O que os agentes de IA já conseguem fazer no trabalho

O vídeo mostra o Tibo colocando agentes para ler e-mails, consultar calendário, usar o navegador e preparar tarefas enquanto a pessoa faz outra coisa.

Mas a pergunta que importa não é se o agente consegue clicar em botões.

A pergunta é outra:

Onde esses agentes já ajudam no trabalho sem virar mais uma coisa pra cuidar?

Eu fui ver a conversa do Tibo no canal Silicon Valley Girl. Tem demonstração, previsão e coisa que já dá pra testar hoje.

Minha leitura é simples: os agentes já conseguem assumir partes de um trabalho real. Ainda precisam de direção e revisão antes de rodar sozinhos.

A tese em 20 segundos

Minha conclusão prática: escolha uma tarefa pequena, deixe o agente preparar a primeira versão e conte também o tempo de revisão.

O agente começa a trabalhar antes de você

Na prática, a diferença é que o agente começa antes de você abrir o chat. Em vez de esperar uma dúvida, ele pode deixar algumas tarefas preparadas para acontecerem em horários definidos.

Ele conta que usa um agente para acompanhar notícias em canais internos e preparar um resumo. Em certo momento, chegou a mandar esse resumo para uma impressora todos os dias, para ler com o café.

A apresentadora também fala de um painel da manhã: durante a noite, o agente busca informações, organiza o que encontrou e deixa tudo pronto. De manhã, a pessoa revisa o que faz sentido e aprova os próximos passos. O Tibo diz que a tecnologia já existe; o problema é transformar isso em algo que as pessoas consigam usar.

Agora imagina uma situação comum. Você acorda com vinte e-mails, uma reunião marcada e três assuntos esperando resposta. Em vez de gastar a primeira hora separando o que merece atenção, um agente organiza os tópicos, mostra os e-mails que dependem de você e prepara rascunhos.

Você ainda decide o que será enviado. Só que começa o dia olhando para decisões, não para uma caixa de entrada completamente crua.

Aqui eu vejo um uso real. O trabalho tem uma sequência bem definida: buscar, organizar, preparar e esperar aprovação.

Eu começaria por uma tarefa que acontece todo dia ou toda semana. Não começaria por “automatizar meu negócio”. Isso é grande demais para alguém conseguir medir.

Delegar não significa deixar sem conferência

O vídeo mostra agentes usando navegador, e-mail, calendário, arquivos e planilhas. Aí aparece a cena do agente configurando um filtro de e-mail. Ele é interrompido antes de mexer em muitos e-mails.

Para mim, o mais importante é ele ter sido interrompido antes de alterar muitos e-mails.

Ler e preparar são uma coisa. Enviar, comprar, apagar ou mudar uma configuração são outra. Nessas ações, eu aprovaria antes.

O Tibo também fala de um segundo agente para checar ações que podem dar problema e permitir tarefas mais longas. É uma ideia que ele apresenta na entrevista. Eu não trataria isso como uma auditoria de segurança.

Eu separaria assim:

• leitura e organização podem rodar com mais liberdade;
• rascunho precisa de contexto e exemplos;
• envio, compra, exclusão e mudança em produção precisam de aprovação;
• se der ruim, tem que dar pra desfazer.

Um agente que pede aprovação no momento certo pode economizar tempo. Sem aprovação, uma tarefa curta pode virar retrabalho e correção manual.

A melhor cena do vídeo é quando a demonstração dá errado

Nessa parte, ela mostra um aplicativo que ela pediu para o agente montar para reaproveitar conteúdos antigos. A ideia era buscar posts, organizar trechos e transformar isso em uma nova peça. O agente ajudou a montar o produto, mas a primeira versão cresceu demais. Ficou cheia de recursos quando ela queria uma coisa simples.

O frame abaixo aparece por volta de 19:32 do vídeo. A tela já está funcionando, mas aí ela volta ao ponto original: era pra ser uma aplicação simples.

Depois, ela tenta colocar entrada por voz. A função não funciona como deveria.

Esse segundo erro aparece por volta de 19:59. A entrada por voz não funciona dentro do app, mesmo com a ferramenta conseguindo registrar voz na conversa.

Tibo explica que ainda faltava uma integração específica com o serviço de transcrição e que seria necessário lidar com API e chave de acesso.

Para mim, esse é o trecho mais honesto do vídeo.

A IA encurtou o caminho até a primeira versão. Só que ainda ficaram as decisões de produto, a integração da transcrição, os testes e a manutenção.

