Cientistas da OpenAI recomendam: Não gaste muito esforço no Harness, os modelos de próxima geração podem se tornar integrados.

O cientista pesquisador da OpenAI Noam Brown, que lidera o desenvolvimento de modelos de raciocínio, sugeriu publicamente que os desenvolvedores não invistam esforços em frameworks complexos de Agent (Harness), argumentando que os modelos evoluem tão rápido que funcionalidades construídas com frameworks podem se tornar capacidades nativas dos modelos em poucos meses. Alexander Embiricos, responsável por produtos corporativos da OpenAI, também endossou essa posição.

(Recapitulação: Visão geral das quatro categorias do setor de AI Agent: Frameworks, Launchpad, Aplicações e Meme) (Contexto adicional: OpenAI lança os modelos de raciocínio mais poderosos o3 e o4-mini: capazes de pensar em imagens, selecionar ferramentas automaticamente, com desempenho avançado em matemática e programação)

Índice Alternar

• Economize esforço, deixe o modelo assumir
• O outro lado discorda: frameworks são o verdadeiro fosso
• O debate é apostar contra a próxima versão do modelo

Resumo dos principais pontos

• Noam Brown aconselha a não investir esforços em frameworks complexos de Agent
• Noam Brown lidera o desenvolvimento da série o de modelos de raciocínio
• Experimento do lado oposto mostra: em uma tarde, ajustar o framework melhorou o desempenho de 15 modelos em programação

Enquanto todo o ecossistema de IA se empenha em tornar os frameworks de Agent cada vez mais robustos, um insider da OpenAI se manifestou contra isso. O pesquisador sênior da OpenAI Noam Brown recomendou publicamente que os desenvolvedores não invistam muito esforço em frameworks complexos de Agent (Harness, ou seja, a camada externa ao modelo que gerencia chamadas de ferramentas e decomposição de etapas, sem realizar raciocínio real). A capacidade dos modelos avança tão rapidamente que as funcionalidades obtidas hoje com frameworks podem se tornar capacidades nativas dos modelos nos próximos meses. Ele sugere que os desenvolvedores mantenham os frameworks simples e deleguem mais trabalho ao próprio modelo.

Noam Brown, que pede para não construir frameworks, é um dos principais impulsionadores dos modelos de raciocínio da OpenAI (série o, como o1 e o3), focado em test-time compute, que faz o modelo gastar mais poder computacional para pensar. Antes de entrar na OpenAI, trabalhou na Meta, desenvolvendo famosas IAs de pôquer e jogos de estratégia. Esse histórico dá peso às suas opiniões sobre capacidades de modelos.

Noam Brown já exemplificou que, antes do surgimento dos modelos de raciocínio, os desenvolvedores precisavam de muita engenharia para realizar decomposições complexas em modelos não raciocinantes como o GPT-4, com chamadas repetidas, divisão de etapas e orquestração externa para extrair comportamento de raciocínio. Quando o o1 foi lançado, quase toda essa engenharia perdeu o sentido: frameworks externos bem construídos pioraram os resultados, enquanto simplesmente passar o problema diretamente para o modelo de raciocínio, sem qualquer andaime, produziu melhores resultados.

Economize esforço, deixe o modelo assumir

Alexander Embiricos, responsável pelos produtos corporativos da OpenAI, ecoou a mesma posição, afirmando que a empresa evita deliberadamente desenvolver manualmente capacidades que os modelos futuros deveriam ter. As funcionalidades que os engenheiros constroem hoje virando noites provavelmente estão apenas preparando o terreno para a próxima versão do modelo, condenadas a serem substituídas antes mesmo de entrar em produção. A equipe Codex da OpenAI foi ainda mais direta: "Construir andaimes é sobreviver, não escalar."

O outro lado discorda: frameworks são o verdadeiro fosso

Na verdade, é um debate acalorado, e nem todos concordam. Jerry Liu, fundador da LlamaIndex, disse o oposto: "Frameworks são tudo". Ele acredita que a engenharia de contexto (a arte de alimentar o modelo com o contexto certo) e o design de fluxos de trabalho são os verdadeiros gargalos para os desenvolvedores extraírem valor da IA.

A evidência do lado oposto: em fevereiro de 2026, em uma tarde, apenas ajustando o framework sem trocar o modelo, o desempenho de 15 LLMs em programação melhorou significativamente. Também foi observado que quase todos os Agents em produção convergem para um loop central: chamar ferramenta, obter resultado, inserir no contexto, perguntar novamente ao modelo. A própria arquitetura do framework pode ser o valor central do produto. Ambos os lados têm resultados concretos, e ninguém venceu ainda.

O debate é apostar contra a próxima versão do modelo

No fundo, o debate pergunta a mesma coisa: vale a pena correr contra o progresso dos modelos? Isso lembra a famosa "The Bitter Lesson" no círculo de IA: métodos gerais baseados em poder computacional geralmente vencem, no longo prazo, os truques feitos à mão. Apostar o fosso em engenharia de frameworks é, de certa forma, apostar contra a próxima versão do modelo, torcendo para que ele não aprenda as funcionalidades que você construiu com tanto esforço.

Esse alerta não é indiferente ao universo cripto. AI Agent é uma das narrativas mais quentes dos últimos dois anos, e muitas equipes apostam seu fosso em frameworks complexos de Agent construídos manualmente. As palavras de Noam Brown são diretas e claras: o framework construído hoje pode ser engolido pelas capacidades nativas do modelo em poucos meses. Quais funcionalidades a próxima versão do modelo engolirá, ninguém pode garantir, nem mesmo o próprio Noam Brown.

Perguntas frequentes

O que é o Harness (framework) de AI Agent? Harness é a camada externa ao modelo responsável por chamadas de ferramentas e orquestração de etapas, sem realizar raciocínio real. Por exemplo, a camada que encadeia chamadas e retentativas é o Harness.

Por que Noam Brown recomenda que desenvolvedores não invistam demais em frameworks de Agent? Porque a capacidade dos modelos avança tão rapidamente que funcionalidades construídas com frameworks hoje podem se tornar capacidades nativas dos modelos em poucos meses; investir demais pode ser um esforço desperdiçado.