Resumo das tendências de IA no 2.º trimestre de 2026: Agentes a tropeçar para o mundo

Autor: Bo Yang, Tencent Technology

No fim do ano passado, a maioria das pessoas ainda tratava a IA como uma ferramenta de conversação, para responder a perguntas, escrever textos ou resumir informação. Uma pergunta, uma resposta, e pronto: a tarefa da IA terminava aí.

Mas no segundo trimestre de 2026, a situação mudou. Porque OpenClaw, Codex e Claude Cowork tiraram a IA dos “chat boxes”.

O agente começou a conseguir ler ficheiros por conta própria, executar código, fazer tabelas, operar software e até integrar-se em sistemas internos da empresa. Você define um objetivo; ele decompõe a tarefa por si, chama ferramentas, faz tudo e depois vem reportar.

O OpenClaw, que nasceu em março, marcou a viragem da perceção pública sobre agentes. Antes de falar em agente, toda a gente assumia que era para ajudar a escrever código. Com uma “lagosta”, ele passou a assumir trabalho em vários domínios.

Nos últimos três meses, o que vimos foi exatamente esta “experiência de um novato a entrar no fluxo de trabalho real”.

Ele virou o novo ponto de entrada para software, entrando em cenários profissionais como finanças, direito e design. As empresas viram o potencial e começaram em grande escala a onda de Tokenmaxxing. Só que o dinheiro foi queimado durante dois meses e esta grande investida de IA sem limite acabou por parar. Porque descobriram que a parte de IA que aumenta a produtividade voltava a ser travada pelas aprovações e pelos gargalos de avaliação e julgamento. E quando as pessoas voltaram atrás para preencher essas etapas, os problemas de velocidade de execução e custo voltaram a aparecer.

Os oito tendências resumidas neste relatório do segundo trimestre nasceram precisamente desses choques com a realidade.

A partir do segundo trimestre de 2026, o problema central deixou de ser “o agente consegue mesmo fazer trabalho?” e passou a ser “como construir um sistema Human in Loop eficiente e reduzir eficazmente o custo dos agentes”.

Agentes genéricos descem ao mar, virando a cara de um OS de IA

Codex, Claude Code (Cowork) e Workbuddy: a transição que fizeram neste período foi para a “transição para agentes genéricos”.

Porque dizer “genéricos”? No relatório próprio da OpenAI, só nestes dois meses de abril a maio, entre utilizadores que usam Codex, nasceu um crescimento de 20% de utilizadores que antes não faziam programação; a taxa de crescimento é 3 vezes a dos utilizadores de programação. O Codex, antes criado para programar, agora é para tudo.

Porque, quando você não sabe programar, precisa de agentes. Tudo neste mundo que precisa de processos repetíveis tem de ter agentes.

E com Harness (framework de execução) e Skill (módulos de competências), o Codex consegue mesmo fazer esses processos complexos. Embora nem tudo consiga, o que consegue já é bastante.

Já que são genéricos, as discussões do ano passado sobre o “ponto de entrada na era da IA” podem, por enquanto, chegar ao fim.

Um objeto que consegue fazer tudo, naturalmente, vira o ponto de entrada de tudo.

Por volta de 2025, a indústria apostou num “browser de IA”. Afinal, ao longo dos últimos 20 anos, o browser foi o principal ponto de entrada para navegar na web e para fazer qualquer coisa era preciso abrir páginas. Mesmo depois de as apps terem reduzido o papel do browser, ele continuava a ser o principal.

Se a IA quiser ser o ponto de entrada, precisa controlar esse ponto de entrada e, como num browser, clicar botões e preencher formulários.

O Google fez o Project Mariner, a OpenAI fez o Operator, a Perplexity lançou o Comet e, mais tarde, chegou até a propor a aquisição do Chrome por 34,5 mil milhões de dólares. Como o browser já acomodava a vida de internet do ser humano, também deveria acomodar os agentes. Muitos pensaram assim.

Mas hoje, um ano depois: em maio de 2026, o Google fechou o Mariner e incorporou as capacidades no Gemini Agent; o Operator também entrou num ChatGPT Agent maior.

Do outro lado, Codex, Claude Code e Cowork ligam-se diretamente a ficheiros, terminais, repositórios de código, conectores de dados e aplicações locais. O uso cresce mais depressa.

