Esta semana trouxe a evidência mais clara até agora de que o centro de gravidade da indústria de IA está se deslocando. Três histórias independentes — um relatório de benchmark, um alerta de um executivo da OpenAI e uma demo viral feita a baixo custo — apontam todas na mesma direção: o modelo não é mais o produto completo. O sistema que o envolve, o “harness”, está se tornando o verdadeiro campo de batalha competitivo.
Aqui vai o número principal: um modelo de $0,175 por milhão de tokens acabou de superar um carro-chefe de $10 por milhão de tokens — em todos os cinco benchmarks de agentes. E a variável vencedora não tinha nada a ver com o modelo em si.
O benchmark que mediu a metade não medida
A indústria há muito aceita a equação Modelo + Harness = Agente. O lado esquerdo é medido incessantemente — cada lançamento de modelo vem com um leaderboard. O lado direito — gerenciamento de contexto, loops de chamada de ferramentas, sandboxing, persistência de estado, recuperação de erros — nunca teve uma régua. Em 7 de agosto, a Floatboat publicou uma.
O experimento foi uma configuração deliberada de variável única. Ambos os lados rodaram o mesmo modelo: DeepSeek-V4-Flash 0731, o modelo mais barato que se pode comprar na API oficial ($0,14 entrada / $0,28 saída por milhão de tokens, um valor combinado de $0,175/M na proporção típica de 3:1 entre entrada e saída). O adversário era o Claude Opus 4.8 a $5/$25 — um combinado de $10/M, ou 57,1x mais caro.
O resultado: o harness da Floatboat venceu todos os cinco benchmarks, incluindo DeepSWE 67,25 vs 58,0. Mas a prova real está uma camada mais funda. O mesmo DeepSeek-V4-Flash, rodando no harness oficial do próprio DeepSeek, marcou 54,4 no DeepSWE — abaixo do Opus 4.8. Mesmos pesos, mesmo custo unitário, apenas uma variável mudou: o harness em volta dele. Troque o harness, e um modelo que não conseguia vencer um carro-chefe em casa de repente varre a competição.
A parte mais reveladora é a distribuição dos ganhos. Ordene os cinco benchmarks pelo comprimento da tarefa e o delta do harness sobe monotonicamente: 1,9% → 9,6% → 12,6% → 19,9% → 23,6%. Sem exceções. Quanto mais longa a tarefa, maior a contribuição do harness. Tarefas curtas são vencidas pelo modelo; tarefas longas são vencidas pelo sistema.
Executivo da própria OpenAI diz que harnesses locais estão prestes a parecer primitivos
Thibault Sottiaux, GM de Produtos e Plataforma da OpenAI (ChatGPT e Codex), disse com todas as letras: em 2–3 meses, “o Codex vai ser uma ferramenta primitiva”. Seu argumento: estamos pilotando modelos de última geração com harnesses de nível de laptop — um “sapato pequeno em um pé grande”. Três barreiras físicas:
- Computação e memória: um agente que dispara 20 subtarefas simultâneas (rodando testes, coletando dados, compilando um repositório grande) explode instantaneamente a RAM, a CPU e os sandboxes Docker/VM locais de um laptop.
- Sem desligamento: execuções de agentes de horas ou dias exigem que o laptop do usuário fique ligado, online e com a tampa aberta — um engenhosamente anti-humano.
- Explosão de contexto e de ferramentas: modelos de próxima geração com contexto muito longo e inferência de alta concorrência vão sobrecarregar a compressão de contexto local leve, a sincronização de estado e o logging centralizado.
A indústria já está migrando: o Codex suporta execuções assíncronas na nuvem em contêineres com sandbox; a infraestrutura de micro-sandboxes em nuvem (E2B, Daytona, Fly.io, Modal) cria centenas de ambientes isolados por tarefa; “comando leve local, execução pesada na nuvem” está se tornando a arquitetura padrão. A demo da Anthropic em fevereiro é o marco: 16 instâncias do Claude em 2.000 sessões na nuvem escreveram um compilador C, com um agente arquiteto desenhando a AST, quatro agentes de codificação nos módulos, dois agentes de teste e um agente de auditoria. A avaliação do pesquisador-chefe Nicholas Carlini: “a maior parte do esforço foi em construir o ambiente, os loops de teste e a infraestrutura de feedback para o modelo”. Não o modelo. O harness.
