6% diariamente. Fora do trabalho, o uso era maior (32,7%), mas menos intenso: 6,4% diariamente. ChatGPT é de longe o programa mais citado, seguido de ferramentas como Google Gemini e recursos integrados a pacotes de escritório, como Microsoft Copilot.

Após dois anos, a taxa de adoção de GenAI é 39,5%, frente a 20% para a internet após dois anos e 20% para computadores pessoais após três anos — primeiro ponto mensurável. A rapidez no uso doméstico parece refletir portabilidade e baixo custo; no trabalho, GenAI e PCs tiveram adoção inicial semelhante. Assim como os PCs, o uso é mais comum entre jovens, pessoas mais escolarizadas e com maior renda. Homens têm 9 pontos percentuais a mais de probabilidade de usar GenAI no trabalho e 7 pontos a mais em casa; no início da adoção de PCs, o padrão no trabalho favorecia mulheres, possivelmente pela transição de máquinas de escrever e pela presença feminina em cargos administrativos.

A comparação com pesquisas empresariais exige cautela. Em levantamento do Census Bureau, a adoção de IA pelas empresas subiu de 3,7% em dezembro de 2023 para 5,4% em fevereiro de 2024; a diferença para o uso relatado por trabalhadores sugere que parte relevante do uso ocorre sem adoção formal pela firma. No levantamento dos autores, 27% dos ocupados disseram que o empregador incentiva GenAI: 82,9% desse grupo a utilizava, contra 7,1% entre quem não relatou incentivo.

O uso aparece em diversas ocupações e tarefas. Gestão, negócios e computação excedem 40%, mas um em cada cinco trabalhadores de colarinho azul e um em cada cinco sem diploma universitário a usam regularmente. Entre usuários no trabalho, as dez tarefas perguntadas — escrita, busca de informação, interpretação de texto/dados, programação, análise de dados e outras — registram uso de ao menos 25%; escrita, interpretação e apoio administrativo são consideradas as mais úteis.

Ao combinar frequência e intensidade relatadas, os autores estimam que de 0,5% a 3,5% de todas as horas de trabalho dos EUA recebem assistência de GenAI. Se o ganho de produtividade de 25% — a mediana de cinco estudos aleatorizados — fosse externamente válido, isso se traduziria em aumento de 0,125 a 0,875 ponto percentual na produtividade do trabalho no nível de uso de então. A conta é explicitamente cautelosa: experimentos pequenos podem não se generalizar.

2.1 Real-Time Population Survey

A RPS é pesquisa on-line de adultos de 18–64 anos conduzida pela Qualtrics, com várias ondas anuais desde 2020. Ela replica, quando praticável, a redação literal e a sequência complexa da CPS e da CPS Outgoing Rotation Group para demografia e resultados de mercado de trabalho. Essa compatibilidade permite validar emprego, horas, rendimentos, composição industrial e tempo de casa contra a CPS e construir pesos amostrais. A RPS também contém perguntas não existentes na CPS e já foi usada para estudar trabalho remoto, realocação entre empresas, migração e procura de emprego.

Em junho e agosto de 2024, incluiu módulo sobre GenAI no trabalho e em casa. As perguntas comparam diretamente a tecnologia a questões históricas da CPS sobre computador e internet. Para pessoas ocupadas, pergunta-se sobre uso no trabalho e fora dele; não ocupadas respondem se usam GenAI. A comparação tecnológica data ChatGPT em novembro de 2022, IBM PC em agosto de 1981 e abertura comercial da internet em abril de 1995.

2.2 Amostra

O painel Qualtrics tem cerca de 15 milhões de integrantes recrutados on-line e não é uma amostra aleatória; a empresa pode direcionar convites a grupos demográficos. A RPS foi desenhada para representar os EUA em gênero, idade, raça/etnia, educação, estado civil, filhos, região do Censo e renda domiciliar. O piloto de junho teve 2.551 respostas; a pesquisa principal de agosto, 5.014. Foram excluídos casos que declararam ocupação ou indústria militar e combinações incompatíveis de emprego e ocupação declarada. O artigo reporta a onda de agosto, maior e com perguntas aperfeiçoadas sobre intensidade e amplitude de uso; o Apêndice B reproduz figuras principais com junho.

