Colegas de Trabalho de IA Persistentes Marcam a Proposta de Terceira Era da OpenAI

A OpenAI delineou uma terceira era para seus produtos, embora os colegas de trabalho de IA persistentes ainda sejam mais uma visão do que um produto acabado. A afirmação chegou a muitos leitores por meio de uma manchete do google news, mas suas implicações vão além de mais um recurso para o ambiente de trabalho.

Tara Seshan, líder de produto da OpenAI para Codex e ChatGPT Work, descreveu três estágios durante uma participação no Lenny’s Podcast em 30 de agosto. Primeiro veio o chat. Em seguida, os agentes capazes de concluir tarefas. Os colegas de trabalho persistentes representam o próximo estágio proposto.

Essa progressão cria a tensão central. A OpenAI quer que a IA se torne uma participante contínua do trabalho, mas confiabilidade, autorização, memória e coordenação de equipes continuam sem solução. Anthropic, Microsoft e outros fornecedores empresariais perseguem ideias relacionadas, tornando isso uma disputa pela futura interface do ambiente de trabalho.

O Que a OpenAI Realmente Disse Sobre Sua Terceira Era

O enquadramento da terceira era da OpenAI descreve uma relação de trabalho contínua, não um funcionário autônomo recém-lançado.

Os comentários de Seshan surgiram durante uma entrevista sobre desenvolvimento de produtos, Codex, ChatGPT Work e o papel em transformação dos profissionais do conhecimento. O episódio do podcast durou cerca de 82 minutos e foi publicado em 30 de agosto de 2026.

Ela dividiu a evolução dos produtos de IA em três períodos. O primeiro se concentrou no chat, em que um usuário faz uma pergunta e recebe uma resposta. O segundo introduziu agentes que perseguem objetivos e concluem tarefas de várias etapas.

O terceiro período proposto envolve colegas de trabalho de IA persistentes. Esses sistemas permaneceriam conectados a projetos, reteriam o contexto de trabalho relevante e colaborariam por períodos mais longos. Eles não começariam com um prompt vazio sempre que um usuário retornasse.

Seshan apresentou esse estágio como algo que “pode chegar em breve”, e não como uma categoria de produto consolidada com especificações definidas. Essa distinção importa porque a reportagem inicial comprime uma discussão abrangente em uma manchete definitiva.

Um leitor do google news poderia interpretar razoavelmente essa manchete como um anúncio formal da OpenAI. A fonte original sustenta uma conclusão mais cautelosa. Uma líder sênior de produto descreveu a direção que espera que as interfaces de IA sigam.

A palavra “persistente” carrega vários significados possíveis. Ela pode se referir à memória entre sessões, à execução contínua, ao trabalho recorrente programado ou ao acesso a materiais compartilhados de um projeto. Também pode descrever um agente que verifica regularmente o progresso com seus colaboradores humanos.

A OpenAI não publicou uma definição técnica única que cubra todas as partes dessa visão. Em vez disso, a entrevista conecta diversas capacidades existentes a uma direção de produto ainda inacabada.

O ChatGPT Work já lida com atribuições mais longas em arquivos e aplicativos conectados. O Codex pode dividir trabalho técnico entre agentes paralelos. Projetos e conversas sincronizadas preservam mais contexto entre dispositivos e sessões.

Esses componentes apontam para a persistência sem criar plenamente um colega de IA. Um verdadeiro colega de trabalho precisa entender objetivos em mudança, reconhecer limites organizacionais e explicar o que fez. Ele também precisa saber quando parar.

A interface proposta altera a unidade de interação. O chat começa com uma mensagem. Um agente começa com uma tarefa delegada. Um colega de trabalho persistente começaria com uma responsabilidade contínua e manteria uma relação de trabalho em torno dela.

Considere o lançamento de um produto. Um assistente de chat poderia resumir entrevistas com clientes. Um agente poderia analisar essas entrevistas e redigir um relatório. Um colega de trabalho persistente acompanharia o lançamento, atualizaria a análise, sinalizaria contradições e participaria de ciclos posteriores de planejamento.

Esse papel contínuo torna a ideia mais consequente do que mais uma atualização de chatbot. Ele também introduz mais formas de contexto incompleto ou acesso excessivo produzirem erros.

