1008 | Agentes por toda parte: a semana em que a IA assumiu o trabalho

Sofia Almeida: Olá, bem-vindos de volta ao podcast. Eu sou a Sofia Almeida.

Rafael Costa: E eu sou o Rafael Costa. E hoje temos um episódio que, se olhares para os lançamentos das últimas vinte e quatro horas, quase todos giram em torno de uma ideia: agentes de inteligência artificial que trabalham sozinhos — mas com humanos a manter a porta fechada.

Sofia Almeida: Exatamente. Há modelos novos, abertos e fechados, há agentes que fazem vídeos, que negociam compras, que cuidam de pessoas idosas... e há uma questão transversal em quase tudo: quem controla os dados e quem dá o visto final. Vamos seguir esse fio do início ao fim.

Rafael Costa: Pois. E vamos tentar separar o que cada produto realmente diz fazer do que é promessa de lançamento. Como sempre, tratamos as descrições dos makers como afirmações, não como resultados verificados. Vamos começar pelos modelos, porque são a base de tudo o resto.

Sofia Almeida: Sim, e há duas histórias paralelas. A primeira é a Mistral Large 4. É um modelo de mistura de especialistas — a arquitetura MoE — com um trilhão de parâmetros no total, mas com apenas quarenta e nove bilhões ativos em cada momento. Isso significa que, apesar do número gigante, o custo computacional por resposta é muito mais contido do que o número total sugere.

Rafael Costa: E há dois números que realmente saltam à vista: um milhão de tokens de contexto, e a promessa de que os pesos abertos saem no fim de outubro. A Mistral chama-lhe o modelo open-weight mais forte da Europa e dos Estados Unidos.

Sofia Almeida: E aqui vale explicar a diferença, porque é uma confusão comum: open weights não é o mesmo que serviço privado. Open weights significa que o modelo foi publicado e pode ser executado onde quiseres — na tua infraestrutura, num servidor na tua empresa. Serviço privado significa que alguém corre o modelo por ti, mas com garantias contratuais sobre os teus dados. São coisas diferentes e o ecossistema de hoje mostra bem isso.

Rafael Costa: E isso liga diretamente ao segundo lado da história: o lado fechado. O Google lançou o Nano Banana 2.1, o modelo de imagem mais recente deles. Traz mask editing — ou seja, ediciones zonas específicas da imagem com máscaras —, melhor consistência entre gerações, resoluções de um a quatro mil, e search grounding, que permite ancorar as imagens em resultados de pesquisa.

Sofia Almeida: É interessante o contraste. A Mistral joga no campo aberto, o Google mantém o modelo fechado, mas compete em capacidades concretas: edição com máscara, consistência, resolução. São dois modelos de negócio, duas filosofias.

Rafael Costa: E depois há os serviços que usam esses modelos por ti. Dois casos hoje: o Rool e o Vresk. O Rool posiciona-se como uma máquina de IA privada na União Europeia, concretamente na Finlândia. Têm os seus próprios modelos, dizem que não usam os teus dados para treinar, e têm um free tier para experimentares.

Sofia Almeida: E o Vresk vai por outro caminho: é um workspace que junta modelos abertos, escolhendo automaticamente qual modelo usar para cada tarefa. Custa vinte dólares por mês e dizem que os chats não treinam modelos. Então o Rool é uma máquina privada com modelos próprios, o Vresk é uma caixa de ferramentas de modelos abertos com seleção automática.

Rafael Costa: E ambos ilustram exatamente aquilo que a Mistral com pesos abertos no fim de outubro viabiliza: se os pesos estão disponíveis, serviços como o Vresk podem construí-los em cima. A pergunta que fica no ar — e que ninguém respondeu — é como estes modelos se comparam na prática, em benchmarks independentes. A Mistral diz que é o mais forte, mas isso é a afirmação deles.

Sofia Almeida: Exato, e é bom registar isso: "o modelo open-weight mais forte" vem do material de lançamento. Até os pesos saírem e a comunidade os testar, é uma promessa. E curiosamente, quando falamos de modelos abertos num workspace, já existe ferramenta para os usar em equipa — o Databench, que voltaremos a ver mais à frente.

