1015 | IA em ação: benchmarks, agentes e lançamentos

Sofia Almeida: Boa tarde a todos os que nos ouvem, e bem-vindos a mais uma sessão de Radio Lançamentos. Eu sou a Sofia Almeida.

Rafael Costa: E eu sou o Rafael Costa. Hoje o fio condutor é simples: estamos a entrar numa fase em que os agentes deixaram de ser curiosidades e começaram a precisar de tudo o que os modelos grandes sempre tiveram — benchmarks sérios, memória, infraestrutura, e até um lugar próprio nas nossas rotinas de trabalho.

Sofia Almeida: E a forma como isto chegou até nós é exatamente como vamos tratar o episódio: um resumo diário do que foi lançado nas últimas vinte e quatro horas. Selecionámos um conjunto pequeno de produtos onde o problema do utilizador é claro, a solução é diferenciada, há capacidades concretas, há preços ou disponibilidade, e há evidência real de quem os construiu ou da comunidade.

Rafael Costa: Um aviso importante antes de começarmos: tudo o que vem dos criadores é uma afirmação, não um resultado verificado. Onde houver números, vamos dizer quem os afirma e o que ainda falta confirmar. Vamos a isso.

Sofia Almeida: Comecemos pelos benchmarks, porque é aí que se decide quem está à frente. No lado dos modelos, temos a família Nimble-v4 e a Nimble-v4-max a superar o Jev 1.13 no Decision Index, com o v4-max a atingir a pontuação de 68.46 na classe de 27B.

Rafael Costa: 68.46 na classe 27B é um número concreto, e o que o torna interessante é o enquadramento: não é um modelo gigante, é um modelo de 27 mil milhões de parâmetros a bater um rival num índice de decisão. Para quem escolhe modelos para tarefas de decisão — classificação, avaliação, escolhas — isto muda a equação custo-capacidade.

Sofia Almeida: Sim, e é precisamente a equação custo-capacidade que liga o próximo anúncio. No hardware, a Microsoft apresentou o chip de inferência Ma 300, a próxima geração. Os números anunciados são ambiciosos: produção prevista para 2027, alegação de 40% mais tokens por megawatt, e racks com 96 aceleradores.

Rafael Costa: E aqui temos de ser honestos: isto é uma promessa futura, não um produto disponível. Produção em 2027 significa que estamos a falar de uma folha de valores, não de um chip numa sala de servidores. Falta-nos saber duas coisas fundamentais: números independentes — ou seja, alguém fora da Microsoft a medir aqueles 40% — e a disponibilidade real, quem consegue comprar ou usar isto, e quando.

Sofia Almeida: Exatamente. É o padrão clássico de anúncio de silício: a eficiência energética é a métrica certa para inferência, porque o custo de correr modelos é cada vez mais energia do que hardware, mas uma alegação de fabricante sem terceiro a validar é só metade da história. Deixem-no por agora como uma aposta a dois anos.

Rafael Costa: A passar para software, o agente de código Reason também veio com números. Marca 65.1 contra 62.5 do Codex no Coding Agent Index — uma diferença de 2.6 pontos — e custa 22% menos, com cache otimizado.

Sofia Almeida: Aqui a combinação é mais interessante do que qualquer número isolado. Ser mais barato em 22% e marcar mais num índice de agentes de código é uma proposta direta: a mesma função por menos. E o cache otimizado explica parte disso — em agentes de código, repetir contexto é uma das maiores fontes de custo, portanto um cache bem feito reduz o que se paga sem cortar capacidade.

Rafael Costa: Vale notar que também aqui é o índice de quem lançou o produto, presumivelmente, portanto os mesmos cuidados se aplicam. Mas pelo menos há uma métrica nomeada e um comparável direto, o Codex, o que permite a quem quiser verificar ir procurar exatamente aqueles números.

