Delegar, conectar e governar

Agentes como unidade econômica do trabalho

O que mudou: a OpenAI publicou uma análise sobre como agentes estão transformando o trabalho, com foco no papel do Codex e na passagem de interações pontuais para tarefas delegadas de horizonte mais longo.

O ponto mais relevante não é apenas o avanço técnico dos agentes, mas a tentativa de enquadrá-los como unidade econômica do trabalho.

A IA deixa de ser avaliada apenas por respostas isoladas e passa a ser observada pela capacidade de assumir tarefas mais extensas, interagir com ferramentas, operar por mais tempo e produzir entregas intermediárias.

Por que importa: esse sinal muda a pergunta central. Antes, a adoção de IA era frequentemente medida por perguntas como: o texto ficou melhor, a resposta foi útil ou a ideia foi gerada mais rápido?

Agora, a pergunta passa a ser: que tarefa pode ser delegada a um agente?

Delegar uma tarefa exige mais do que escrever um bom prompt. Exige contexto, escopo, critérios de sucesso, limites, logs, revisão e decisão humana.

Aplicação prática: antes de adotar agentes de forma ampla, uma operação pode começar mapeando tarefas em três grupos: tarefas delegáveis e reversíveis; tarefas assistíveis, mas com aprovação humana; e tarefas críticas que não devem ser automatizadas no início.

No LIDA, por exemplo, um agente pode ajudar a coletar fontes, organizar sinais, sugerir categorias e preparar um rascunho inicial. Mas a seleção final, a interpretação editorial e a publicação devem permanecer humanas.

Riscos e limites: a delegação sem critério pode criar uma falsa produtividade. O agente pode produzir entregas, mas sem qualidade, sem rastreabilidade ou com erros difíceis de perceber.

Os principais riscos são delegação sem escopo claro, perda de visibilidade sobre etapas intermediárias, métricas de produtividade sem avaliação de qualidade, excesso de confiança em agentes e confusão entre execução assistida e decisão autônoma.

Conexão com o livro: este sinal se conecta diretamente à tese de Do Papel Ao Prompt: o prompt deixa de ser apenas instrução textual e passa a acionar processos.

A fase dos agentes transforma o prompt em gesto de delegação. Mas delegar não é abandonar. Delegar, na era do prompt, significa desenhar o trabalho para que a IA possa apoiar a execução sem substituir a responsabilidade humana.

Fonte: OpenAI — How agents are transforming work .

Modelos com uso de computador entram no fluxo de automação

O que mudou: o Google anunciou o recurso de uso de computador como ferramenta nativa no Gemini 3.5 Flash, aproximando modelos generativos de ambientes digitais reais.

A mudança relevante é que o modelo deixa de atuar apenas na linguagem e passa a operar sobre interfaces.

Isso significa que a IA pode observar telas, interpretar ambientes, executar ações e interagir com fluxos digitais. A interface deixa de ser exclusivamente manipulada por humanos.

Por que importa: a distância entre intenção e execução fica menor.

Antes, o usuário pedia uma resposta ou um código. Depois, um humano precisava aplicar aquilo em uma tela, sistema, formulário, loja, painel ou página.

Com modelos capazes de usar computador, a IA se aproxima de tarefas como navegar em páginas, testar interfaces, preencher fluxos, comparar informações, verificar formulários, executar rotinas repetitivas e apoiar testes em navegador.

Aplicação prática: para pequenas empresas, o uso de computador por modelos pode futuramente apoiar testes de landing pages, verificação de botões e links, auditoria de fluxo de compra, checagem de formulários, simulação de navegação em e-commerce e apoio a rotinas administrativas repetitivas.

No caso do LIDA, esse tipo de capacidade pode ser útil para verificar páginas publicadas, testar links, observar quebras visuais e apoiar rotinas de publicação. Mas o uso deve começar em ambientes de teste.

Riscos e limites: este é um sinal de alto risco operacional. Quando a IA deixa de apenas sugerir e passa a agir sobre interfaces, aumentam os riscos de cliques não intencionais, preenchimento indevido, alteração de dados reais, exposição de informações sensíveis, ações em ambiente de produção, dificuldade de auditoria e confusão entre teste e operação real.

A regra é clara: modelos com uso de computador exigem sandbox, permissões limitadas e logs.

Conexão com o livro: este sinal se conecta à ideia de interface invisível e à hipótese de que a intenção começa a substituir parte da operação manual.

Em Do Papel Ao Prompt, esse movimento representa uma evolução importante: o prompt deixa de apenas descrever uma ação e passa a iniciar uma ação em ambiente digital.

Fonte: Google — Introducing computer use in Gemini 3.5 Flash . Observação editorial: antes de implementação prática, conferir a documentação técnica atualizada da API.

Agent Finder e descoberta governada de ferramentas

O que mudou: o GitHub anunciou o Agent Finder para Copilot, permitindo que agentes descubram capacidades adequadas para uma tarefa em vez de carregar previamente todos os servidores MCP, skills, canvases, agentes e ferramentas disponíveis.

A mudança importante é a criação de uma camada intermediária entre o agente e os recursos que ele pode usar.

Em vez de dar tudo ao agente desde o início, passa a existir um mecanismo de descoberta. Essa descoberta pode ser regulada por registros, permissões e políticas definidas pela organização.

Por que importa: a era dos agentes não depende apenas de modelos mais capazes. Ela depende de uma pergunta operacional: quais ferramentas este agente pode encontrar e usar?

