A seleção desta vez gira em torno de uma mudança prática: a IA deixa de ser apenas uma interface de conversa e passa a executar tarefas, tomar decisões tipadas e operar sistemas inteiros. Ao mesmo tempo, os vídeos lembram que velocidade e autonomia não bastam. É preciso medir o trabalho que o agente realmente entrega.
Fluxos controlados no lugar do piloto automático
Agents in Orbit: Workflows, Not Autopilot — Eduardo Simon & Javier Casal, Flywire · AI Engineer · 18min53s
O título já resume a tese mais sóbria da seleção: agentes úteis não precisam receber liberdade irrestrita. Um fluxo com etapas definidas, limites claros e pontos de decisão pode ser mais confiável do que um agente encarregado de improvisar o caminho inteiro.
The Autonomous Computer: Infrastructure for Computer Use Agents — Ang Li, Simular · 1h12m
Aqui a discussão desce para o sistema operacional. O agente deixa de responder apenas em texto e passa a operar um computador completo, combinando código simbólico e redes neurais para usar teclado, mouse e aplicativos. A promessa é grande, mas também deixa evidente onde a infraestrutura precisa ser explícita: permissões, isolamento e observabilidade não podem ficar escondidos atrás de uma conversa bem escrita.
Estruturas sob demanda, decisões mais rápidas
Just-in-Time Ontologies: What Cheap Intelligence Means for Data — Hrishi Olickel, Southbridge AI · AI Engineer · 21min03s
A ideia de ontologias construídas sob demanda aponta para um uso menos rígido dos dados. Em vez de tentar desenhar um esquema universal antes de conhecer cada problema, o sistema pode formar a estrutura necessária para a tarefa que está diante dele. Isso aproxima a organização dos dados do contexto real, mas exige cuidado para que a flexibilidade não vire inconsistência.
I tested Jev with 34 real comments: 4.5x faster than Claude · 25min10s
Jev aparece como um modelo voltado a decisões estruturadas, não à geração de texto token a token. A proposta faz sentido para classificação e outras tarefas determinísticas: responder rápido, manter o formato esperado e evitar estados inválidos. A ressalva é simples: ser mais rápido não torna o modelo correto por definição. A tarefa precisa continuar sendo avaliada com exemplos reais.
Treinar, implantar e medir o que importa
Stop Renting Intelligence: The Train-to-Deploy Loop for Specialized AI — Fireworks AI · 19min18s
A apresentação da Fireworks AI defende que o diferencial dos modelos abertos está menos no modelo de partida e mais no ciclo contínuo de treinamento, inferência e implantação. O vídeo cita ganhos de latência em casos da Cursor e da Vercel, além da infraestrutura da própria empresa. A leitura mais interessante não é que modelos abertos vencem sempre, mas que o resultado depende cada vez mais do trabalho feito depois da escolha do modelo.
Containment Is Lying to You: Measuring AI Agents Like Employees · Druid AI · 22min00s
A taxa de contenção, sozinha, pode premiar o agente que evita encaminhar conversas para uma pessoa, mesmo quando deveria fazê-lo. O vídeo propõe avaliar agentes como funcionários: pela qualidade do trabalho, pela capacidade de reconhecer limites e pelo resultado entregue, não apenas por quantas interações terminam sem escalonamento. É uma correção importante para métricas fáceis de melhorar e difíceis de interpretar.
Os vídeos convergem em um ponto: a próxima camada da IA será menos sobre conversar e mais sobre executar dentro de limites que possam ser verificados. A diferença entre uma demonstração convincente e um sistema confiável estará na medição.
Quanto mais autonomia damos aos agentes, menos podemos nos dar ao luxo de medir apenas a aparência de sucesso.