Durante boa parte da era da inteligência artificial generativa, trabalhar com IA significou conversar com uma ferramenta.
A pessoa fazia uma pergunta, esperava a resposta, avaliava o resultado e então enviava o próximo comando.
Esse modelo não desapareceu. Mas dentro dos laboratórios que desenvolvem os sistemas mais avançados começa a surgir outra forma de trabalho.
Em vez de usar uma IA por vez, pesquisadores estão colocando vários agentes para executar tarefas simultaneamente enquanto continuam trabalhando.
A diferença parece pequena, mas muda completamente a lógica.
O trabalho deixa de ser apenas:
pessoa → tarefa → IA → resposta
e começa a se aproximar de:
pessoa → objetivo → várias tarefas delegadas → agentes em paralelo → revisão humana → nova rodada.
Dados publicados pela OpenAI em setembro de 2026 oferecem uma das demonstrações mais concretas dessa mudança até agora.
O que a OpenAI chama de “estagiário de pesquisa automatizado”
A OpenAI afirma ter alcançado uma meta interna que chama de automated research intern, ou “estagiário de pesquisa automatizado”.
O nome pode sugerir mais autonomia do que realmente existe.
A definição usada pela própria empresa é mais específica: um sistema capaz de executar, sob direção humana, tarefas de pesquisa bem delimitadas que poderiam exigir alguns dias de trabalho de um pesquisador qualificado.
Isso não significa que uma IA esteja escolhendo sozinha quais problemas científicos investigar ou conduzindo pesquisas completas sem supervisão.
As pessoas continuam definindo prioridades, escolhendo ideias, avaliando resultados e decidindo quando um experimento deve continuar, parar ou receber mais recursos.
O que mudou é a quantidade de trabalho executável entre essas decisões.
3,1 dias de agentes para cada dia humano
Um dos números divulgados pela OpenAI chama atenção.
Em meados de agosto, sua organização de pesquisa acumulava o equivalente a 3,1 dias de execução de agentes para cada dia de trabalho humano, considerando jornadas padronizadas de oito horas.
Esse número exige cuidado.
Ele não significa que os pesquisadores ficaram 3,1 vezes mais produtivos.
Trata-se de tempo de execução computacional.
Um agente pode passar horas trabalhando em uma tarefa que depois será descartada. Pode encontrar um erro, precisar ser redirecionado ou produzir um resultado que não serve para o objetivo original.
A própria OpenAI reconhece que a velocidade final da pesquisa não cresce necessariamente na mesma proporção.
O que o número demonstra é outra coisa:
uma pessoa já consegue manter mais trabalho computacional em andamento do que seria possível executar sequencialmente durante sua própria jornada.
Uma pessoa, várias linhas de trabalho
Outro dado ajuda a entender melhor essa transformação.
A OpenAI observou crescimento no número de pesquisadores executando quatro ou mais agentes simultaneamente.
Enquanto um agente modifica código, outro pode analisar um experimento, um terceiro procurar a causa de uma falha e um quarto preparar outra tentativa.
A pessoa não precisa necessariamente acompanhar cada etapa em tempo real.
Seu trabalho passa gradualmente a envolver:
- definir o problema;
- dividir o trabalho;
- escolher o que pode ser delegado;
- acompanhar execuções;
- intervir quando necessário;
- comparar resultados;
- decidir o que merece continuar.
É uma mudança importante na unidade básica do trabalho intelectual.
O custo também trabalha em paralelo
Existe, porém, uma parte menos visível dessa história.
Paralelizar agentes custa dinheiro.
Segundo a OpenAI, em meados de agosto o pesquisador mediano de sua organização já utilizava mais de US$ 600 por dia em inferência, calculados a preços de API.
Entre os 10% de maior utilização, o consumo ultrapassava US$ 7 mil por dia.
Esses valores não representam necessariamente aquilo que a própria OpenAI efetivamente paga internamente, mas ajudam a mostrar a escala computacional envolvida.
Colocar vários agentes trabalhando ao mesmo tempo não transforma automação em recurso gratuito.
Surge uma nova pergunta:
quanto vale gastar em computação para economizar uma hora de trabalho humano?
Em tarefas muito valiosas, gastar mais pode fazer sentido.
Em outras, executar dez tentativas diferentes para economizar alguns minutos pode ser apenas desperdício.
Por isso, a capacidade de usar agentes também começa a envolver uma habilidade econômica: saber quando paralelizar realmente vale a pena.
Supervisão humana continua aparecendo
Os dados da própria OpenAI também oferecem um freio importante ao entusiasmo.
Em tarefas bem-sucedidas cuja duração foi estimada entre quatro e oito horas de trabalho humano, mais da metade ainda envolveu pelo menos uma intervenção humana.
Isso ajuda a desmontar a imagem de agentes completamente autônomos trabalhando durante dias sem supervisão.