Sofia Almeida: E do texto falado, o último capítulo dos benchmarks: o TTS Kugel 3.5 bate quatro rivais em oito de nove testes. Afirma acertar 97.1% dos números longos, custa 5.25 cêntimos por minuto, e suporta IPA.

Rafael Costa: Este detalhe dos números longos é o que mais me agraba, porque quem já usou texto-para-fala sabe que é aí que tudo falha. Datas, números de telefone, valores com decimais — os sintetizadores tropeçam, e 97.1% é exatamente a métrica que interessa a quem faz assistentes telefónicos ou notificações de voz. E o suporte a IPA, o alfabeto fonético, é o controlo fino para pronunciar nomes próprios e termos técnicos corretamente.

Sofia Almeida: Cinco cêntimos e um quarto por minuto também é um preço concreto que se pode pôr numa folha de cálculo. No conjunto, este primeiro bloco mostra três camadas da mesma corrida: modelos a ganhar em decisão, chips a prometer eficiência, e voz a resolver os pormenores que sempre fizeram os utilizadores desligar.

Rafael Costa: E é aí que faz a transição perfeita: modelos melhores precisam de memória e de contextos. Um modelo que decide bem, mas esquece tudo entre chamadas, é um peixe sem memória. E é exatamente aí que entra o segundo tema do dia.

Sofia Almeida: O Hindsight 1.0 é a peça central aqui. É open source, com licença MIT, e afirma ser o número um no Agent Memory Benchmark. Por baixo usa o motor Memlake, escrito em Rust, e a alegação técnica é de 100 milhões de memórias com latência p99 abaixo de 100 milissegundos.

Rafael Costa: Esses dois números juntos dizem muito. 100 milhões de memórias é escala de empresa, não de projeto de fim de semana. E p99 abaixo de 100ms significa que mesmo o percentil mais lento — o pior caso em 1% dos pedidos — fica rápido o suficiente para usar em produção interativa. A licença MIT também importa: qualquer um pode adotá-lo sem negociar com ninguém.

Sofia Almeida: Claro que "número um num benchmark" é outra alegação do criador, portanto o mesmo cepticismo de sempre. Mas a combinação de open source, motor nomeado e números específicos dá pontos de verificação concretos a quem quiser testar.

Rafael Costa: E o que faz um sistema de memória destes valer na prática? Ver quando é partilhado entre ferramentas. O Make0 Brain oferece memória comum entre ChatGPT, Claude e Cursor, através do protocolo MCP, com importação de conversas em cerca de dois minutos. Está em beta aberto e é gratuito.

Sofia Almeida: Isto resolve um problema real que qualquer pessoa que use várias ferramentas de IA conhece: o ChatGPT não sabe o que dissemeste ao Claude, o Claude não sabe o que o Cursor fez, e andamos a repetir contexto. Uma memória que atravessa as três via MCP muda o fluxo — contexto escreve-se uma vez, lê-se em todo o lado. Dois minutos de importação e beta gratuito baixam a barreira de experimentação quase a zero.

Rafael Costa: E a memória em ação, no dia a dia, é o AirJelly. É um agente de secretária para o ambiente de trabalho que observa o contexto do ecrã, cria tarefas automaticamente a partir do que vê, e envia lembretes. É gratuito, em Mac e Windows.

Sofia Almeida: É o exemplo vivo de tudo o que falámos: um agente que só funciona se tiver memória e contexto. Se está a ver o teu ecrã e a transformar o que acontece em tarefas e lembretes, está a manter um modelo contínuo do teu trabalho. É também o que levanta a questão de privacidade óbvia — um agente a ver o ecrã — mas pelo menos é gratuito e multiplataforma, portanto dá para experimentar sem cartão.

Rafael Costa: Fechando este bloco: o mercado de memória para agentes está a amadurecer a um ritmo notável. Passámos de "a conversa acabou e perdeu-se tudo" para benchmarks, motores em Rust e memória partilhada entre ferramentas. O próximo passo natural era óbvio: usar essas memórias e contextos para programar melhor. E é exatamente o que vamos ver agora.

