Anthropic Economic Index: Cadências

Há um ano, a maior parte do uso do Claude assumia a forma de uma conversa entre um usuário e um assistente. Hoje, com o rápido crescimento do Claude Code e do Cowork, as sessões do Claude consistem cada vez mais em tarefas agênticas de longa duração. A transcrição de um chat já não captura totalmente como as pessoas estão usando IA, e nossos métodos para estudar os impactos econômicos do Claude tiveram que se adaptar rapidamente.

Para acompanhar esse ritmo, fizemos diversas mudanças em nosso pipeline de dados para o Economic Index. Nesta versão, nós:

• Amostramos dados a uma taxa mais alta, o que nos permite visualizar padrões de uso até o nível horário.
• Introduzimos um novo classificador que rotula o resultado (output) de cada conversa.
• Compartilhamos dados mais granulares, separando resultados de conversas do chat e do Cowork (juntas, "conversas do Claude") e da API 1P (primeira parte), agregados em nível mensal.¹

Descrevemos mudanças metodológicas adicionais no Apêndice. Em conjunto, essas mudanças oferecem um retrato mais claro de como a IA espelha e se difunde na vida econômica.

Além disso, anteriormente nos faltava visibilidade sobre o impacto do Claude fora das sessões dos usuários. Como as pessoas percebem que a IA está mudando seu trabalho, ou as oportunidades disponíveis para elas? O uso que fazem da IA molda suas expectativas? Em um mundo ideal, o que elas gostariam da IA? Relatamos os achados iniciais da Anthropic Economic Index Survey (Pesquisa do Anthropic Economic Index), lançada em abril de 2026.

Apresentamos uma prévia de nossos principais achados abaixo.

• No Capítulo 1, mostramos como os ritmos do mundo externo moldam o uso do Claude. Consultas relacionadas a trabalho diminuem no fim de semana, embora de forma menos dramática nas ocupações mais bem remuneradas; as pessoas tendem a pedir notícias pela manhã, e conselhos sobre sono atingem o pico por volta das 5h; solicitações relacionadas a impostos disparam perto dos prazos de declaração.

• O Capítulo 2 explora os resultados concretos que as pessoas levam de suas sessões com o Claude. Eles dependem fortemente de qual produto estão usando. O chat e o Cowork fornecem mais explicações do que o Claude Code, por exemplo. A natureza do resultado também molda as interações das pessoas com o Claude. Construir um site deixa muito mais a critério do julgamento do Claude do que traduzir um documento, onde a resposta é em grande parte determinada pelo texto. Também vemos que mais computação está associada a artefatos mais valiosos; os tokens que um determinado resultado consome aumentam com o valor estimado do trabalho.

• O Capítulo 3 apresenta os primeiros resultados da Anthropic Economic Index Survey, que vinculamos aos dados de uso do Claude por meio de nosso sistema de preservação de privacidade. Expectativas e experiências variam sistematicamente conforme a maneira como as pessoas usam o Claude: pessoas que usam o Claude do modo mais automatizado esperam que a IA assuma mais de suas tarefas no próximo ano, mas se sentem as mais otimistas sobre o que isso significa para seu trabalho, antecipando impactos positivos sobre remuneração, segurança no emprego e sentido (significado) do trabalho.

¹ Isso inclui conversas de chat e sessões do Cowork de contas de consumidor (Free/Pro/Max) tanto no Claude.ai quanto no aplicativo desktop do Claude. "API de primeira parte" ou API 1P refere-se ao tráfego de desenvolvedores roteado diretamente pela própria interface de programação da Anthropic, o que é distinto tanto do aplicativo Claude.ai voltado ao consumidor quanto de plataformas de terceiros como Amazon Bedrock ou Google Cloud Vertex. Continuamos a gerenciar dados de acordo com nossas políticas de privacidade e retenção, e nossa análise é consistente com nossos termos, políticas e acordos contratuais.

Nossa nova telemetria de preservação de privacidade, que amostra continuamente uma fatia de conversas todos os dias, nos permite estudar padrões diários e horários de uso, em contraste com as amostras de sete dias em que se baseava cada relatório anterior do Economic Index. Essas análises capturam fluxos e refluxos nos padrões de trabalho ao redor do mundo.¹

Constatamos que o uso do Claude espelha a semana de trabalho, com prompts pessoais disparando no fim de semana. Os dados horários capturam padrões intradiários — as pessoas mais frequentemente pedem conselhos sobre sono por volta das 3h e receitas por volta das 18h. Também vemos o uso refletindo datas importantes. Por exemplo, solicitações relacionadas a impostos dispararam pouco antes do prazo de declaração nos EUA, em 15 de abril.

A semana de trabalho

A parcela de conversas do chat e do Cowork² categorizadas como uso pessoal salta de cerca de 35% nos dias úteis para pouco menos de 50% nos fins de semana durante o período da amostra (Figura 1.1). Fora da semana de trabalho, as conversas dos usuários migram de correspondência comercial, textos de marketing e apresentações de slides para apoio emocional, questões médicas e conselhos de investimento. Essa mudança é maior para países de alta renda.

Um padrão semelhante está presente no Claude Code e no tráfego da API 1P (isto é, tráfego de API roteado diretamente pela Anthropic), embora ambos tenham taxas de base mais baixas de uso pessoal.³

Os clusters de solicitações⁴ nos permitem ir um nível mais fundo e ver quais tarefas específicas do Claude Code mais oscilam entre dias úteis e fins de semana. Nos fins de semana, os clusters de uso do Claude Code que mais caem incluem arquitetura de backend, depuração de API e armazenamento de dados. Os que mais aumentam incluem design de agentes de IA, trading quantitativo e jogos.

