A OpenAI está construindo agentes de IA para tudo. Todo mundo vai usá-los?
Quanto controle você está disposto a dar a um LLM sobre a sua vida digital?
Obter o máximo de valor de um modelo significa dar a ele as chaves. Para quem é controlador ou tem receio de IA, isso parece muita coisa. Para Andrew Ambrosino, o engenheiro-líder do aplicativo de desktop da OpenAI, essa é a única maneira de testar o futuro, e é por isso que o aplicativo agora tem acesso e controle sobre sua caixa de entrada, sua conta no Slack, seu telefone, aplicativos como Notion e Figma, e muito mais.
“Se eu estiver pedindo para ele escrever um documento, existe a possibilidade de ele extrair informações de uma mensagem direta privada sobre o assunto e não saber que não deveria compartilhar alguma informação? Sim”, disse Ambrosino ao TechCrunch. “Eu faço isso pelo trabalho. Vou assumir o ônus pessoal aqui e ali, se precisar. E até agora não precisei.”
Ambrosino trabalha na maior aposta da OpenAI, o ChatGPT Work, lançado no mês passado e disponível no plano de assinatura mais barato da empresa, por US$ 20 por mês. O produto tem como objetivo permitir que trabalhadores de escritório utilizem agentes de IA — conectando LLMs aos fluxos de trabalho digitais usados por contadores, investidores, médicos e todos os outros cuja rotina diária é dominada pelo computador.
O texto de marketing da OpenAI resume o objetivo de forma sucinta: Um mundo “onde a inteligência [artificial] vai além de responder a perguntas, ajudando todos a transformar suas maiores ideias em realidade.”
Para desenvolvedores de software, essa mudança já está acontecendo, mas tem sido lenta para se espalhar para outros departamentos. O ChatGPT Work é uma versão modificada da ferramenta de programação Codex da empresa. O objetivo é dar aos não engenheiros uma versão da mesma funcionalidade que os engenheiros de software já obtêm dos agentes: uma ferramenta de IA que não apenas responde a perguntas, mas conclui projetos de várias etapas por conta própria.
“Nesse novo fator, o ChatGPT pode realmente realizar tarefas inteiras e muito complexas para você, de forma totalmente autônoma, de uma maneira agradável e segura”, disse ao TechCrunch Thibault Sottiaux, que lidera o trabalho de produtos principais da OpenAI, incluindo o Work. “Essa é a própria missão da OpenAI: trazer todos junto com a gente.”
Do ponto de vista comercial, isso importa muito. Agentes que trabalham por períodos mais longos consomem mais *tokens*, o que os torna mais lucrativos para a OpenAI em termos de receita por usuário. Alcançar novas profissões é crucial — não apenas para a OpenAI, mas para a indústria em geral. Se a programação provou ser um território lucrativo para os laboratórios de IA, ela ainda é um subconjunto minúsculo do trabalho profissional que as ferramentas de IA precisam viabilizar para que essas empresas justifiquem seu investimento massivo em treinamento e computação. Embora os laboratórios tenham focado em engenheiros de software, concorrentes focados em setores específicos, como o Harvey (para direito) e o Clay (para vendas), vêm correndo atrás desses clientes com uma abordagem agnóstica em relação aos modelos, o que significa que eles integrarão qualquer IA que funcione melhor no momento.
Analistas da indústria veem isso como um dos principais desafios enfrentados pela OpenAI e seus concorrentes. “Se os laboratórios não conseguirem rapidamente obter os principais ativos complementares necessários para escalar a IA no mercado, o valor será acumulado em outro lugar”, escreveu Christian Catalini no blog “It’s time to build” da a16z.
Fazer com que os aplicativos de IA funcionem para pessoas que não são engenheiros de software exige mais suporte passo a passo. A força de trabalho não técnica da OpenAI, como as equipes de comunicações e finanças, começou a usar o Codex “num momento em que ele era ativamente hostil a elas — perguntando sobre códigos e mostrando a elas: ‘oh, você tem um *diff* vazio para essa coisa’”, disse Ambrosino, referindo-se a um relatório técnico voltado para alterações de software. “Então, começamos a torná-lo mais de propósito geral entre fevereiro e agora.”
Um estudo apoiado pela OpenAI descobriu que, em junho, 98% dos funcionários da OpenAI estavam usando o Codex, mas apenas 17% dos assinantes organizacionais e menos de 1% dos assinantes individuais estavam usando a ferramenta de programação baseada em agentes. Essa diferença entre a adoção quase total dentro da empresa e a adoção insignificante fora dela é o desafio e a oportunidade para a companhia.