Sofia Almeida: Programar com agentes é o tema mais carregado de hoje, e vamos percorrê-lo como um ciclo: apontar, escrever, verificar, manter e mostrar. Começando pelo apontar: o EditUI é uma extensão para Chrome que permite apontar para elementos de interface e enviar instruções em lote ao Claude Code ou ao Cursor. É gratuito e não exige registo.

Rafael Costa: Este é dos problemas mais subestimados no desenvolvimento assistido por IA. Dizer ao agente "aquele botão" é frustante — tens de descrever o elemento, o agente adivinha mal, corriges, e assim vai. Apontar com o rato para o elemento e mandar um lote de instruções conecta a interface visual diretamente ao agente. E sem registo, sem pagamento, o custo de experimentar é instalar e usar.

Sofia Almeida: A seguir, o fim do ciclo: o Exodus é uma ferramenta gratuita e open source onde agentes de código migram aplicações para o Cloud Run, através de mais de 50 playbooks, e produz relatórios de custos. Nota que é dos mesmos autores que o EditUI.

Rafael Costa: Os 50+ playbooks são a parte séria aqui. Migrar uma app para a cloud é uma das tarefas onde agentes falham sem orientação, porque há demasiadas decisões — redes, configuração, permissões. Playbooks são essa orientação empacotada. E os relatórios de custos respondem à pergunta que sempre fica: "e quanto vai isto custar a correr?" Ter a migração e a estimativa de custo no mesmo movimento é diferenciador.

Sofia Almeida: Entre escrever e migrar está a qualidade, e aí temos duas ferramentas com filosofias diferentes mas complementares. O Tiden faz verificação de intenção para agentes de código: guarda especificações versionadas e emite veredictos baseados em testes reais — sem IA a julgar.

Rafael Costa: E essa última parte é a mais importante. Muitas soluções de avaliação de código gerado usam outro modelo de IA a dizer "parece bem". O Tiden recusa esse caminho: o veredicto vem de testes reais, e as especificações são versionadas, portanto há um registo auditável do que foi pedido e do que passou. É a diferença entre opinião e evidência.

Sofia Almeida: O LegacyFixer, uma aplicação no GitHub, ataca o mesmo problema da qualidade por outro ângulo: escaneia dependências Python à procura de vulnerabilidades e só abre pull requests se passar nas suas próprias validações.

Rafael Costa: O "só se passar nas validações" é o detalhe que o distingue. Há muitos bots que abrem PRs automáticos e inundam as equipas com mudanças meio testadas. A disciplina de só abrir o PR quando as validações passam significa que o sinal-ruído no repositório mantém-se utilizável.

Sofia Almeida: No capítulo segurança, o Epherem é um scanner gratuito para aplicações construídas por IA. Aceita um ZIP ou um repositório GitHub, faz o scan de segurança, e produz prompts de correção prontos para o Claude Code, o Cursor ou o Lovable.

Rafael Costa: Este encaixa numa realidade nova: muita gente está a construir apps com agentes, a velocidade, sem qualquer revisão de segurança. Um scanner gratuito que aceita um simples ZIP e devolve correções no formato que o teu agente de código já entende fecha o ciclo de forma elegante — encontras o problema e a correção chega no sítio onde a podes aplicar.

Sofia Almeida: E a mostrar o resultado, o Specreel gera demos a partir de traços do Playwright ou de crawls de URLs, e republica-as em builds verdes, para que as demos nunca fiquem obsoletas.

Rafael Costa: "As demos nunca ficam obsoletas" resolve uma dor muito específica de quem mantém produtos: a demo gravada envelhece mal, o vídeo fica desatualizado, e ninguém tem tempo para refazer. Gerar a demo a partir de traços reais de testes — que já existem em projetos que usam Playwright — e republicar a cada build verde significa que a demo acompanha o produto. É pequeno no âmbito, mas muito bom no encaixe.