As pessoas de 18–24 anos e sem mais que ensino médio aparecem sub-representadas relativamente à CPS, enquanto renda domiciliar de US$ 50 mil ou menos é sobre-representada; desempregados segundo a definição CPS também são mais frequentes na RPS. A Tabela 1 preservada compara composição da CPS e da RPS, incluindo população total e ocupados.

Para a estimação, o artigo constrói pesos por raking: ajusta iterativamente a amostra RPS às margens da CPS em idade, gênero, raça/etnia, escolaridade, estado civil, filhos, região, renda e situação de emprego. Os autores verificam a qualidade da correspondência comparando, antes e depois da ponderação, emprego, horas semanais, rendimentos, indústria, ocupação e tempo no emprego. As divergências residuais são pequenas, mas o artigo não trata a RPS como substituta sem ressalvas da CPS: o painel é recrutado on-line e a representatividade depende da ponderação e das variáveis observadas.

As ocupações são classificadas a partir do título informado em texto livre. Um modelo de linguagem codifica o título em SOC; quando a correspondência não é inequívoca, a interface mostra até cinco alternativas para confirmação do próprio respondente. O procedimento identifica uma ocupação para 97% da amostra empregada. Isso permite relacionar uso de GenAI a grandes grupos ocupacionais, mas não transforma as associações em efeito causal de ocupação, escolaridade ou renda.

Tabela 1. Composição da amostra de agosto de 2024 — CPS e RPS

Participações em percentagem; CPS é a Current Population Survey e RPS a Real-Time Population Survey.

Uso e perfil demográfico

A Figura 2 separa uso diário na semana anterior, uso em pelo menos um dia e uso anterior à semana. Entre todos, 10,9% usaram diariamente, 21,1% em ao menos um dia e 7,5% em momento anterior, totalizando 39,4%. Entre ocupados para trabalho, as parcelas são 10,6%, 13,6% e 3,9%, totalizando 28%. Fora do trabalho, 6,4%, 19,5% e 6,7%, totalizando 32,7%.

No trabalho, 32,2% dos homens usam GenAI, contra 23,3% das mulheres. O uso é de cerca de 34% para 18–39 anos, 29,5% entre 40–49 e 16,7% entre 50–64. Entre pessoas sem universidade, é 19,6%; entre bacharéis, 39,4%; e entre pós-graduados, 40,9%. Formados em STEM alcançam 46%, negócios/comunicação/economia 40% e demais áreas 22,4%. A regressão multivariada do Apêndice A.1 mantém em geral esses padrões.

3.1 Comparação com computadores e internet

A Figura 4 mede os anos desde o primeiro produto de mercado de massa. Computadores pessoais sobem de 20% no ano 3 a quase 70% no ano 22; a internet avança de 20% no ano 2 a 60% no ano 7 e, depois, a 90% nas duas décadas seguintes. A GenAI atinge 39,4% no ano 2. Quando a comparação é apenas trabalho, GenAI marca 28% no ano 2 e PCs 25% no ano 3. Os padrões por escolaridade e renda são muito próximos entre PC e GenAI; a exceção de gênero foi discutida na introdução.

A comparação temporal exige cautela. Para computadores, o primeiro ponto observável da CPS ocorre três anos após a difusão do IBM PC; para internet, as séries combinam suplementos da CPS e dados da União Internacional de Telecomunicações; para GenAI, o marco é o lançamento do ChatGPT em novembro de 2022 e o ponto disponível está no segundo ano. Os autores concluem que a adoção doméstica foi mais rápida que a dos dois antecessores, mas atribuem parte dessa diferença à ausência de compra de hardware, à portabilidade e ao custo muito menor das ferramentas generativas. No ambiente de trabalho, a trajetória inicial se parece mais com a do computador pessoal.