Portanto, a manchete captura uma tese real da OpenAI, mas não uma transição concluída. A terceira era é um destino que a OpenAI está construindo por meio de Work, Codex, apps, memória e interfaces colaborativas.

Por Que os Colegas de Trabalho de IA Persistentes Importam Agora

A mudança importa porque a OpenAI está passando de responder aos trabalhadores para participar de fluxos de trabalho que produzem artefatos empresariais finalizados.

A OpenAI apresentou o ChatGPT Work em 9 de julho de 2026. A empresa afirma que o agente pode operar entre aplicativos e arquivos, permanecer em um projeto por horas e criar materiais concluídos.

Esses resultados incluem documentos, planilhas, apresentações, relatórios e sites. Os usuários podem acompanhar o progresso, responder a perguntas, redirecionar o trabalho e aprovar ações importantes.

Isso é diferente de gerar texto dentro de uma conversa. O agente precisa reunir informações, decidir quais etapas tomar, usar software externo e manter estado suficiente para concluir uma atribuição mais longa.

O anúncio do Work da OpenAI posiciona o produto como parceiro para tarefas ambiciosas. Essa linguagem começa a se assemelhar à tese do colega de trabalho persistente, embora o Work ainda opere em torno de atribuições iniciadas por usuários.

Seshan também descreveu um horizonte estreito para o desenvolvimento de produtos. Sua equipe tenta desenvolver para modelos esperados nos próximos dois ou três meses. Projetar apenas para as capacidades atuais produz uma interface desatualizada, enquanto prever um ano à frente se torna especulativo.

Essa abordagem explica por que a OpenAI está discutindo a terceira era antes que todas as capacidades de suporte pareçam maduras. As equipes de produto precisam preparar modelos de interação para habilidades que ainda estão chegando.

O momento também reflete a mudança de uso dentro da OpenAI. A empresa afirma que o Codex deixou de ser uma ferramenta voltada principalmente à engenharia para ser usado por equipes jurídicas, financeiras, de recrutamento e outros departamentos.

Em maio de 2026, mais de 70 por cento dos usuários teriam atribuído ao Codex trabalhos que levariam mais de uma hora para uma pessoa concluir. Em junho, usuários no percentil 99 geraram mais de 60 horas diárias de atividade de agentes em tarefas paralelas.

Esses números vêm da própria análise da OpenAI, portanto não devem ser tratados como medições independentes. Ainda assim, revelam qual comportamento a empresa considera estrategicamente importante.

O estudo de uso do Codex afirma que a adoção por não desenvolvedores cresceu mais rápido do que a adoção por desenvolvedores após agosto de 2025. O uso para pesquisa dentro da OpenAI também aumentou acentuadamente durante o período medido.

Atribuições mais longas criam pressão por continuidade. Os usuários não conseguem supervisionar vários agentes de forma eficiente se cada sessão exige reconstruir o projeto, as decisões relevantes e as restrições organizacionais.

A persistência promete reduzir essa sobrecarga. Um agente que se lembra de objetivos aprovados, trabalho recente e questões em aberto pode retomar com menos explicações. O contexto compartilhado também facilita a delegação em uma equipe.

Isso se assemelha ao propósito de uma base de conhecimento pessoal. Informações armazenadas se tornam úteis quando um sistema consegue recuperar o contexto certo durante o trabalho ativo.

No entanto, a memória organizacional é mais difícil do que a recuperação pessoal. As empresas contêm documentos conflitantes, políticas em mudança, restrições de acesso e decisões informais. Um colega de trabalho precisa distinguir orientações atuais de materiais obsoletos.

As equipes também precisam entender de onde o agente obteve seu contexto. Um resultado bem acabado tem menos valor quando os revisores não conseguem rastrear suas premissas nem determinar qual fonte orientou uma decisão.

Assim, agentes persistentes pressionam várias categorias existentes de software. Sistemas de gerenciamento de projetos precisam acomodar participantes de máquina. Plataformas de conhecimento precisam fornecer contexto ativo. Sistemas de identidade precisam representar autoridade delegada.

Os aplicativos empresariais também enfrentam uma nova questão de interface. Eles podem continuar sendo destinos onde as pessoas realizam o trabalho ou se tornar serviços que os agentes operam sob supervisão.

