Em 3 de setembro de 2026, a OpenAI lançou o GPT-6 Astra. A manchete que circulou foi a declaração de "era da AGI" feita no anúncio. Para quem toca uma operação, o que importa é bem menos filosófico: o eixo do lançamento é uso de computador.
O modelo preenche formulários, navega entre abas, opera planilhas e produz documentos e apresentações seguindo template. No OSWorld 2.0, benchmark que mede exatamente isso, marcou 72,6% contra 65,7% do modelo anterior — e gastou 47% menos tempo por tarefa. A janela de contexto passou de 1 milhão de tokens, o que significa que ele consegue segurar um processo inteiro na cabeça sem perder o fio.
Traduzindo: a IA saiu do território "escreve textos pra mim" e entrou no território "executa etapas de processo".
É aí que a conversa muda de departamento. Deixa de ser assunto de marketing e vira assunto de operação.
O que a OpenAI diz que mudou
Vale separar o que é retórica de lançamento do que é capacidade verificável:
- Uso de computador. O eixo do anúncio. Formulário, aba, planilha — a interface que o seu time usa todo dia.
- Trabalho profissional. Documentos, planilhas e apresentações no padrão de entrega, respeitando template e estilo de escrita.
- Programação. No Codex, o modelo mantém notas pesquisáveis quando o contexto enche, em vez de resumir e perder detalhe de depuração.
- Cibersegurança. Salto grande de capacidade — e é aqui que mora o ponto de governança que a maioria das análises ignorou. Voltamos nisso.
A distribuição começou por um grupo restrito de empresas e seguiu para os planos Plus, Pro, Business e Enterprise, além da API. O plano gratuito ficou de fora. Em contas corporativas, o modelo chega desligado por padrão.
Guarde esse último detalhe. Ele diz mais sobre a fase em que estamos do que qualquer benchmark.
Por que isso chega até a sua operação
Se a sua empresa tem alguém que passa parte do dia copiando pedido de um sistema para outro, conciliando planilha de estoque com o painel da loja, montando relatório manual toda segunda ou lançando dado de fornecedor no ERP, a resposta agora parece óbvia: coloca o agente para fazer.
E funciona. Parcialmente. Por um tempo.
O problema aparece no terceiro mês.
O agente não conserta um processo quebrado. Ele acelera o erro
Um agente que opera a tela repete exatamente o que a pessoa fazia — inclusive as gambiarras que ninguém documentou.
Se hoje o estoque só bate porque alguém confere no olho antes de publicar, o agente vai publicar sem conferir. Se o campo de frete às vezes vem vazio e a pessoa sabe preencher com o padrão da região, o agente vai errar em silêncio e em escala. A diferença entre um erro humano e um erro de agente não é a gravidade: é o volume e a velocidade com que ele se propaga antes de alguém notar.
Automatizar a tela é automatizar o sintoma. O que gera valor duradouro é resolver a causa: dado estruturado, sistemas conversando por integração, regra de negócio escrita em algum lugar que não seja a cabeça de uma pessoa específica.
Isso não é argumento contra agente. É argumento sobre onde colocá-lo.
A IA agente é excelente para o que ainda não tem API, para exceção, para tarefa de baixa frequência e para descoberta — inclusive para mapear como o processo funciona de verdade antes de você decidir o que integrar. Para o fluxo central que sustenta a receita, ela é a última camada, não a primeira.
Como isso se parece em um e-commerce real
Pega o caminho de um pedido do clique até o dinheiro conciliado. Cada etapa tem uma resposta diferente, e tratar tudo como "vamos automatizar com IA" é o erro mais caro dessa conversa.
Três leituras que saem desse desenho:
A maior parte do ganho não vem de IA. Entrada de pedido, baixa de estoque, emissão de nota e atualização do cliente são problemas de integração resolvidos há anos. Se ainda são manuais na sua operação, o retorno de arrumar isso é maior, mais rápido e mais barato do que qualquer piloto de agente.
O agente brilha na exceção. O pedido travado, o caso que não se encaixa na regra, a divergência que exige olhar três sistemas ao mesmo tempo. É exatamente o trabalho que consome o time sênior e que nenhuma automação tradicional cobria bem.
Aprovação humana não é falta de confiança. É desenho. Toda etapa que move dinheiro ou compromisso com o cliente precisa de um ponto de parada — mesmo quando o agente acerta 99% das vezes. Especialmente quando acerta 99% das vezes, porque é aí que o time para de conferir.