Os fins de semana também podem criar espaço para as pessoas perseguirem novos empreendimentos. Em todos os países, conversas relacionadas a abrir um negócio são mais altas no sábado e no domingo. No entanto, atividades de candidatura a vagas caem no fim de semana, junto com outras tarefas relacionadas a trabalho.⁵

Ritmos diários

Hora a hora, o uso do Claude reflete os ritmos da vida cotidiana. A Figura 1.2 mostra a frequência horária de diferentes clusters de solicitações em relação à sua média geral no tráfego global.⁶

As pessoas pedem notícias às 7h no horário local. A correspondência comercial (por exemplo, redação de e-mails) traça o arco do dia de trabalho, com um leve pico entre 10h e 11h. Um dos maiores picos é o de solicitações de receitas, que são 2,3 vezes mais frequentes às 18h em comparação com a média. Recomendações de mídia estão mais concentradas à noite, enquanto as pessoas buscam conselhos sobre sono nas poucas horas que antecedem o amanhecer.

À noite e nos fins de semana, quando as pessoas de fato recorrem ao Claude para trabalho, as tarefas tendem a se inclinar para ocupações de salários mais altos (Figura 1.3). Embora não possamos identificar conclusivamente os empregos das pessoas que fazem essas solicitações, isso pode refletir o fato de que pessoas em ocupações mais bem remuneradas — como gerentes de marketing ou programadores de computador — têm maior probabilidade de trabalhar fora do horário tradicional. Em contraste, tarefas relacionadas a empregos nos dois quartis inferiores — como telemarketing e trabalho administrativo — caem para uma parcela menor do total de conversas. Esse padrão não é impulsionado exclusivamente por tarefas de computação e matemática: quando removemos essas ocupações da análise em uma verificação de robustez, as tarefas de quartis mais altos ainda aumentaram à noite e nos fins de semana.

Dia do imposto (Tax day)

O período da amostra deste relatório abrange os prazos de declaração de imposto de renda para pessoas nos Estados Unidos. A Figura 1.4 mostra um grande pico na parcela de conversas relacionadas a impostos em torno do prazo. Em 14 de abril, clusters relacionados a impostos foram oito vezes mais comuns do que em um dia médio de maio e permaneceram aproximadamente tão altos em 15 de abril. Em 16 de abril, caíram acentuadamente.

¹ Ao longo de todo o texto, todas as análises são baseadas em classificadores que preservam a privacidade: as transcrições são lidas apenas por outra instância do Claude. Em seguida, filtramos quaisquer células com observações insuficientes para garantir uma análise que preserve a privacidade.

² Isso inclui todas as conversas realizadas nas abas de chat e Cowork tanto no Claude.ai quanto pelo aplicativo desktop do Claude. O tráfego do Claude Code e da API são apresentados separadamente.

³ "API de primeira parte" ou API 1P refere-se ao tráfego de desenvolvedores roteado diretamente pela própria interface de programação da Anthropic, o que é distinto tanto do aplicativo Claude.ai voltado ao consumidor quanto de plataformas de terceiros como Amazon Bedrock ou Google Cloud Vertex. Não inclui o Claude Code.

⁴ Veja nosso relatório do Sonnet 3.7 e o Apêndice.

⁵ Definimos atividade empreendedora como a parcela de conversas cujo cluster detalhado de solicitação é Empreendedorismo, Ideação de renda extra, Captação de capital, Monetização de criadores, E-commerce, Modelos de negócio, Negócios em saúde, Empreendedorismo social ou Negócios de eventos. Atividade de currículo são conversas em que o classificador de artefatos classificou o resultado como um currículo ou candidatura a emprego.

⁶ O horário do dia é baseado na inferência do estado a partir do endereço IP da conversa.

Neste capítulo, classificamos cada conversa no chat e no Cowork (doravante "conversas do Claude")¹ por seu artefato, que organizamos em mais de 30 categorias. Nós nos referimos ao resultado principal que o Claude produz em uma conversa — um documento, uma explicação, um trecho de código, um artigo acadêmico e assim por diante, seja apresentado em uma janela de chat ou como um documento separado — como um artefato. A lista completa de artefatos está no Apêndice.

Nosso classificador identificou 93% das conversas do Claude como produtoras de um artefato (Figura 2.1).² Os artefatos mais comuns são explicações (17% das conversas), documentos e relatórios (15%) e orientações (11%). Resultados conversacionais (como explicações ou orientações) e entregáveis escritos (como documentos ou apresentações) respondem, cada um, por cerca de um terço das conversas; código e trabalho técnico (como aplicativos ou scripts), por cerca de um sexto. O que um resultado é não diz para que ele serve: o mesmo artefato pode ser um entregável de trabalho ou um projeto pessoal. Analisamos essa divisão a seguir.

Para que serve cada artefato?

Nosso Economic Index de janeiro introduziu uma primitiva que classifica cada conversa como trabalho, pessoal ou trabalho acadêmico (coursework). Aqui, aplicamos essa divisão aos artefatos produzidos nas conversas do Claude (Figura 2.2).

Algumas categorias de artefatos são quase sempre pessoais. Mais de 80% das conversas que produzem escrita criativa, orientações e receitas foram classificadas como pessoais. Dentro das categorias, os usos pessoais e os relacionados a trabalho podem parecer bem diferentes. A escrita criativa pessoal, por exemplo, é dominada por fanfiction, construção de mundos (worldbuilding) e poesia; os 13% que são relacionados a trabalho estão majoritariamente na forma de roteiros de vídeos curtos, roteirização (screenwriting) e discursos. As categorias com maior probabilidade de serem relacionadas a trabalho incluem criação de conteúdo de marketing (80%), criação de blogs ou artigos (81%) e escrita de consultas a bancos de dados (82%).

