O desfecho do percurso do Agent não é quem é mais inteligente, mas quem permite que mais pessoas tenham Agent.

Escrito por: Profundamente Pensa Círculo

Você reparou num caso estranho: sempre que pede a uma IA para fazer o mesmo tipo de trabalho, tem de a ensinar novamente? Hoje pede para ela organizar os dados; amanhã, a mesma tarefa volta a exigir uma explicação desde o início. A IA está claramente a ficar cada vez mais inteligente — por que motivo é que continuamos a fazer trabalho repetitivo?

Em 30 de março de 2026, o produto lançado por uma empresa de IA do Vale do Silício, a CREAO, deu respostas diferentes. Logo após o lançamento, o produto dominou, consecutivamente, o ranking Global Hot Searches Top 3 na plataforma X durante 5 horas, o que desencadeou uma discussão espontânea em massa por parte de inúmeros criadores e programadores de tecnologia de regiões como a América do Norte, Europa, Sudeste Asiático e América Latina. Depois de estudar profundamente este produto, descobri que o que eles fazem é diferente de todos os produtos de AI Agent do mercado. Esta equipa composta por talentos China-EUA, oriundos de empresas líderes do Vale do Silício como Google e Meta, encontrou um caminho que parecia estar completamente ignorado por toda a gente.

As verdadeiras dificuldades dos atuais AI Agent

Antes de mais, preciso esclarecer um facto: o setor dos AI Agent ficou de facto “em alta” entre 2025 e 2026. OpenClaw, Claude Code, Devin e, na China, o DeepSeek — estes produtos permitiram que muitas pessoas, pela primeira vez, utilizassem verdadeiramente AI Agents. Mas, depois de começar a usá-los, surgem novos problemas, e este problema é muito mais grave do que se imaginava.

Eu próprio já encontrei um cenário destes. Na semana passada, pedi ao Claude Code para me escrever um script de scraping de dados; demorou cerca de vinte minutos de conversa vai-e-volta, para ajustar detalhes, e no fim conseguiu funcionar. Esta semana, quero aplicar a mesma lógica para fazer scraping dos dados de outro website; em teoria, bastaria mudar alguns parâmetros. No entanto, descobri que tenho de abrir novamente uma janela de conversa, explicar novamente o que preciso, e voltar a ajustar os detalhes. A IA não se lembra de como cooperámos da última vez; por isso, só consegue recomeçar do zero. Esta experiência fez-me perceber que o problema central com os AI Agents atuais não é falta de capacidade — é o facto de cada utilização ser “única”: usa-se e depois destrói-se, usa-se e deita-se fora.

O que me incomoda ainda mais é que estes poderosos AI Agents muitas vezes fazem “arranjar tarefas para arranjar trabalho”. Eu só queria que ele me ajudasse a fazer scraping dos dados de preços de três websites e a registar numa folha; ele, em vez disso, começou a analisar tendências de preços, a gerar gráficos de visualização e até a propor ativamente que eu lhe pedisse para escrever um relatório de análise de concorrentes. Estas funcionalidades podem soar muito impressionantes, mas eu não preciso delas. A IA está a mostrar os limites das suas capacidades, em vez de se focar em resolver o meu problema específico. Esta capacidade de generalização causa um impacto enorme nas demonstrações, mas na utilização real traz uma enorme carga mental — tenho de gastar tempo a impedir que faça coisas de que não preciso, e de insistir repetidamente que quero apenas o scraping mais simples de dados.

Custo-benefício também é um grande problema. Quando se pede a um AI Agent genérico para executar uma tarefa simples e repetitiva, ele tem de entender novamente a sua intenção, planear novamente o percurso de execução e voltar a chamar várias ferramentas. Este processo não só demora, como, se estiver a ser utilizado um API cobrado por token, os custos acumulam-se rapidamente. Eu fiz as contas: se usar Claude ou GPT-4 para executar uma tarefa simples de sincronização de dados que corre todos os dias por agendamento, o custo das chamadas à API ao fim de um mês pode ser mais caro do que eu contratar diretamente um estagiário para fazer a operação manualmente. Isto não faz absolutamente sentido.