Agora imagina isso no seu trabalho. Você pede um sistema para organizar seus leads. Em poucas horas, aparece uma interface com filtros, campos e automações. Só que ninguém definiu o que conta como lead bom, em que momento a pessoa deve ser contatada ou como evitar que uma resposta errada seja enviada.

Você tem um sistema. Ainda não tem um processo.

Esse é o ponto que eu copiaria: usar IA para diminuir o custo da primeira versão e descobrir o que precisa existir.

O que eu não copiaria é continuar adicionando recurso só porque o agente consegue adicionar. Quando a primeira versão resolve o teste, eu pararia e colocaria alguém para usar.

Onde o Codex ajuda de verdade

O Codex me interessa quando tira da frente etapas repetitivas de um trabalho que já foi escolhido. No vídeo, Tibo usa a ferramenta para programar, organizar e pensar junto. Ele também relata que mais da metade das tarefas feitas ali não é técnica. É um número que ele citou no vídeo. Eu não conferi isso fora dali.

Pra mim, o Codex entra depois que o trabalho já foi escolhido. Ele pode:

• procurar atualizações e resumir o que importa;
• encontrar conversas e preparar respostas;
• organizar dados baixados do navegador;
• criar uma apresentação a partir de informações existentes;
• deixar um jeito de repetir a tarefa.

Eu mediria o ganho pelo tempo que some da sua frente, sem transformar a revisão em outro trabalho do mesmo tamanho.

No fim da demonstração, o agente baixa dados de analytics do LinkedIn, coloca as informações em uma planilha e responde perguntas sobre as publicações. Esse tipo de tarefa é útil porque alguém consegue conferir o resultado: os dados chegaram, a planilha abre e os números podem ser comparados com a fonte.

O teste não precisa ser sofisticado. Você pode escolher um relatório que prepara toda semana, executar uma vez com o agente e comparar:

1. quanto tempo você gastava antes;
2. quanto tempo levou para revisar;
3. quantos erros precisou corrigir;
4. se o resultado ficou utilizável.

Se a revisão levar o mesmo tempo que o trabalho original, ainda não existe economia. Aí você tem uma demo bonita, mas a pergunta continua: quanto tempo ela realmente economizou?

A barreira não é saber escrever o prompt perfeito

Mais pra frente no vídeo, aparece uma provocação: no futuro, você não vai depender tanto de saber escrever prompt. Eu concordo com o Tibo: às vezes, um comando simples funciona melhor do que um prompt grande e complexo. O ponto é dar contexto e exemplos quando a tarefa precisa deles, sem tentar resolver tudo em um texto enorme.

Você ainda precisa explicar o que quer, mostrar exemplos, indicar fontes e dizer o que não pode acontecer. Só que isso pode deixar de ser uma conversa que começa do zero todas as vezes.

Tibo dá um exemplo simples para definir tom de voz. Em vez de tentar descrever sua personalidade em um prompt enorme, dê textos que você já escreveu, gravações ou mensagens que representem a forma como você fala.

Eu daria exemplos reais do que já funcionou: uma resposta comercial, um resumo de reunião ou um trecho de código. Se você quer que a IA prepare respostas comerciais, entregue respostas antigas que foram boas. Se quer que ela resuma reuniões, mostre um resumo seu e diga quais partes não podem sumir. Se quer que ela escreva código, mostre a organização do projeto e as regras que não podem ser quebradas.

Na prática, eu faria um arquivo curto com quatro coisas:

• o objetivo da tarefa;
• um exemplo de saída boa;
• os erros que não podem passar;
• o momento em que uma pessoa precisa revisar.

Quando esse arquivo deixa de servir, você tem um sinal real para melhorar o processo. Antes disso, eu não trocaria de modelo nem criaria uma arquitetura maior só por antecipação.

O que ainda não está pronto

O vídeo foi publicado em 22 de maio de 2026. Na conversa, Tibo fala que a memória compartilhada entre máquinas e agentes deveria melhorar nos meses seguintes. Ele também prevê melhorias importantes na manutenção de código nos seis a nove meses seguintes à entrevista, aproximadamente entre novembro de 2026 e fevereiro de 2027. Essa janela vem da própria previsão dele, não é algo que eu trataria como promessa para planejar um negócio.

O limite aparece em situações simples: o agente não encontra o arquivo ou perde o contexto entre máquinas. Quando o produto cresce, aparece outro problema: o código que servia para poucas pessoas pode exigir outra arquitetura.

