OpenAI Dots: agente que trabalha sem você olhar

Dots promete resolver sem você pedir de novo

Dots da OpenAI chegou com uma promessa que incomoda quem opera agente em produção. Não é mais um chat que espera seu prompt, é um agente que continua trabalhando quando você fecha a aba. A ideia é simples e ao mesmo tempo arriscada: você define um objetivo, dá um nome para seu dot principal e ele segue executando em segundo plano, com supervisão mínima. Para quem já quebrou a cabeça com loop infinito, ferramenta que falha no meio do fluxo ou contexto que estoura depois de duas horas, isso soa como alívio e como novo problema ao mesmo tempo.

Eu testo harness agêntico há meses e o padrão se repete. O demo é lindo, o caso real trava na permissão, no custo de tokens e naquela ação que o agente não deveria ter tomado sozinho. É exatamente nesse ponto que o Dots precisa ser avaliado. Não pelo avatar redondo e simpático, mas pelo que ele faz quando ninguém está olhando. Porque autonomia contínua é ótimo no slide, mas em produção significa log, trilha de auditoria, rollback e alguém responsável quando dá errado.

O fato

A OpenAI anunciou o Dots no Dev Day desta terça-feira como seu assistente agêntico pessoal, movido pelo modelo GPT-6 Astra. A descrição oficial fala em agentes notavelmente capazes e sempre ativos, criados para cuidar de tudo. A diferença para o ChatGPT e para o Codex é de posicionamento. O Dots não depende de uma interface específica ou de um hardware. Ele foi desenhado para perseguir metas definidas pelo usuário de forma contínua, em background.

O acesso começou na terça-feira dentro do ChatGPT, para usuários Pro e Business Premium em mercados elegíveis, com lançamento a partir do ChatGPT ou do Codex. Nos exemplos citados pela empresa, um desenvolvedor coloca um dot para monitorar feedback de clientes, corrigir bugs e implementar features pedidas. Em outro cenário, um cientista usa um dot para refazer análises e investigar resultados estranhos conforme novos dados experimentais chegam. Os Dots podem ser acionados por mensagem no Slack, no Teams e em outras plataformas organizacionais, com suporte a SMS em breve. A empresa também fala em Dots especialistas, com identidade própria, credenciais e ferramentas provisionadas via sistemas existentes, e já trabalha com a Microsoft para integrar os controles de segurança do Agent 365. Com o tempo, a visão é ter times de Dots colaborando em seu nome.

Como funciona na visão de quem opera

Na prática, o Dots parece menos um modelo novo e mais um empacotamento de harness agêntico. Muita coisa ali já era possível com Codex e outros frameworks: loop de planejamento, uso de ferramentas, memória de tarefa, execução longa. O que muda é que agora isso vem como produto, com persistência, identidade e canais de mensagem. Minha leitura é que cada dot roda como um worker persistente com estado próprio, fila de objetivos e acesso delegado a ferramentas via API. Você dá o objetivo em linguagem natural, o sistema transforma em plano, executa chamadas, observa o resultado e continua.

Arquitetura provável por trás do avatar

Pense em três camadas. Na base, o GPT-6 Astra como motor de raciocínio e chamada de ferramentas, provavelmente com janela de contexto grande para segurar histórico de dias. No meio, uma camada de orquestração que mantém o dot vivo: scheduler, memória vetorial para o que já foi feito, e conectores para Slack, Teams, repositórios de código, notebooks e sistemas internos. No topo, uma camada de identidade, onde cada dot especialista recebe credenciais escopadas, algo como um service account com OAuth limitado. A integração com o Agent 365 da Microsoft sugere política de acesso, isolamento e log centralizado, que é o mínimo para rodar isso dentro de empresa séria.

Custo e latência que ninguém mostrou no palco

A OpenAI não detalhou preço por execução, limite de horas ativas ou latência. Mas dá para inferir o trade-off. Agente always-on queima token mesmo parado, porque precisa fazer polling, checar contexto, reavaliar plano e resumir memória para não estourar contexto. Se for parecido com outros agentes de codificação, uma tarefa contínua simples pode consumir dezenas de milhares de tokens por dia só em supervisão. Multiplique isso por um time de Dots e a conta do Pro vai parecer pequena perto do custo operacional real. Latência também muda de figura. Não é mais tempo de resposta de chat, é tempo até conclusão confiável. Para monitorar feedback e abrir PR sozinho, o gargalo não é o modelo, é a fila de aprovações, os testes que quebram e as APIs externas com rate limit.