Conversei com alguns amigos programadores sobre este problema, e as perceções são todas muito consistentes: a capacidade dos AI Agents evolui rapidamente, mas a usabilidade acaba por se degradar, de certa forma. No passado, usávamos ferramentas de automatização como Zapier ou n8n. Embora a configuração fosse trabalhosa, depois de configuradas, funcionavam de forma estável e não exigiam investimento repetido. Agora, com AI Agents, a configuração fica mais simples, mas volta-se sempre a ter de configurar novamente. Isto não é progresso; é trocar uma complexidade antiga por uma nova complexidade. A contradição central não é que as pessoas comuns não consigam usar AI Agents — é que não conseguem usá-los de forma estável, não conseguem mantê-los, nem conseguem transformar uma conversa bem-sucedida numa solução de automatização que possa ser reutilizada.

A filosofia de “domesticação” da CREAO

Quando vi pela primeira vez a demonstração do produto da CREAO, a minha primeira reação foi: é isto que eu andava à procura. Eles deram ao produto uma designação muito interessante: Agent Harness, que em chinês se pode entender como “domesticação de Agent”. Esta palavra descreve muito bem o que eles estão a fazer — não é tornar a IA mais forte, é tornar as capacidades da IA algo “fixável”, “domesticável” e controlável por pessoas comuns.

A experiência central do produto da CREAO é extremamente direta. Você descreve, em linguagem natural, um fluxo de trabalho — por exemplo: “Todas as segundas-feiras às 9 da manhã, escaneie as alterações de preços em três websites de concorrentes e registe no Google Sheets; se a variação for superior a 10%, avise-me no Slack”. O sistema faz então estas coisas: entende a sua intenção, escreve automaticamente o código de execução, liga as ferramentas de que necessita (Gmail, Google Sheets, Slack, Feishu, etc.; eles já integram mais de 300 plataformas) e, então, o passo mais importante — pode guardar todo este fluxo com um único clique como um Agent, definir um calendário de execução agendada e, a partir daí, ele vai executar automaticamente de acordo com o horário que você definiu, sem precisar de participação da IA, com execução completamente determinística.

Este último passo é a alma do produto. Depois de terminar a conversa, o sistema continua em funcionamento. Esta frase parece simples, mas resolve um problema que toda a indústria tem vindo a contornar. ChatGPT, Claude e outras IAs conversacionais: quando se fecha a janela, não fica nada. Ferramentas para programadores como OpenClaw e Claude Code conseguem executar tarefas complexas, mas exigem que você faça o deploy e a manutenção. O que a CREAO fez foi combinar a flexibilidade da IA com a determinística das ferramentas de automatização tradicionais, permitindo transformar uma conversa de IA bem-sucedida num sistema de automatização que continua a funcionar.

Eu aprecio particularmente os compromissos técnicos que eles fizeram. Muitos produtos de AI Agent procuram tornar a IA mais inteligente, mais genérica e capaz de lidar com tarefas ainda mais complexas. O caminho escolhido pela CREAO é o oposto: eles querem que os fluxos de trabalho gerados por IA possam ser independentes, executando-se sozinhos fora da IA. Isto significa que precisam de resolver o problema de determinismo da geração de código — o código gerado pela IA tem de ser suficientemente estável para continuar a executar sem intervenção da IA. Também precisam de resolver o problema da estabilidade da orquestração entre múltiplas ferramentas — quando um fluxo de trabalho envolve várias plataformas como Gmail, Sheets e Slack, como garantir que a transmissão de dados entre elas não falha por questões de formato? Estes são problemas que as ferramentas tradicionais de automatização já resolvem, mas no contexto dos AI Agents estes problemas precisam de ser resolvidos de novo, porque o fluxo de trabalho deixa de ser configurado manualmente por pessoas e passa a ser gerado pela IA com base em linguagem natural.

