Dados Reais de Uso de LLM: Estudo de 7 Meses Revela Hábitos de Trabalho

Resumo Rápido

Um estudo inovador de 7 meses forneceu os primeiros dados concretos sobre como os funcionários realmente usam Modelos de Linguagem Grandes (LLMs) no ambiente de trabalho. Diferente de previsões de analistas ou apresentações de fornecedores, esta pesquisa é baseada em contagens de transações diretas de logs de usuários reais.

O estudo acompanhou 527 funcionários de junho a dezembro de 2025, oferecendo uma visão sem precedentes sobre a adoção prática da IA. Os resultados desafiam suposições comuns sobre o uso de IA no trabalho e revelam implicações significativas de custo para empresas que escolhem entre modelos de assinatura e de pagamento por token.

Design do Estudo

A empresa decidiu liderar pelo exemplo, fornecendo a todos os funcionários um serviço claro para testar vários modelos de mercado. O objetivo era observar ganhos de produtividade práticos, em vez de benefícios teóricos. Uma decisão crucial foi escolher o preço por token em vez de assinaturas fixas, o que se mostrou fundamental para uma medição precisa.

Os pesquisadores acompanharam 122.346 consultas ao longo do período de sete meses. Os dados revelaram que 416 usuários dos 527 se engajaram ativamente com as ferramentas pelo menos uma vez. Isso representa uma taxa de adoção de 79% entre os funcionários que tiveram acesso à tecnologia.

"Se o que, grandes modelos mostram aos usuários, mas escondem cuidadosamente o número de solicitações e tráfego. Porque é extremamente baixo lá."

O estudo utilizou um agregador de redes neurais que incluía capacidades de geração de imagens. Essa abordagem abrangente permitiu o acompanhamento de casos de uso diversos em diferentes modelos de IA, incluindo Gemini 3 Pro Preview, os modelos GPT mais recentes e as ofertas da Anthropic.

Padrões de Uso e Custos

Os dados financeiros revelam contrastes marcantes entre os modelos de pagamento por token e assinatura. As despesas totais atingiram US$ 6.851 (aproximadamente 535.000 rublos) ao longo de sete meses. Isso se divide em 184 rublos por usuário ativo mensalmente — um valor que seria dramaticamente maior com assinaturas.

Se a empresa tivesse optado por assinaturas mensais padrão de US$ 20, os custos seriam 8,5 vezes maiores para o mesmo nível de uso. Isso destaca a ineficiência econômica da precificação de taxa fixa para padrões de uso variável de IA.

Principais desgloses de custo:

• 64% do orçamento alocado para geração de imagens
• Uso exclusivo de texto custou apenas 62 rublos por usuário mensalmente
• Custo anual por usuário ativo: US$ 184
• 79% dos funcionários usaram ativamente as ferramentas

Os dados mostram que a geração de imagens consumiu a maior parte dos recursos, sugerindo que a criação de conteúdo visual é uma aplicação principal de IA no ambiente de trabalho. As consultas baseadas em texto, embora valiosas, representaram uma porção menor do uso geral.

O Desafio do Prompt

Um fator crítico que limita a adoção de IA é a barreira de formulação de prompts. Pesquisas de Jakob Nielsen indicam que apenas 20% da população consegue estruturar prompts de forma eficaz para obter resultados ideais. Essa lacuna de habilidades explica por que muitos funcionários experimentam ferramentas de IA brevemente e depois as abandonam.

O estudo observou que os usuários que entendiam como aplicar os modelos às suas necessidades específicas de trabalho se tornaram usuários consistentes e recorrentes. Esse padrão sugere que treinamento e educação são tão importantes quanto o acesso às ferramentas para uma integração bem-sucedida da IA.

"Eles tentam algumas vezes e saem."

A média de 42 consultas por usuário por mês indica um engajamento moderado, em vez de uma dependência pesada. Esse padrão de uso sustenta o argumento a favor de modelos de precificação flexíveis em vez de assinaturas fixas, já que a maioria dos funcionários não precisa de assistência diária por IA.

Implicações Práticas

O estudo fornece insights acionáveis para organizações que consideram a implementação de IA. Primeiro, o uso real difere significativamente das projeções dos fornecedores. As empresas devem basear seu orçamento em dados de transação reais em vez de máximos teóricos.

Segundo, a dominância da geração de imagens (64% do orçamento) sugere que ferramentas de IA visual podem ser mais valiosas para a produtividade no ambiente de trabalho do que modelos baseados apenas em texto. As organizações devem considerar isso ao selecionar plataformas de IA.

Terceiro, a eficiência de custos dos modelos de pagamento por token se torna aparente em escala. Para 527 funcionários, a diferença entre assinatura e precificação baseada no uso representa economias substanciais sem sacrificar o acesso a modelos de ponta.

Finalmente, a taxa de uso ativo de 79% demonstra que, quando os funcionários recebem serviços de IA claros e acessíveis, a adoção segue naturalmente. A chave é fornecer as ferramentas certas com modelos de precificação apropriados que correspondam aos padrões de uso reais.

Principais Conclusões

Este estudo de 7 meses fornece a primeira evidência concreta de como os LLMs são realmente usados em ambientes de trabalho. Os dados desafiam várias suposições comuns sobre adoção e custo-efetividade da IA.

As organizações devem considerar modelos de pagamento por token em vez de assinaturas, pois eles alinham os custos com o uso real. A diferença de custo de 8,5x representa economias significativas para empresas com requisitos moderados de IA.

O treinamento permanece crucial para a adoção. Apenas 20% dos usuários conseguem solicitar sistemas de IA de forma eficaz, sugerindo que programas educacionais devem acompanhar a implantação das ferramentas.

Finalmente, a ênfase na IA visual (64% do orçamento em imagens) indica que o valor da IA no ambiente de trabalho vai além do processamento de texto. As empresas devem avaliar suas necessidades específicas antes de se comprometerem com qualquer solução única de IA.