Sofia Almeida: Como nota de suporte dentro do mesmo tema, há o WriterzRoom: uma plataforma multiagente com 8 agentes construídos em LangGraph e um Quality Gate, 100% serverless no Cloud Run com 9 serviços. Interessante ver que a infraestrutura que o Exodus automatiza — o Cloud Run — também suporta plataformas como esta.

Rafael Costa: E sobre tudo o que falámos neste tema, o que ainda não sabemos é a parte da adoção: quão robustos são estes fluxos em equipas grandes? Uma pessoa a usar o EditUI e o Tiden é uma história; uma equipa de cinquenta com processos, revisões e compliance é outra. As ferramentas existem, a prova de escala ainda não.

Sofia Almeida: E quem programa com agentes precisa cada vez mais de infraestrutura à volta — dados, envio, credibilidade nas chamadas. É o nosso próximo bloco: infraestrutura para agentes de negócio e pesquisa.

Rafael Costa: O Pancake é a peça mais ambiciosa aqui. Apresenta-se como o "Vercel para GTM" — go-to-market. Através de MCP, dá aos agentes um "GTM Brain", acesso a mais de 40 fornecedores de dados, e infraestrutura de envio. Afirmam ter sido número um em maio, e entretanto reconstruíram o produto.

Sofia Almeida: A analogia com a Vercel é clara: a Vercel abstraiu a infraestrutura de deploy; o Pancake quer abstrair a infraestrutura de go-to-market. Um agente que faz vendas precisa de três coisas — contexto sobre o mercado, o que o GTM Brain e os 40+ fornecedores de dados dão, e capacidade de chegar aos clientes, o que a infraestrutura de envio dá. Sem essas duas peças, um agente de vendas é um chatbot com energia.

Rafael Costa: Mas reparem no detalhe: "número um em maio" e "reconstruído" na mesma frase pede cautela. Número um em quê, medido por quem? E um produto reconstruído de raiz significa que o que estava em maio pode não ser o que está hoje. É uma alegação do criador, e o estado atual pós-reconstrução é precisamente o que ainda não sabemos avaliar.

Sofia Almeida: O Inferock ataca um problema mais discreto mas muito real: é um proxy de inferência de LLM com recibos. Quando uma chamada falha, há registo, e devolve créditos por falhas verificadas. O componente Watch é gratuito, com as tuas próprias chaves.

Rafael Costa: Isto é um modelo de alinhamento de incentivos quase raro neste mercado. Quem fornece inferência cobra-te por chamadas, incluindo as que falham. Um proxy que documenta as falhas e te devolve créditos por elas assume o ónus de provar que a falha existiu — daí os recibos. E funcionar com as tuas próprias chaves no nível gratuito significa que não te prende a um fornecedor.

Sofia Almeida: Do lado da informação, o daily.dev for agents abre os feeds, a pesquisa e os marcadores do daily.dev a agentes como Claude, Cursor e Codex, via MCP, com um marketplace de plugins e uma API.

Rafael Costa: É um padrão que vai repetir-se muito este ano: plataformas de conteúdo humano a abrir portas MCP para agentes. Em vez de o agente pesquisar na web e arriscar fontes, consulta diretamente a base curada do daily.dev. O marketplace de plugins e a API sugerem que querem ser infraestrutura, não uma integração pontual.

Sofia Almeida: E o Retriever AI fecha o bloco: um agente de navegador gratuito para encontrar leads, fazer outreach e procurar empregos. Alega 81.4% no Web Bench, ser 5 vezes mais rápido e 300 vezes mais barato que rivais.

Rafael Costa: Os três números em sequência — 81.4%, 5x, 300x — são exatamente o tipo de alegação a tratar com cuidado. 300x mais barato é um número espetacular demais para aceitar sem saber a linha de base: mais barato que quem, fazendo o quê? O que é verificável de imediato é o preço: é gratuito, portanto qualquer pessoa pode formular a sua própria opinião em vez de confiar no benchmark.