Rafael Costa: Mas agora vamos da camada dos modelos para a camada de quem os põe a trabalhar. E aqui o padrão do dia é muito claro: agentes potentes, mas com gate humano. O humano aprova, o agente executa.

Sofia Almeida: O primeiro caso é impressionante pelo âmbito: o Manus 2.0 Video Editor. A proposta é que a inteligência artificial cria vídeos completos — pesquisa, escolha de shots, música, até gráficos em código. Mas há um detalhe importante no fim: o editor devolve o corte final ao utilizador. O humano fica com a última palavra na montagem.

Rafael Costa: Isso é um desenho de produto deliberado. Não é "carrega num botão e sai vídeo", é "o agente faz o trabalho pesado e tu fechas". Para quem faz muito vídeo, a parte mecânica — juntar materiais, sincronizar música, gerar gráficos — é enorme, e é aí que o Manus quer poupar tempo. Mas, outra vez, tudo o que descrevemos é o que o maker diz. Não há ainda uma forma de saber, a partir do que temos, quão bons são os vídeos resultantes.

Sofia Almeida: E do vídeo passamos ao dinheiro. O segundo agente é a Ana, da Vertice, e o domínio é a negociação de compras de software. E aqui há números que, mesmo vindo do produto, dão uma noção do treino: setenta e cinco mil milhões de dólares de spend, trinta e dois mil vendors, e mais de dois milhões de pontos de preço. A média de poupança que anunciam é de dezoito por cento.

Rafael Costa: Dezoito por cento em compras de software empresarial é muito dinheiro, se for verdade. E há um detalhe de design que merece destaque: a Ana só envia e-mails após aprovação humana. Num domínio onde um erro numa negociação custa caro, eles decidiram que a agente nunca fala sozinha com o vendor.

Sofia Almeida: E acho que aqui vale pausar, porque o padrão repete-se. Terceiro agente: o Pegasus 1.6, no mundo dos robôs. O que ele faz é pegar em vídeo egocêntrico — gravações a partir da perspetiva de quem opera, incluindo teleoperação — e transformá-lo em dados de treino para robôs, com labels e timestamps, sem labeling manual. A parte do labeling manual é historicamente o gargalo de treinar robôs: é lento e caro. Se isto funcionar como descrito, muda a economia de treinar um robô.

Rafael Costa: E de novo o mesmo formato: o vídeo é de humanos, os dados são gerados pelo sistema. Não é o robô a trabalhar sozinho, é a ferramenta a automatizar a parte do pipeline que ninguém quer fazer à mão.

Sofia Almeida: Passando para ferramentas de trabalho em si, mais dois. O Figma Agent, que trabalha diretamente com componentes e ficheiros reais no canvas da Figma. Não é um agente que gera imagens soltas — edita os componentes verdadeiros, faz bulk edits, ou seja, edições em massa, e tem skills que invocas com uma barra. Isso é importante porque respeita o sistema de design que já existe; não cria um paralelo.

Rafael Costa: E o IrisGo com um conceito chamado "Watch & Learn": gravas uma tarefa uma vez e o sistema transforma-a num workflow reutilizável. E dizem que os dados ficam locais. É quase o oposto do Figma Agent — em vez de o agente saber trabalhar na tua ferramenta, tu ensinas o teu próprio processo uma vez e ele repete.

Sofia Almeida: São duas respostas diferentes à mesma pergunta: como dou ao agente conhecimento do meu trabalho? Uma diz "integra-me na ferramenta", a outra diz "grava-me a fazer uma vez".

Rafael Costa: E esse é exatamente o tema do próximo bloco, mas em contexto pessoal, não de trabalho. Porque a pergunta muda: se o agente já age sozinho no escritório, o que acontece quando ele entra nas nossas conversas e nas nossas entrevistas de emprego?

Sofia Almeida: Pois, e aqui há dois produtos que mostram a mudança de fase de forma muito nítida. O primeiro é o Wabi, e a frase deles é forte: querem ser o "sistema operativo do agentic era", do era dos agentes. O que ele faz concretamente: é um mensageiro, mas em vez de o grupo coordenar tarefas — planear uma viagem, dividir contas — o mensageiro executa essas tarefas por conta própria.

