Agentes autônomos ampliam testes; escalar exige limites

Agentes autônomos ampliam testes; escalar exige limites

Em maio de 2026, a Prime Intellect descreveu um experimento em que Codex e Claude Code trabalharam de forma autônoma na otimização do nanoGPT. Segundo a empresa, os agentes realizaram cerca de 10 mil execuções ao longo de aproximadamente duas semanas e superaram a referência humana usada naquele ambiente. O resultado não prova que agentes resolverão qualquer problema. Ele mostra outra possibilidade: uma camada de execução pode testar, comparar e registrar alternativas por muito mais tempo do que uma pessoa acompanharia manualmente. Persistência ajuda quando o problema é mensurável A Prime Intellect também informa o uso de aproximadamente 14 mil horas de GPUs H200 no experimento. Em uma empresa, a escala será diferente, mas o princípio permanece. Uma tarefa que continua por horas pode consumir recursos, gerar resultados pouco úteis ou avançar por um caminho que ninguém revisou. Agentes fazem mais sentido quando há objetivo verificável, alternativas testáveis, resultados comparáveis e ambiente seguro. Testes de software, comparação de configurações e análise de cenários podem se beneficiar da persistência, desde que a tarefa esteja delimitada. Autonomia não substitui a formulação do problema A própria Prime Intellect relata maior dificuldade para gerar ideias realmente novas sem referências humanas anteriores. Isso separa duas funções: a IA pode testar, registrar, comparar e repetir; as pessoas continuam responsáveis por formular o problema, escolher o que medir e decidir se o resultado tem valor fora do ambiente controlado. Uma métrica melhorada não garante qualidade, segurança ou efeito positivo para o cliente. Quanto maior a autonomia, maior a necessidade de limites de tempo, custo, tentativas, permissões e intervenção humana. O primeiro passo é um teste com parada definida Antes de deixar um agente trabalhar por horas, defina o objetivo, o custo máximo, o ambiente permitido, os critérios de parada e a pessoa que validará o resultado. Registre cada execução e estabeleça o que acontece quando o agente encontra um resultado promissor ou sai do comportamento esperado. Um teste inicial pode ter orçamento fixo, limite de tentativas, acesso restrito e prazo de revisão. Esse desenho torna possível comparar ganho, consumo e qualidade antes de ampliar a autonomia. O experimento precisa de uma fronteira Defina antes da execução o objetivo, o orçamento máximo, os dados e sistemas acessíveis, o responsável pela revisão e os eventos que interrompem o agente. Separe resultados exploratórios de ações que alteram registros ou decisões reais. Fontes consultadas Prime Intellect. Autonomous AI Research for nanoGPT Speedrun . 14 de maio de 2026. Acessar a publicação Prime Intellect. Measuring Autonomous AI Research . 14 de agosto de 2026. Acessar a publicação Prime Intellect. Experiments Autonomous Speedrunning . Acessar o repositório com registros e configurações Anthropic. Long-running Claude for Scientific Computing . 23 de março de 2026. Acessar a publicação Anthropic. Effective Harnesses for Long-Running Agents . 26 de novembro de 2025. Acessar a publicação