Tibo também diz que, para uma aplicação pequena ou um experimento, construir com agentes pode ser suficiente. Se o objetivo for chegar a centenas de milhares de pessoas, ainda faz sentido ter alguém técnico cuidando da arquitetura e da manutenção.

Eu resumiria assim: agentes deixam o começo mais barato. Manter tudo funcionando ainda custa.

Isso te mostra quando parar de configurar e começar a medir. Se você construiu algo para cinco pessoas, não precisa imaginar a infraestrutura de uma big tech no primeiro dia. Se começou a ter uso, erro e custo de verdade, aí você olha para o limite que apareceu.

O que eu copiaria e o que eu não copiaria

Eu copiaria:

1. começar por uma tarefa que já existe;
2. fornecer exemplos reais e os erros que não podem passar;
3. separar preparação de execução e medir o tempo completo;
4. liberar mais autonomia só depois de entender os erros.

Eu não copiaria:

1. a ideia de que qualquer tarefa pode rodar sozinha durante a noite;
2. os prazos do vídeo como se fossem uma promessa para qualquer equipe;
3. a construção de uma aplicação cheia de recursos antes de alguém usar a primeira versão;
4. a configuração infinita de ferramentas sem medir o resultado.

Pra mim, o vídeo vale menos pela previsão do futuro e mais pelos erros que aparecem na demonstração. A primeira versão sai. A função desejada não funciona. O produto cresce demais. Alguém precisa interromper uma mudança no e-mail.

Pra mim, é aí que o vídeo fica mais interessante. A tecnologia ajuda, mas ainda deixa visível o trabalho de escolher, conferir e corrigir.

Um teste para fazer amanhã

Escolha uma tarefa que você fez pelo menos duas vezes nas últimas semanas. Um relatório, uma triagem de e-mails, uma pesquisa ou uma primeira versão de conteúdo servem.

Faça assim:

1. Execute a tarefa do jeito atual e anote o tempo.
2. Escreva em uma frase o que precisa estar certo no resultado.
3. Separe os arquivos, links e exemplos que a IA precisa receber.
4. Peça uma primeira versão ao agente, sem liberar envio ou exclusão.
5. Revise com o mesmo critério que você usaria no trabalho normal.
6. Anote o tempo da revisão e os erros encontrados.
7. Repita uma segunda vez antes de decidir se vale automatizar.

Se o trabalho ficar mais rápido e o resultado continuar aceitável, você tem um fluxo para reaproveitar. Se não, o teste ainda serviu: mostrou qual parte está mal definida, quais dados faltam ou onde a IA não é confiável.

O importante é sair com uma decisão. Manter como está, ajustar a tarefa ou liberar uma etapa para o agente. Não sair com mais uma ferramenta para acompanhar.

Minha leitura do vídeo

O vídeo mostra a IA deixando de esperar uma pergunta e começando a preparar trabalho em segundo plano. Os exemplos de organizar e-mails, preparar um resumo, montar uma planilha e criar uma primeira versão de apresentação já cabem no trabalho de quem está sozinho ou em uma equipe pequena.

Mas a parte mais valiosa é o limite. A própria demonstração mostra um aplicativo que ficou mais complexo do que deveria e uma integração de voz que não funcionou de primeira. Isso quebra a fantasia de que o agente resolve o produto inteiro.

Minha conclusão: agentes de IA já estão prontos para assumir partes do trabalho comum. Ainda não estão prontos para receber uma tarefa vaga, acessar tudo e decidir sozinhos o que importa.

Eu usaria Codex para preparar, organizar, pesquisar e construir uma primeira versão. Colocaria revisão humana onde existe envio, dinheiro, acesso a dados sensíveis ou mudança no produto. E só aumentaria a autonomia depois de medir o que realmente melhorou.

Eu gastaria menos tempo montando o agente e mais tempo conferindo se o trabalho melhorou.

Fontes

• Vídeo original: Head of ChatGPT & Codex: agents for normal people are HERE
• Codex, da OpenAI
• Computer-Using Agent, da OpenAI
• Como agentes de IA estão sendo usados em produtos reais
• O agente é só uma parte do ciclo

Os exemplos de uso, números e previsões atribuídos a Tibo são relatos da entrevista. Este texto faz uma curadoria prática e uma leitura editorial do vídeo, não uma auditoria independente da OpenAI, do ChatGPT ou do Codex.