3.2 Uso por ocupação, indústria e tarefa

Títulos de trabalho em texto livre são associados a códigos SOC por algoritmo que identifica ocupação em 97% dos casos; quando a correspondência não é exata, o formulário mostra cinco códigos prováveis ao respondente. A adoção no trabalho é mais alta em computação/matemática (49,6%) e gestão (49,0%), seguida de negócios/finanças (41,6%) e educação (38,4%). Ainda assim, salvo serviços pessoais, todos os grandes grupos têm ao menos 20%; ocupações de colarinho azul alcançam 22,1%. Por indústria, finanças/informação/imobiliário alcança 51,2% e lazer/hospedagem, 15,2%.

Figura 5. Uso de IA no trabalho por grupo de ocupação e setor

A figura original separa o uso em todos os dias da semana anterior, em pelo menos um dia (mas não todos) e em uso anterior àquela semana. A tabela abaixo reproduz o total por grupo, isto é, a soma dessas três intensidades. O painel ocupacional usa pessoas ocupadas da RPS de agosto de 2024 (N=3.191); o setorial, N=3.216.

Notas da figura: “serviços pessoais” reúne os códigos SOC 31–39: apoio à saúde, serviços de proteção, preparação e serviço de alimentos, limpeza e manutenção e cuidados pessoais. “Colarinho azul” reúne os códigos SOC 47–53: construção, extração, instalação, manutenção e reparo, produção, transporte e movimentação. Os percentuais são a parcela de respondentes que usa IA para o trabalho, não uma medida de exposição técnica da ocupação.

Usuários da semana anterior selecionam tarefas em que receberam ajuda e as ordenam pela utilidade. No trabalho, escrita lidera (38,4% a colocam entre as duas mais úteis), seguida de tarefas administrativas (26,8%), interpretar/traduzir/resumir (23%), buscar informações (17,7%), programar (13,8%), documentação/instruções detalhadas (13,6%), gerar ideias (13,2%), apoio a clientes/colegas (11,6%), análise/visualização de dados (8,3%) e tutoria educacional (3,5%). Fora do trabalho, escrita, interpretação/resumo, assistência pessoal e ideias criativas lideram. Oito das dez tarefas profissionais são classificadas entre as duas mais úteis por ao menos 10% dos usuários. A proporção que efetivamente usa GenAI em cada tarefa supera 25% para todas as dez; escrever, buscar informação e instruções detalhadas são as mais frequentes.

3.3 Quanto a GenAI poderia elevar a produtividade?

Nos dias de uso, 25% dos usuários de trabalho relatam uma hora ou mais, 52% entre 15 e 60 minutos. A frequência e intensidade são positivamente correlacionadas: 42% dos usuários diários usam uma hora ou mais. Para cada indivíduo, os autores multiplicam horas trabalhadas pelos limites inferior e superior da frequência e duração. Por exemplo, quem usou em alguns dias por 15–60 minutos é contado no limite inferior como um dia de 15 minutos e no superior como todos menos um dos dias trabalhados, 59 minutos por dia. Usuários que não usaram na semana contam como zero.

Somando a amostra, os limites são 0,5% e 3,5% de todas as horas semanais de trabalho assistidas. O valor agregado ainda pequeno decorre principalmente da margem extensiva: 76% relatam zero hora de uso. Estudos experimentais ou quase-experimentais citados estimam ganhos de 14% em atendimento, 25% em consultoria, 26% em desenvolvimento de software, 40% em escrita e 56% numa tarefa de código. Multiplicar a mediana de aproximadamente 25% pelas horas assistidas gera 0,125–0,875 ponto percentual de produtividade. Os autores enfatizam que a projeção é especulativa: adoção inicial pode estar concentrada nos usos mais produtivos, indicando retornos decrescentes, mas a tecnologia também pode melhorar e atingir novas aplicações.