Quatro perguntas antes de colocar um agente na operação
Antes de discutir qual modelo usar, quatro perguntas decidem se o projeto gera retorno ou vira mais um piloto abandonado.
Repare que nenhuma delas é sobre tecnologia de IA. São perguntas de operação. É por isso que empresas com a casa arrumada colhem ganho a cada geração nova de modelo, enquanto as outras refazem o piloto do zero toda vez.
A pilha que sustenta qualquer agente
Existe uma ordem de construção, e quase todo projeto começa pelo lugar errado — porque o topo da pilha é a única parte que dá para comprar pronta.
O modelo de IA troca a cada poucos meses. Arquitetura de operação, não. Quem estruturou dado e integração absorve cada lançamento como upgrade. Quem não estruturou trata cada lançamento como um novo projeto — e paga de novo.
O ponto de governança que passou batido no anúncio
Vale registrar porque afeta decisão corporativa, não só técnica: o Astra é o primeiro modelo que a própria OpenAI classifica como crítico em capacidade de cibersegurança, e foi liberado assim mesmo, com salvaguardas. Em contas Business e Enterprise ele chega desligado por padrão — o administrador precisa habilitar.
Isso diz duas coisas.
Primeira: capacidade de agente e superfície de risco crescem juntas. Um sistema que consegue operar a sua tela consegue operar a sua tela em qualquer direção.
Segunda: a decisão de habilitar deixou de ser individual e virou política de empresa. Quem define quais times usam, com acesso a quais sistemas, com qual nível de permissão? Se hoje a resposta é "cada um usa do jeito que quiser com a conta pessoal e o login do ERP anotado num bloco de notas", esse é o primeiro problema a resolver — antes de qualquer projeto de automação.
Três decisões que valem uma reunião nesta semana:
- Contas e acesso. Agente nunca opera com credencial pessoal. Usuário próprio, permissão mínima, revogável em um clique.
- Dado que não sai. O que pode e o que não pode entrar num prompt: dado de cliente, contrato, base de custo, margem por SKU.
- Rastro. Se ninguém consegue responder "o que o agente fez às 14h de terça", não há automação — há um ponto cego.
Como saber se vale a pena, sem chute
A conta que sustenta a decisão é simples e quase ninguém faz:
- Quantas horas por semana o time gasta na tarefa?
- Multiplique pelo custo-hora carregado da pessoa que faz.
- Some o custo do erro: quantas vezes por mês esse processo gera retrabalho, pedido errado, cliente irritado ou divergência financeira — e quanto custa cada ocorrência.
- Compare com o custo de projeto da integração, uma vez, mais manutenção.
Se o número anual da primeira coluna não cobre a segunda com folga, o projeto não é prioridade — por mais interessante que seja tecnicamente. Se cobre três ou quatro vezes, você não tem um projeto de inovação. Tem uma conta vencida.
Um caminho de 90 dias que não vira piloto abandonado
Dias 1 a 30 — Enxergar. Mapear o fluxo real, incluindo exceções. Medir onde o tempo vai. Identificar quais sistemas expõem API e quais não. Sai daqui com números, não com opinião.
Dias 31 a 60 — Estruturar. Resolver a integração de maior impacto do mapa. Definir o contrato de dados. Estabelecer log e permissão. Nada de IA ainda — e é normal que o maior ganho apareça exatamente aqui.
Dias 61 a 90 — Delegar. Colocar agente em uma tarefa de exceção bem delimitada, com aprovação humana e métrica definida antes de começar. Uma tarefa. Medida. Depois expande.
Quem inverte essa ordem chega no dia 90 com uma demo bonita e nenhuma hora devolvida ao time.
O que não muda
A cada lançamento se repete o mesmo movimento: a ferramenta melhora, a promessa cresce e a operação continua exatamente igual. O ganho real nunca vem do modelo — vem da diferença entre uma operação onde o dado está organizado e uma onde ele mora em cinco planilhas com nomes parecidos.
O GPT-6 Astra tornou a camada de execução barata e acessível. Isso aumenta, não diminui, o valor de ter a camada de baixo bem construída.
Onde a 2Maker entra
A 2Maker trabalha na camada anterior à ferramenta: mapear o processo real, identificar onde o dado se perde, definir o que vira integração, o que vira sistema sob medida e o que faz sentido delegar a um agente — com log, permissão e ponto de aprovação.
Se você quer saber onde a sua operação está perdendo tempo e receita hoje, e o que dela é automatizável de verdade, o ponto de partida é um discovery técnico. Fale com a 2Maker.
