Dots always-on prometem trabalhar enquanto você dorme

Dots, os agentes always-on da OpenAI, nasceram para resolver um problema bem específico que todo time técnico conhece: o trabalho continua se acumulando entre uma reunião e outra, bugs reportados no Slack ficam dias sem dono, faturas esquecidas travam o caixa e ninguém tem tempo para fazer aquela pesquisa chata que bloqueia uma decisão. A proposta apresentada no DevDay 2026 é simples na superfície e complicada na operação, um agente que não desliga, roda 24h em um computador próprio na nuvem e cutuca você só quando precisa de atenção.

Eu já testei esse tipo de promessa antes com copilotos, automações e agentes que morrem no meio da tarefa. Por isso olho para Dots com interesse e desconfiança ao mesmo tempo. Se funcionar, muda a forma como operamos suporte, pesquisa e desenvolvimento. Se for só mais uma camada de orquestração com nome bonito, vira custo e ruído. Vamos destrinchar o que foi anunciado, como isso deve funcionar por baixo dos panos e onde pode quebrar.

PublicidadeAnuncie aqui336x280 / responsivo

O fato

A OpenAI lançou no DevDay 2026 o Dots, agentes persistentes voltados para trabalho. Cada Dot tem seu próprio computador em nuvem com navegador, terminal e armazenamento de arquivos. Ele faz pesquisa, analisa dados, escreve documentos e gera software usando Codex como executor de código. O modelo base citado é o GPT-6 Astra. Junto ao anúncio, a empresa também apresentou o GPT-6.1 Sol, posicionado como opção mais barata, enquanto o topo de linha GPT-6.1 Astra segue retido por questões de segurança.

O acesso acontece por ChatGPT em chat ou chamada de voz, além de Slack e Microsoft Teams, com contexto mantido entre os canais. A ideia é que falar com um Dot pareça falar com um colega, cada um tem nome e avatar em estilo cartoon. No aplicativo de desktop, uma janela mostra a conversa e outra mostra o que o agente está fazendo, seja uma apresentação ou o navegador do computador em nuvem. Se ele estiver no controle, o usuário pode clicar em 'Take over' para assumir.

Cada usuário recebe um Dot no lançamento, com plano de longo prazo para times de Dots trabalhando juntos. Usuários Pro na Europa ficam de fora por enquanto e clientes business têm opções mais amplas. O movimento espelha o Muse da Meta, lançado três semanas antes, que também roda em computador isolado com navegador, trabalha em segundo plano e pede aprovação para ações sensíveis.

Como funciona, na visão de quem opera

Arquitetura provável: um orquestrador persistente com memória, fila de tarefas e conectores. O Dot não vive no seu laptop, vive em uma VM efêmera ou container dedicado na infraestrutura da OpenAI, com browser headless, filesystem e ferramentas de pesquisa somente leitura para o modo proativo. Para tarefas ativas, ele chama plugins que conectam a mais de 4.000 apps, além de delegar codificação pesada para o Codex. Isso separa bem as responsabilidades, o Dot planeja e coordena, o Codex executa e testa, o browser coleta contexto.

O ponto mais interessante para operação é o modo que a OpenAI chama de 'proactive research'. Quando ninguém está interagindo, o Dot continua observando com ferramentas somente leitura, que não podem enviar mensagens, alterar conteúdo ou controlar navegador e computador. Na prática, isso deve ser um loop com intervalo e orçamento de tokens, varrendo Slack, e-mails, docs e tickets em busca de padrões, como um bug repetido ou uma fatura não enviada. Quando encontra algo acionável, ele prepara uma proposta e pede aprovação.

Para ações, entram as 'Custom Rules', onde você permite, exige aprovação ou proíbe ações específicas. Antes de executar algo que toca contas ou compartilha informação, uma checagem automatizada valida contra essas regras. Tarefas sensíveis como trocar senha ficam sempre com o humano. Senhas salvas podem ser usadas sem que o modelo as veja, o que sugere um cofre com injeção de credencial no nível da ferramenta, não no prompt. É um desenho correto, mas o diabo mora na latência e no custo.

Sem números oficiais de preço por execução, dá para inferir o trade-off. Manter contexto persistente entre ChatGPT, Slack e Teams significa janela de contexto grande e sincronização constante, o que custa tokens mesmo parado. Browser autônomo soma latência de rede e risco de loops. Delegar para Codex ajuda a isolar custo de codificação, mas cria duas cobranças encadeadas, planejamento mais execução. O GPT-6.1 Sol mais barato parece exatamente a válvula para baratear esse loop contínuo, enquanto o Astra segura a qualidade para tarefas complexas.