Muitos resultados têm igual probabilidade de serem usados por razões pessoais e de trabalho, incluindo a criação de planos ou estratégias (44% relacionados a trabalho, 49% pessoais) ou tradução (42% trabalho, 44% pessoal). Por exemplo, os tipos mais comuns de artefatos de planejamento pessoal incluem roteiros de viagem e cronogramas de treino, enquanto planos relacionados a trabalho referem-se com mais frequência a estratégias empreendedoras ou de conteúdo.

Por fim, artefatos que são característicos de trabalho acadêmico incluem a criação de artigos acadêmicos e teses, materiais educacionais e consultas relacionadas a matemática, embora uma parcela não desprezível de cada um se enquadre também nas categorias de trabalho e pessoal.

Também podemos inverter a pergunta. Em vez de perguntar para que cada resultado é usado, podemos perguntar que tipo de artefatos as conversas de trabalho, pessoais e de trabalho acadêmico tendem a produzir. Conversas de trabalho produzem com mais frequência documentos e relatórios (20%), seguidos de explicações (9%), rascunhos de e-mail (7%) e análises e resumos (6%). Conversas de trabalho acadêmico parecem, em linhas gerais, semelhantes, com documentos e relatórios liderando também ali (21%), seguidos de perto por explicações (20%), materiais educacionais (11%) e artigos acadêmicos (6%). Em contraste — e não surpreendentemente — apenas 6% das conversas pessoais produzem um documento. Em vez disso, os resultados mais comuns são explicações (25%) e recomendações (22%).

O custo acompanha o valor do trabalho

Produzir esses resultados requer computação, e constatamos que a computação tende a escalar com o valor do trabalho. Medimos os custos computacionais de cada conversa em tokens — a quantidade de texto processado e gerado, incluindo o raciocínio interno do Claude — e comparamos entre ocupações mapeando a tarefa classificada de cada conversa para a ocupação que normalmente a realiza. Ao longo desta seção, restringimos nossa análise a conversas relacionadas a trabalho.

O painel esquerdo da Figura 2.3 mostra uma relação positiva entre o número mediano de tokens em nível de conversa e o salário mediano na ocupação mapeada.³ Por exemplo, gerentes de marketing ganham aproximadamente o dobro de editores (US 80 vs. US 37 por hora) e as conversas que mapeiam para suas tarefas consomem aproximadamente 2,5 vezes mais tokens. É verdade que a relação é ruidosa e há outliers notáveis. Farmacêuticos, por exemplo, ganham quase três vezes o que ganham assistentes estatísticos (US 68 vs. US 24 por hora), mas as conversas mapeadas para tarefas de farmacêuticos usam apenas cerca de um vinte avos dos tokens.

Os tokens consumidos para gerar diferentes tipos de artefatos contam uma história semelhante. Resultados mais complicados e valiosos tendem a consumir significativamente mais tokens do que resultados mais simples. Por exemplo, conversas sobre construir aplicativos usam mais de três vezes os tokens da conversa mediana. Na outra ponta do espectro, uma explicação típica usa cerca de um quinto dos tokens da conversa mediana. Cerca de 44% do gradiente salarial no consumo de tokens é explicado pelo mix de resultados — ocupações de salários mais altos têm maior probabilidade de produzir artefatos intensivos em computação.

Por que isso importa economicamente? Em conversas mapeadas para ocupações de salários mais altos, o Claude produz mais (1,34 vez mais resultado por turno), enquanto os usuários se engajam mais (1,53 vez mais turnos) e habilitam o pensamento estendido (extended thinking) com mais frequência (34% das conversas versus 31%; Tabela 2.4). Crucialmente, esses fatores se movem juntos: mais produção por parte do Claude não significa menos por parte do usuário. Se o humano permanece envolvido nas tarefas de maior valor, o padrão parece mais ampliador do trabalho (labor-augmenting) do que substitutivo do trabalho (labor-displacing). Isso também mostra que, até certo ponto, resultados mais valiosos custam mais. A próxima seção examina quanto da tomada de decisão dentro de cada conversa é delegado ao Claude.

Quanta autonomia o Claude tem para decidir por conta própria?

Medimos isso em uma escala de 1 a 5, de "nenhuma" a "extrema". Tarefas fáceis de descrever ou especificar envolvem pouca autonomia: os resultados de menor autonomia são matemática ou cálculos, traduções e perguntas e respostas (Q&As). Tarefas de alta autonomia são aquelas que exigem seleção entre muitas escolhas possíveis, por exemplo, criar aplicativos e sites, jogos ou apresentações. Esse tipo de trabalho, que requer julgamento sustentado, historicamente foi difícil de automatizar. Ao comparar o nível de autonomia no chat do Claude e no Cowork com o Claude Code, mostramos que isso está começando a mudar.

Em quase todos os tipos de resultado (26 dos 31 resultados mostrados), o nível de autonomia da IA é maior no Claude Code do que no chat ou no Cowork.⁴ Por exemplo, conversas que produzem scripts e trechos de código envolvem 0,53 ponto a mais de autonomia (em média, na escala de 1 a 5) quando criadas com o Claude Code do que conversas que produzem o mesmo resultado no chat ou no Cowork. Em todas as conversas, a diferença média de autonomia é de 0,37 ponto, e ela tem duas fontes principais.⁵

Aproximadamente dois terços da diferença são explicados pelas mesmas tarefas serem executadas com mais delegação no Claude Code. Posts de blog e artigos ilustram isso: as solicitações e tarefas por trás deles são semelhantes nas duas superfícies, mas a maneira como as pessoas trabalham com o Claude difere acentuadamente. A conversa mediana de chat e Cowork que produz um post de blog ou um artigo envolve 13 rodadas de idas e vindas, enquanto a sessão mediana do Claude Code que produz um blog contém um único prompt humano. O terço restante reflete o mix diferente de tipos de resultado entre as duas superfícies.