É por isso que o enquadramento da terceira era merece atenção. A OpenAI não está apenas prevendo respostas melhores. Ela propõe que a interface do ambiente de trabalho organize pessoas, modelos, dados e ferramentas em torno de objetivos contínuos.

O Google News Capturou a Afirmação, mas Não a Lacuna do Produto

O enquadramento do google news faz a transição parecer concluída, enquanto a própria linguagem da OpenAI descreve uma direção com importantes peças ausentes.

A agregação de notícias recompensa declarações concisas. “Colegas de trabalho de IA persistentes são a terceira era da OpenAI” circula mais facilmente do que uma discussão qualificada sobre interfaces futuras, experimentos de produto e horizontes de planejamento de modelos.

Essa compressão é útil para descoberta. É menos útil para entender o que os compradores podem implantar hoje.

O ChatGPT Work pode executar atribuições extensas, mas uma atribuição não é o mesmo que uma função duradoura. O Codex pode executar agentes paralelos, mas a execução coordenada não cria automaticamente uma compreensão organizacional compartilhada.

A memória também continua mais limitada do que a continuidade humana. Um sistema pode armazenar histórico de conversas ou arquivos de projeto sem entender quais decisões passadas continuam vinculantes. Recuperação e julgamento são problemas distintos.

A diferença fica clara no trabalho recorrente. Imagine um agente preparando uma atualização semanal de produto a partir de entrevistas, mensagens de suporte, análises e notas de engenharia.

A primeira execução exige acesso, instruções, padrões de entrega e definições para métricas importantes. Um colega de trabalho persistente deveria reutilizar essa configuração em execuções posteriores sem congelar premissas desatualizadas.

Ele deveria perceber quando o plano de lançamento muda. Deveria perguntar se uma nova métrica substitui a anterior. Deveria preservar evidências anteriores, evitando conclusões que já não se aplicam.

Também precisa coordenar-se com várias pessoas. Um gerente de produto, um designer e um engenheiro podem discordar sobre prioridades. O acesso compartilhado não informa a um agente qual instrução controla o artefato final.

Seshan descreveu a futura interface como multiplayer. Grupos de pessoas orientariam grupos de agentes em torno de informações compartilhadas e produtos de trabalho. Esse modelo vai além do padrão familiar de um usuário direcionando um assistente.

O trabalho multiplayer introduz questões de propriedade. Alguém precisa saber qual agente criou um artefato, qual pessoa o aprovou e qual sistema forneceu os dados subjacentes.

Conflitos se tornam inevitáveis quando os agentes recebem responsabilidades sobrepostas. Dois agentes podem editar a mesma apresentação, contatar o mesmo cliente ou interpretar uma política de maneira diferente.

As equipes de software já lidam com coordenação semelhante por meio de controle de versão, regras de acesso, revisões e registros de auditoria. Colegas de trabalho persistentes exigem controles equivalentes em trabalhos de conhecimento menos estruturados.

Isso ajuda a explicar a distinção de Seshan entre “orientar” e “remar”. Os agentes realizam cada vez mais a execução, enquanto as pessoas escolhem a direção, avaliam compensações e tomam decisões com opinião própria.

A metáfora é convincente, mas orientar pode exigir mais atenção quando a execução é difícil de inspecionar. Um gerente que supervisiona vários agentes opacos pode dedicar menos tempo à produção de trabalho e mais tempo à sua verificação.

Esse risco é especialmente relevante quando a IA cria materiais finalizados. Os erros podem passar de uma resposta para uma planilha, apresentação, mensagem ao cliente ou sistema operacional antes que alguém os perceba.

Um colega de trabalho persistente e útil, portanto, precisa de mais do que um tempo de execução mais longo. Precisa de contexto durável, autoridade explícita, proveniência visível, ações controláveis e escalonamento confiável.

A OpenAI tem partes dessa estrutura. Os apps do ChatGPT conectam fontes externas. O Work oferece suporte a aprovações. O Codex fornece execução estruturada de tarefas. Os controles empresariais restringem quais recursos os usuários podem acessar.

A lacuna de produto está em combinar essas partes em uma relação confiável que perdure entre projetos, pessoas e condições em mudança.

Leitores que chegarem pelo google news devem tratar o rótulo da terceira era como um mapa estratégico. Ele não é prova de que um colega digital de propósito geral já tenha chegado.

