1112 | Agentes por telefone, imagens leves e apps do dia a dia: a semana em IA

Sofia Almeida: Olá, bem-vindo de volta! Eu sou a Sofia Almeida.

Rafael Costa: E eu sou o Rafael Costa, e hoje a conversa tem um fio condutor muito claro: a inteligência artificial está saindo da janela de chat e começando a agir no mundo real — às vezes literalmente telefonando para alguém, às vezes guiando você dentro de um software, às vezes cabendo no seu bolso.

Sofia Almeida: Exatamente. E não é só uma história de agentes. Tem também modelos de voz e imagem que encolheram de tamanho, apps que atacam problemas pequenos do dia a dia, e toda uma camada de infraestrutura para quem constrói. Vamos seguir essa trama de forma comparada, produto a produto, e sempre perguntando: quem é isso para, o que muda de verdade, e o que ainda está por provar.

Rafael Costa: Então vamos começar pelo início dessa onda: agentes que agem fora do chat.

Sofia Almeida: O caso mais interessante é o Nod, da n8n. É um agente pessoal open-source, com licença Apache 2.0, que roda no seu Mac ou PC e vem com máquina virtual e navegador próprios. Ou seja, ele não fica conversando — ele tem um computador dentro do seu computador para executar coisas.

Rafael Costa: E o detalhe que me parece mais importante: ele pede permissão antes de executar. Não é aquele agente que você solta e torce para dar certo. E a n8n diz que ele completou 98% das tarefas de teste. Mas aí eu tenho que tratar isso como afirmação do fabricante, não como resultado verificado, né?

Sofia Almeida: Sim, é uma reivindicação deles. 98% é um número forte, mas não sabemos quantas tarefas eram, quais eram, nem quem mediu. O que dá para dizer com segurança é o desenho da coisa: open-source, você pode auditar, roda localmente com isolamento de máquina virtual, e o modelo de "perguntar antes de fazer" tenta resolver justamente o medo do agente errado.

Rafael Costa: E do navegador a gente pula direto para o telefone. O CALL-E é um agente que liga por você. Antes de discar, ele te mostra o plano e pede confirmação — mesma filosofia do Nod. Depois ele atravessa menus de atendimento, aguenta o tempo de espera, deixa recado na caixa postal, e volta com um resumo e a transcrição da ligação. Novos usuários ganham 100 créditos.

Sofia Almeida: Isso resolve um problema muito concreto: aquelas ligações que ninguém quer fazer, tipo cancelar serviço ou resolver pendência com suporte. E o resumo com transcrição é o que te dá verificação — você não precisa confiar cegamente, pode ler o que foi dito.

Rafael Costa: Mas há uma terceira peça que completa o quadro: o Mitra MCP. Ele conecta Claude, ChatGPT e Grok ao seu número pessoal de telefone. E a funcionalidade mais ousada é te trazer para a chamada ao vivo — o agente liga, e se precisar de você, você entra na conversa.

Sofia Almeida: Aí a gente já entra em território delicado, Rafael. Três produtos lidando com algo muito íntimo: seu computador, sua voz no telefone, seu número pessoal. A privacidade vira a pergunta óbvia. O Nod roda na sua máquina, o que é mais confortável. O CALL-E e o Mitra estão terceirizando ações em seu nome — quem ouve a gravação? Como é o consentimento da pessoa do outro lado?

Rafael Costa: E fica a pergunta de confiabilidade: um agente que negocia por você numa ligação é bem mais arriscado do que um que clica num site. Não acho que isso mata a categoria, mas é a fronteira que ainda precisa de resposta.

Sofia Almeida: E essa fronteira tem uma continuação natural: os agentes também estão entrando dentro do SaaS, para guiar usuários — e é aí que a conversa sobre "humano no loop" fica mais madura.

Rafael Costa: O produto aqui é o Stiro. É um agente de onboarding para produtos SaaS que acompanha o usuário dentro do produto real, não numa demo. Ele te guia passo a passo na interface de verdade.

Sofia Almeida: E o que me parece o coração do desenho: as ações sensíveis — enviar algo, gastar dinheiro, apagar — ele devolve para o humano confirmar. Ou seja, ele ensina, mas não executa por você o que é destrutivo ou irreversível.