“Quanto mais valor e mais utilidade geramos para os usuários, mais eles estarão dispostos a pagar por parte dessa utilidade, e é assim que sempre vimos o ChatGPT também”, disse Sottiaux. “Você senta aí e pensa: ‘claro que quero pagar 20 dólares por mês por isso’, porque o valor que você obtém é muito maior.”
Para entender essa desconexão, ajuda compreender o que os engenheiros da OpenAI estão construindo. Todo LLM exige o que os engenheiros chamam de “esqueleto” (*harness*) — o software que envolve o modelo e decide quais informações ele vê, quais ferramentas ele pode usar e como ele apresenta suas respostas de volta para você.
Se você quer que esse modelo faça coisas — para se tornar um agente —, o esqueleto fornece ferramentas e instruções para usá-las em tarefas de longo prazo. Para desenvolvedores, uma interface de linha de comando (CLI) que permitia que LLMs programassem foi o suficiente para mudar a forma como o software era construído e implantado. Mas a maioria das pessoas não usa CLIs; há um motivo para o Windows ter substituído o DOS.
Um produto baseado em agentes que vai além da engenharia de software “vai ser algo que lida com o mundo caótico da sua vida, das suas ferramentas e de sites que foram construídos em 1995 e nunca atualizados”, disse Ambrosino ao TechCrunch, explicando que as experiências que sua equipe está construindo são vitais para expandir o acesso a uma IA útil.
Considere aplicativos como Claude Code e Codex: eles desencadearam a “programação por vibes” (*vibe coding*) ao abstrair toda a escrita real de software e permitir que os usuários apenas digam ao modelo o que querem em um programa. Agora, OpenAI quer tornar a funcionalidade encontrada em ferramentas como o OpenClaw, que programadores usam para colocar LLMs para trabalhar, tão fácil quanto digitar um comando (*prompt*).
“Sem esses produtos na frente do modelo, os especialistas saberiam como obter os mesmos resultados, mas você não conseguiria fazer um bilhão de pessoas usarem a ferramenta”, disse Ambrosino. Essa troca entre o que os usuários avançados precisam e o que a adoção em massa exige se desenrola em debates internos na OpenAI, onde alguns funcionários argumentam que um botão é desnecessário se os usuários puderem simplesmente pedir diretamente ao modelo.
“Nós resistimos a isso — porque ainda é muito cedo”, disse Ambrosino. “A descobribilidade importa nesta fase, e em algum momento não teremos o botão.”
O Work tem alguns botões a mais para selecionar projetos e complementos (*plug-ins*), mas visa à mesma interface de caixa mágica de outros produtos da OpenAI. Ele compara isso à esqueuromorfismo, a prática em desuso de fazer com que ferramentas digitais pareçam com os objetos físicos que substituíram, como um aplicativo de calculadora feito para parecer uma calculadora de bolso. “Isso não era apenas design cafona. Isso realmente ajudou a atrair as pessoas para cá e a facilitar a transição”, disse Ambrosino.
A OpenAI não quis informar quantas pessoas usavam o Work em comparação com o Codex, mas o aplicativo conjunto é usado por apenas 20 milhões de pessoas, em comparação com mais de um bilhão de usuários que, segundo a empresa, utilizam comandos no ChatGPT online.
Por enquanto, a OpenAI está divulgando essa ferramenta como sendo a mais adequada para tarefas de coordenação rotineiras e intensivas em dados. Seus funcionários estão configurando relatórios semanais de métricas, por exemplo, e transformando planilhas em ferramentas de planejamento.
Conversei com capitalistas de risco (*VCs*) que usam agentes para reunir comunicações relevantes e análises sobre empresas em memorandos de investimento, e equipes de operações que criam painéis personalizados e visualizações de dados. Sam Altman está usando a ferramenta para planejar suas férias. Um engenheiro da OpenAI descreveu ter pedido ao programa para analisar uma conversa no Slack sobre um problema de engenharia e “fazer alguns gráficos”, recebendo de volta uma série de gráficos perspicazes.
“Há uma enxurrada de informações para o trabalhador médio ou funcionário de qualquer uma dessas empresas, inclusive eu”, disse Akshay Nathan, que lidera a equipe de engenharia de produtos da OpenAI. “Na verdade, somos bastante limitados pela nossa capacidade de analisar tudo o que está disponível para nós e, em seguida, agir com base nisso. Essa informação vive em todas essas ferramentas de sistemas de registro [como o Salesforce]… o valor do ChatGPT é que você já tem acesso a isso, mas agora você tem acesso de verdade.”