A OpenAI Está Competindo para Dominar a Interface de Colega de Trabalho

A principal disputa é entre a colaboração persistente com IA e o atual modelo de agentes isolados e baseados em tarefas.

O concorrente mais próximo da OpenAI não é uma única empresa. É o padrão de interação predominante, no qual os usuários abrem uma ferramenta, atribuem uma tarefa, inspecionam o resultado e recomeçam.

Esse padrão limita a autonomia, mas contém falhas. O agente recebe contexto temporário, opera dentro de uma sessão delimitada e geralmente para depois de entregar uma resposta ou artefato.

A persistência remove algumas dessas fronteiras. O agente ganha mais tempo, mais contexto e, potencialmente, mais acesso. Essas adições podem aumentar a utilidade ao mesmo tempo em que elevam o custo dos erros.

A OpenAI quer tornar a persistência gerenciável por meio de produtos que conectam chat, trabalho de conhecimento e programação. Seshan descreveu Chat, Work e Codex como modos distintos para diferentes tipos de atividade.

O Chat continua útil para pesquisa, análise e conversa. O Work lida com atribuições mais amplas de conhecimento. O Codex se concentra em desenvolvimento de software e execução técnica.

Um colega de trabalho persistente poderia, no futuro, transitar entre esses modos. Poderia discutir uma meta no Chat, elaborar uma análise com o Work e pedir ao Codex que criasse uma automação de apoio.

Esse caminho integrado dá à OpenAI uma vantagem importante. A empresa pode conectar uma interface conversacional amplamente usada à execução por agentes, a ferramentas para desenvolvedores e a dados do ambiente de trabalho.

No entanto, a Anthropic busca um comportamento semelhante de longo prazo. Seus produtos Claude enfatizam memória entre sessões, trabalho prolongado, agentes de programação e fluxos de trabalho empresariais.

A Anthropic afirma que o Claude Opus 4.7 pode manter contexto entre sessões e gerenciar projetos de vários dias. Assim como as alegações da OpenAI, essa descrição vem do fornecedor e exige avaliação em ambientes específicos.

A Microsoft também aborda o mercado por meio de aplicações, identidade empresarial e agentes Copilot. Sua distribuição no Microsoft 365 lhe dá acesso imediato a documentos, reuniões, e-mails e permissões organizacionais.

Essa concorrência não se resume a pontuações de modelos. A empresa que se tornar a camada de coordenação do ambiente de trabalho poderá mediar como os agentes veem dados, solicitam aprovação e produzem artefatos.

A confiança pode importar mais do que a autonomia bruta. Compradores empresariais precisam de controles que reflitam identidades existentes, políticas de retenção, obrigações regulatórias e separação entre departamentos.

A qualidade do contexto também importa. Um modelo com amplo acesso ainda pode selecionar o documento errado ou ignorar uma decisão tomada durante uma reunião não registrada.

Isso cria uma oportunidade para sistemas de conhecimento que organizam informações pessoais e de equipe antes de um agente agir. Um fluxo de trabalho de IA confiável precisa de fontes claras e pontos de revisão, não apenas de um prompt mais longo.

A estratégia de produto da OpenAI também desafia os modelos tradicionais de precificação e uso de software, mesmo sem discutir termos comerciais específicos. O software frequentemente vendeu licenças para usuários humanos. Agentes persistentes consomem recursos continuamente e podem realizar trabalho em vários aplicativos.

Os fornecedores precisam decidir se agentes contam como usuários, integrações, automações ou uma nova categoria. Os clientes precisam determinar quem detém seus resultados e qual departamento paga pela atividade subjacente.

Há também uma disputa cultural. Agentes baseados em tarefas se encaixam nos hábitos estabelecidos de delegação. Colegas de trabalho persistentes pedem que as equipes tratem o software como um participante com responsabilidades contínuas.

Essa mudança exige novas práticas de gestão. As equipes precisam atribuir escopo, revisar resultados, registrar decisões e remover acessos quando as responsabilidades mudam.

A OpenAI pode fornecer a interface, mas os empregadores precisam redesenhar o modelo operacional em torno dela. A adoção vai estagnar se as organizações não conseguirem explicar quem continua responsável.