Rafael Costa: Isso é a resposta direta ao medo do agente errado. E conecta com outro produto, o Relay, que ataca o mesmo problema por outro ângulo. Quando você envia um documento, o Relay anexa contexto para o AI do destinatário — aí, as perguntas que exigem decisão sua, tipo datas de desconto, voltam para você. E o schema é open-source.

Sofia Almeida: Eu gosto dessa comparação porque são dois designs diferentes para o mesmo princípio. O Stiro guarda o humano no loop dentro de um produto; o Relay guarda o humano no loop entre empresas. Nos dois casos, a IA prepara e propõe, mas a decisão sensível é sua.

Rafael Costa: A limitação é a mesma nos dois: como isso escala? Se todo agente devolve cada ação sensível para confirmação, você vira um aprovador profissional de cliques. Ninguém ainda respondeu qual é o ponto de equilíbrio entre controle e frustração.

Sofia Almeida: E a confiança nesses fluxos também se constrói com modelos melhores e infraestrutura melhor — que é exatamente o próximo capítulo da nossa conversa. Vamos falar de voz, e de dois extremos opostos.

Rafael Costa: De um lado, a ElevenLabs com o Scribe v3, a nova versão do serviço de transcrição deles. Os números que eles anunciam: 27% menos erro de palavras comparado à versão 2, mais de 90 idiomas, separação de 32 falantes, e até mil palavras customizadas — ou seja, você ensina o modelo a reconhecer jargão da sua área ou nomes próprios.

Sofia Almeida: E tem a versão Live, com latência abaixo de 150 milissegundos. Isso é rápido o suficiente para legendagem quase em tempo real ou para um agente de voz responder sem aquela pausa robótica. É o modelo cloud gigante: muita capacidade, rodando no servidor.

Rafael Costa: E do outro lado, o Earlybird, que é quase o oposto filosófico: 16,8 megabytes, 29 milhões de parâmetros, rodando no próprio dispositivo. Sem nuvem.

Sofia Almeida: E o número que mais me impressionou: ele prevê a próxima palavra com 90 milissegundos de antecedência, com 90% de acerto na mediana. Ele está prevendo o que você vai dizer antes de você terminar de dizer. E inclui uma pontuação de confiança, o que é essencial — quando o modelo não tem certeza, ele avisa. Os pesos são abertos, então qualquer um pode baixar e testar.

Rafael Costa: De novo, a ressalva de sempre: essas medições vêm dos próprios criadores. Mas mesmo tomando como descrição, o contraste é o que importa. De um lado, um serviço de nuvem com 90 idiomas e escala. De outro, um modelo de bolso que funciona offline, que não manda seu áudio para ninguém.

Sofia Almeida: E eu acho que a mensagem é: voz virou utilidade. Não é mais tecnologia de demonstração — é algo que cabe num app, num fone, num dispositivo barato. Do servidor à borda.

Rafael Costa: E essa mesma lógica de eficiência — modelos menores, mais rápidos, mais baratos — chegou nos modelos de imagem e de raciocínio. Três produtos aqui, e vale comparar os três.

Sofia Almeida: Começando pelo MiniMax H3-Image. Pesos abertos, gera imagens de 16 megapixels nativamente em apenas 6 passos de difusão, faz 4K em menos de 10 segundos, e aceita até 16 imagens de referência — útil para manter personagem ou estilo consistente. Mas tem um porém concreto: uns 69 gigabytes locais. Não é qualquer máquina que roda.

Rafael Costa: Já o Seedream 5.5, da ByteDance, ataca outra parte do problema: a edição. Ele permite 100 rodadas de edição local preservando em nível de pixel as áreas que você não mexeu. Isso é enorme para fluxo de trabalho — você edita o céu, a roupa, o texto, e o resto da imagem não se desmancha. Tem fundo transparente nativo e renderização de texto melhorada.

Sofia Almeida: E o terceiro é o Muse Ember, da Meta, que não é modelo de imagem — é o modelo multimodal de raciocínio mais pequeno deles, pensado para tarefas frequentes de agentes, com 1 milhão de tokens de contexto e entrada a 10 centavos de dólar por milhão de tokens.