Este, então, pode ser o assistente pessoal digital com o qual os evangelistas da IA sonham. Assim como o Claude Cowork ou o agente de navegação da Perplexity AI, o ChatGPT Work conecta agentes ao seu espaço de trabalho existente — e-mail, navegador web, uma série de plataformas SaaS — e coloca esse contexto para trabalhar por você.
Quando o sistema funciona, pode ser impressionante: pedi ao ChatGPT Work que pegasse o calendário da pré-escola do meu filho — que estava formatado de um jeito estranho — do meu e-mail e o colocasse no meu Google Calendar, e ele fez isso, me poupando de muita entrada de dados repetitiva. Tomara que agora eu não esqueça a festa comunitária da escola nem deixe de organizar o cuidado das crianças nas férias.
Eu não confiei na OpenAI a ponto de dar acesso à minha caixa de entrada, entrevistas de origem ou rascunhos de matérias (não temam, céticos da IA) e não permitiria que ela tivesse acesso à minha conta bancária, mas acredito que a ferramenta seria mais útil se eu tivesse essa fé. Eu a encarreguei de fazer análises financeiras de empresas de capital aberto que eu cobro, e ela me entregou um painel de métricas com atualização automática; ela criou um banco de dados consultável de lançamentos espaciais, uma tarefa que eu anteriormente precisava realizar escrevendo scripts em Python. Ela também me envia um e-mail semanal sobre novas pesquisas de IA publicadas em centros acadêmicos. Vou continuar experimentando com ela.
Embora pedir algo ao modelo seja intuitivo, dar a ele o que ele precisa para entrar em ação não é tão simples. Configurar as permissões para os agentes acessarem, digamos, um diretório em nuvem foi confuso e circular — tentei várias vezes dar apenas acesso de “leitura” e recebi mensagens de erro. O modelo em si não foi muito útil, mas, eventualmente, no aplicativo móvel, uma caixa de diálogo apareceu para me dizer que apenas o acesso completo faria aquilo funcionar.
Muitas configurações importantes estão disponíveis apenas no aplicativo web, então frequentemente me vi trabalhando em ambos ao mesmo tempo. Às vezes, as limitações do ChatGPT Work são desconcertantes — você o vincula ao seu Google Calendar e ele pode criar eventos, mas não novos calendários. E nem se dê ao trabalho de tentar fazer qualquer coisa a menos que o nível de esforço esteja alto, caso contrário você terá o pior estagiário com quem já trabalhou.
Esse é um conselho comum entre os primeiros adotantes de IA, que temem que novatos frustrados desistam. Joe Gershenson, o engenheiro-líder do esqueleto da OpenAI, admitiu que as configurações de esforço ainda não são intuitivas para novos usuários — “há coisas que podemos fazer melhor para ajudá-los a obter o nível certo de raciocínio...”, disse ele, acrescentando: “Aguardem cenas dos próximos capítulos.”
A OpenAI enfrenta outro desafio importante para entrar no trabalho de escritório comum: a maioria dos fluxos de trabalho não é tão mensurável — ou avaliável — quanto o código. O software funciona ou não funciona, e até mesmo essa distinção reduz a nuance sobre o que torna um código bom ou ruim. Uma boa apresentação, estratégia de negócios ou discurso de vendas não é tão fácil de avaliar ou rastrear.
“Um dos desafios exclusivos de um produto como este é justamente o fato de que ele pode realmente fazer qualquer coisa”, disse Ambrosino. Quando perguntei quais problemas específicos a equipe projeta em torno e quais fluxos de trabalho ela visa, os engenheiros com quem conversei esquivaram-se, dizendo que essa era uma pergunta para a equipe de pesquisa da OpenAI.
A OpenAI forneceu uma resposta posteriormente, dizendo ao TechCrunch que usa seu benchmark GDPval, extraído de 44 ocupações e centenas de testes de trabalho de conhecimento, e complementa isso com o feedback dos usuários. Uma resposta menos oficial é que isso vem dos próprios funcionários da OpenAI. Disse Ambrosino: “Temos que filtrar o tempo todo... estamos fazendo o fluxo de trabalho que todo mundo vai fazer, ou nós somos esquisitos?”