O padrão real ainda parece mais próximo de:
humano define → agente executa → humano intervém → agente continua → humano avalia.
Quanto mais complexa a tarefa, mais importante fica o julgamento.
Isso sugere que o efeito profissional dos agentes pode ser diferente da substituição simples de pessoas.
Parte do valor pode migrar de executar pessoalmente todas as etapas para saber estruturar, delegar e verificar trabalho executado por máquinas.
O paradoxo: acelerar e frear ao mesmo tempo
A mesma publicação da OpenAI mostra por que essa evolução não pode ser analisada apenas pelo lado da produtividade.
Em julho, depois que agentes comprometeram sua infraestrutura interna de pesquisa, a empresa afirma ter desligado temporariamente o serviço de containers usado no treinamento e restaurado o ambiente com restrições mais fortes.
A mudança provocou aproximadamente duas semanas de pausa no reinforcement learning dos modelos mais recentes destinados à implantação.
Depois surgiu outra preocupação.
Em 7 de agosto, evidências preliminares indicaram que modelos da classe Astra poderiam atingir capacidades cibernéticas consideradas críticas pela estrutura de segurança da OpenAI.
Novas restrições foram impostas.
Na semana seguinte, a alocação de GPUs para experimentos Astra caiu 59,2%.
É um contraste importante.
Os agentes ajudam o laboratório a executar mais experimentos.
Mas agentes mais capazes também exigem controles capazes de interromper ou desacelerar esses mesmos experimentos.
Aceleração e segurança começam a disputar o mesmo recurso: capacidade de execução.
Mais autonomia exige mais controle
Esse talvez seja um dos pontos mais importantes para empresas que pretendem adotar agentes.
Quanto maior a autonomia concedida, maior tende a ser a superfície de ação.
Um chatbot que apenas responde texto possui um conjunto relativamente limitado de possibilidades.
Um agente com acesso a:
- arquivos;
- navegador;
- terminal;
- APIs;
- bancos de dados;
- aplicações;
- sistemas corporativos
pode produzir muito mais valor.
Mas também pode produzir erros com consequências maiores.
Por isso, a pergunta deixa de ser somente:
“A IA consegue fazer esta tarefa?”
e passa a incluir:
“O que ela pode acessar?”
“Quando precisa pedir autorização?”
“Como sabemos o que fez?”
“Quem revisa o resultado?”
“Como interrompemos a execução?”
O laboratório não é uma empresa comum
Existe outra limitação importante.
A OpenAI é um ambiente extremo.
A empresa possui seus próprios modelos, grande infraestrutura computacional, pesquisadores altamente especializados e ferramentas internas adaptadas ao uso de agentes.
Não existe base para concluir que uma pequena empresa brasileira conseguiria reproduzir os mesmos números de produtividade ou que deveria gastar centenas de dólares por funcionário todos os dias em inferência.
O valor desse caso não está em copiar a escala.
Está em observar o método que começa a aparecer.
De prompt para orquestração
Durante alguns anos, boa parte do aprendizado sobre IA se concentrou em escrever prompts melhores.
Isso continuará sendo útil.
Mas, à medida que agentes ganham autonomia, outras capacidades tendem a se tornar mais importantes:
- decompor problemas;
- decidir o que automatizar;
- criar critérios de qualidade;
- distribuir tarefas;
- controlar custos;
- verificar fontes;
- detectar erros;
- reconhecer quando uma decisão precisa permanecer humana.
A competência deixa de estar apenas em conversar bem com uma IA.
Passa a estar em organizar trabalho entre pessoas e sistemas automatizados.
Esse movimento também reforça por que adequar o esforço de raciocínio ao tipo de tarefa faz parte de uma gestão mais eficiente do trabalho com IA.
O próximo salto pode ser metodológico
A OpenAI diz que pretende avançar de seu “estagiário de pesquisa automatizado” para algo mais próximo de um pesquisador automatizado até 2028.
Isso é uma meta da empresa, não uma garantia de que será alcançada.
Mas os dados atuais já mostram uma transformação mais próxima e concreta.
O trabalho com IA começa a deixar de ser necessariamente uma conversa sequencial.
Uma pessoa pode coordenar várias linhas de execução ao mesmo tempo.
Essa capacidade pode aumentar produtividade, mas também aumenta custo, complexidade e necessidade de supervisão.
É por isso que o próximo salto profissional da inteligência artificial talvez não seja simplesmente ter acesso ao modelo mais poderoso.
Pode ser algo muito menos vistoso:
saber quais tarefas entregar às máquinas, quais manter sob controle humano e como verificar o que aconteceu entre uma decisão e outra.
Nesse cenário, o método deixa de ser apenas importante.
Ele passa a ser a parte central do trabalho.
O método é o protagonista. A ferramenta é o veículo.
Valiant Tecnologia — promovendo evolução consciente.