Por trás disso está o problema que se discutia no Q1: se o GUI ainda era necessário. Uma interface gráfica (GUI) é para os humanos; cores e botões existem para ajudar a compreender o sistema. Mas um agente não precisa disso.

Mandar o agente esperar pelo carregamento de páginas, reconhecer botões e simular cliques do rato é um desvio enorme. Para ele, a linha de comando (CLI) e dados estruturados são muito mais diretos.

Seguindo esta lógica, o GUI ainda existe: o humano precisa que o front-end confirme e faça seleção. No loop em que há intervenção humana, o CUI ainda é necessário, e até mais eficiente.

Portanto, o browser não vai desaparecer; só deixa de ser “o ponto de entrada total” e desce para “uma ferramenta no toolbox de agentes”. Os dados correm por baixo e a página só organiza os resultados para o humano os ver, ajustar e modificar.

Depois de o ponto de entrada se estabilizar, as empresas de modelos grandes começaram a entrar em massa nos setores verticais.

A Anthropic, em abril, lançou o Claude Design: o agente lê normas de marca e um repositório de código, produz concept designs, protótipos, apresentações e materiais de marketing. Depois lançou ainda financial agents separados por funções: abrangem revisão de valuation, verificação de contabilidade geral, fecho mensal e KYC; em seguida, o mesmo método foi levado para o direito. A OpenAI não seguiu exatamente este caminho. De um lado, colocou capacidades de finanças, saúde, investigação e segurança dentro do modelo e dos produtos de primeira parte. Do outro, conectou sistemas existentes das empresas com Apps, MCP, AgentKit e Frontier.

Embora as formas não sejam iguais e a profundidade também não, a lógica por trás continua a depender do grande quadro do agente genérico.

Quando uma empresa de modelos entra num setor, precisa de fazer alguma adaptação com dados (fine-tuning), desenvolver novos fluxos para o setor, criar integrações de novas interfaces e cada empresa faz um pouco à sua maneira.

Mas agora, a camada base pode continuar a usar o mesmo conjunto de agentes. Se quiser fazer finanças, liga o MCP a uma base de dados financeira genérica, junta métodos de valuation e processos de compliance como skills; cada membro correspondente consegue usar, e basta adicionar o que for necessário. Se quiser fazer direito, substitui por cláusulas contratuais e pesquisa jurídica, coisas assim.

De agente genérico para agente setorial: só precisa de mudar conhecimento do setor, dados e regras de trabalho; o ambiente de execução pode ser reaproveitado por completo.

Com isso, o fosso competitivo dos softwares verticais também muda. Com MCP e Harness, basta comprar alguns bancos de dados e encontrar alguns especialistas para definir normas e guiar; um modelo vertical “basicamente utilizável” pode ser montado. Para empresas de modelos grandes, isso é fácil.

O resto é mais difícil de copiar: os dados próprios da empresa, permissões e registos de validação.

Por exemplo, se a alteração jurídica final foi aceita pelo outro lado; se as hipóteses de valuation depois foram derrubadas pelo comitê de investimento. Esses dados dos utilizadores acabam por ensinar o agente a fazer melhor da próxima vez.

Quem conseguir captar mais cedo e melhor este tipo de feedback, e colocá-lo em uso, terá vantagem de pioneiro.

Enquanto o mercado de modelos ainda não estiver “empurrado” para domínios fixos, ainda há a vantagem de acumular dados primeiro.

Assim, pela primeira vez, a capacidade vertical pode ser montada em lote.

E conforme os agentes passam a pegar cada vez mais trabalho, as coisas que eles produzem podem não ser algo que as organizações humanas consigam absorver.

Tokenmaxxing, primeira muralha ao colocar agentes “no mar”

Tokenmaxxing foi provavelmente a palavra mais em alta em maio inteiro. Grandes empresas viram que o agente é tão fácil de usar: dariam mais tokens aos empregados, mais ferramentas e mais tempo de execução e, teoricamente, a produção dobraria. Além disso, como é que alguém não conseguiria? Se o meu funcionário tem de se adaptar mais rápido à era da IA, senão vai ficar para trás na eficiência.