Eu experimentei por conta própria e, na realidade, a experiência é mesmo diferente da de outros produtos. Descrevi, em linguagem natural, um requisito: “Todos os dias às 17:00, agregar automaticamente os meus e-mails na caixa de entrada do Gmail marcados como importantes, extrair o remetente e o assunto, escrever num Google Sheets e, se houver e-mails de clientes, @-me no grupo Feishu.” O processo de configuração demora menos de 5 minutos; consigo ver em tempo real a CREAO a gerar código, testar ligações e validar a lógica. Quando a configuração terminou, cliquei num botão “Guardar como Agent”, defini que o sistema deve correr todos os dias às 17:00 e, depois disso, deixou de ser preciso que eu me preocupasse. Às 17:00 da tarde seguinte, eu realmente recebi a notificação no grupo Feishu; ao abrir o Google Sheets, os dados já estavam organizados de acordo com o que eu tinha pedido. A chave desta experiência é que eu não preciso de abrir, todas as tardes às 16:55, a janela de conversa da CREAO para voltar a descrever o meu requisito. É como um assistente “domesticado”: sabe o que deve fazer todos os dias, e pode fazê-lo sozinho.

A integração nativa com mais de 300 plataformas também é uma vantagem importante do produto. Isto significa que, na maioria dos cenários comuns de fluxos de trabalho, a CREAO já tem conectores prontos; os utilizadores não precisam de procurar documentação de API, configurar autenticação nem tratar detalhes “de fundo” como conversões de formato de dados. Você diz “escreve os dados no Google Sheets” e o sistema sabe como fazer. Você diz “envia uma mensagem no Slack” e o sistema também sabe como fazer. A fluidez desta experiência é incomparável com escrever código por conta própria ou com ferramentas de automatização tradicionais. Penso que é exatamente assim que a equipa da CREAO entende os produtos para consumo — reduzir o custo de configuração para que pessoas comuns consigam montar rapidamente os seus próprios sistemas de automatização.

Não fazer o mais forte, fazer o mais domesticável

Ao estudar a CREAO, eu mantive uma questão na cabeça: por que motivo outras empresas a fazer AI Agent não escolheram este caminho? Mais tarde percebi que isto é uma competição entre duas filosofias de produto completamente diferentes.

Veja o Claude Code lançado pela Anthropic, ou o Devin da Cognition. O objetivo deles é criar o Agent genérico mais poderoso. Estes produtos querem que a IA consiga compreender qualquer pedido, executar qualquer tarefa e até tomar decisões autonomamente mesmo sem instruções explícitas. Este é um caminho para “tornar os Agents mais inteligentes”. Neste caminho, o valor do produto está na capacidade de generalização da IA — ela consegue lidar com problemas mais diversos e complexos, consegue tomar decisões corretas em condições mais incertas e consegue aproximar-se mais do modo de trabalho dos programadores humanos. Obviamente, este direcionamento tem valor, mas é naturalmente orientado para programadores e utilizadores profissionais, porque só eles precisam — e só eles conseguem — controlar este nível de flexibilidade.

A CREAO escolheu um caminho diferente: não fazer o Agent mais forte, fazer o Agent mais fácil de domesticar por pessoas comuns. O valor do produto deles não está em quão inteligente é a IA; está em quão facilmente o utilizador comum consegue “fixar” as capacidades da IA como as suas próprias ferramentas. Na filosofia de produto da CREAO, um bom Agent não é aquele que consegue fazer tudo; é aquele que consegue fazer bem e de forma estável uma coisa específica, e que pode ser reutilizado. Esta convergência é precisamente uma característica que um produto para consumo precisa.

Penso numa boa analogia. Um AI Agent genérico é como um consultor “faz de tudo”: sempre que você tem um problema, pode recorrer a ele; ele consegue dar-lhe muitas sugestões, mas em cada ocasião você tem de lhe explicar o contexto, descrever a necessidade e discutir a solução. O que a CREAO criou é um assistente que pode ser treinado: você ensina-lhe uma vez como fazer uma determinada coisa; depois disso, ele vai fazê-la sozinho, com regularidade, sem precisar de repetidas instruções da sua parte. O primeiro mostra a amplitude das capacidades; o segundo oferece eficiência de utilização. Para utilizadores comuns, a eficiência é muito mais importante do que a capacidade.