Pode-se suspeitar que essa diferença simplesmente reflita a escolha do modelo. Sessões do Claude Code rodam nos modelos mais capazes com muito mais frequência (54% são atendidas pelo Opus, contra 10% das conversas de chat e Cowork). No entanto, a diferença persiste quando comparamos conversas atendidas pelo mesmo modelo. Por exemplo, entre conversas que usam o Sonnet, as sessões do Claude Code ainda mostram 0,26 ponto a mais de autonomia, sugerindo que o produto utilizado é provavelmente mais importante do que o modelo subjacente.

Afastando-nos da comparação entre superfícies, os tipos de resultado nos quais os usuários mais delegam são os mesmos que mais consomem computação: entre os artefatos, a autonomia média e o uso mediano de tokens sobem juntos (r = 0,68 no chat e Cowork; Figura A.2 do Apêndice).

O Claude responde acima do nível em que foi perguntado

Para cada conversa, um classificador estima dois níveis de leitura — um para o prompt do usuário, outro para a resposta do Claude — expressos como os anos de educação necessários para compreender o texto.⁶ Constatamos que o nível de leitura varia amplamente dependendo do tipo de artefato. Uma consulta média que resulta em um artigo acadêmico exigiria mais de 16 anos de educação, aproximadamente equivalente ao nível de bacharelado, e 15% dessas conversas estão em nível de doutorado ou acima (20 ou mais anos de educação). Na outra ponta do espectro estão conversas que resultam em receitas ou orientações, onde menos de 10 anos de educação são necessários para compreender o prompt.

Em geral, tipos de artefato com resultados de nível de leitura mais alto também têm prompts de nível de leitura mais alto (uma correlação de 0,87 entre conversas). No entanto, também observamos que, em quase todas as categorias, o resultado do Claude está em um nível de compreensão mais alto do que o prompt, em cerca de um ano de educação, em média. A diferença é maior onde os usuários descrevem algo a ser construído, como imagens e gráficos (+2,6 anos), jogos (+1,9) e aplicativos e sites (+1,7). Parte da diferença pode ser simplesmente registro (linguístico); prompts são frequentemente sucintos e informais, enquanto o Claude tende a responder em prosa polida. No entanto, a diferença é próxima de zero para escrita voltada ao público (blogs −0,1, artigos acadêmicos +0,0, e-mail +0,3), possivelmente porque os prompts tipicamente já trazem rascunhos de linguagem ou material-fonte escrito no mesmo registro do resultado pretendido.

¹ Os dados neste capítulo cobrem conversas de chat e Cowork amostradas entre 10 de abril e 10 de junho de 2026. Onde a discussão sobre autonomia compara superfícies, sessões do Claude Code do mesmo período estão incluídas. Os salários são do BLS OEWS, versão de maio de 2025.

² "Nenhum" é uma categoria abrangente para as conversas que não geraram um resultado concreto proeminente. Isso pode incluir trocas breves ou abandonadas, casos que resultaram em erro ou casos em que o Claude fez uma pergunta esclarecedora e o usuário não deu continuidade.

³ Usamos médias geométricas para as contagens de tokens em nível de conversa, uma vez que essa variável é extremamente assimétrica à direita — um pequeno número de conversas usa várias ordens de magnitude mais tokens do que uma conversa "típica". A relação é muito semelhante se usarmos medianas ou se ponderarmos os tokens por seu respectivo custo para levar em conta o mix de modelos usados. Há algumas exceções notáveis, incluindo ocupações médicas.

⁴ Para um panorama mais completo do Claude Code, veja nosso relatório complementar.

⁵ A maior exceção é dados e planilhas, onde as conversas do Claude.ai envolvem mais autonomia do que o Claude Code (3,09 vs. 2,74). Isso é majoritariamente composicional: cerca de 70% da diferença reflete um mix diferente de tarefas. No Claude.ai, esse resultado tende a modelagem financeira e dashboards, onde o Claude projeta a estrutura; no Claude Code, tende a extração estruturada e marcação (tagging), onde a especificação é precisa. O Cowork, onde o trabalho com dados e planilhas é ao mesmo tempo super-representado e especialmente autônomo, responde por parte do acréscimo do Claude.ai.

⁶ Para detalhes do prompt usado para essa classificação, veja o Apêndice do nosso relatório de março.

Os dois primeiros capítulos mostram como as pessoas usam o Claude, mas não dão muita visão sobre as maneiras como as pessoas vivenciam a IA no trabalho — como esperam que seus empregos e locais de trabalho mudem, como se sentem em relação ao impacto atual e potencial da IA, e o que esperam da tecnologia. Nossas entrevistas com 81.000 usuários do Claude, conduzidas em dezembro de 2025 com o Anthropic Interviewer, deram um retrato: os respondentes relataram grandes ganhos de produtividade, mas também expressaram preocupação com deslocamento (perda de posto). Essas preocupações estavam concentradas entre trabalhadores em início de carreira e ocupações nas quais observamos o Claude realizando o maior volume de trabalho.¹

Em abril de 2026, lançamos a Anthropic Economic Index Survey para dar continuidade a esse trabalho. A pesquisa nos permite perguntar às pessoas diretamente sobre sua experiência com IA e trabalho, e explorar como as respostas variam conforme o uso do Claude. Vinculamos as respostas da pesquisa aos dados de uso de meados de maio ao início de junho usando métodos de preservação de privacidade. Para caracterizar os padrões de uso de cada respondente, amostramos aleatoriamente até 20 sessões por pessoa dentro dessa janela de tempo (entre Claude.ai, Cowork e Claude Code, de modo que o mix de sessões reflita o uso típico de cada pessoa entre superfícies). Excluímos respondentes com menos de cinco sessões para reduzir o ruído de amostragem. Nossa amostra vinculada final consiste em cerca de 9.700 respondentes da pesquisa.