Sofia Almeida: O que une este bloco é a ideia de que os agentes de negócio precisam de uma pilha própria: memória de mercado no caso do Pancake, fiabilidade de custos no Inferock, fontes no daily.dev, execução na web no Retriever. E se estas pilhas funcionam, o resultado aparece no trabalho de todas as equipas — que é o nosso próximo tema.

Rafael Costa: Nas equipas, e começando por uma função onde os agentes entram com força: recursos humanos. O Screenwell usa uma entrevistadora de IA chamada Luna para fazer triagens de primeira ronda no Meet e no Teams, com scorecards ordenados. Alega suportar mais de 30 idiomas, e há 14 dias de teste gratuito.

Sofia Almeida: A escolha de correr dentro do Meet e do Teams é estratégica — não obriga o candidato a instalar mais uma ferramenta de videochamada, e integra-se no fluxo que as empresas já usam. E o scorecard ordenado é o entregável que interessa aos recrutadores: uma lista ranqueada de candidatos com justificação, não um monte de gravações. Quatorze dias de teste é um período razoável para avaliar em vagas reais.

Rafael Costa: Claro que aqui as questões em aberto são de outro tipo — candidatos que preferem humanos na primeira ronda, vieses do modelo, compliance. O produto não responde a isso nos dados que temos, mas são as perguntas que uma equipa de RH teria de fazer.

Sofia Almeida: A ir para o consumidor, uma das coisas mais curiosas do dia: o Winq, para macOS, permite controlar o computador sem mãos através da câmara. Focas com o olhar, piscas cada olho separadamente para clicar, e há 11 gestos. Tudo é processado no dispositivo — nada de câmara partilhada.

Rafael Costa: O per-eye wink, piscar um olho de cada vez para distinguir tipos de clique, é um detalhe de interação muito cuidado. É um produto que serve um público real — pessoas com mobilidade limitada, ou quem usa as mãos noutra coisa — e a garantia de processamento no dispositivo responde à preocupação óbvia de ter uma câmara a observar-te.

Sofia Almeida: No tema viagens, o Mira Tours é uma aplicação de guia turístico em áudio. Constrói-se o tour por conversa com a IA, ou há tours automáticos, e funciona em 23 idiomas. Há 30 minutos grátis, e depois paga-se por uso.

Rafael Costa: O modelo de construção por chat é o diferenciador — em vez de escolher entre tours pré-gravados, descreves o que te interessa e recebes um guia à medida. Pagar por uso em vez de subscrição também faz sentido para uma ferramenta que se usa uma ou duas vezes por viagem.

Sofia Almeida: E para as noites de jogo, o Table Canon transforma o áudio de sessões de RPG de mesa em resumos, dossiês de entidades — personagens, locais, o que for — e um histórico pesquisável. Há 6 horas gratuitas.

Rafael Costa: Quem joga RPG sabe que a campanha vive e morre pela memória: quem era aquele NPC, o que foi decidido há três sessões. Transformar o áudio da noite em dossiês e histórico pesquisável é exatamente o problema certo a resolver, e 6 horas grátis dá para duas ou três sessões de teste.

Sofia Almeida: E no hardware do dia a dia, o HomePod mini 2 chega por 149 dólares, com o efeito Sound Glow e melhores integrações com Mac e Apple TV. Mas atenção: a Siri com IA só chega numa atualização futura — não vem no lançamento.

Rafael Costa: Isto é um padrão que já conhecemos e que se repete: hardware novo, promessa de software adiada. O comprador paga hoje por um altifalante cuja principal funcionalidade anunciada — a Siri inteligente — chega depois, sem data confirmada. É honesto da Apple dizerem-no, mas é também o mesmo padrão do Ma 300 da Microsoft que falámos ao início: o anúncio anda à frente do produto.