O que isso muda na prática

Quem ganha primeiro são times pequenos e sobrecarregados. O caso interno citado de um Dot que acompanhou um bug reportado no Slack até um novo build funcional é o cenário ideal, triagem, reprodução, patch, teste e resumo para revisão humana. O outro exemplo, de um testador que teve uma fatura esquecida detectada, preparada e enviada após aprovação, mostra valor imediato em operações. Se você vive apagando incêndio, ter um agente que prepara o trabalho e só pede um sim reduz drasticamente o tempo de resposta.

Quem perde, pelo menos no curto prazo, são fluxos baseados em automação frágil com Zapier e scripts soltos. Plugins para milhares de apps colocam muita integração no mesmo lugar, com memória do seu jeito de trabalhar. Isso é bom até dar problema de permissão, porque agora um erro de regra pode expor dados em vários sistemas de uma vez. Times de segurança e IT vão precisar rever escopos de OAuth, logs e trilhas de auditoria.

A ação prática que eu faria nesta semana é simples: crie um inventário de tarefas repetitivas com permissão clara. Liste três fluxos read-only seguros para começar, como monitorar canal de bugs no Slack, resumir threads longas e detectar documentos desatualizados. Depois defina 'Custom Rules' conservadoras, proíba envio externo, alteração em produção e compartilhamento fora do domínio sem aprovação explícita. Só então libere um Dot em um projeto piloto com um responsável humano e métrica objetiva, como tempo até o primeiro rascunho útil e taxa de aprovação sem retrabalho. Sem isso, você paga para ser interrompido.

Onde Dots se diferenciam do uso de computador tradicional

A diferença central para o Computer Use no ChatGPT Work é o ponto de partida. Lá, você inicia cada tarefa e o agente opera sua tela. Aqui, o Dot trabalha por padrão no próprio computador e só acessa seu laptop com permissão. O botão 'Take over' inverte a lógica, o agente é o operador padrão e você é a exceção. Isso reduz atrito para tarefas longas, mas exige confiança no isolamento, porque o histórico do navegador, arquivos temporários e tokens precisam ficar contidos na VM do Dot.

Tensão real: isso escala ou só move o gargalo

Aqui está minha dúvida honesta. Agente always-on soa ótimo, mas atenção humana não escala. Se cada Dot gera dez sugestões proativas por dia e cada uma exige dois minutos de revisão, você trocou o trabalho de fazer pelo trabalho de revisar. Com vários Dots por pessoa no futuro, o risco é uma caixa de entrada de aprovações que ninguém consegue acompanhar. O modelo aprende com feedback sobre o que é um bom resultado, mas aprendizado exige feedback consistente, e time ocupado raramente dá feedback bom.

Tem também o custo invisível de manter contexto entre canais. Manter memória coerente entre ChatGPT, Slack e Teams parece mágica na demo, mas em produção significa resolver conflitos, versões e permissões diferentes em cada fonte. Um resumo errado de uma thread pode gerar uma ação certa sobre um entendimento errado. E pedir comida por mensagem, que a OpenAI diz que chega em breve, é demo simpática que esconde o problema mais duro, como lidar com estado, pagamento e erro em sistemas de terceiros sem travar.

E a briga com a Meta importa. Dots e Muse têm arquitetura quase idêntica, computador isolado, navegador, trabalho em segundo plano e aprovação para ações sensíveis. Quando dois gigantes convergem para o mesmo desenho, geralmente é porque esse é o mínimo viável para não quebrar tudo. A diferenciação vai estar em conectores, políticas de permissão, custo por tarefa e qualidade da interrupção, ou seja, saber quando ficar quieto. Quem errar nisso vira spam corporativo com avatar fofo.

Conclusão

Dots transformam o agente de ferramenta sob demanda em colega persistente com computador próprio, memória entre canais e permissão granular. O valor está menos na autonomia total e mais em preparar bem o trabalho antes de pedir seu sim. Vale testar em um fluxo estreito, com regras rígidas e métrica clara, antes de sonhar com um time de agentes. A pergunta que fica é direta, quantas interrupções úteis por dia seu time aguenta antes de silenciar o colega que nunca dorme.