O que isso muda na prática

Para time pequeno, o ganho imediato é tirar do colo aquele trabalho de vigília. Monitorar issue, triar feedback, rodar script de análise quando chega dado novo, manter docs atualizados. São tarefas que hoje morrem porque ninguém tem tempo de ficar olhando. Um dot bem escopado pode fazer isso melhor que um cron job com LLM colado, porque ele entende contexto e decide o próximo passo. Para empresa maior, o valor está nos Dots especialistas com credencial limitada. Um dot só de suporte com acesso de leitura ao CRM, outro só de dados com acesso ao warehouse, outro só de código com permissão para abrir branch mas não para dar merge direto.

Quem perde, pelo menos no curto prazo, são os wrappers agênticos que vendiam exatamente isso: monitoramento contínuo, integração com Slack e execução autônoma. Quando a plataforma entrega nativo, com distribuição dentro do ChatGPT e do Codex, fica difícil justificar mais uma assinatura. Também perde quem operava na base do prompt manual. Se seu fluxo depende de alguém lembrando de pedir, ele vai ser substituído por um fluxo que roda sozinho.

• Ação prática para esta semana: escolha um fluxo chato e delimitado, como triagem de feedback ou rerun de análise, crie um dot especialista só para isso, com permissão de leitura e escrita em um repositório isolado, exija log de cada ação e aprovação humana antes de qualquer escrita em produção, meça tokens por tarefa durante sete dias antes de escalar para um time de Dots.
• O que ajustar agora: defina dono para cada dot, escopo de ferramentas permitido, teto de custo e regra de escalonamento no Slack ou Teams, sem isso você troca o trabalho manual pelo trabalho de apagar incêndio de agente.

O problema que ninguém quer admitir

Aqui está minha tensão real com o Dots. Autonomia contínua não elimina supervisão, ela só muda o tipo de supervisão. Em vez de revisar resposta, você passa a revisar comportamento ao longo do tempo. Isso é mais difícil. Como você percebe que o dot começou a tomar atalhos depois de três dias rodando bem. Como você audita uma decisão tomada às 3h da manhã a partir de um dado que mudou. O avatar fofinho ajuda a vender, parece inofensivo, parece um ajudante. Mas por baixo é um processo com credencial que escreve código, mexe em análise científica e fala com gente no Slack como se fosse você.

E tem o ponto da escala. Um dot é gerenciável. Dez Dots conversando entre si é um sistema distribuído com todas as dores clássicas: condição de corrida, duplicação de trabalho, loop de delegação, custo que explode sem ninguém notar. A OpenAI fala em times de Dots trabalhando juntos, mas colaboração entre agentes ainda é frágil em produção. Funciona bem em demo com duas tarefas claras, degrada rápido quando os objetivos se sobrepõem. Sem observabilidade forte, limite de orçamento por dot e kill switch claro, isso vira aquele microserviço que ninguém sabe exatamente o que faz, só que não pode desligar.

Por outro lado, seria injusto dizer que é só repackaging. Empacotar importa. Codex era poderoso mas exigia setup, disciplina e tolerância a fricção. Dots reduz essa fricção ao colocar persistência, mensagens e identidade no mesmo lugar onde o usuário já está. Isso pode ser o que faltava para agente sair do laboratório e virar rotina. A pergunta não é se a tecnologia impressiona, é se o custo por tarefa autônoma compensa o salário invisível de revisar, corrigir e conter o agente quando ele interpreta errado seu objetivo.

Conclusão que fica

Dots é o movimento mais claro da OpenAI para transformar agente de ferramenta pontual em funcionário em background, com GPT-6 Astra, identidade própria e presença no Slack e no Teams. Funciona melhor como especialista limitado do que como faz tudo. Vale testar agora em um fluxo isolado, com métrica de custo e aprovação humana, antes de sonhar com um time inteiro rodando sozinho? Ou vamos repetir o ciclo de automação que promete tirar trabalho e só cria um novo tipo de plantão.