Sakana AI Lançou Sakana Marlin — um Agente para Relatórios de 100 Páginas com Slides

O laboratório de IA com sede em Tóquio, Sakana AI, apresentou em 15 de junho de 2026 o Sakana Marlin — seu primeiro produto comercial, um agente corporativo que prepara autonomamente relatórios de pesquisa de várias páginas com slides.

O Que Marlin Pode Fazer

O agente trabalha sem participação humana por até oito horas em uma única tarefa e produz um relatório pronto para usar de até 100 páginas junto com slides de apresentação. Para empresas, isso significa que parte do trabalho analítico rotineiro — coleta de dados, estruturação de descobertas, preparação de apresentações — pode ser confiada a um único agente em vez de uma equipe de analistas.

A maioria dos assistentes de IA corporativos hoje responde perguntas em segundos e funciona dentro de um único diálogo com um humano. Marlin é projetado diferentemente: o cliente formula a tarefa, e então o agente trabalha independentemente nela por até oito horas sem prompts intermediários, verificando e refinando suas próprias conclusões antes de montá-las em um documento final de dezenas de páginas. Esse formato é mais próximo ao trabalho de um analista interno ou equipe de consultoria do que de um chatbot de diálogo.

• Data de lançamento — 15 de junho de 2026
• Operação autônoma — até 8 horas em uma única tarefa
• Relatório final — até 100 páginas com slides
• Baseado na tecnologia AB-MCTS e no projeto AI Scientist
• Este é o primeiro produto comercial na história da Sakana AI

A Tecnologia por Trás Disso

Marlin se baseia em dois desenvolvimentos internos da Sakana AI. O primeiro é AB-MCTS (Adaptive Branching Monte Carlo Tree Search), um método de busca de solução que o laboratório usou anteriormente para ajudar modelos de IA a explorar e comparar múltiplas linhas alternativas de raciocínio em vez de uma resposta direta. O segundo é a saída do projeto AI Scientist, um sistema experimental da Sakana AI que anteriormente demonstrou a capacidade de formular independentemente hipóteses, conduzir experimentos e escrever artigos científicos sem pesquisadores humanos.

Marlin essencialmente transfere essa mesma lógica do mundo das publicações científicas para o mundo da analítica corporativa: o agente explora opções, as verifica e, em última análise, monta um documento coerente, exceto que em vez de um artigo científico, a saída é um relatório de negócios.

Quem Está Por Trás da Sakana AI

Sakana AI foi fundada em 2023 em Tóquio por David Ha e Lyon Jones — ex-pesquisadores do Google Brain e Google DeepMind, respectivamente. O nome da empresa faz referência à palavra japonesa para "peixe" e reflete a abordagem do laboratório: em vez de um modelo grande, criar enxames de pequenos agentes especializados que interagem entre si como um cardume. Antes de lançar o Marlin, a empresa era conhecida principalmente por projetos de pesquisa como AI Scientist e métodos para dimensionar computações no tempo de inferência, como AB-MCTS, em vez de produtos comerciais acabados.

Ao longo de vários anos de trabalho, o laboratório atraiu importantes rodadas de financiamento de investidores de risco proeminentes e se tornou um dos laboratórios de IA mais proeminentes da Ásia — junto com projetos mais jovens do Vale do Silício.

O Que Isso Significa

O aparecimento do Marlin demonstra como técnicas de pesquisa como AB-MCTS fazem a transição rapidamente de experimentos laboratoriais para ferramentas comerciais: um agente capaz de trabalhar autonomamente por horas e gerar um documento no nível de um relatório de consultoria muda as expectativas sobre o que pode ser confiado à IA sem supervisão humana constante. O setor de agentes empresariais está crescendo rapidamente: grandes laboratórios estão oferecendo ferramentas capazes não apenas de responder perguntas, mas de levar tarefas de várias horas a um resultado acabado. Marlin é a oferta da Sakana AI por um lugar nessa corrida, baseada em seus próprios métodos de pesquisa em vez de licenciar modelos de terceiros.

Se o formato pegar com clientes corporativos, o laboratório terá a confirmação de que sua aposta em buscar através de múltiplas soluções alternativas — em vez de apenas aumentar o tamanho do modelo — funciona além dos benchmarks científicos.