Constatamos que a maioria dos respondentes espera progresso significativo da IA no próximo ano. Embora a percepção das pessoas sobre as capacidades da IA dependa de sua experiência, de onde vivem e de quão exposto seu trabalho está à IA, suas expectativas sobre o ritmo do progresso futuro são notavelmente uniformes, consistentes com uma "maré crescente", na qual as capacidades da IA melhoram de forma ampla.

As visões sobre o que esse progresso significa para suas próprias carreiras são menos uniformes. Trabalhadores em início de carreira relatam que a IA pode fazer a maior parcela de seu trabalho e expressam a maior preocupação com perda de emprego. No entanto — contrariamente a uma preocupação comum — as pessoas que mais delegam ao Claude são as mais otimistas sobre seus futuros resultados no mercado de trabalho, e sentem que suas habilidades estão ganhando valor. E apesar de (ou talvez por causa de) sua proximidade com a fronteira da IA, as esperanças do respondente médio para a próxima década centram-se não na substituição, mas na colaboração. Eles esperam que a IA possa preservar o trabalho significativo e automatizar o trabalho maçante, e que seus ganhos sejam amplamente compartilhados.

Quem respondeu à Economic Index Survey

A Economic Index Survey não é representativa da população geral. Alcançamos uma amostra aleatória de usuários do Claude, pode haver seleção em quem completa a pesquisa, e filtramos usuários infrequentes de nossa análise.

A Figura 3.1 mostra o mix ocupacional dos respondentes da pesquisa (laranja) ao lado do emprego nos EUA (cinza). Ocupações de Computação e Matemática são as mais fortemente super-representadas, compondo cerca de 30% dos respondentes da pesquisa — comparável à sua parcela de uso do Claude, mas muito acima de sua parcela de 4% do emprego nos EUA. Gestão (Management), com 23% dos respondentes,² também está fortemente super-representada em relação à sua parcela de 7% do emprego, embora responda por apenas 4% das sessões. Essa lacuna é consistente com gestores usando o Claude para tarefas que não a gestão em si: na pesquisa, julgamento e gestão são citados por muitos respondentes (especialmente aqueles com mais experiência) como capacidades que faltam à IA. Categorias de ocupações físicas como Transporte e Movimentação de Materiais, Preparação e Serviço de Alimentos e Construção e Extração estão todas sub-representadas na pesquisa, assim como estão nas sessões do Claude.

IA e tarefas de trabalho

Pesquisas sobre impactos da IA frequentemente se concentram na exposição ocupacional, ou seja, que parcela das tarefas dentro de um determinado emprego é factível com IA. Em trabalhos anteriores, construímos uma medida de exposição observada, que captura a parcela de tarefas ocupacionais que já vemos sendo feitas com o Claude. Nós a comparamos a uma medida comumente usada de exposição teórica, ou a parcela de tarefas ocupacionais que um grande modelo de linguagem poderia teoricamente fazer.

Outra maneira de entender a exposição ocupacional é simplesmente perguntar às pessoas quanto de seu trabalho a IA é capaz de fazer. Perguntamos aos respondentes que parcela de suas tarefas de trabalho a IA poderia fazer inteiramente por conta própria hoje (doravante exposição relatada), e que parcela esperam que ela assuma em 12 meses (exposição antecipada), com a opção de selecionar entre 5 faixas variando de "quase nenhuma" a "quase todas". Cerca de 6 em cada 10 respondentes escolheram uma faixa mais alta para o próximo ano do que para hoje. Mais de um terço espera que a IA seja capaz de fazer a maior parte ou quase todas as suas tarefas de trabalho no próximo ano (Figura 3.2).

A Figura 3.3 compara a exposição relatada e a antecipada com a exposição observada e a teórica. Perguntamos se o que as pessoas relatam e antecipam que a IA pode fazer se alinha com as medidas de exposição observada e teórica entre ocupações, e se respondentes cujas ocupações pontuam mais alto em exposição observada ou teórica esperam progresso mais rápido no próximo ano. Na primeira questão, a resposta é sim: a exposição relatada (pontos cinza) está positivamente correlacionada tanto com a exposição observada quanto com a teórica. Na segunda, a resposta é não: as linhas de melhor ajuste para a exposição relatada e a antecipada daqui a 12 meses (pontos laranja) são essencialmente paralelas, o que significa que pessoas em funções com alta exposição observada ou teórica esperam aproximadamente o mesmo incremento na parcela de suas tarefas de trabalho que a IA pode fazer ao longo do próximo ano que aquelas em funções com menos exposição observada e teórica.⁴ Em outras palavras, um engenheiro de software e um gerente de construção antecipam aproximadamente o mesmo incremento de progresso dentro de sua profissão.

Também vale notar que a exposição relatada excede sistematicamente a exposição observada. Uma explicação para isso é que nem todo mundo executa todas as tarefas de uma ocupação, e nossa pesquisa alcança desproporcionalmente aqueles que usam mais IA.⁵ Analogamente, uma vez que a exposição teórica é um limite superior sobre o que é possível, em vez de uma medida de uso atual, a exposição teórica sistematicamente superestima a exposição relatada.