Com o FOMO e a perceção exagerada sobre as capacidades dos agentes, queimar tokens virou por um tempo uma “prova de esforço” na era da IA.

O Huang Renxun disse publicamente: um engenheiro com salário anual de 500 mil dólares, se em um ano não queimar 250 mil dólares em tokens, o chefe devia preocupar-se se ele está a usar de forma suficiente a IA.

Em apenas três meses, a chama apagou.

A tabela interna de rankings da Amazon gerou uma enorme quantidade de tarefas sem efeito só para pontuar e, no fim, teve de ser fechada. O orçamento anual do Uber para o Claude Code quase acabou já até abril, e a gestão não viu uma relação estável entre o consumo de tokens e o crescimento de funções efetivas.

Não conseguia queimar, primeiro porque era caro. Em perguntas e respostas comuns, muitas vezes chama-se o modelo uma vez só; já um agente que faz tarefas longas precisa ler repetidamente objetivos, estados históricos, resultados de ferramentas e mensagens de erro.

O consumo de tokens em tarefas complexas pode chegar a dezenas ou até milhares de vezes o de perguntas e respostas normais.

No final de maio, a HIT propôs “computação de feedback efetivo”, calculando, do poder computacional gasto, quantas informações realmente afetam o próximo passo. Em tarefas complexas, essa proporção cai para cerca de 10%. Os restantes 90% de tokens são gastos sobretudo em releituras, tentativas e voltas improdutivas.

O problema não é só o dinheiro. Mesmo que o agente queime todos os tokens “corretamente”, o que você produz pode não chegar necessariamente ao estágio de entrega final.

Código escrito: é preciso revisão, testes, integração e publicação. Relatório de análise gerado: é preciso verificar fontes e julgar conclusões. O concept design ainda tem de passar pelas etapas da marca, do negócio e da aprovação do cliente. Se um fluxo automatizado der erro, alguém precisa explicar, reverter e assumir responsabilidade.

Um estudo do MIT que cobriu mais de 100 mil desenvolvedores do GitHub descobriu que agentes de programação autónoma aumentam a quantidade de commits de código em 120%. Mas, ao chegar ao estágio de aprovação de projeto, esse valor encolheu para 50% e, versões que realmente foram lançadas em produção, restaram só 30%.

É como se um restaurante acelerasse o corte de legumes em três vezes, mas a fritura, o empacotamento, o serviço ao cliente e a procura do cliente não mudassem. A cozinha fica cheia de legumes já cortados e, mesmo assim, o restaurante vende a mesma quantidade de mesas por dia.

Em economia existe uma teoria chamada teoria do substituto: a eficiência de um processo é determinada pelas partes que não podem ser substituídas pela automação. A IA aumenta a velocidade de geração, mas a velocidade de review é lenta; a vantagem de produtividade do agente fica estrangulada pelo sistema.

A produção repetida ainda queima outra parte dos tokens. Como a velocidade de gerar uma skill, um módulo ou uma aplicação aumenta muito, mas falta um mecanismo de sincronização efetivo, as pessoas não sabem quais resultados já existem e muitas vezes acabam por reescrever do zero. A Nanyang Tech analisou mais de 20 mil skills no mercado: cerca de 3/4 são altamente semelhantes; depois de remover duplicações, restam só mais de 5 mil.

Até os commits de código enviados para correção pelo agente são frequentemente rejeitados porque “alguém já resolveu”. Os tokens aumentam, mas sobra uma pilha de rodas repetidas.

A procura também não cresce junto com a oferta. A IA pode aumentar rapidamente a quantidade de aplicações, conteúdos e código; mas o tempo dos utilizadores e a sua disposição para pagar não aumentam ao mesmo ritmo. Criar uma app torna-se cada vez mais fácil, mas encontrar necessidades que continuem existindo e que as pessoas estejam dispostas a pagar continua a ser difícil. Pesquisas sobre o mercado de apps mostram que, após a IA, o número de apps disparou 40%, mas o número de downloads não mudou.

Token não consegue criar um mercado que não existia.

Apesar do fracasso retumbante do Tokenmaxxing, ele apontou duas gargalhadas. Uma é técnica: agentes gastam tokens de forma ineficiente, e velocidade e custo não conseguem ser reduzidos. A outra é organizacional: não foi estabelecida uma organização de revisão, avaliação, coordenação e responsabilização; sem isso, a produtividade no lado da produção não é absorvida, e mesmo o sucesso não é usado de forma eficaz.