Sofia Almeida: E a fechar este bloco, o Rambox apresenta um redesign: um Command Center, busca unificada, abas internas e workspaces para separar contas e contextos.

Rafael Costa: Os workspaces são a parte que interessa a quem mistura trabalho e pessoais: separar as contas por contexto, com busca unificada quando precisas de procurar em tudo. É uma renovação de produto maduro, não um lançamento disruptivo — mas é o tipo de melhoria que quem usa a ferramenta todos os dias sente.

Sofia Almeida: De agentes a entrevistar candidatos ealtifalantes a espera de software futuro, o dia a dia está claramente a ser reorganizado à volta destas ferramentas. E há uma última camada: as rotinas de empresa e o ecossistema à nossa volta.

Rafael Costa: Começando pelo ecossistema cloud, porque é o que afeta mais gente tecnicamente: o Cloud Releases junta num único feed as atualizações de AWS, Azure, GCP e Cloudflare. Cobre mais de 700 serviços, destaca as deprecações, e é gratuito.

Sofia Almeida: Isto é daquelas ferramentas sem glamour e com muito valor. Manter-se a par de quatro clouds é impossível manualmente — cada uma tem o seu blog, o seu feed, o seu formato. Um feed único com 700+ serviços e, sobretudo, as deprecações destacadas, porque é a deprecação que te acorda a meio da noite, é infraestrutura de conhecimento simples e necessária.

Rafael Costa: E no lado financeiro das rotinas, o NoteHouse é software para empréstimos privados: cria pagarés, suporta assinatura eletrónica e mantém uma contabilidade partilhada entre as partes.

Sofia Almeida: É um nicho real e mal servido — empréstimos entre particulares, entre familiares, entre amigos, onde ninguém quer contratar um advogado mas todos precisam de um registo. Pagaré, assinatura eletrónica e contabilidade partilhada cobre o ciclo completo do empréstimo informal.

Rafael Costa: No lado do produto, a Confidence da Spotify é uma plataforma de experimentação warehouse-native: A/B testing, feature flags e session replay, com início gratuito.

Sofia Almeida: O "warehouse-native" é a palavra que muda tudo aqui. As plataformas de experimentação clássicas obrigram a duplicar dados ou a enviar eventos para o fornecedor. Ser warehouse-native significa que a análise corre sobre o data warehouse que a empresa já tem — menos cópias, menos custos, e os dados ficam onde já estão governados. E vem da Spotify, que tem uma história longa de experimentação interna, o que dá credibilidade à origem, ainda que seja cedo para avaliar o produto em si.

Rafael Costa: E para completar o ecossistema, vale lembrar que o LegacyFixer, de que já falámos no tema de programação, também se encaixa aqui como automação de manutenção — dependências Python seguras, PRs abertos só quando as validações passam. É das ferramentas que vive nas duas camadas: o fluxo de desenvolvimento e a rotina de manutenção contínua.

Sofia Almeida: Fechando o episódio, o que fica por saber atravessa todo o dia: números independentes e disponibilidade real do Ma 300, a adoção destes fluxos de agentes em equipas grandes, e quanto destas ferramentas novas — do Pancake à Confidence — ganham tração frente às suites estabelecidas.

Rafael Costa: O padrão geral, se alguma coisa liga tudo o que vimos hoje, é este: a camada dos modelos está a dar os saltos visíveis — índices, chips, vozes — mas a inovação mais utilizável está nas camadas por baixo e ao lado: memória, verificação, infraestrutura e rotinas. E cada uma delas pede-nos exatamente o mesmo: testar, verificar as alegações, e não confiar no número do criador sem contexto.

Sofia Almeida: É o nosso conselho de hoje. Obrigado por nos ouvirem, eu fui a Sofia Almeida.

Rafael Costa: E eu o Rafael Costa. Até ao próximo resumo, bons testes e boas decisões.