Se um agente pode executar tarefas, ele precisa de acesso a recursos. Mas quanto mais recursos disponíveis, maior o risco de erro, excesso de contexto, uso indevido ou ação fora do escopo.

O Agent Finder mostra que a governança começa antes da execução. Ela começa na descoberta.

Aplicação prática: mesmo para equipes pequenas, a lógica é útil. Um projeto pode criar um catálogo de recursos permitidos: fontes oficiais, pastas autorizadas, templates aprovados, ferramentas internas, APIs permitidas, skills liberadas, documentos de referência e ações proibidas.

Para o LIDA, isso pode futuramente orientar agentes de pesquisa e redação. Um agente pesquisador, por exemplo, poderia consultar apenas fontes oficiais, changelogs, blogs institucionais e documentos aprovados.

Riscos e limites: um catálogo mal mantido pode dar acesso errado, esconder fontes importantes ou permitir ferramentas indevidas.

Pontos de atenção incluem catálogos desatualizados, permissões amplas demais, descoberta de ferramenta inadequada, dependência de padrões ainda emergentes, complexidade excessiva para times pequenos e falsa sensação de segurança.

Conexão com o livro: este sinal se conecta ao capítulo sobre skills, instruções operacionais e guardrails. Na era dos agentes, não basta escrever instruções. É preciso definir ambiente, ferramentas, limites e permissões.

Fonte: GitHub Changelog — Agent finder for GitHub Copilot now available .

BYOK no Copilot e portabilidade de modelos

O que mudou: o GitHub anunciou suporte a BYOK no aplicativo Copilot, permitindo rodar sessões de agente contra provedores próprios de modelo.

Na prática, isso significa que uma organização pode escolher provedores, modelos, chaves, cotas, regiões, custos e termos de tratamento de dados conforme sua própria infraestrutura.

O sinal é importante porque mostra a portabilidade entrando no fluxo operacional.

Por que importa: no Radar LIDA 01, a dependência de plataforma apareceu como risco. Aqui, vemos uma resposta possível: separar agente, ferramenta, modelo, chave, custo e política de dados.

A discussão deixa de ser apenas “qual ferramenta usar?” e passa a ser “qual modelo usar, sob quais termos, em qual infraestrutura, para qual tipo de tarefa?”.

Isso torna a adoção de IA mais parecida com arquitetura operacional do que com simples assinatura de software.

Aplicação prática: para pequenas empresas e projetos editoriais, o princípio é mais importante do que a implementação imediata.

A lógica prática é usar modelos mais avançados para tarefas complexas, usar modelos locais ou controlados para tarefas simples ou sensíveis, separar custo por tipo de tarefa, reduzir dependência de um único fornecedor, documentar critérios de escolha de modelo e testar estratégias híbridas antes de automatizar.

No LIDA, isso reforça a decisão de manter documentos em Markdown e HTML, em formatos portáteis. O processo deve sobreviver mesmo se a ferramenta mudar.

Riscos e limites: mais controle também significa mais responsabilidade. Os riscos incluem gestão insegura de chaves, custos fragmentados, qualidade variável entre modelos, configuração incorreta, dificuldade para usuários não técnicos, necessidade de políticas claras de dados e mais complexidade operacional.

BYOK não é solução automática. É uma possibilidade de arquitetura.

Conexão com o livro: este sinal aprofunda o tema da portabilidade como guardrail. Em Do Papel Ao Prompt, a adoção madura de IA exige que o trabalho não fique aprisionado a uma única interface, modelo ou plataforma.

Fonte: GitHub Changelog — GitHub Copilot app support for BYOK .

Workbench especializado para ciência e agentes revisores

O que mudou: a Anthropic apresentou o Claude Science como um workbench de IA para cientistas, com foco em pesquisa, ferramentas especializadas, artefatos auditáveis e suporte a fluxos de trabalho científicos.

O sinal mais importante não está apenas na ciência. Está no formato: uma IA organizada para um domínio específico, com papéis, ferramentas, evidências e revisão.

Isso indica um caminho para a IA aplicada: menos generalismo isolado e mais ambientes especializados por área.

Por que importa: a IA generativa tende a se tornar mais útil quando entra em workflows específicos.

Em domínios complexos, não basta gerar texto. É preciso trabalhar com evidências, citações, métodos, dados, hipóteses e revisão.

O padrão observado em workbenches especializados pode se repetir em direito, medicina, educação, engenharia, editorial, marketing, e-commerce e operações de pequenas empresas.

A tendência é que surjam ambientes especializados por domínio, não apenas chatbots genéricos.

Aplicação prática: para o LIDA, esse sinal é especialmente interessante como modelo de futuro.

Um workflow editorial do LIDA poderia separar papéis como agente pesquisador, agente redator, agente crítico, agente verificador de fontes e editor humano final.

Esse desenho evita que uma única IA faça tudo sem contraponto. Também permite criar etapas de validação e revisão.

Riscos e limites: workflows especializados podem dar uma aparência de segurança maior do que realmente têm.

Mesmo com agentes revisores, ainda existem riscos: citações incorretas, evidências mal interpretadas, revisão automatizada insuficiente, complexidade multiagente, alto custo de implementação, dependência de especialistas humanos e falsa sensação de validação final.

Conexão com o livro: este sinal se conecta ao conceito de workflow com guardrails. A adoção madura de IA não depende apenas de modelos mais poderosos. Depende de papéis, etapas, revisão, evidências e validação.

Fonte: Reuters — Anthropic unveils Claude Science AI platform . Fonte complementar: Anthropic — Claude Science, an AI workbench for scientists .