Rafael Costa: Olhando os três juntos, a tendência é clara: imagem e raciocínio ficando mais rápidos, mais baratos e mais editáveis. H3-Image te dá qualidade alta com controle se você tem o hardware. Seedream te dá o processo iterativo que designer quer. Muse Ember é sobre custo por requisição, para agentes que precisam raciocinar milhares de vezes por dia.

Sofia Almeida: E o que fica em aberto: para o MiniMax, quem realmente consegue rodar 69GB? Para o Seedream, como é acessado — e a que preço? Para o Muse Ember, quanto dessas tarefas de agente ele realmente cobre sem alucinar. São três apostas na mesma direção, mas nenhuma delas é um passe de mágica.

Rafael Costa: E modelos potentes e baratos abrem espaço para outra coisa: criadores e ferramentas locais, apps que usam IA para resolver problemas bem do dia a dia. Aqui temos quatro, e vale tratá-los como um conjunto.

Sofia Almeida: O primeiro é charmoso: o Mister Blocks. Você tira uma foto das suas peças de LEGO espalhadas, e ele devolve um plano de montagem com passos em 3D — de graça, rodando sobre Claude. É um caso de uso delimitado, com problema claro: todo mundo tem aquela caixa de LEGO que ninguém sabe o que fazer com ela.

Rafael Costa: Segundo: o Xolace, de uma equipe de Gana. É um app de apoio emocional que usa uma ferramenta chamada The Fire para escrever o que está por baixo do sentimento. A parte de reflexão é grátis. Eles dizem ter mais de 350 usuários e mais de mil sessões.

Sofia Almeida: Aliás, cuidado aqui: 350 usuários é o que os criadores declaram. É tração pequena e autodeclarada — não é prova de qualidade, é um dado inicial. Mas é honesto, não fingem ser maiores.

Rafael Costa: Terceiro: Kippy AI, um app de treino de conversação em idiomas. Tem três personagens — Kippy, Tippy e Yappy — cada um com temperamento e memória próprios, e você pode alternar entre idiomas na mesma conversa. Quase 400 mil downloads, de novo, número dos criadores.

Sofia Almeida: E o quarto, o Valin, que é diferente dos outros: é um app de captura e busca, tudo local no iPhone e iPad. Ele transcreve vídeo e áudio, extrai detalhes, e você busca por linguagem natural — com fonte anexada a cada resultado. Sem precisar criar conta.

Rafael Costa: O que os quatro têm em comum é IA útil sem fricção — sem cadastro, ou com muito pouco. Mas a pergunta que ninguém respondeu ainda é monetização. Grátis funciona para crescer; crescer não paga servidor.

Sofia Almeida: E os apps também atacam burocracias cotidianas — que é o próximo bloco. Do dinheiro parado às câmeras de produção.

Rafael Costa: O primeiro aqui toca muita gente: assinaturas. O Subscriptrack conecta seu e-mail, o AI encontra todas as assinaturas que você tem, mostra o total mensal numa coluna única, avisa de renovações e períodos de teste, e dá os passos de cancelamento para 213 serviços.

Sofia Almeida: Detalhe importante de privacidade: ele não pede login do seu banco. Ele trabalha pelo e-mail — que é onde checam os recibos. Isso é menos invasivo, embora signifique que ele só vê o que passa pelo seu e-mail.

Rafael Costa: Do lado da produção, o Shot.video é criativo: você escaneia um QR code com o celular e ele vira um estúdio multi-câmera, sem instalar nada. Grava sincronizado e a IA gera uma primeira montagem, cortando entre câmeras conforme o olhar de quem fala — e você pode mudar esses cortes depois.

Sofia Almeida: No Mac, dois produtos de design pequeno mas gostosos. O Binqo mora no notch da tela, com um personagem de pontos chamado Mielo, e tem mini-apps: música, calendário, agenda, perguntas por voz, notas de reunião. Grátis. E o Padrail transforma as quatro bordas do trackpad em sliders — direita para volume, esquerda para brilho, embaixo para luz do teclado, e a borda de cima se adapta ao app que você está usando. Grátis também.

Rafael Costa: O tema do bloco é IA e design tirando atrito de tarefas pequenas. Nada aqui é revolucionário sozinho, mas somado é a sensação de que o computador está ficando mais cortês com você.