Rafael Costa: Isso é uma mudança real de categoria. Um assistente responde: "qual é o melhor voo?" e dá-te uma lista. Um agente age: reserva, divide, cobra. O Wabi está a apostar que a conversa de grupo é a interface natural para delegar tarefas, não um dashboard.

Sofia Almeida: E é uma aposta grande, porque conversas de grupo são o espaço mais pessoal que existe. Delegar viagens e contas dentro dessa conversa implica confiança enorme no agente. O produto diz que executa, mas como as tarefas realmente correm, com que falhas, isso ainda não sabemos — é o tipo de coisa que só o uso prolongado responde.

Rafael Costa: O segundo produto do bloco é o ParakeetAI 2.0, e este é... digamos, eticamente interessante. Tem três peças: uma question bank construída a partir de entrevistas reais, mock interviews com inteligência artificial para treinar, e — a parte que levanta sobrancelhas — respostas ao vivo durante a entrevista verdadeira.

Sofia Almeida: As duas primeiras peças são o equivalente digital de treinar com um amigo que trabalha na empresa. A terceira muda o jogo: é essentially ter ajuda em tempo real durante a conversa que te vai contratar. Isso diz muito sobre para onde o "assistente" evoluiu — de ferramenta que te prepara para ferramenta que age contigo em tempo real, num momento de alto risco.

Rafael Costa: E é o mesmo padrão do episódio, agora no pessoal: o agente não espera por uma pergunta, atua. No escritório, com aprovação humana antes dos e-mails. Na entrevista... bem, aí a "aprovação humana" és tu a ouvir a resposta ao teu ouvido. Um produto a seguir.

Sofia Almeida: Mas se os agentes estão a agir, alguém tem de manter o contexto da equipa enquanto isso acontece. E é aí que entra o nosso próximo bloco, que junta trabalho de equipa e marketing.

Rafael Costa: O produto central aqui é o Velozity, um escritório de IA multiplayer. As três características que eles destacam: os agentes partilham o contexto da equipa — todos os agentes veem o mesmo histórico e materiais —, funciona com "bring your own AI", ou seja, ligas os modelos que queres, e nada sai sem aprovação humana. Isso fecha o loop que vimos com a Ana: agentes com memória partilhada, mas o humano no circuito de aprovação.

Sofia Almeida: E há uma diferença importante entre isto e um chat: num chat, cada pessoa tem o seu contexto. Num escritório multiplayer, o agente da redação sabe o que o agente de design fez. Isso evita retrabalho, mas também significa que um erro de um agente propaga-se mais depressa. A aprovação humana é o travão desenhado para isso.

Rafael Costa: E no mesmo mundo de equipa, o Databench — que referimos no início quando falámos de modelos abertos. É um workspace multiplayer open-source, com licença Apache 2.0, com notebooks reativos e agentes a trabalhar ao lado da equipa. A palavra-chave que eles usam é "resultados auditáveis": consegues seguir como se chegou a um resultado.

Sofia Almeida: Open-source com Apache 2.0 significa que qualquer pessoa pode hospedar, modificar, usar comercialmente. É a filosofia aberta da Mistral, mas aplicada à ferramenta de trabalho e não ao modelo. E os notebooks reativos significam que quando um dado muda, os resultados dependentes atualizam-se — é esse tipo de detalhe que torna um workspace vivo em vez de uma coleção de ficheiros estáticos.

Rafael Costa: E do trabalho interno passamos a sair para fora, para o marketing — e aqui há três produtos que atacam o mesmo problema por ângulos diferentes: como fazer o teu produto aparecer e converter quando tanto os motores de busca quanto os compradores são cada vez mais mediatizados por IA.

Sofia Almeida: O primeiro é a Proofsource, e o problema que ataca é novo: as pessoas perguntam a chatbots sobre produtos, e o que o chatbot responde pode fazer ou desfazer uma marca. A Proofsource mede diariamente as menções de IA em quatro engines — quatro motores — e depois usa agentes para publicar fixes, correções, que passam por revisão. Ou seja: SEO, mas para respostas de IA.