Esta diferença de filosofia de produto já foi verificada nos efeitos no mercado. No dia do lançamento da CREAO, mais de 50 dos principais KOL de tecnologia no mundo publicaram, em simultâneo, conteúdos de experiência profunda, cobrindo mercados de várias línguas, como inglês, espanhol, português e coreano. Esta propagação espontânea em múltiplos idiomas é extremamente rara; ela mostra que o problema que a CREAO resolveu é global e transcultural. Independentemente de você estar na América do Norte, Europa, Sudeste Asiático ou América Latina, desde que seja um utilizador comum que precisa de lidar com fluxos de trabalho repetitivos, este produto vai atraí-lo. O mercado já votou com os pés — as pessoas não precisam de uma IA mais forte; precisam de uma IA mais fácil de controlar.

Também reparei numa comparação interessante. Se você olhar para produtos que procuram Agents genéricos, os casos de demonstração deles costumam ser “a IA concluiu uma tarefa de desenvolvimento complexa” ou “a IA analisou autonomamente um problema de negócio e apresentou uma solução”. Estes exemplos são muito impressionantes, mas são difíceis de replicar. Depois de ver, um utilizador comum vai pensar “uau, que incrível”, mas não sabe como aplicar isso no seu próprio trabalho. Já os cenários de utilização da CREAO são muito concretos: monitorizar preços de concorrentes, sincronizar dados para folhas, enviar relatórios em horários definidos, organizar e-mails e gerir tarefas pendentes. Estas são coisas que toda a gente faz todos os dias — apenas agora podem ser automatizadas. Esta diferença de posicionamento do produto faz com que a CREAO, naturalmente, tenha um leque mais amplo de utilizadores.

Entre a IA conversacional e os sistemas de automatização tradicionais, a CREAO encontrou um equilíbrio inteligente. Ela preserva a facilidade de uso da IA conversacional — expressar necessidades em linguagem natural, sem precisar aprender programação nem estudar interfaces de configuração complexas. Ela também herda a fiabilidade dos sistemas de automatização — uma vez configurado, consegue executar de forma determinística, sem resultados inesperados devido à aleatoriedade da IA. Este equilíbrio é muito raro, porque a maioria dos produtos oscila entre estes dois extremos: ou fica demasiado flexível e instável, ou fica demasiado fixo e pouco inteligente. A CREAO permite que o utilizador aproveite a flexibilidade da IA durante a fase de configuração e, na fase de execução, aproveite a determinística da automatização.

Perceção do produto da equipa do Vale do Silício

Fico curioso sobre que tipo de equipa consegue construir um produto assim. Ao aprofundar, descobri que a sede da CREAO fica no Vale do Silício, nos Estados Unidos, e que a equipa central reúne elites de IA chinesas vindas de grandes empresas do Vale do Silício como Google e Meta, bem como técnicos de startups de modelos de grande escala e empresas de internet de destaque na China. É uma equipa verdadeiramente híbrida entre China e EUA.

Acredito que o background desta equipa seja muito importante. Engenheiros oriundos de grandes empresas do Vale do Silício têm uma compreensão muito profunda das tecnologias de base; sabem como construir sistemas estáveis e fiáveis. Já os gestores de produto e engenheiros de empresas de internet e de IA na China têm uma sensibilidade muito forte para a experiência do utilizador C-end; sabem que tipo de design de produto reduz realmente o limite de utilização. A combinação destes dois “genes” cria um projeto como a CREAO: com profundidade técnica e também “temperatura” de produto.