Sofia Almeida: E essa busca por confiança em fontes pequenas do dia a dia nos leva direto ao próximo assunto: reviews e tráfego — quem confia no quê, quando a IA está dos dois lados do balcão.

Rafael Costa: Primeiro, o Reddit Reviews. O Reddit organizou as discussões das comunidades em páginas de avaliações de produtos. Começaram com cerca de 10 mil produtos nos Estados Unidos, em quatro categorias, com expansão prevista para 2027.

Sofia Almeida: A lógica é clara: as discussões do Reddit têm peso enorme nas buscas — muita gente escreve "produto X" mais a palavra "reddit" para achar opinião real. O Reddit percebeu que pode ser essa fonte diretamente. Mas há perguntas abertas: como essas discussões foram selecionadas? Como se evita manipulação, astroturfing, opinião de uma minoria virando "consenso"? O anúncio não detalha isso.

Rafael Costa: E do lado do anunciante, o ScroogeFrog AI treina modelos com os seus próprios dados de conversão para detectar fraude em cliques. Ele audita o tráfego do seu site e suas campanhas do Google Ads, e devolve sugestões acionáveis.

Sofia Almeida: E aqui está a simetria que me fascina: a IA está dos dois lados. De um lado, ferramentas ajudando a fabricar ou distorcer sinais de confiança. Do outro, ferramentas ajudando a detectar fraude e a resgatar opinião genuína. A confiança nas reviews e nos relatórios de campanha está em disputa — e vai continuar.

Rafael Costa: E essa disputa toda por sinais confiáveis tem uma camada invisível por baixo: a infraestrutura para quem constrói. Último bloco da conversa, e é onde os desenvolvedores moram.

Sofia Almeida: Começando pelo Skillbox: uma biblioteca unificada de skills de IA que sincroniza entre Claude Code, Cursor e Codex — ou seja, você escreve a skill uma vez e ela funciona nos seus ambientes. E a parte de segurança: cada versão é escaneada contra prompt injection. Tem também o Trim, que comprime a saída dos comandos para não estourar o contexto.

Rafael Costa: Depois o Skipbox, que resolve uma dor concreta de quem usa GitHub Actions: runners pré-aquecidos, com máquina virtual própria, a 39 dólares por mês com 4 vCPU, 8GB de memória e minutos ilimitados. O aquecimento significa que seus jobs não ficam esperando a máquina ligar — e ele mantém o cache entre execuções, limpando as credenciais após o uso.

Sofia Almeida: Do lado da máquina local, dois utilitários open-source. O StableBar é uma barra de menu para macOS escrita em Swift, configurável por janela de ajustes ou por JSON, com suporte aos workspaces do AeroSpace e do yabai e sete temas. E o RigSpark, escrito em Rust, faz uma coisa muito prática: checa sua memória, sua GPU e seu disco e te diz se seu computador roda um modelo local de IA — e a que velocidade — para chat, imagem, vídeo e voz.

Rafael Costa: O RigSpark na verdade responde uma pergunta que surgiu lá atrás na nossa conversa, quando falamos do MiniMax e dos 69GB. Como eu sei se minha máquina aguenta? Esse tipo de ferramenta é a resposta pragmática.

Sofia Almeida: E o que fica em aberto no bloco todo: como o ecossistema de skills vai se padronizar. Hoje o Skillbox sincroniza três ferramentas, mas não sabemos se isso vira um padrão de fato ou se cada plataforma cria seu formato. Para quem constrói, apostar num formato cedo é um risco.

Rafael Costa: Então, fechando o fio da conversa: a gente começou com agentes que ligam, navegam e executam — todos com alguma forma de pedir permissão antes de agir.

Sofia Almeida: Seguimos para os modelos que encolheram — voz no bolso, imagem editável, raciocínio barato —, passamos pelos apps que tiram atrito do cotidiano, pela disputa pela confiança em reviews e tráfego, e terminamos na camada de infra que segura tudo isso.

Rafael Costa: E se a gente tivesse que escolher uma pergunta para levar para o próximo episódio, seria esta: quanto controle o humano precisa devolver para que esses agentes realmente ganhem tempo — sem virar o elo mais fraco da cadeia?

Sofia Almeida: Fica a reflexão. Obrigado por ouvir, eu sou a Sofia Almeida.

Rafael Costa: E eu sou o Rafael Costa. Até a próxima!