A abordagem vencedora fará a persistência parecer controlável. Os usuários precisam conseguir inspecionar o trabalho em andamento, corrigir premissas, limitar a autoridade e se recuperar de erros sem reiniciar um projeto inteiro.

Essa é uma exigência maior do que produzir uma demonstração impressionante. Ela requer confiabilidade em condições comuns, desorganizadas e adversariais do ambiente de trabalho.

A Persistência Amplia Tanto a Capacidade quanto o Risco

Cada recurso que torna um colega de trabalho de IA mais útil também dá aos erros e ataques mais tempo para se espalhar.

Um erro em chat geralmente afeta uma resposta. Um erro de agente persistente pode moldar decisões posteriores porque o sistema pode armazenar, recuperar e desenvolver-se a partir da conclusão defeituosa.

Memória incorreta é uma preocupação. Um agente pode preservar uma decisão preliminar como definitiva, reter informações desatualizadas de clientes ou associar uma instrução ao projeto errado.

O acesso cria outro problema. Um colega de trabalho que prepara relatórios com base em e-mails, documentos, calendários e bancos de dados internos precisa de ampla visibilidade. Essa visibilidade pode expor material sensível quando as permissões são mal delimitadas.

Os direitos de ação elevam ainda mais os riscos. Ler um registro de cliente é diferente de editá-lo. Redigir um e-mail é diferente de enviá-lo. Preparar código é diferente de implantá-lo.

Colegas de trabalho persistentes também consomem conteúdo não confiável. E-mails, sites, documentos e mensagens podem conter texto projetado para manipular um agente por meio de injeção indireta de prompt.

O NIST descreve o sequestro de agentes como um ataque no qual instruções maliciosas aparecem dentro de dados processados por um agente. O sistema pode então executar uma ação não intencional enquanto acredita estar concluindo a tarefa do usuário.

Em uma avaliação do NIST, tentativas repetidas elevaram a taxa média de sucesso em ataques selecionados de 57% para 80%. Esses resultados vieram de uma configuração experimental específica, não de todos os agentes implantados.

Ainda assim, a descoberta expõe um problema de persistência. Um sistema de longa duração encontra mais conteúdo e oferece aos atacantes mais oportunidades do que uma conversa curta e isolada.

O trabalho de segurança de agentes do NIST destaca injeção indireta de prompt, envenenamento de dados, exploração de especificações e ações prejudiciais sem entrada adversarial. A agência está desenvolvendo orientações para sistemas de agente único e multiagente.

Identidade e autorização tornam-se defesas centrais. Cada agente precisa de um papel identificável, permissões limitadas e registros que mostrem quais ações realizou sob a autoridade de quem.

Um colega de trabalho persistente não deve herdar todas as permissões de seu supervisor. Deve receber apenas o acesso mínimo necessário para sua responsabilidade atribuída.

Os pontos de controle de aprovação também precisam de contexto. Uma caixa de confirmação vaga não pode proteger os usuários se ocultar a ação proposta, o destino, os dados envolvidos e os efeitos posteriores.

A OpenAI afirma que o ChatGPT Work permite que usuários aprovem ações importantes. Esse é um controle relevante, mas a empresa não estabeleceu que toda ação consequente no ambiente de trabalho será classificada corretamente.

A revisão humana também tem limites. Solicitações frequentes de aprovação de baixa qualidade criam fadiga. Os usuários podem aprovar ações automaticamente, especialmente quando um agente executou corretamente muitas etapas anteriores.

Fluxos de trabalho longos complicam a avaliação. Um documento final pode parecer preciso enquanto depende de uma premissa incorreta introduzida horas antes. Revisores precisam de proveniência para decisões intermediárias, não apenas de um artefato concluído.

A persistência também levanta questões de privacidade. Uma memória útil exige retenção, mas a retenção desnecessária aumenta a exposição. As equipes precisam de controles para exclusão, correção, expiração e separação entre projetos.

O modelo multijogador acrescenta outra camada. A saída de um agente pode se tornar a entrada de outro, criando uma cadeia em que o erro original se torna mais difícil de localizar.

Por isso, as organizações devem avaliar colegas de trabalho persistentes como sistemas, não como modelos. Os testes precisam abranger conectores, permissões, memória, aprovações humanas, auditabilidade e comportamento de recuperação.