Pelo que entendi, a equipa da CREAO passou meses a resolver, de forma dedicada, um problema: como fazer com que a saída da IA continue “viva” mesmo depois de a conversa terminar. Este problema, à primeira vista, parece simples, mas por trás envolve muitos desafios técnicos. O código gerado pela IA tem, por natureza, aleatoriedade; com a mesma descrição de requisitos, duas gerações de código podem ser completamente diferentes. Como garantir que estes códigos são suficientemente estáveis para executar continuamente sem intervenção humana? Como lidar com situações excecionais — se uma chamada a uma API falhar, o sistema deve tentar novamente, degradar o serviço ou notificar o utilizador? Como garantir que a transmissão de dados entre várias ferramentas não se interrompe devido a problemas de formato? Estes são problemas de engenharia que as ferramentas tradicionais de automatização já resolveram ao longo das últimas décadas; mas, no contexto dos AI Agents, estes problemas precisam de ser repensados e resolvidos novamente, porque o modo como os fluxos de trabalho são gerados mudou.

O que eu admiro particularmente é que a equipa da CREAO não escolheu uma solução simples. Eles podiam, como muitos produtos de IA, guardar os fluxos de trabalho gerados para que o utilizador os executasse manualmente sempre que precisasse. Assim, a dificuldade técnica seria muito menor, mas a experiência do utilizador seria bastante pior. A CREAO escolheu uma automatização real: execução agendada, execução autónoma, tratamento de exceções, registo de logs — estas funcionalidades padrão de sistemas de automatização tradicionais existem na CREAO e são implementadas com base nos fluxos de trabalho gerados por IA. Isto exige encontrar um ponto de equilíbrio exato entre a flexibilidade da IA e a estabilidade do sistema, e requer uma grande acumulação de engenharia e refinamento do produto.

Outro ponto que me marcou é que a arquitetura de base, o motor de execução e os protocolos de integração da CREAO são todos desenvolvidos por eles internamente. No ambiente atual de startups de IA, muitas empresas escolhem o caminho do “embrulhar rapidamente”: usando uma API da OpenAI ou da Anthropic, acrescentando um front-end e lançando já um produto. Esta abordagem pode validar rapidamente o mercado, mas é difícil criar verdadeiras barreiras técnicas. A equipa da CREAO escolheu um caminho mais difícil: construir a partir da base, garantindo que cada componente do sistema está sob o seu controlo. Este investimento técnico pode não mostrar vantagens no curto prazo, mas, a longo prazo, é a única forma de construir barreiras competitivas.

Vale a pena mencionar que a CREAO, em um ano, já concluiu continuamente três rondas de financiamento com valores superiores a dezenas de milhões de dólares, e que o lançamento do produto provocou ampla atenção por parte do mercado de capitais. Isto mostra que os investidores também viram o valor deste rumo — na corrida do setor de AI Agent, não é “quem tem o maior modelo” nem “quem tem o Agent mais inteligente” que ganha; é quem consegue transformar realmente as capacidades da IA num produto que pessoas comuns consigam utilizar, e quem consegue ocupar o ponto mais alto do mercado.

O desfecho real do setor de Agent

Depois de estudar a CREAO, eu passei a ter algumas reflexões novas sobre o setor dos AI Agent. Eu penso que o desfecho do setor dos Agent não será de “quem tem o Agent mais inteligente”, mas sim de “quem faz com que o maior número de pessoas tenha o seu próprio Agent”. Esta é uma mudança fundamental de perceção.

Nos últimos dois anos, toda a indústria tem estado a competir em “capacidade de modelos”, “frameworks de Agent” e “ferramentas de desenvolvimento”. Toda a gente compara quem consegue fazer a IA concluir tarefas mais complexas, e quem consegue alcançar maior autonomia com menos intervenção humana. Esta lógica de competição tem procura no meio técnico, porque corresponde ao gosto dos engenheiros — procurar o limite, desafiar fronteiras e ultrapassar o impossível. Mas, do ponto de vista do negócio e do produto, pode ser que esta não seja a batalha mais importante. A verdadeira batalha está em: como reduzir o limite de utilização, como aumentar a reutilização, e como permitir que pessoas comuns também consigam usufruir das melhorias de eficiência trazidas pelos AI Agent.

