Chatbots vão sumindo. Chega a vez dos agentes de IA

Você abre o ChatGPT, faz uma pergunta, lê a resposta, ajusta o pedido. Esse ciclo, que até pouco tempo era praticamente sinônimo de “usar IA”, está deixando de ser a forma dominante de trabalho com inteligência artificial. Um conjunto de estudos recentes, incluindo levantamentos da Epoch e da METR, mostra que os modelos mais avançados já sustentam tarefas autônomas de várias horas, sem supervisão constante. Um agente de IA é um modelo de linguagem operando dentro de um ambiente com ferramentas próprias (o que a área chama de harness), capaz de executar um projeto inteiro sem que alguém precise aprovar cada passo. Se você usa IA na sua pesquisa, seja para revisar literatura, seja para programar análises, isso muda o que vale a pena aprender a fazer primeiro.

O que aconteceu

Os dados vêm de organizações que medem, de forma sistemática, quanto trabalho humano a IA consegue substituir num único comando. A METR e o AI Security Institute do governo britânico calculam quantas horas de trabalho de um programador humano cabem no que um modelo faz de uma vez só. A Epoch fez um teste específico: colocou o modelo Opus 4.7 trabalhando de forma autônoma por 14 horas e mediu o resultado. O pacote de software produzido equivaleria a 2 a 17 semanas de trabalho de um time de engenharia humano, ao custo de 251 dólares em tokens.

Essa curva de capacidade não é exclusiva das empresas americanas que lideram o setor (Anthropic, OpenAI e Google). Existe um segundo grupo de modelos, os chamados “open weights” (pesos abertos, que qualquer pessoa pode usar ou modificar depois do lançamento), majoritariamente chineses, que também sobe numa trajetória de melhoria constante, ficando de 6 a 12 meses atrás da fronteira americana. São mais baratos de operar justamente por serem abertos, e isso amplia quem tem acesso a esse tipo de capacidade.

Por que isso importa pra você

O jeito de usar IA que ficou mais comum nos últimos anos, pedir, ler, corrigir, pedir de novo, é o que está perdendo espaço para tarefas mais longas e autônomas. Isso tem consequência direta em como você organiza seu tempo de pesquisa.

1. Se você usa IA para revisão de literatura ou análise de dados: o ganho maior hoje não está em fazer perguntas melhores no bate-papo, e sim em aprender a configurar tarefas mais longas, com objetivo claro, e deixar o processo rodar.
2. Se você programa (mesmo que só scripts simples de análise): ferramentas como agentes de código já lidam com projetos inteiros, não só trechos isolados. Vale entender como funciona esse tipo de ferramenta antes de precisar dela sob pressão de prazo.
3. Se você está no meio da tese ou dissertação, sem tempo para explorar novidade: não é urgente trocar de ferramenta agora. É urgente perceber que o “jeito de usar IA” que funcionava há um ano já não é o mais eficiente, e que vale reservar um tempo pequeno e regular pra testar o que muda.

O que muda no fluxo de trabalho de quem pesquisa

Um estudo conjunto da OpenAI com economistas acadêmicos, mencionado no artigo, mostra como isso já se traduz em rotina real dentro da própria empresa. O achado mais interessante não é sobre programadores: áreas como jurídico e recursos humanos adotaram agentes de IA praticamente no mesmo ritmo que as equipes técnicas. Uma parte considerável dos funcionários da OpenAI já mantém, semanalmente, quatro ou mais agentes rodando ao mesmo tempo. O trabalho, nesse cenário, deixa de ser “conversar com a IA” e passa a ser “gerenciar o que a IA está fazendo”.

Isso conecta direto com um pilar do Método V.O.E. (Velocidade, Organização, Execução Inteligente): a Execução Inteligente não é sobre pedir mais coisas para a IA, é sobre estruturar o processo de trabalho para que a ferramenta certa cuide da tarefa certa, com você supervisionando o resultado, não digitando cada instrução. Um estudo separado, sobre usuários do Claude Code, achou algo que reforça esse ponto: o que definiu o sucesso não foi a profissão de quem usava a ferramenta, foi o nível de domínio da própria área. Quem já entendia bem o problema conseguia extrair mais valor de cada interação com o agente.

O que fica dessa mudança, e o que não muda

Confesso que a primeira reação, ao ler sobre modelos operando 9 ou 14 horas sem parar, foi de certo desconforto. Não porque a ferramenta vá substituir sua capacidade de pensar (isso ela não faz), mas porque a velocidade da mudança é desconfortável de acompanhar. O artigo chama isso de dificuldade humana em “sentir exponenciais de dentro”: cada salto parece um choque, ainda que seja só o próximo ponto previsível numa curva.

O que não muda é o seguinte: a IA continua sendo tão boa quanto o direcionamento que ela recebe. Se você não sabe formular bem o que precisa (seja num prompt de chatbot, seja num objetivo pra um agente autônomo), a ferramenta não compensa essa lacuna. O domínio do seu próprio campo de pesquisa continua sendo o que separa quem usa IA bem de quem usa mal. Não significa que você precisa dominar harness e agentes autônomos amanhã. Significa que vale acompanhar essa transição com curiosidade, testando aos poucos, em vez de continuar só no modo pergunta-resposta por inércia.

Próximos passos

1. Escolha uma tarefa recorrente da sua pesquisa (organizar referências, rodar uma análise repetitiva) e teste se ela pode ser delegada de forma mais autônoma, em vez de feita em pedaços conversacionais.
2. Se você usa ferramentas de código (mesmo básico), pesquise o que muda entre “pedir um trecho de código” e “delegar um projeto pequeno inteiro” para um agente.
3. Reserve um tempo pequeno e regular (nem que seja 20 minutos por semana) pra acompanhar o que está mudando nas ferramentas que você já usa. Pelo que os dados recentes mostram, essa curva não tem dado sinal de desacelerar.
4. Não troque seu fluxo de trabalho inteiro de uma vez. Teste em paralelo, com uma tarefa de baixo risco, antes de confiar num processo crítico da sua pesquisa a um agente autônomo.

Se você quer entender melhor onde a IA já ganhou a confiança de quem trabalha com ela todos os dias, dá uma olhada em IA nas empresas: onde os times técnicos já confiam nos resultados.

Fonte: The twilight of the chatbots, One Useful Thing