A OpenAI descreveu controles de segurança e governança para implantações empresariais. No entanto, a ampla visão da terceira era ainda não recebeu validação independente em organizações típicas.

A conclusão cautelosa não é que agentes persistentes sejam inutilizáveis. É que a persistência muda o modelo de risco tanto quanto o modelo de produtividade.

A manchete do google news enfatiza o destino. A adoção empresarial dependerá de evidências de que a rota inclui controles confiáveis, taxas de falha mensuráveis e responsabilização clara.

Três Sinais Mostrarão se a Terceira Era Está Chegando

A tese da terceira era da OpenAI só se torna crível quando persistência, coordenação multijogador e autonomia controlada aparecem em implantações reais.

O primeiro sinal é um produto que mantém o estado do projeto ao longo de dias sem forçar os usuários a reconstruir o contexto. O ChatGPT Work já dá continuidade a tarefas longas, mas o comportamento de colega de trabalho durável exige mais.

Observe controles explícitos sobre o que o sistema lembra, quais fontes permanecem autorizadas e quando o contexto armazenado expira. As correções devem se propagar sem apagar o histórico necessário para a responsabilização.

Se a OpenAI lançar esses controles com proveniência visível, a alegação da terceira era ganhará apoio. Se a persistência continuar sendo histórico de conversa mais recuperação ampla, a distinção em relação aos assistentes atuais permanecerá fraca.

O segundo sinal é uma interface multijogador genuína. Seshan descreveu grupos de pessoas orientando grupos de agentes, mas a maioria das interações comerciais ainda se concentra em uma pessoa e um agente ativo.

Uma implementação convincente mostraria propriedade compartilhada, instruções baseadas em funções, resolução de conflitos, identidades de agentes e filas de revisão. Ela também impediria que dois agentes sobrescrevessem silenciosamente o trabalho um do outro.

Essa interface precisa funcionar fora de demonstrações controladas. As equipes devem conseguir ver qual pessoa mudou a direção, qual agente agiu e qual artefato representa o resultado aceito.

Uma coordenação multijogador bem-sucedida fortaleceria o argumento da OpenAI de que a IA está se tornando um colega de trabalho. O fracasso sugeriria que os agentes continuam sendo ferramentas pessoais vinculadas a contas individuais.

O terceiro sinal é evidência independente sobre confiabilidade e segurança. Estudos de caso de fornecedores mostram o que os produtos podem realizar, mas os compradores precisam de taxas de falha em condições realistas.

Procure avaliações que envolvam injeção de prompt, memória desatualizada, instruções conflitantes, permissões revogadas e recuperação após fluxos de trabalho interrompidos. As auditorias devem medir erros consequentes, não apenas a conclusão de tarefas.

A atividade regulatória e de padronização também influenciará a adoção. O NIST está examinando identidade de agentes, autorização, monitoramento e controles de segurança. Padrões claros ajudariam clientes a comparar sistemas usando expectativas comuns.

As respostas competitivas importam nos três sinais. Anthropic e Microsoft podem enfraquecer a posição da OpenAI ao oferecer memória, governança ou coordenação mais confiáveis antes que a OpenAI conclua sua visão integrada.

A vantagem da OpenAI é a amplitude de sua superfície de produtos. Seu desafio é transformar Chat, Work, Codex, apps e controles empresariais em uma relação coerente.

Para os trabalhadores do conhecimento, a questão prática não é se uma IA merece o título de “colega de trabalho”. A pergunta mais relevante é quais responsabilidades ela pode assumir sem tornar a supervisão mais difícil do que a execução.

Comece com um fluxo de trabalho recorrente e revisável. Defina suas fontes, permissões, pontos de aprovação e responsável. Em seguida, meça o tempo de correção, o contexto perdido e os erros consequentes ao longo de execuções repetidas.

Esse processo testa a substância por trás da alegação no Google News. Colegas de trabalho de IA persistentes só representarão uma terceira era quando conseguirem preservar o contexto sem preservar os erros.

Eles devem coordenar sem obscurecer a responsabilidade e agir sem exceder sua autoridade. Até que essas condições sejam demonstradas, a terceira era da OpenAI continua sendo uma tese séria de produto, e não uma transição concluída no ambiente de trabalho.