O caminho representado pela CREAO, essencialmente, procura “reduzir o limite de domesticação”, e não “aumentar as capacidades gerais”. Estes dois objetivos não são opostos; servem mercados diferentes. Para programadores e utilizadores profissionais, é verdade que necessitam de Agents genéricos mais fortes, porque as suas necessidades, por natureza, são complexas e variáveis. Mas para as pessoas comuns — que representam mais de 90% do total de utilizadores — o que precisam é de Agents dedicados que resolvam problemas específicos de forma estável, e não de um assistente “faz-tudo” que, afinal, a cada vez exige que o ensinem novamente. A CREAO está a mirar precisamente estes 90% do mercado.

Eu concordo especialmente com uma opinião: a reutilização vai ser o próximo grande campo de batalha dos AI para consumo. Atualmente, os produtos de IA no mercado, quer seja ChatGPT, Claude ou várias ferramentas de Agent, são basicamente consumo descartável — o utilizador faz uma pergunta, a IA dá uma resposta, e o valor desta conversa termina aí. Mesmo que a IA dê uma boa solução, quando o utilizador se depara com um problema semelhante na próxima vez, ainda tem de voltar a formular a pergunta, voltar a esperar e voltar a validar. Neste modelo, o valor da IA cresce de forma linear: usar 10 vezes e usar 100 vezes é, para o utilizador, apenas uma soma simples do valor total. Mas se a saída da IA puder ser reutilizada — por exemplo, depois de uma configuração inicial, continuar em execução — então o valor cresce de forma exponencial: configura uma vez, usa cem vezes, e em cada utilização já não é preciso voltar a investir. O que a CREAO faz é transformar consumo descartável em ativos reutilizáveis.

Isto faz-me lembrar uma transformação clássica na indústria do software. No início, no desenvolvimento de software, cada funcionalidade precisava de ser escrita do zero. Mais tarde, surgiram bibliotecas de funções, frameworks e componentes; assim, os programadores podiam reutilizar código escrito por outras pessoas, aumentando drasticamente a eficiência. Mais tarde, vieram plataformas low-code e no-code, permitindo que até pessoas que não sabem programar conseguissem montar aplicações. A evolução dos AI Agent pode ser semelhante: primeiro, cada conversa recomeça do zero; depois surgem Agents que podem ser guardados e reutilizados; por fim, pode surgir um mercado de Agents, onde as pessoas partilham e trocam os Agents que já domesticaram. O que a CREAO está a fazer agora é exatamente a mudança crítica do primeiro estágio para o segundo.

O meu julgamento é que os AI Agent vão-se dividir em múltiplas formas de produto, cada uma servindo diferentes grupos de utilizadores e cenários de utilização. Haverá Agents que procuram a máxima generalidade, voltados para programadores e utilizadores profissionais; haverá Agents focados em domínios verticais específicos, como jurídico, saúde e finanças; e haverá plataformas de Agents como a CREAO, focadas em automatização para consumo. Estas direções não são relações de competição; são relações de simbiose — juntas, compõem a ecologia completa do ecossistema de AI Agent. E dentro deste ecossistema, a via de “consumo” escolhida pela CREAO é provavelmente a que tem a maior base de utilizadores e o maior potencial comercial.

Da “ultra-inteligência do Agent” para o “Agent para mais pessoas”: isto não é apenas uma mudança de posicionamento do produto, é uma redefinição do valor da IA. O valor da IA não deve refletir-se apenas em conseguir executar tarefas difíceis; deve refletir-se em quantas pessoas consegue ajudar a melhorar a eficiência, a resolver problemas e a melhorar vidas. Produtos como a CREAO mostram-me a possibilidade de a IA chegar verdadeiramente às massas. Quando cada pessoa puder ter o seu próprio Agent dedicado, e quando tarefas diárias repetitivas, banais e demoradas puderem ser tratadas automaticamente, então a IA cumprirá verdadeiramente a sua missão — não é substituir humanos, é libertar as pessoas do trabalho mecânico, para irem fazer coisas mais criativas e com mais valor.