Os primeiros adotantes do próprio aplicativo criarão rastros valiosos com seu uso real — muito do sucesso das ferramentas de programação baseia-se em coleta de dados semelhante — assumindo que eles não optem por não disponibilizar isso para treinamento. (Eu optei).
Apesar de toda a atenção voltada para a interface do modelo, os engenheiros da OpenAI relutaram em responder a uma pergunta bastante simples: o que diferencia o Codex e o ChatGPT Work do Claude Cowork ou de outros esqueletos de agentes concorrentes voltados para uma base de usuários de massa?
“Vai ser uma resposta muito decepcionante para você, e sinto muito, mas a resposta honesta é que eu realmente não olho para os esqueletos que eles estão construindo”, disse Gershenson em uma resposta típica. “O meme de Mad Men ‘Eu não penso em você de jeito nenhum’ vem à mente aqui.”
Francamente, eu não acredito neles, nem que seja pelas semelhanças extremas entre as interfaces de usuário dos produtos, pela necessidade de inteligência competitiva em qualquer empresa e porque a primeira coisa que o ChatGPT Work me pediu para fazer quando o inicializei foi importar meus dados do Claude Cowork.
É compreensível se o Claude Code for um tópico sensível nos escritórios da OpenAI. Sua rival corporativa definiu o mercado de programação por IA e lançou uma revolução em como os engenheiros de software fazem seus trabalhos. É adicionalmente frustrante porque a OpenAI teve a ideia primeiro, mas não soube aproveitá-la corretamente.
Quando a OpenAI desenvolveu o Codex pela primeira vez como um aplicativo web, os engenheiros se excederam um pouco — ou, como Ambrosino coloca, “ficaram um pouco mais obcecados com a AGI (*AGI-pilled*)”. Em suma, eles apostaram que o modelo seria inteligente o suficiente para lidar com uma tarefa inteiramente por conta própria, com o mínimo de entrada do usuário.
Construído logo depois, o Claude Code foi orientado em torno de uma conversa de vai e vem com o usuário. Se você lhe desse um problema, ele pesquisaria as possibilidades e daria três ou quatro opções de como prosseguir. Uma vez que você escolhesse, ele iria um pouco mais longe e checaria de novo, dando atualizações contínuas e deixando menos espaço para o modelo e o esqueleto cometerem erros.
A abordagem da Anthropic provou ser mais eficaz, mesmo exigindo mais trabalho dos usuários. “[Nosso] produto estava um pouco à frente de onde o modelo e o esqueleto estavam na época”, diz Ambrosino agora.
A OpenAI acabou seguindo o exemplo ao adicionar mais oportunidades para os usuários interagirem com o modelo. Isso se tornou o Codex que conhecemos hoje, com aplicativos de desktop e mobile. Usando estatísticas de download como um termômetro do interesse nos programas, o Claude Code teve mais demanda até abril deste ano, mas agora o Codex assumiu uma leve liderança; pesquisas sobre o uso corporativo também sugerem que a OpenAI está alcançando a concorrente.
Parte dessa liderança se deve a acertar a adequação do produto ao mercado (*product-market fit*), e parte vem de reclamações sobre restrições de segurança nos modelos da Anthropic e escassez de computação. Os passos da OpenAI em direção a um esqueleto mais centrado no ser humano continuam com o ChatGPT Work, mas os engenheiros com quem conversei insistiram que o principal diferencial é a força dos modelos mais recentes, poderosos e econômicos da OpenAI.
“A resposta frustrante é que muitas vezes é o modelo, e uma coisa que tentamos fazer muito bem com este aplicativo é aproveitar ao máximo o modelo”, disse Ambrosino.
Essa explicação remete à “lição amarga” aprendida pelos pesquisadores de IA de que um modelo geral melhor é mais importante do que a experiência em um domínio específico. Para os verdadeiros crentes, o esqueleto é uma muleta temporária, não o fosso defensivo (*moat*).
“Você pode obter bons resultados a curto prazo adicionando um monte de extras — condicionais e ferramentas —, mas, poxa, o próximo modelo vai sair daqui a alguns meses e tornar isso obsoleto”, disse Gershenson ao TechCrunch. Sua equipe foca nas maneiras mais simples de expor o modelo às ferramentas e ao contexto de que ele precisa — e nada mais.
“O objetivo de uma boa engenharia de esqueletos é... ser mais preciso sobre quais informações o modelo realmente precisa para resolver seu problema, porque os modelos estão ficando cada vez melhores em fazer isso se você simplesmente os deixar fazer seu trabalho”, disse Gershenson.