Também examinamos como as percepções sobre as capacidades atuais e futuras da IA se relacionam com as características e os padrões de uso dos respondentes. O painel esquerdo da Figura 3.4 mostra que as percepções sobre as capacidades da IA estão negativamente correlacionadas com o PIB do país:⁶ a parcela média de tarefas que as pessoas relatam que a IA pode fazer por elas agora é cerca de 10 pontos percentuais menor entre países de alta renda. Esse padrão é consistente com a possibilidade de que a IA substitua uma parcela maior das tarefas que os trabalhadores em países de renda mais baixa realizam no dia a dia, mesmo que métricas de exposição em nível ocupacional — que tendem a ser mais altas em economias avançadas — sugiram o contrário. De fato, o FMI observou que, embora as economias avançadas enfrentem uma exposição mais ampla à IA no geral, os trabalhadores em países de renda mais baixa podem ter menos acesso às habilidades complementares e à infraestrutura que permitem que a IA amplie, em vez de substituir, seu trabalho. Em trabalhos anteriores, documentamos que economias de renda mais baixa tendem a usar o Claude de maneiras mais automatizadas, mesmo ajustando para diferenças no mix de tarefas.

O painel do meio mostra que a exposição relatada e a antecipada também estão negativamente correlacionadas com os anos de experiência de trabalho.⁷ Pessoas com pelo menos 15 anos de experiência estimam essa parcela de tarefas que a IA pode fazer cerca de 10 pontos percentuais mais baixa do que aquelas em seu primeiro ano de trabalho. Encontramos evidências de que isso pode ocorrer porque trabalhadores experientes acumularam expertise tácita ou específica ao contexto que é difícil para uma IA imitar. Em perguntas de acompanhamento, perguntamos às pessoas que tarefas elas achavam que a IA nunca seria capaz de fazer e por quê; as respostas mais comuns enfatizaram que a IA carece do julgamento, da consciência contextual e do raciocínio situacional que seu trabalho exige. Os respondentes, e desproporcionalmente aqueles com pelo menos 15 anos de experiência, também apontaram as dimensões relacionais e interpessoais de seus empregos — construir confiança e gerenciar pessoas — como coisas que a IA não pode replicar.

Assim como na exposição ocupacional à IA, constatamos que as percepções sobre melhorias futuras nas capacidades da IA são essencialmente não correlacionadas com o PIB per capita e os anos de experiência. A parcela esperada de tarefas que a IA será capaz de fazer em 12 meses é uniformemente mais alta do que as percepções sobre as capacidades da IA hoje.

Em seguida, examinamos a relação entre como as pessoas interagem com o Claude e suas percepções atuais sobre as capacidades do Claude. Como em relatórios anteriores, distinguimos entre os modos de "automação" e "ampliação" (augmentation) de colaboração com o Claude. Identificamos conversas como automatizadas quando é pedido ao Claude que complete uma tarefa com pouca ou nenhuma contribuição do usuário. Concretamente, a parcela de automação é a parcela de conversas cujo padrão é ou diretivo ("traduza este documento") ou um ciclo de feedback ("edite este e-mail… deixe-o mais casual").⁸

O painel direito da Figura 3.4 mostra que a exposição relatada e a antecipada aumentam com a parcela de automação. Isso pode ocorrer porque a delegação é informativa sobre capacidades — pessoas que entregam tarefas inteiras observam diretamente o que a IA consegue completar sozinha — ou porque as pessoas que já acreditam que a IA pode fazer seu trabalho são as mais dispostas a entregá-lo. Os mesmos padrões se mantêm quando substituímos a parcela de automação pela parcela de sessões dedicadas a tarefas de trabalho, ou pela parcela conduzida no Claude Code.⁹

IA e empregos

Também perguntamos como as pessoas acham que seus empregos mudarão nos próximos 12 meses. Mais de um terço dos respondentes disse ser provável ou muito provável que as responsabilidades mudassem significativamente (para si mesmos, um colega de mesmo nível, um colega júnior e um colega sênior). 10% avaliaram como provável ou muito provável perder o próprio emprego. Isso está ligeiramente abaixo da taxa de risco anualizada de perder um emprego nos EUA;¹⁰ no entanto, uma vez que nossos respondentes pendem para trabalhadores do conhecimento em empregos estáveis (um grupo que plausivelmente enfrenta risco de separação abaixo da média na linha de base), isso ainda pode indicar risco percebido elevado. Quando perguntados em uma questão aberta sobre o que estava impulsionando suas previsões, 38% dos respondentes que avaliaram sua perda de emprego como provável ou muito provável atribuíram suas previsões à IA.¹¹ Notavelmente, os respondentes estavam, em média, mais preocupados com a perda de emprego de outros do que com a própria.¹² Os respondentes estavam especialmente preocupados com a perda de emprego de seus colegas júnior, com mais de um terço afirmando que a probabilidade de um colega júnior perder o emprego no próximo ano era superior a 60%. Os respondentes também estavam mais preocupados com a perda de emprego (para todos) em países de renda mais baixa.

As pessoas que usam o Claude de maneiras mais automatizadas também estão mais preocupadas em perder trabalho? Examinamos o que as pessoas disseram sobre o impacto esperado da IA no próximo ano em seis dimensões do trabalho: remuneração, segurança no emprego, capacidade de encontrar um novo emprego (dimensões econômicas) e sentido, autonomia e interação humana (dimensões intrínsecas); e observamos como essas expectativas diferem conforme a parcela de automação do uso do Claude.