Essa conta não estima produto, salário ou emprego realizado. Ela combina um intervalo autorrelatado de minutos de uso com um intervalo de dias de uso e, depois, aplica resultados de experimentos a toda a economia. Assim, ela serve para dimensionar uma ordem de grandeza sob hipóteses explícitas; não é uma previsão do impacto macroeconômico. O artigo também destaca que o valor pode mudar em sentidos opostos: maior difusão e modelos melhores tendem a ampliá-lo, enquanto retornos decrescentes e custos de integração podem reduzi-lo.

A pesquisa nacional mostra adoção rápida e ampla: 39,4% da população norte-americana de 18–64 anos usou GenAI em agosto de 2024; 28% dos ocupados usaram no trabalho e quase um em cada nove a usou diariamente. A adoção superou a de PCs e internet em estágio comparável e alcançou ampla gama de ocupações, tarefas e setores. Quase metade dos trabalhadores de computação/matemática e gestão usa GenAI, mas também quase um quarto de trabalhadores de colarinho azul. O resultado sustenta a ideia de tecnologia de propósito geral, mas não determina por si só efeito em emprego ou salários. A intensidade atual sugere fração limitada de horas assistidas; a expansão futura depende de qualidade tecnológica, organização das empresas, incentivos e uso efetivo.

• Abbate, J. (1999). Getting small: a short history of the personal computer. Proceedings of the IEEE, 87(9), 1695–1698.
• Acemoglu, D.; Autor, D.; Hazell, J.; Restrepo, P. (2022). Artificial intelligence and jobs: Evidence from online vacancies. Journal of Labor Economics, 40(S1), S293–S340.
• Autor, D. (2024). Applying AI to rebuild middle class jobs. NBER.
• Autor, D. H.; Levy, F.; Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. Quarterly Journal of Economics, 118(4), 1279–1333.
• Beaudry, P.; Doms, M.; Lewis, E. (2010). Should the personal computer be considered a technological revolution? Journal of Political Economy, 118(5), 988–1036.
• Bick, A.; Blandin, A. (2023). Employer reallocation during the COVID-19 pandemic. Review of Economic Dynamics, 49, 58–76.
• Bick, A.; Blandin, A.; Mertens, K. (2023). Work from home before and after the COVID-19 outbreak. American Economic Journal: Macroeconomics, 15(4), 1–39.
• Bick, A.; Blandin, A.; Mertens, K.; Rubinton, H. (2024). Work from Home and Interstate Migration. Working paper.
• Bloom, D. E.; Prettner, K.; Saadaoui, J.; Veruete, M. (2024). Artificial intelligence and the skill premium. NBER.
• Bonney, K. et al. (2024). Tracking firm use of AI in real time: A snapshot from the Business Trends and Outlook Survey. NBER.
• Brynjolfsson, E.; Li, D.; Raymond, L. R. (2023). Generative AI at Work. NBER.
• Comin, D.; Hobijn, B. (2010). An exploration of technology diffusion. American Economic Review, 100(5), 2031–2059.
• Comin, D.; Mestieri, M. (2018). If technology has arrived everywhere, why has income diverged? American Economic Journal: Macroeconomics, 10(3), 137–178.
• Cui, Z. K. et al. (2024). The Effects of Generative AI on High Skilled Work: Evidence from Three Field Experiments with Software Developers. SSRN 4945566.
• Dell’Acqua, F. et al. (2023). Navigating the jagged technological frontier. HBS Working Paper 24-013.
• Deming, W. E.; Stephan, F. F. (1940). On a Least Squares Adjustment of a Sampled Frequency Table When the Expected Marginal Totals are Known. Annals of Mathematical Statistics, 11(4), 427–444.
• Eloundou, T.; Manning, S.; Mishkin, P.; Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308.
• Fletcher, R.; Nielsen, R. (2024). What does the public in six countries think of generative AI in news?
• Humlum, A.; Meyer, B. B. (2022). Artificial intelligence and college majors. Rockwool Foundation Research Unit.
• Humlum, A.; Vestergaard, E. (2024). The Adoption of ChatGPT. Becker Friedman Institute Working Paper 2024-50.
• Laughlin, L.; Song, X.; Wisniewski, M.; Xu, J. (2024). From Job Descriptions to Occupations: Using Neural Language Models to Code Job Data. Working paper.
• Leiner, B. M. et al. (2009). A brief history of the Internet. ACM SIGCOMM Computer Communication Review, 39(5), 22–31.
• Liu, Y.; Wang, H. (2024). Who on Earth Is Using Generative AI?
• McClain, C. (2024). Americans’ use of ChatGPT is ticking up, but few trust its election information. Pew Research Center.
• McElheran, K. et al. (2024). AI adoption in America: Who, what, and where. Journal of Economics & Management Strategy, 33(2), 375–415.
• Noy, S.; Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
• Peña-López, I. et al. (2009). Manual for measuring ICT access and use by households and individuals. ITU.
• Peng, S.; Kalliamvakou, E.; Cihon, P.; Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv:2302.06590.
• Pilossoph, L.; Ryngaert, J. (2023). Job Search, Wages, and Inflation. Working paper.
• US Census Bureau (2015). Current Population Survey Interviewing Material.

