A Google publicou, a 23 de julho de 2026, o primeiro relatório do estudo ATLAS (Activity, Task, Landscape, and Adoption Study), uma análise de 15 milhões de interações anonimizadas com as suas ferramentas de IA (Gemini App, AI Mode e Gemini API), abrangendo mais de 150 países, 140 línguas, 800 profissões e 4.000 tarefas. O objetivo: perceber, com dados reais, como é que as pessoas estão de facto a usar a inteligência artificial no trabalho e no dia a dia.
O que é exatamente o ATLAS?
Até agora, a maior parte do que sabíamos sobre o impacto da IA na economia vinha de sondagens, projeções teóricas ou estudos de pequena escala. O ATLAS tenta mudar isso: em vez de perguntar às pessoas o que pensam sobre a IA, observa, de forma agregada e sem identificação pessoal, o que as pessoas fazem realmente quando conversam com o Gemini.
A equipa da Google usou uma ferramenta de classificação automática (chamada OCTO, do Google DeepMind) para organizar milhões de conversas em categorias de profissões e tarefas, sempre com múltiplas camadas de proteção de privacidade: remoção de dados pessoais, corte de qualquer ligação aos registos originais dos utilizadores e agregação de resultados em grupos, nunca em indivíduos.
O resultado é o retrato mais completo feito até hoje sobre a forma como a IA está, ou não, a entrar no trabalho de milhões de pessoas em todo o mundo.
Adoção de IA por categoria profissional. Fonte: Google, relatório ATLAS v1.0 (2026).
As cinco conclusões principais do relatório
Segundo o relatório, o uso da IA no trabalho está espalhado por praticamente todos os setores, mas é, ainda, pouco intenso dentro de cada profissão: a IA é usada em cerca de apenas 21% das tarefas de um trabalho típico, mesmo em profissões onde já há adoção generalizada.
A maior parte das interações no trabalho não substitui tarefas, colabora com quem as faz. A esmagadora maioria dos usos profissionais da IA está ligada a ideação, estratégia, procura de informação e aprendizagem, e menos de 10% dessas interações correspondem a automação completa de uma tarefa.
O uso não se limita a profissões de escritório: trabalhadores de ofícios técnicos e manuais (por exemplo, mecânicos automóveis) já usam IA conversacional como apoio em tempo real a diagnósticos e resolução de problemas, e fazem-no com o dobro da frequência de uso de IA multimodal (imagem e vídeo) face à média.
Mais de 86% das interações registadas no estudo acontecem fora do contexto de trabalho, em tarefas domésticas, pesquisas de compras ou questões administrativas complexas, como impostos ou licenciamentos, que raramente aparecem nas estatísticas económicas tradicionais.
A nível global, a adoção da IA tende a acompanhar a riqueza de cada país (medida em PIB per capita), o que levanta preocupações sobre uma divisão digital. Ainda assim, há exceções relevantes: alguns países de rendimento médio na América do Sul e no Médio Oriente adotam a IA a ritmos comparáveis aos de países mais ricos. O inglês representa apenas cerca de um terço das conversas globais com IA, o que mostra que as pessoas continuam a usar a sua língua materna mesmo em tarefas complexas.
Distribuição das tarefas: comparação entre a linha de base da economia e a atividade real no Gemini. Fonte: Google, relatório ATLAS v1.0 (2026).
Nota sobre os dados
Importa ler estes números com o devido cuidado: o ATLAS mede apenas o uso das ferramentas de IA da Google (Gemini App, AI Mode e Gemini API), não a totalidade do mercado de IA generativa. Ainda assim, dada a escala da amostra, 15 milhões de interações, é hoje um dos estudos empíricos mais robustos sobre o tema.
Porque é que isto interessa aos professores de Matemática
O que levar para a sala de aula
Os dados do ATLAS não são um manual de instruções para o ensino da Matemática, mas dão pistas úteis. Primeiro, confirmam que a preocupação de muitos professores, a de que “os alunos vão deixar de pensar por si”, não corresponde inteiramente ao que se observa no uso real da IA: a maioria das pessoas usa-a para colaborar e explorar, não para substituir o raciocínio por completo. Isso não elimina o risco, mas sugere que o problema está mais em como se ensina a usar a IA do que na própria ferramenta.
Segundo, o facto de o uso profissional ainda ser “amplo mas superficial” (apenas 21% das tarefas) é um argumento a favor de ensinar explicitamente boas práticas de uso da IA na Matemática, por exemplo, usá-la para verificar um raciocínio já feito, gerar variantes de um problema, ou explorar diferentes abordagens a uma demonstração, em vez de pedir simplesmente “a resposta”.
Por fim, o crescimento das interações ligadas a resolução de problemas e teste de hipóteses reforça algo que já sabíamos: o valor pedagógico da Matemática está cada vez mais no processo de pensar, não apenas no resultado final, e é aí que a IA, bem orientada, pode reforçar em vez de substituir a aprendizagem.