No entanto, há uma questão em aberto: se a maioria das pessoas ou modelos está pronta para isso. Ethan Mollick, o professor da Wharton School of Business que estuda ferramentas de IA no ambiente de trabalho, ainda vê o Claude como mais amigável ao usuário, escrevendo que “o ChatGPT tende a querer fazer mágica e simplesmente fazer por você, enquanto o Claude faz comparações e as exibe, pedindo repetidamente por entrada e feedback e fazendo testes A e B.”
Sottiaux, e talvez a OpenAI em geral, discordam, argumentando que a natureza conversacional do aplicativo é melhor do que aprender a usar um aplicativo tradicional. “Nós definitivamente vemos que o mundo parece estar pronto”, diz ele sobre o aplicativo. “É por isso que tivemos uma adoção incrível.”
Ainda assim, não está claro se um esqueleto específico do modelo é a aposta certa para maximizar um modelo. Comparações feitas por empresas como Composio e Databricks mostram que diferentes combinações de esqueleto e modelo entregam desempenhos distintos em benchmarks de programação. A Databricks descobriu que o Pi, um esqueleto de código aberto publicado pela empresa de software Earendil, superou o Codex ao usar o mesmo modelo GPT 5.5. O Pi tem sido usado para construir projetos como OpenClaw e Cloudflare OS.
O criador do Pi, Mario Zechner, diz que seu esqueleto intencionalmente minimalista é a prova de que uma abordagem focada em AGI pode funcionar, pelo menos para engenheiros de software e tarefas de programação. O que falta em recursos explícitos, diz ele, é compensado pela capacidade do sistema de se modificar e construir suas próprias interfaces. Ele simpatiza com o desafio que os engenheiros da OpenAI enfrentam ao expandir sua base de usuários além dos engenheiros.
“Tudo tem o formato de um agente de programação... o motivo é que eles só têm dados de treinamento para tarefas de agentes de programação”, disse ele ao TechCrunch. “Digamos que eu esteja na gestão, tome uma decisão hoje, e o resultado aconteça meses depois. Você não consegue capturar isso em um rastreamento simples de um vai e vem entre usuário e agente, então todos esses tipos de tarefas e qualquer coisa que você não digitalize ficam inacessíveis para um modelo aprender.”
Assim como outros provedores de código aberto, ele vê o esforço dos grandes laboratórios para promover seus esqueletos como uma forma de reter os usuários (“lock-in”); “Eles precisam ser donos de todo o ecossistema; caso contrário, eles se tornam apenas um provedor de modelos e precisam competir com modelos chineses.”
Ele e outros engenheiros com quem o TechCrunch conversou sentiram que a visibilidade sobre o gasto de *tokens* e o comportamento dos agentes nos esqueletos dos principais laboratórios é muito limitada. Em certo sentido, isso é menos significativo para trabalhadores não técnicos, mas, assim como nas ferramentas de programação, a adesão na escala que a OpenAI espera acabará forçando conversas mais difíceis sobre custos.
Por exemplo, testando as coisas em uma assinatura de US$ 20 por mês, gastei mais de 80 milhões de *tokens* em quatro dias, o que custou US$ 65, de acordo com a análise do modelo (não há painel de controle no aplicativo). Isso representa um subsídio de mais de 3 vezes o preço da assinatura apenas para quatro dias de uso casual.
“Estamos trabalhando todos os dias para empurrar a fronteira da eficiência”, disse Sottiaux, apontando para um corte de preço recente de 80% para os usuários do modelo Luna da OpenAI. “Se você acordar daqui a seis meses, deverá ser capaz de fazer todas as mesmas [tarefas] gastando menos.”
A outra questão relevante é se esses aplicativos criam um efeito de retenção (*lock-in*) sobre os clientes por meio da retenção de dados, ou pelo puro sofrimento de configurar o acesso a todos os *plug-ins* e suas respectivas permissões.
Dentro da sede da OpenAI, revestida de madeira e repleta de plantas, que visitei em julho, a atmosfera estava calma, mas ligeiramente tensa; são pessoas com muita coisa para fazer. Os engenheiros com quem conversei monitoravam constantemente seus laptops enquanto conversávamos e corriam de uma sala de reunião para outra.
Nathan, o chefe da equipe de engenharia de produtos, disse que o foco continua sendo “a promessa da caixa mágica, mas ainda acho que há muita complexidade... estou muito otimista de que podemos resolver isso, com o modelo e de uma maneira verdadeiramente nativa de IA.”