Em todas as seis dimensões, pessoas com uma parcela maior de sessões automatizadas se sentem mais otimistas sobre o efeito da IA em seus resultados profissionais no próximo ano em comparação com aquelas que usam o Claude de forma mais ampliativa (augmentativa). Vimos os maiores efeitos nas expectativas sobre impactos positivos na remuneração futura e na capacidade de encontrar um emprego.¹³

Uma pergunta natural é por que o uso automatizado e o sentimento se movem juntos. É possível que essa relação seja explicada por seleção, ou seja, que as pessoas mais entusiasmadas com a IA também sejam as mais dispostas a entregar tarefas inteiras a ela. Não podemos descartar isso inteiramente, mas essas estimativas não mudam de forma significativa quando controlamos pelo tempo de uso do usuário no Claude.ai — que podemos pensar como uma proxy para entusiasmo, porque captura adotantes precoces versus tardios.

Outra possibilidade é que pessoas que usam IA de maneiras mais automatizadas experimentem mais de seus benefícios hoje. Consistente com nossos achados anteriores, grandes maiorias de pessoas relatam ganhos de produtividade em velocidade, escopo e qualidade de seu trabalho (86%, 82% e 69%, respectivamente), enquanto 27% relatam ganhos por meio de economia de custos em serviços que de outra forma teriam que contratar.

Além de ganhos significativos de produtividade, a maioria das pessoas também relata aprender mais com IA (68%) e sentir que a IA tornou suas habilidades mais valiosas (57%). A Figura 3.7 mostra como esses dois resultados variam com a parcela de sessões automatizadas. Vemos que a parcela de pessoas que relatam que a IA está aumentando o valor de mercado de suas habilidades sobe com a parcela de automação, enquanto a parcela que relata aprender mais é aproximadamente estável.

Uma preocupação comumente expressa sobre delegação é que entregar tarefas inteiras à IA significa terceirizar o pensamento, com ganhos em produção vindo ao custo de aprendizado e atrofia de habilidades. Não vemos esse padrão aqui: delegadores mais intensos relatam aprender na mesma taxa que todos os demais. No entanto, essas são autoavaliações, e habilidades podem se erodir mesmo enquanto se tornam mais valiosas e enquanto alguém relata aprender mais, de modo que os dados não descartam a erosão de habilidades.

Como o uso difere entre os gêneros

Até aqui exploramos como padrões de uso se relacionam com expectativas e comportamento. Em seguida, estudamos quem usa o Claude de várias maneiras. As diferenças mais marcantes são por gênero. As mulheres, que compõem apenas 12% de nossa amostra vinculada de respondentes, usam o Claude de forma diferente dos homens. Mesmo após levar em conta diferenças ocupacionais, elas são marginalmente menos propensas a usar o Claude para trabalho, sua parcela de sessões no Claude Code é 0,24 desvio-padrão menor (6,3 pontos percentuais), e sua parcela de automação é 0,33 desvio-padrão menor (7,3 pontos percentuais). Em vez disso, as mulheres tendem a usar o Claude de forma mais iterativa, e registram mais tempo ativo no chat do que os homens, um sinal de engajamento mais colaborativo.¹⁴

O que as pessoas esperam de uma economia transformada pela IA?

A Anthropic Economic Index Survey revela uma mistura de experiências e sentimentos positivos e negativos em relação à IA, mas encerramos a pesquisa em tom esperançoso. A pergunta aberta final pede aos respondentes que "sonhem grande: como você espera que uma economia moldada pela IA seja daqui a dez anos?". Rodamos cada resposta da pesquisa por um classificador que marcou as respostas com temas relevantes. Mostramos os cinco temas mais comumente citados abaixo. Descrições adicionais de cada um podem ser encontradas no Apêndice.

O tema mais comum expresso foi o de ampliação (augmentation) do trabalho pela IA. Mais da metade dos respondentes da pesquisa expressou alguma versão de querer colaborar com a IA em trabalho que pareça significativo, de querer que sua carreira ainda importe, e/ou de esperar que novas indústrias surjam e criem novas oportunidades de emprego. Simultaneamente, pouco mais da metade dos respondentes esperava automação por IA — especificamente das partes tediosas de seus empregos — para que pudessem ter mais tempo livre e mais espaço para significado fora do trabalho. O terceiro tema mais comum, expresso por cerca de um terço dos respondentes da pesquisa, foi o de prosperidade compartilhada: a esperança de que os ganhos econômicos da IA sejam amplamente compartilhados.

¹ Padrões semelhantes se mantêm além de nossa base de usuários em dados de pesquisa mais estruturados produzidos pelo Anthropic Public Record, uma pesquisa nacionalmente representativa com mais de 50.000 americanos.

² Entre pessoas cuja ocupação foi codificada como gestão, 48,1% disseram estar empregadas em uma empresa, 24,4% disseram ser proprietárias de negócio com funcionários e 21,7% disseram ser autônomas ou contratadas. O restante não está atualmente empregado e está relatando sua ocupação mais recente.

³ Exclui militares.

⁴ Como as respostas são agrupadas em faixas — de modo que a menor resposta codificada possível excede zero, e a maior resposta possível fica aquém de um —, as inclinações nesta figura são enviesadas em direção a zero. Como resultado, interpretamos a comparação de inclinações qualitativamente, em vez de como estimativas precisas. No entanto, os padrões (inclinações positivas e linhas próximas de paralelas) são robustos a estimar a relação, alternativamente, usando um indicador de relatar que a IA pode fazer pelo menos 60% das próprias tarefas de trabalho, o que não é afetado pela codificação por ponto médio.

⁵ A escala de resposta em faixas provavelmente também desempenha um papel: como a codificação por ponto médio puxa as parcelas relatadas de tarefas para longe dos extremos, a exposição observada tenderá a parecer subestimar as capacidades da IA nas ocupações menos expostas e superestimá-las nas mais expostas, mesmo na ausência de qualquer diferença substantiva.

⁶ O PIB por adulto em idade ativa é construído da mesma forma que no Anthropic Economic Index, usando o World Bank WDI (2024) e o UN World Population Prospects (2024) para estimativas de população em idade ativa, e o IMF World Economic Outlook (estimativas de 2025) para o PIB.

