A Google mapeou 14.653.926 interações com o Gemini desidentificadas em mais de 800 ocupações e 4.000 tarefas do O\*NET. A IA apareceu em 68% das ocupações detalhadas — cerca de 88% dos trabalhadores civis empregados nos Estados Unidos. Dentro de uma dessas ocupações típicas, tocou 21% das tarefas (Google ATLAS v1.0, 2026).
Dois terços dos cargos. Um quinto do trabalho.
E onde o trabalho é não rotineiro e cognitivo — julgamento, análise, resolução de problemas, a categoria para a qual você contrata as pessoas mais caras — a automação ponta a ponta é a intenção aparente de menos de 10% das conversas. Os outros 90% são redação, revisão, busca de informação e pensar em voz alta.
Se o seu business case de IA se apoia na eliminação de cargos, este é o número que o quebra. Não porque as ferramentas sejam fracas, mas porque a aritmética foi construída sobre a unidade errada. Um quinto de um cargo não é um quinto de um quadro de pessoal.
O que o ATLAS mediu e por que isso aterrissa de forma diferente
O AI & Economy ATLAS da Google (Activity, Task, Landscape, and Adoption Study) amostrou interações no Gemini App, no AI Mode e na API do Gemini entre 6 e 19 de abril de 2026, mapeando-as depois sobre as taxonomias oficiais de ocupações e tarefas em 150 países e 140 idiomas. Dame Diane Coyle (Cambridge) e o Dr. David Autor (MIT) contribuíram para o relatório — Autor é o economista que passou duas décadas argumentando que a tecnologia remodela o trabalho tarefa a tarefa, e não cargo a cargo (Google, 2026).
A maior parte dos dados de adoção de IA que você viu é autodeclarada. Uma pesquisa pergunta a um gestor se a equipe usa IA, e o gestor responde à pergunta que gostaria de ter recebido. O ATLAS é comportamental: observa o que as pessoas de fato levaram ao modelo e então classifica a tarefa. Essa mudança importa, porque adoção declarada e cobertura observada de tarefas não são a mesma medida e nunca produziram o mesmo número.
A distribuição é mais assimétrica do que a mediana de 21% sugere. Em 29% das ocupações detalhadas, o ATLAS não observou nenhuma saturação de tarefas — repositores e separadores de pedidos, auxiliares de preparo de alimentos, coletores de resíduos, policiais de patrulha. No outro extremo, apenas 3% das ocupações mostraram uso de IA em três quartos ou mais de suas tarefas: analistas e testadores de QA de software, especialistas de recursos humanos e especialistas em gestão documental (PPC Land, 2026).
Três ocupações em cada cem estão cobertas em profundidade. Essa é a sua lista de candidatas à automação. É mais curta do que o seu slide diz.
Vale registrar a comparação feita pela própria Google, para calibragem: o Economic Index da Anthropic constatou que cerca de 36% das ocupações usavam IA em pelo menos um quarto de suas tarefas; o número equivalente da Google fica em torno de 30%, uma diferença que os autores atribuem em grande parte a limiares de privacidade mais rígidos, e não a comportamento genuinamente distinto (PPC Land, 2026). Dois conjuntos de dados independentes, dois fornecedores diferentes, o mesmo formato: amplo e raso.
Por que a automação ponta a ponta fica abaixo de 10%
O ATLAS classificou os agrupamentos de conversas em cinco intenções: automação de tarefa, redação e geração parciais, revisão e refinamento, ideação e estratégia, e busca de informação e aprendizado.
O resultado inverte a narrativa padrão de substituição. Tarefas cognitivas analíticas não rotineiras representam 35% de todas as tarefas na taxonomia do O\*NET, mas 65% das interações de trabalho com o Gemini. As pessoas recorrem à IA sobretudo nas partes mais difíceis e menos padronizadas do seu trabalho — e é exatamente aí que menos entregam o conjunto inteiro. Menos de 10% dessas conversas mostram intenção de automação ponta a ponta. No trabalho cognitivo rotineiro, mais de um quarto mostra (Google ATLAS v1.0, 2026).
O mecanismo não é misterioso. Uma tarefa é delegada por inteiro quando a saída é verificável num relance e o custo de um erro é limitado. Reformatar um conjunto de dados se qualifica. Decidir qual fornecedor cortar, não. O trabalho não rotineiro é exatamente aquele cuja correção não pode ser confirmada sem refazer a maior parte do raciocínio — então a pessoa permanece no circuito, e o tempo economizado é real, porém parcial.
A Google declara a implicação sem rodeios: os dados não sustentam a alegação de que a IA está prestes a causar automação e deslocamento em massa do trabalho de escritório. Os autores também sinalizam que a classificação de intenção é preliminar e que o comportamento pode mudar conforme a capacidade avança. As duas metades dessa frase pertencem às suas premissas de planejamento.
Sua aritmética de headcount pressupõe uma profundidade que você não tem
É aqui que isso vira um problema de operações, e não um gráfico interessante.
O business case padrão de IA no mid-market multiplica uma economia de tempo por tarefa por um volume de tarefas, converte horas em FTEs e contabiliza a diferença. Aritmeticamente só funciona se as horas economizadas forem contíguas e pertencerem a um cargo cujo trabalho restante possa ser absorvido em outro lugar. O ATLAS diz que as horas economizadas estão espalhadas por um quinto de um portfólio de tarefas, nas partes do cargo que nunca foram o gargalo.
Tome o caso mediano ao pé da letra. A IA cobre 21% das tarefas de um cargo. Suponha — com generosidade — uma redução de 40% no tempo de cada uma. Isso dá uma redução de 8% no tempo total de tarefas do cargo. Você não liberou uma pessoa. Liberou um fragmento de todo mundo, distribuído pela semana em pedaços pequenos demais para realocar e pequenos demais para aparecer numa folha de horas.
