A opinião da mídia externa é que, com o lançamento do GPT-6 Astra pela OpenAI, a lógica da competição em IA mudou. O foco já não é mais apenas “quem usa melhor a IA”, mas sim “quem implementa e domina os Agentes de IA mais cedo”. O artigo considera o Astra como um ponto de transição da resposta a perguntas para a execução de tarefas.
Da resposta à execução
Astra é descrita como capaz de operar computadores, navegar na web, usar softwares, escrever e executar código, e concluir fluxos de trabalho mais longos. O artigo afirma que isso significa que a IA está passando de “pessoa faz pergunta, modelo responde” para “pessoa entrega tarefa ao Agente, Agente conclui a tarefa”.
Na visão do autor, o ponto-chave da Astra não é apenas ter mais capacidade, mas estar mais próxima de ser uma força de trabalho digital "contratável". Ela não se limita mais a gerar respostas, mas começa a assumir tarefas contínuas.
A penetração não é mais calculada por cabeça
O artigo usa os resultados do teste do OSWorld 2.0 para demonstrar que a Astra desempenha melhor em tarefas de longo prazo, reduzindo significativamente o tempo de conclusão. O autor conclui que a forma de calcular a taxa de adoção de IA também precisa ser alterada, não podendo mais ser estimada simplesmente pelo número de pessoas que usam IA.
As variáveis mais importantes tornaram-se: quantos Agentes estão em execução, quantas tarefas cada Agente executa e quantos Tokens cada tarefa consome. O artigo afirma que uma pessoa pode implantar vários Agentes simultaneamente, e empresas também podem executar centenas ou milhares de Agentes ao mesmo tempo.
A demanda pelo token será amplificada
O autor destaca ainda que a demanda por tokens na era dos Agentes não aumenta apenas com o crescimento do número de usuários, mas também sobe em sincronia com a complexidade das tarefas e a duração da execução. Um Agente em execução contínua realiza constantemente planejamento, busca, execução, validação e correção, gerando mais chamadas e maior consumo de tokens.
O artigo também menciona que a participação do modelo no treinamento forma um ciclo virtuoso: modelos mais fortes geram agentes mais fortes, que produzem mais dados de alta qualidade, impulsionando novamente o aprimoramento contínuo do modelo. Os autores acreditam que isso fará com que a demanda por poder de computação e tokens entre em uma fase de autoamplificação mais intensa.