⁷ Perguntamos aos respondentes da pesquisa sobre o número de anos de experiência que têm em suas funções atuais ou em funções estreitamente relacionadas.

⁸ O classificador de modo de colaboração mapeia transcrições para um dos seguintes modos de interação:

• Diretivo: o humano delega a execução completa da tarefa à IA com interação mínima
• Ciclo de feedback: humano e IA se engajam em diálogo iterativo para completar a tarefa, com o humano fornecendo principalmente feedback do ambiente
• Iteração de tarefa: humano e IA se engajam em diálogo iterativo para completar uma tarefa, com o humano refinando os resultados da IA
• Aprendizado: o humano busca compreensão e explicação, em vez da conclusão direta da tarefa
• Validação: o humano usa a IA para checar ou validar seu próprio trabalho

⁹ A parcela de trabalho e a parcela do Claude Code estão ambas positivamente correlacionadas com automação: o Claude Code é uma ferramenta agêntica cujas sessões são, em média, mais automatizadas do que as do Claude.ai, e as sessões de trabalho da mesma forma tendem a ser mais automatizadas do que as pessoais. O uso para trabalho também importa diretamente — a pesquisa pergunta sobre tarefas de trabalho, então pessoas que usam o Claude para trabalho podem, mecanicamente, esperar que ele faça uma parcela maior de suas tarefas de trabalho. Condicionar por essas medidas, portanto, atenua a relação entre a parcela de automação e as parcelas de tarefas (hoje, em 12 meses e a variação), mas as três relações permanecem positivas e estatisticamente significativas.

¹⁰ A taxa de demissões e dispensas nos EUA (BLS JOLTS, total não agrícola, ajustada sazonalmente) foi em média de ~1,1% do emprego por mês ao longo dos 12 meses até abril de 2026, totalizando ~13,4% anualizados, de modo que 10% está ligeiramente abaixo da incidência anual realizada de eventos de separação involuntária.

¹¹ Essa pergunta foi feita sobre a previsão de mudança de emprego e a previsão de perda de emprego em conjunto. Os 38% são, portanto, um limite superior para a parcela de pessoas que atribuem à IA sua própria previsão de perda de emprego.

¹² Isso espelha um padrão familiar de pessoas avaliarem suas próprias circunstâncias de forma mais favorável do que as de outras pessoas. Um fenômeno semelhante foi observado durante a Covid, quando o bem-estar financeiro autorrelatado excedia as percepções sobre a economia nacional.

¹³ Isso contrasta com o PIB do país e a experiência, onde menor PIB e menor experiência se correlacionam com maiores parcelas de tarefas (como mostrado na Figura 3.4) e maiores probabilidades declaradas de perda de emprego.

¹⁴ Embora isso possa se dever à substituição entre chat/Cowork e Claude Code, o padrão se mantém mesmo controlando pela parcela de sessões do Claude Code. Esses padrões também sobrevivem ao controle por efeitos fixos de ocupação.

A IA está se difundindo rapidamente por toda a economia, através de um número crescente de superfícies, com resultados cada vez mais inteligentes. Nas primeiras interfaces de chat de IA, o uso era simples, contido na janela de chat, sem busca na web, chamadas de ferramentas, artefatos ou outras affordances. Agora, os modelos Claude podem operar autonomamente por horas por meio do Claude Code e do Cowork. À medida que essas formas mudam, a base de usuários também está mudando. Os adotantes precoces eram altamente técnicos. Nossos usuários mais recentes aplicam o Claude a tarefas que comandam salários mais baixos no mercado de trabalho.

Neste relatório, demos vários passos em direção a uma medição mais informativa. Primeiro, começamos a medir mais e com mais frequência, processando dados em amostras horárias. Isso revela como as cadências da vida cotidiana estão gravadas em nossos logs de uso e abre caminhos para pesquisas futuras. Segundo, começamos a registrar artefatos, ou os resultados que as pessoas levam do Claude. Eles tornam a produção de trabalho do Claude mais legível e mostram alguns padrões intuitivos.

Por fim, dados de uso carregam apenas uma quantidade limitada de informação. Nossa pesquisa nos permitiu, pela primeira vez, perguntar às pessoas diretamente como usam a IA e o que sentem a respeito dela. Constatamos que nossos respondentes usam IA para mais coisas do que lhe damos crédito — eles relatam que a IA pode fazer uma parcela maior de seu trabalho do que a medida de exposição observada para sua ocupação sugeriria. Solicitados a prever as capacidades do próximo ano, mais de 35% previram que a IA seria capaz de fazer a maior parte de seu trabalho.

Classificar com precisão o trabalho que o Claude faz continuará sendo um alvo em movimento. Por exemplo, à medida que as capacidades da IA aumentam, as IAs podem interagir e trocar cada vez mais entre si, talvez de maneiras inescrutáveis para humanos ou classificadores simples. Em última análise, o impacto do Claude na economia será visível em agregados econômicos como emprego e produtividade tanto quanto em seus logs de uso. Ainda assim, é provável que a IA tenha seus primeiros impactos nas áreas em que realiza mais trabalho, de modo que lançar luz sobre esses padrões de uso em constante mudança continuará sendo uma forma essencial de informar o público.

Disponível aqui.

@online{anthropic2026aeiv6, author = {Maxim Massenkoff and Eva Lyubich and Szymon Sacher and Zoe Hitzig and Shaoyi Zhang and Ryan Heller and Peter McCrory}, title = {Anthropic Economic Index report: Cadences}, date = {2026-06-26}, year = {2026}, url = {https://www.anthropic.com/research/economic-index-june-2026-report}, }