É por isso que tantos pilotos relatam, ao mesmo tempo, usuários entusiasmados e custos operacionais estáveis. As duas coisas são verdadeiras. As economias são reais e as economias não são resgatáveis, porque resgatá-las exige consolidação de tarefas — mover os 79% restantes para um cargo redesenhado — e ninguém foi designado para isso.
A armadilha mais profunda são os 3%. Quando um business case é construído a partir de uma função-farol — testes de QA, gestão documental de RH, trabalho administrativo de alta cobertura — a taxa de cobertura observada ali é silenciosamente extrapolada para o resto da organização. Ela não se transfere. Aquelas três ocupações em cem são estruturalmente incomuns: alta padronização de tarefas, saídas nativamente textuais, verificabilidade imediata. Seus analistas financeiros e seus account managers não têm nenhuma dessas propriedades.
A inversão de expertise que ninguém precificou
O achado com maior probabilidade de estar errado no seu plano atual diz respeito a quem se beneficia.
A premissa dominante é que a IA esvazia os juniores e amplifica os seniores. O ATLAS complica os dois lados. A intensidade de uso sobe acentuadamente com a remuneração — um aumento de 1% na renda mediana de uma ocupação está associado a mais de 2,5% de aumento na intensidade de uso, caindo para 1,86% quando se controla a escolaridade. Ponderada pelo emprego, a renda anual mediana da amostra é de 62.252 dólares; ponderada por conversas do Gemini, 82.919 dólares; ponderada por tokens, 86.157 dólares (PPC Land, 2026).
Portanto, pessoas seniores e bem pagas são as usuárias intensivas. Mas, ao pontuar o nível de expertise de cada tarefa com a metodologia de Autor e Thompson — que avalia raridade e especificidade de domínio do vocabulário no enunciado da tarefa — o uso é mais sobrerrepresentado nas tarefas cognitivas de expertise mais baixa. Reescrever um relatório em outro idioma. Redigir uma especificação de produto.
Trabalhadores de alta expertise estão levando à IA o seu trabalho de baixa expertise.
Essa inversão é o item mais acionável do estudo e aponta na direção oposta à da maioria dos planos de implantação. O valor não está concentrado em dar às pessoas seniores um parceiro de raciocínio mais inteligente para as decisões difíceis; está concentrado em retirar o resíduo de baixa expertise de agendas caras. Se a sua implantação mira cargos juniores sob a teoria de que o trabalho deles é mais automatizável, você está implantando contra o gradiente observado. A adoção segue a discricionariedade, não a simplicidade da tarefa — as pessoas usam IA onde têm autoridade para decidir como o próprio trabalho é feito.
Onde esta evidência para
Os limites honestos, porque um Head of Operations não deveria agir sobre a telemetria de um fornecedor sem precificá-los.
O ATLAS é a Google medindo a Google. Observa apenas superfícies Gemini, então uma empresa padronizada em outro assistente fica fora do enquadramento. É uma amostra de duas semanas num mercado que se move rápido. Plataformas corporativas — Workspace, Gemini Enterprise, ferramentas de coding agêntico — ficam em grande medida fora do conjunto granular, e é justamente aí que a automação profunda, embutida no fluxo de trabalho, tem mais chance de estar acontecendo. Mais de 86% das interações não são de trabalho; as conversas de trabalho respondem por cerca de 13,5% do tráfego do App e do AI Mode, de modo que a subamostra de trabalho, embora grande, é uma fatia.
E, mais importante, o ATLAS mede comportamento, não resultados. Uma conversa concluída nada diz sobre a pessoa ter conseguido o que precisava ou economizado um minuto (Forte Group, 2026).
Nada disso salva o business case de headcount. Uma subestimação do ferramental agêntico corporativo elevaria o teto de para onde a automação está indo; não muda o que uma cobertura mediana de 21% das tarefas implica para a organização que você comanda neste trimestre. E vale nomear a direção do viés: aqui um fornecedor de modelos publica um estudo que enfraquece a narrativa de automação favorecida pelo seu próprio interesse comercial. Achados que contrariam o incentivo de quem os publica merecem mais peso, não menos.
A auditoria que substitui o palpite
Um movimento concreto antes da sua próxima revisão de orçamento de IA: pare de contar ferramentas e conte tarefas.
Escolha os três cargos que carregam o seu maior investimento em IA. Para cada um, escreva o portfólio de tarefas — de 15 a 25 tarefas distintas, formuladas com clareza. Marque cada uma diante de duas perguntas: a saída é verificável em menos de um minuto por alguém qualificado? e uma resposta errada custa mais do que refazê-la?. Tarefas baratas de verificar e baratas de errar são o seu conjunto real de automação. Todo o resto é assistência, e assistência aparece como qualidade e tempo de ciclo, nunca como headcount.
Depois meça a taxa de cobertura que você realmente tem. Se estiver perto de 21%, você é mediano — normal, não fracassado, e não uma linha de economia. Se um cargo passar de 60%, você encontrou um dos 3%: redesenhe esse cargo deliberadamente em vez de esperar a economia aparecer sozinha. Se um cargo ficar abaixo de 10% após um ano de licenças, o problema não é a ferramenta nem são as pessoas. O trabalho simplesmente não tem o formato adequado, e esse gasto com licenças pertence a outro lugar.
A versão incômoda deste achado é também a útil. A IA está em quase todos os cargos da sua empresa e em profundidade em quase nenhum, a automação ponta a ponta continua sendo a exceção e não o plano, e os retornos estão no resíduo de baixa expertise que entope as suas agendas mais caras. Vá buscá-lo. É menor do que a manchete prometia e bem mais resgatável.