No próximo trimestre, a mudança técnica mais observada é precisamente o preenchimento dessas direções.

Usar agentes, substituindo pessoas que ainda estão no loop

Se um agente for demasiado lento, então deixe vários fazerem juntos. Se um agente termina e ninguém verifica, então mande outro agente em cima.

Ao dividir tarefas entre vários agentes, com revisão cruzada e correção mútua, parte do trabalho que antes ficava sobre os humanos vai para dentro do sistema.

Isso gerou a febre de Multi-Agent (multiagentes) em 2026.

Atualmente, o modelo mais estável do Multi-Agent é o modo “orquestrador—executor”. Ou seja, o agente principal quebra a tarefa, distribui para uma série de subagentes que trabalham em paralelo e, por fim, recolhe e consolida.

Por exemplo, o Claude Research envia múltiplos agentes de pesquisa para procurar por caminhos diferentes e depois o pesquisador principal consolida; o agente de pesquisa também garante a verificação de fontes. O Kimi Agent Swarm vai ainda mais longe: pode fazer centenas de subagentes processarem tarefas de vídeo, código e pesquisa em paralelo.

Quando se trata de tarefas que se encaixam bem em paralelismo (por exemplo, processamento em lote de vídeo ou código), isso funciona muito bem: reduz drasticamente o tempo de espera e também permite que as sub-tarefas paralelas sejam mais profundas. O relatório do Kimi diz que, em algumas tarefas, a latência pode diminuir até 4,5 vezes. O Claude Research também conseguiu melhorias claras em perguntas que exigem pesquisa ampla.

No entanto, nesse tipo de modelo, o ganho do multiagente frequentemente vem de computação extra, e não da “cooperação” em si. A Anthropic revelou que os tokens consumidos por sistemas de pesquisa multiagente podem chegar a 4 vezes os de um agente normal. Em algumas avaliações, os tokens explicam a maior parte das diferenças de desempenho.

Hoje, o Multi-Agent parece mais um gestor de projetos que coordena vários times de outsourcing que não se comunicam. Ele consegue espalhar o trabalho e fazê-lo ao mesmo tempo, mas ainda não formou uma inteligência coletiva.

Em vários estudos, quando se remove o “chefe” central e se faz com que os agentes discutam entre si, os defeitos dos times humanos aparecem todos. Alguns seguem a maioria, outros pensam “se alguém vai fazer, eu posso relaxar”.

Os testes demonstram que, quando vários agentes se juntam, a taxa de acerto é pior do que um agente único com informação completa.

Isso, em essência, acontece porque no processo de treino do modelo não existe um “tema” de cooperação como questão. Colocar uma série de modelos habituados a trabalhar sozinhos numa sala e esperar que a capacidade de coordenação surja do nada não funciona.

Cooperação é outro jogo. A minha ação muda a tua situação, e o teu julgamento muda a minha escolha.

Portanto, o multiagente precisa completar a parte de instituições a seguir: como distribuir tarefas, como compartilhar informação, quem conta como responsável por erros, como as recompensas voltam ao longo da cadeia de trabalho, se agentes com desempenho fraco ao longo do tempo são eliminados — tudo isso precisa ser desenhado.

Outro caminho que vai mais longe é a “AI autoevolutiva”, ou RSI.

A Anthropic mencionou este conceito no relatório de junho. Eles fizeram com que o modelo otimizasse continuamente um trecho de código usado para treinar um modelo pequeno. O resultado foi que, devido ao aumento da capacidade do modelo, o nível de otimização acelerou de cerca de 3x (de Claude 3 a Mythos) até mais de cinquenta vezes.

A ideia central é a mesma dos experimentos humanos: em cinco passos — encontrar problemas, pensar em soluções, montar ambiente e dados, verificar resultados, reter mudanças úteis e depois rodar de novo.

Empresas como Minimax já incorporaram estes fluxos automatizados no pós-treino para que ele fique totalmente automatizado.

Desde que o objetivo e os critérios de pontuação sejam suficientemente claros — por exemplo, “otimizar o tempo de execução deste código em 50 vezes” — o agente consegue encontrar problemas, modificar código, executar testes e deixar as alterações úteis, repetindo o ciclo indefinidamente.