O artigo original inclui Tabelas A.1–A.4, Figuras A.1–A.13, Apêndice A (pesos e mensuração), Apêndice B (resultados de junho de 2024), referências e apêndice de dados. As páginas correspondentes são preservadas para manter números, intervalos, notas e especificações completas.

Tabela A.1. Preditores do uso de IA generativa no trabalho

Regressão sobre a onda de agosto de 2024 da RPS, para pessoas ocupadas de 18–64 anos (N=3.191). A categoria de referência para cada conjunto de variáveis é a omitida na tabela original.

Notas: p<0,01; p<0,05; p<0,10. A tabela identifica associações condicionais, não efeitos causais.

Figura A.1. Participação que usa produtos específicos de IA

Na onda de agosto de 2024 da RPS, com pessoas de 18–64 anos (N=4.682), os participantes podiam indicar mais de um produto; por isso, as participações não somam 100%.

Produtos incorporados incluem recursos de IA existentes em programas já utilizados, como o Microsoft Copilot.

Figura A.9. Para quais tarefas as pessoas usam IA

Percentual entre usuários de IA generativa. No trabalho, a amostra é de pessoas ocupadas (N=3.216); fora dele, a amostra inclui todos os respondentes (N=4.682). Como cada pessoa podia marcar várias tarefas, as proporções de cada painel não somam 100%.

Figura A.10. Tempo diário de uso ativo de IA

Distribuição entre usuários de IA generativa de 18–64 anos, na RPS de agosto de 2024. No painel de trabalho, N=984; fora do trabalho, N=1.444. As categorias são 0–14, 15–59 e 60 ou mais minutos por dia.

Figura A.6. Uso de IA e de computadores no trabalho, por gênero

Comparação entre a taxa de uso de IA no trabalho em 2024 e a taxa de uso de computadores no trabalho em 1984. A amostra de IA é a RPS de agosto de 2024 (N=3.216); a de computadores é o suplemento de uso de computador e internet da CPS de 1984 (N=61.708), ambas para pessoas ocupadas de 18–64 anos.

Figura B.1. Adultos em idade de trabalhar que usam IA generativa — junho de 2024

O painel B repete a medida na onda de junho de 2024 da Real-Time Population Survey (RPS), para pessoas de 18–64 anos. A intensidade separa uso em todos os dias da semana anterior, em pelo menos um dia (mas não todos) e em algum momento do mês anterior, mas não da semana anterior. A coluna “total” é a soma das três categorias.

Para “uso no trabalho”, a amostra é de pessoas ocupadas (N=1.576); para as demais linhas, inclui todos os respondentes (N=2.354).

Fonte oficial

• Bick, Blandin & Deming — The Rapid Adoption of Generative AI, NBER Working Paper 32966
• PDF oficial do NBER (versão de setembro de 2024, base desta tradução)
• Apêndice de dados do NBER