Rafael Costa: E repara no paralelo com o bloco anterior: um agente mede, um agente propõe a correção, um humano aprova antes de publicar. O mesmo gate. É o terceiro produto hoje com exatamente esse desenho.

Sofia Almeida: O segundo é o Ownfeed, e a tese é diferente. Colas um URL e o feed mostra apenas posts de pessoas que precisam do teu produto — filtragem por relevância. Têm um teste de um dólar, um test day, e são explicitamente contra auto-replies. Numa altura em que o X está cheio de bots a responder sozinhos, dizer "não fazemos auto-replies" é um posicionamento deliberado.

Rafael Costa: O terceiro é o Supademo AI Demo Agent: em vez de esperares que um potencial comprador agende uma demo, pões um agente a demonstrar o produto vinte e quatro horas por dia, sete dias por semana. O preço anunciado é noventa e nove cêntimos por sessão de quinze minutos. A demo torna-se um serviço contínuo, não um agendamento.

Sofia Almeida: E há um quarto elemento, que é mais um sinal do que um produto: o Plugins Radar, que acompanha o diretório de plugins do ChatGPT — mais de cinco mil plugins, com cento e noventa e duas pesquisas registadas. O dado curioso: cerca de três em cada quatro dos dez primeiros resultados têm o termo de pesquisa no nome ou na tagline. Ou seja: o naming já é SEO dentro do próprio diretório de plugins.

Rafael Costa: E liga tudo: apareces nas respostas de IA, apareces no diretório de plugins, apareces no feed de quem precisa de ti — todo o marketing está a ser reconstruído em volta de como as máquinas te encontram e te recomendam. Mas agora saímos do navegador e vamos para o toque de teclado. Literalmente.

Sofia Almeida: Pois, e este bloco é diferente em espírito. Aqui não há agentes gigantes — há apps nativas, rápidas, e com uma obsessão comum: privacidade. E a primeira é para quem trabalha imagem: o Redlamp, um editor RAW nativo open-source para Apple Silicon. Feito em Swift e Metal, ou seja, corre nativamente no chip da Apple e usa a GPU para o processamento de imagem. Tem workflow Lightroom — para quem vem do Lightroom, o fluxo é familiar — é gratuito, e a licença é MPL 2.0.

Rafael Costa: O MPL 2.0 é uma licença de copyleft fraco: podes usar e misturar com código proprietário, mas modificações ao próprio código têm de ser partilhadas. É uma escolha sensata para uma app open-source que quer adoção alargada. E "nativo para Apple Silicon" não é só marketing — significa que a app foi construída para o hardware, não portada de outra plataforma.

Sofia Almeida: A segunda app é a Cinch, e é para algo que todos usamos: os Reminders da Apple. É um cliente nativo — iOS, macOS, watchOS e visionOS — para a app de lembretes nativa da Apple. Zero telemetria, e apenas iCloud como sincronização — nada de servidores próprios. E há um detalhe muito do nosso episódio: tem um CLI, uma interface de linha de comandos, feita para LLM agents.

Rafael Costa: Isso é um sinal dos tempos, não é? Uma app de lembretes que inclui uma interface para agentes de IA. O que isso sugere é que o autor quer que os teus agentes consigam ler e escrever nos teus lembretes — mas do teu computador, não via cloud de terceiros. É a ponte entre o mundo dos agentes e as ferramentas do dia a dia, mantendo os dados no teu lado.

Sofia Almeida: A terceira é a Thalia, e esta é para developers. É uma app SwiftUI gratuita para Mac, construída em torno do Muse Code CLI da Meta. E o que ela faz é impor disciplina ao agente de código: plan mode forçado — o agente tem de planear antes de agir —, aprovação de comandos antes de serem executados, snapshot review e checkpoints para rever e voltar atrás. E, à semelhança da Cinch, sem telemetria.

Rafael Costa: E é de novo o padrão do episódio, agora na escrita de código: o agente pode fazer muito, mas nada corre sem o humano passar o visto. A Thalia é, basicamente, o gate humano transformado em interface. Um agente de código sem checkpoints é uma aposta; com checkpoints, é uma ferramenta.