Ele faz esse tipo de trabalho melhor do que pessoas: rápido e sem fadiga.

Mas ainda assim ele não sabe para onde ir. Quando o problema envolve decidir em um espaço de pesquisa enorme — “qual rota de investigação vale”, “este indicador está a enganar?” — que chamamos de “bom gosto”, o agente ainda faz muito mal.

No experimento da Anthropic, nesses processos de decisão complexos, mesmo em cenários onde humanos já cometem erros, o modelo só tinha cerca de 20% de probabilidade de fazer melhor do que humanos. Se humanos já forem bons, então o modelo tem ainda menos competitividade.

Outro conceito que explodiu em junho foi o Loop Engineering: eles transformaram esse ciclo em engenharia de execução contínua. O agente já não espera que alguém aperte um botão para começar; ele encontra tarefas, executa, valida, registra feedback e depois decide qual é o próximo ciclo.

O que foi dito acima é “contas técnicas”. O agente ainda tem outra conta económica a calcular.

Não dá para fechar a conta económica

Nos últimos anos, o protagonista de computação em IA sempre foi a GPU. Treinar grandes modelos requer executar continuamente cálculos enormes de matrizes; a GPU é muito boa nesse tipo de trabalho. A CPU fica para iniciar programas e preparar dados, com pouca presença.

Mas o trabalho do agente é diferente. Ele não é uma compra única: alterna constantemente entre inferência, ajustar ferramentas e esperar por resultados. Grande parte do tempo não é gasto em cálculo do modelo: é gasto a ajustar o browser, manipular ficheiros e lidar com timeouts. Assim que alguma coisa bloqueia no meio, a GPU cara só fica parada.

O paper de finais de 2025, “A CPU-Centric Perspective on Agentic AI”, mediu cinco tipos de agente: o processamento de ferramentas chega a ser 90,6% do atraso total da tarefa, e o consumo dinâmico de energia da CPU chega a 44% da energia dinâmica do sistema. Após ajustar em conjunto a alocação de tarefas entre CPU e GPU, a latência mediana de algumas cargas melhorou mais do que o dobro.

Por isso, a CPU volta a estar no centro do sistema de computação. A GPU continua a fazer inferência; a CPU mantém o ambiente de concorrência, gerencia filas de tarefas e chamadas de ferramentas; KV e memória guardam o sandbox, logs e resultados intermédios de cada agente; e a rede envia dados entre chips e servidores. Se houver congestionamento em qualquer etapa, a GPU cara só consegue esperar.

O mercado de capitais já começou a precificar essa mudança. A receita do negócio de centros de dados da AMD no primeiro trimestre de 2026 foi cerca de 5,8 mil milhões de dólares, acima 57% em relação ao ano anterior; o crescimento da receita de servidores CPU foi superior a 50%. As empresas duplicaram a previsão do tamanho do mercado de servidores CPU para 2030 para 120 mil milhões de dólares, citando entre as razões as necessidades de scheduling, movimentação de dados e execução trazidas pelos agentes.

Além da velocidade, o preço dos modelos também começou a segmentar. No segundo trimestre de 2026, o modelo principal mais barato já chegou a alguns cêntimos por milhão de tokens de entrada; o mais caro e de ponta chega a dezenas de dólares.

Há dois anos, a diferença de preço entre “alto” e “baixo” era cerca de 30 vezes; agora já chega a cerca de 600 vezes.

Modelos baratos ficam com cada vez mais fluxo de tokens, enquanto modelos de topo continuam a capturar tarefas chave e a maior parte da receita. Um grande número de etapas não precisa do modelo mais forte: ler repositórios, classificar, extrair e organizar logs — para isso, um modelo barato serve. Só quando se trata de reestruturações complexas, auditorias de segurança, julgamentos legais e decisões críticas após falhas é que vale o preço alto.

Mas o preço atual dos modelos não se segmenta automaticamente. O ChatGPT já tem “intelligent routing” que atribui modelos conforme a dificuldade da tarefa, mas os resultados não são bons e pouca gente usa. Em junho, porém, o Fugu da Sakana teve excelente desempenho porque já não decide com base no próprio modelo; treinou separadamente um agente para fazer o routing. Ele primeiro entende a tarefa, monta dinamicamente andaimes de trabalho e depois chama modelos de preços e capacidades diferentes para formar uma equipa temporária. O modelo mais caro só trata dos passos críticos; o resto fica a cargo dos modelos baratos.