O jogo de $423 e a réplica de $5
A prova concreta chegou na mesma semana. Um desenvolvedor usou o Opus 5 com um único prompt de 2.000 palavras para gerar INK TIDE, um jogo de corrida aquática arcade bem polido — $423 e 690 milhões de tokens, tudo (modelos, texturas, som) gerado a partir de código. O prompt parecia um documento de requisitos: restrições rígidas, padrões visuais, especificações funcionais, fluxo de desenvolvimento, critérios de entrega — mais uma divisão explícita em sub-agentes (um para física da água, um para renderização cartoon, um para física dos barcos, um para oponentes com IA, um para áudio) para combater a diluição da atenção, e um sub-agente de QA visual que capturava screenshots de cada módulo e iterava até não ter mais reclamações.
Então alguém recriou o jogo no Codex com GPT-5.6 Sol e Luna por $5 — dois prompts, cerca de cinco horas, ~20% de uma cota semanal. A réplica é mais rústica; o ponto é a proporção. ~85x mais barato, porque o harness (orquestração de sub-agentes, loops de QA automatizados, execução na nuvem) fez o trabalho pesado, não o modelo bruto.
Enquadrando: o chassi, não o motor
O padrão é familiar para quem acompanha F1. As equipes não ganham campeonatos trocando motores — todos os motores do grid seguem especificações quase idênticas. Elas ganham no chassi, no pacote aerodinâmico, na equipe de pit, na telemetria. Por uma década, as corridas de IA foram corridas de motores: quem treinasse o modelo maior e mais inteligente vencia. O que a evidência desta semana sugere é que cruzamos para a era do chassi. A diferença de motor é real, mas diminui a cada lançamento; a diferença de harness é ampla, mensurável e cresce com o comprimento da tarefa.
Isso também reformula as guerras de preço. Quando um modelo de $0,175/M com um bom harness vence um carro-chefe de $10/M, “modelo barato” deixa de ser um compromisso e se torna uma estratégia. O custo efetivo de uma tarefa de agente está caindo não porque os modelos ficaram mais baratos de construir, mas porque o sistema em volta deles ficou melhor em usá-los.
Implicações para a indústria
- A competição muda de “quem tem o modelo mais inteligente” para “quem libera o potencial do modelo de forma mais completa”. É aí que os moats serão construídos — e isso é uma boa notícia para quem não tem um orçamento de treino de US$ 10 bilhões.
- Harnesses locais de laptop atingiram um teto. A infraestrutura de agentes nativa da nuvem (sandboxes, orquestração, gerenciamento de estado) se torna o padrão para tarefas de longo prazo. Espere que a infraestrutura de agentes se consolide como a infraestrutura de nuvem se consolidou.
- Os benchmarks precisam de reforma. Uma pontuação de modelo bruto é quase sem sentido sem uma comparação controlada por harness. Design de variável única — mesmo modelo, harnesses diferentes — é a única régua honesta, e os fornecedores deveriam exigi-la.
- Engenharia de prompt evolui para “engenharia de sistema”. Os artefatos vencedores já estão migrando de prompts espertos para fluxos de trabalho multiagente estruturados, com limites bem definidos e loops automatizados de revisão.
O que fazer a respeito
- Teste modelos de fronteira baratos com um harness forte antes de migrar para uma API de carro-chefe. Os dados do benchmark dizem que você pode obter desempenho de agente em nível de carro-chefe por 1/50 do custo.
- Mova tarefas de agentes de longa duração para sandboxes na nuvem. Infraestrutura da classe E2B/Daytona/Fly.io/Modal (ou nuvem assíncrona nativa do fornecedor) em vez de manter seu laptop refém durante a noite.
- Estruture o trabalho multiagente com limites explícitos de escopo e um agente revisor. O prompt do INK TIDE e o compilador da Anthropic seguem a mesma receita: dividir de forma granular, fixar arquivos, iterar contra verificações automatizadas.
- Ao avaliar modelos, peça resultados controlados por harness. Se um fornecedor mostra apenas pontuações brutas, a parte que você está realmente comprando fica invisível.
A conclusão: nos próximos dois anos, o trabalho de IA de maior impacto não estará na ficha técnica do modelo. Estará em tudo ao redor dele.
