Agentes IA autônomos funcionam 50 vezes mais que busca: pesquisa de Harvard e Perplexity

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

Como o estudo foi estruturado

Os autores aplicaram um método de sessões pareadas (matched-pair sessions): compararam tarefas similares em natureza que os usuários resolviam através de um agente autônomo ou através de um serviço de busca, para comparar corretamente o comportamento humano em dois modos diferentes de trabalhar com IA. Este design experimental permite separar o efeito da ferramenta em si do efeito do tipo de tarefa que o usuário está resolvendo — ou seja, a comparação resulta honesta, não enviesada a favor de um dos sistemas devido a diferenças na complexidade da solicitação. O trabalho continua uma linha mais ampla de pesquisa em 2026 dedicada a como medir o "horizonte de tarefas" — ou seja, quantos passos sequenciais um sistema pode realizar de forma independente antes de requerer intervenção humana.

É o crescimento deste indicador, e não apenas a melhoria na qualidade de uma resposta única, que analistas cada vez mais chamam o principal indicador de progresso no desenvolvimento de agentes IA.

Cifras-chave do estudo:

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

O que os números mostraram, além do tempo

A diferença no tempo de sessão não é o único resultado. Os pesquisadores registram ganhos mais amplos em três direções: o grau de autonomia (o agente realiza mais passos sequenciais sem confirmação intermediária do usuário), o tempo total que uma pessoa economiza delegando uma tarefa completamente, e o custo de realizar a tarefa em termos do resultado alcançado. Além disso, os autores observam que ao trabalhar com um agente autônomo, os usuários geralmente realizam uma gama mais ampla de tarefas do que ao usar busca — ou seja, o agente não apenas acelera cenários familiares de busca de informações, mas expande a própria lista do que as pessoas tentam fazer com IA, confiando-lhe cadeias de ações mais complexas e longas.

O que isso significa para o futuro dos agentes IA

A relação de 26 minutos versus 33 segundos explica claramente por que a indústria em 2026 está mudando tão rapidamente o foco de chatbots e assistentes de busca para agentes completos capazes de levar tarefas multi-etapas à conclusão de forma independente. Para Perplexity, que simultaneamente desenvolve produtos de busca e funções de agente, esses dados são um argumento de peso a favor de maior investimento em autonomia, não apenas na qualidade de uma resposta única a uma consulta.

Para o mercado de IA em geral, o resultado confirma uma tese que a indústria vem discutindo há meses: o valor de IA está mudando de "resposta rápida" para "trabalho concluído". Se um agente realmente ocupa um usuário com quase 50 vezes mais trabalho independente sem intervenção humana, isso significa crescimento potencial exponencial no volume de tarefas que empresas e usuários individuais estão dispostos a delegar ao sistema. Para investidores e equipes de produto, tais números também se tornam um guia ao escolher para onde dirigir recursos — em direção a melhorar a busca ou em direção a desenvolver autonomia de agente em escala completa.

A questão da qualidade e confiabilidade deste trabalho em horizontes longos permanece aberta — isto, parece, se tornará o próximo foco da pesquisa de Harvard e Perplexity nesta área.

Também é importante que a comparação seja construída em sessões reais de usuários em vez de benchmarks sintéticos, que a indústria tradicionalmente usa para medir as capacidades do modelo. Esta abordagem elimina parte da crítica geralmente dirigida aos testes de laboratório de agentes: usuários reais definem ao sistema tarefas mais diversas e imprevisíveis do que conjuntos de testes padronizados, o que significa que o gap de 26 minutos versus 33 segundos está mais próximo do que acontece na prática, não das capacidades máximas do modelo de laboratório.