Com metade do dinheiro, obtém-se o efeito do melhor modelo.

A programação provavelmente foi a primeira área em que isso funcionou, porque já existe feedback pronto. Diferenças no repositório e no código, testes, Lint, CI e logs conseguem informar ao sistema de routing se a atribuição anterior era eficaz.

Modelos baratos leem código e geram testes; modelos de gama média fazem alterações comuns; modelos fortes lidam com reestruturações centrais e revisões de segurança; por fim, entregam a validação a ferramentas.

E no futuro, produtos como Codex e Claude Code certamente terão classificações automáticas semelhantes. Eles vão ficando cada vez mais parecidos com uma organização de engenharia que gerencia times de modelos: com orçamentos a distribuir modelos diferentes para executar trabalho, em vez de depender do mesmo modelo do início ao fim.

Mas o problema não acabou. À medida que os agentes se infiltram, o trabalho, a segurança, a informação e o pensamento humano também mudam — e não necessariamente para melhor.

A realidade em contração

Os impactos negativos trazidos pelos agentes, antes, ficavam mais no terreno das simulações.

Mas no segundo trimestre de 2026, algumas mudanças já chegaram a postos reais e a produtos reais.

O primeiro setor afetado é o trabalho.

O impacto da IA no emprego pode nem primeiro aparecer como uma subida súbita da taxa macro de desemprego. Antes disso, mudam as portas de entrada para as funções, as tarefas do dia a dia e os orçamentos das empresas. Atendimento ao cliente, suporte, gestão de tickets, perguntas e respostas internas, operações básicas e parte das funções de análise de dados, operações e gestão de projetos já estão a ser absorvidas por agentes.

Algumas funções não são substituídas diretamente por agentes, mas são eliminadas pelo “aperto” provocado pelas faturas da IA. GPU, centros de dados e equipes de modelos exigem investimentos enormes; as empresas só conseguem encontrar dinheiro dentro de outros orçamentos. Outros funcionários são transferidos para gerir agentes, fluxos de trabalho e decisões mais complexas; os títulos podem não desaparecer, mas o conteúdo do trabalho já mudou.

As posições iniciais são especialmente afetadas. Consultar materiais, fazer resumos, escrever código básico, organizar informações de clientes: são as tarefas que mais facilmente são entregues a agentes e, ao mesmo tempo, são exatamente as tarefas com que os recém-chegados são treinados para familiarizar com o setor. Ao fazer essas tarefas, as pessoas aprendem as regras de negócio, o código base, os critérios de decisão sobre clientes e organizações.

Um paper de maio de 2026, “Generative AI and the Reorganization of Labor Demand”, analisou anúncios de recrutamento e constatou que, desde 2023, a proporção de tarefas que são mais facilmente tocadas pela IA caiu cerca de 1 décima. Aproximadamente metade da mudança vem de as empresas reduzirem este tipo de vagas; 4 décimas vêm de as empresas reescreverem funções existentes, trocando as tarefas por partes mais difíceis de serem assumidas pela IA.

As empresas querem contratar “funcionários juniores mais maduros”, mas ao mesmo tempo tiram das tarefas iniciais aquilo que faz a pessoa amadurecer.

E quando as portas de entrada profissional ficam cada vez mais estreitas, esta mudança pode ser mais duradoura do que um único grande despedimento.

Depois das vagas, os problemas de segurança também saem do paper e entram no lançamento do produto.

O Mythos da Anthropic mostra forte capacidade de cibersegurança: consegue descobrir e validar vulnerabilidades de alta severidade. A empresa não se atreve a abrir como modelo comum. Com a Falbe 5 depois das proteções, pesquisadores e desenvolvedores reclamaram novamente por as restrições serem demasiado pesadas.

Os modelos de ponta da OpenAI também começaram a adotar uma abertura limitada.