Sofia Almeida: E a quarta fecha o bloco com algo mais leve: a Kitbar, uma barra de estado nativa para Mac e Windows que monitoriza serviços de developer — Vercel, Cloudflare, GitHub, GitLab, Stripe, Polar, e até Claude Code e Codex. Não precisa de conta, pagas uma vez e é tu. Para quem salta entre dez dashboards por dia, ter tudo na barra de estado muda o ritmo de trabalho.

Rafael Costa: E o fio comum dos quatro é claro: apps nativas, privacidade por defeito, e o utilizador no controlo. Mas a pergunta é: o que acontece quando as ferramentas tocam as partes mais sensíveis da vida — a saúde, a família, os dados médicos? É o nosso último bloco.

Sofia Almeida: Pois, e começa com o mais ambicioso: o Rhem, um robot de mesa para seniores. Ele monitoriza sinais vitais, padrões de conversa, dá lembretes, e tem agentes de IA que marcam consultas e fazem chamadas. É um produto que junta hardware, monitorização de saúde e agentes autónomos — na vida de uma pessoa idosa.

Rafael Costa: E aí todas as perguntas se juntam. Um agente que marca consultas médicas e liga em nome de alguém é exatamente o tipo de ação que precisa de gate humano — e aqui o gate seria quem, o familiar? O produto, tal como descrito, não diz. E os dados de saúde, padrões de conversa de uma pessoa idosa, são dos mais sensíveis que existem. A promessa é grande; as questões de confiança são maiores ainda.

Sofia Almeida: E aí há uma resposta oposta no mesmo bloco: o Knuff, uma app de check-in familiar que usa um modelo chamado "Bubble" — bolhas, grupos fechados de família — e diz que todos os dados ficam na Alemanha, sem cloud americana. É a versão mais conservadora possível da mesma vontade: manter a família ligada, mas com os dados debaixo da tua jurisdição.

Rafael Costa: Depois há o Temp Mail, que é a ferramenta de privacidade mais prática do lote. É email descartável gratuito, sem registo. As novidades: aliases privados de forwarding no Android — recebes email num alias e reencaminhas sem expor o teu endereço real —, cópia de códigos OTP, domínios próprios, e está disponível em vinte e nove línguas.

Sofia Almeida: E para fechar, uma ferramenta que ataca um problema que pouca gente pensa: acessibilidade. O DevAlly grava user journeys — percursos de utilizador — em texto simples, em linguagem natural, e valida cada passo contra as normas WCAG, o padrão internacional de acessibilidade web, sugerindo fixes onde falha. Escreves "o utilizador faz login e compra ao carrinho" e ele verifica se cada passo é acessível.

Rafael Costa: E isso liga o episódio inteiro, na verdade. Ao longo de tudo o que vimos hoje — da Mistral aos pesos abertos, da Ana aos e-mails só com aprovação, da Cinch com CLI para agentes, do Knuff com dados na Alemanha — há uma pergunta persistente: em quem confiamos com os nossos dados quando a IA os manuseia?

Sofia Almeida: E a resposta honesta é: cada produto escolheu um sítio diferente. A Mistral aposta na abertura dos pesos para que possas correr o modelo onde quiseres. O Rool e o Knuff apostam na geografia — Finlândia, Alemanha. A Cinch e a Thalia apostam em zero telemetria e nada fora do teu dispositivo. O Velozity e a Ana apostam na aprovação humana como última barreira. Nenhum deles resolve tudo; cada um escolhe onde pôr o muro.

Rafael Costa: E o que fica em aberto, e é bom dizer, é que quase tudo o que ouvimos hoje vem dos makers. As poupanças de dezoito por cento da Ana, o "modelo mais forte" da Mistral, a promessa do Pegasus sem labeling manual — são afirmações. A prova virá do uso, de testes independentes, e da comunidade a criticar onde dói. É isso que vale a pena acompanhar nos próximos meses.

Sofia Almeida: Pois. Ficamos por aqui por hoje. Obrigado por nos ouvires, e até à próxima.

Rafael Costa: Até já, e cuidem dos vossos dados — porque alguém, algum agente, está sempre a olhar para eles.