Agentes de IA autônomos trabalham cerca de 50 vezes mais que assistentes de busca, aponta estudo de Harvard e Perplexity

Pesquisadores da Universidade de Harvard e da Perplexity publicaram em 8 de junho de 2026 um trabalho conjunto que compara diretamente o comportamento dos usuários com um agente de IA autônomo e com um assistente de busca com IA clássico. A principal conclusão: uma sessão média com um agente autônomo envolve 26 minutos de trabalho independente do sistema, enquanto uma sessão com um assistente de busca dura apenas 33 segundos. A diferença é de quase 50 vezes a favor do agente autônomo.

Como o estudo foi estruturado

Os autores aplicaram o método de sessões em pares (matched-pair sessions): combinaram tarefas de natureza semelhante que os usuários resolviam ora com um agente autônomo, ora com um serviço de busca, para comparar de forma correta o comportamento das pessoas em dois modos diferentes de trabalhar com IA. Esse desenho permite separar o efeito da ferramenta do efeito do tipo de tarefa que o usuário resolve. Assim, a comparação é justa e não favorece um dos sistemas por causa da diferença de complexidade das consultas.

O trabalho dá continuidade a uma linha mais ampla de pesquisas de 2026 sobre como medir o "horizonte de tarefas": quantos passos consecutivos um sistema consegue executar sozinho antes de precisar de intervenção humana. Cada vez mais analistas apontam o crescimento desse indicador, e não apenas a melhoria de uma resposta isolada, como o principal marcador de progresso no desenvolvimento de agentes de IA.

Principais números do estudo:

• 26 minutos: tempo médio de trabalho autônomo do agente por sessão
• 33 segundos: tempo médio de trabalho do assistente de busca com IA por sessão
• Diferença: quase 50 vezes a favor do modo autônomo
• Autores: equipe conjunta da Universidade de Harvard e da Perplexity
• Data de publicação: 8 de junho de 2026

O que os números mostram além do tempo

A diferença na duração da sessão não é o único resultado. Os pesquisadores registram ganhos mais amplos em três frentes: grau de autonomia (o agente executa mais passos consecutivos sem confirmação intermediária do usuário), tempo total que a pessoa economiza ao delegar a tarefa por completo e custo de execução da tarefa em relação ao resultado alcançado. Os autores também observam que, com um agente autônomo, os usuários assumem, em geral, um leque de tarefas mais amplo do que com a busca. O agente não apenas acelera os cenários habituais de busca de informação: ele amplia a lista do que as pessoas tentam fazer com IA, confiando a ela cadeias de ações mais complexas e longas.

O que isso significa para o futuro dos agentes de IA

A relação de 26 minutos contra 33 segundos explica de forma clara por que a indústria, em 2026, está deslocando tão rápido o foco de chatbots e assistentes de busca para agentes completos, capazes de levar tarefas de vários passos até o fim por conta própria. Para a Perplexity, que desenvolve ao mesmo tempo um produto de busca e funções de agente, esses dados são um argumento de peso para investir mais em autonomia, e não só na qualidade de uma resposta isolada.

Para o mercado de IA em geral, o resultado reforça uma tese que a indústria discute há mais de um mês: o valor da IA está migrando da "resposta rápida" para o "trabalho concluído". Se um agente realmente mantém uma tarefa do usuário ocupada por quase 50 vezes mais tempo, com trabalho independente e sem intervenção humana, isso significa um potencial de crescimento múltiplo no volume de tarefas que empresas e usuários individuais estão dispostos a delegar ao sistema. Para investidores e equipes de produto, esses números também servem de referência na hora de decidir onde alocar recursos: em melhorar a busca ou em desenvolver uma autonomia agêntica completa.

Segue em aberto a questão da qualidade e da confiabilidade desse trabalho em horizontes longos, e, pelo que tudo indica, esse será o próximo foco das pesquisas de Harvard e Perplexity na área.

Também importa que a comparação se baseie em sessões reais de usuários, e não nos benchmarks sintéticos que a indústria costuma usar para medir as capacidades dos modelos. Essa abordagem responde a parte das críticas normalmente dirigidas aos testes de laboratório de agentes: usuários reais apresentam ao sistema tarefas mais heterogêneas e menos previsíveis do que os conjuntos de teste padronizados. Por isso, a diferença de 26 minutos contra 33 segundos fica mais próxima do que acontece na prática do que do máximo de laboratório das capacidades de um modelo.