Abrir demais aumenta o limiar para capacidades perigosas como ataques de rede e riscos biológicos. Restringir demais prejudica a investigação normal e o valor do produto. Quem consegue usar o modelo mais forte e quais instituições contam como “parceiros confiáveis” ainda dependem de influência do governo e da geopolítica.

Além de fortalecer capacidades, empresas de modelos precisam também provar que conseguem lançá-las com segurança.

A segurança começa a travar os modelos mais avançados.

A internet também está a gerar novos ciclos de informação.

O conteúdo gerado por IA não engole toda a internet de forma infinita, mas a poluição na pesquisa por IA está a piorar. A análise da Graphite mostra que, de início de 2024 a início de 2026, a proporção de conteúdo gerado por IA dentro do conteúdo da internet se manteve estável entre 48%-50%. Mas na lista de citações do ChatGPT, a proporção de fontes julgadas como geradas por IA subiu, em meio ano, de 38,9% para 42,7%.

O que o modelo já disse antes, depois de uma volta, vira evidência para a próxima resposta.

Além disso, quando SEO e GEO conseguem aproveitar essas preferências, sistemas de busca tornam-se facilmente um eco onde máquinas citam máquinas.

Nessa altura, materiais que foram ao local, que entrevistaram pessoas envolvidas, que editaram conteúdo e aceitam assinar e assumir responsabilidade, passam a ser mais escassos.

À parte desses impactos sociais, os agentes também fazem o indivíduo “desarmar” cognitivamente.

Uma questão acaba de surgir e o braço já vai ao ChatGPT. A opinião nem sequer ficou formada, mas a IA já lista um esboço.

A hesitação, as tentativas, as dúvidas e a verificação acabam sendo dobradas num tipo de resposta suave, e a pessoa salta o processo de formar julgamento.

A Wharton School da University of Pennsylvania fez 1372 participantes completarem quase 10 mil tarefas de raciocínio. Contanto que pudessem usar IA, em mais de metade das questões os participantes pediam ajuda proativamente. Mesmo quando a IA dava respostas erradas, ainda assim cerca de 80% das pessoas optava por acreditar.

A pesquisa da Anthropic sobre como programadores aprendem também descobriu que, ao usar IA como assistente para tarefas desconhecidas, o trabalho é mais rápido; mas, em testes posteriores sem consulta, o desempenho médio cai 17% a mais. A tarefa foi entregue; a capacidade não ficou.

Num cenário onde o texto é entregue por você, o código fica com o seu nome e a solução precisa ser reportada por você. A responsabilidade é sua, mas cada vez menos do processo de pensamento para gerar essas coisas é feito por você.

O taylorismo transformou o trabalhador nas mãos de uma linha de produção; a IA pode transformar o ser humano numa linha de produção de carimbos cognitivos.

Portanto, no futuro, a IA precisa talvez manter um pouco de fricção de propósito em certos passos.

Antes de operações de alto risco, fazer o humano explicar e confirmar; antes de dar conclusões, pedir para o humano escrever o seu próprio julgamento e mostrar evidência contrária, em vez de terminar tudo por ele.

Isso vai ser mais lento, mas deixa espaço para pensamento e aprendizagem.

Epílogo

As oito tendências do segundo trimestre de 2026, quando vistas em conjunto, formam uma história contínua.

O agente genérico rouba o ponto de entrada do software; empresas de modelos de ponta usam isso para entrar em setores verticais. Tokenmaxxing tropeça rapidamente e expõe o gargalo de velocidade de revisão humana e o custo do sistema.

Multi-agent e AI autoevolutiva começam a assumir revisão e iteração. E CPU, memória, rede e roteamento de modelos fazem com que os agentes corram mais rápido e mais barato. Assim que esses problemas tiverem solução, questões de emprego, segurança, poluição de informação e desarmamento cognitivo começam a aparecer em evidência.

O que as empresas devem acumular a seguir não é só volume de tokens. Cada execução deve deixar fluxos de trabalho reutilizáveis, avaliações, permissões, memória organizacional e feedback dos resultados.

Caso contrário, quando o orçamento acabar, não fica nada além das faturas.

E para o indivíduo, não há necessidade de competir com a IA em velocidade de geração.

As máquinas conseguem responder rápido; as pessoas precisam julgar se o problema vale a pena e quais as consequências das respostas — e, sobretudo, precisam assumir responsabilidade por isso.