Hark dobra a velocidade do agente de navegador Handoff²: taxa de sucesso das tarefas sobe de 73% para 82%
Um agente de navegador que pensa demais antes de cada clique acaba sendo mais lento do que fazer a tarefa você mesmo. A Hark, de Brett Adcock, lançou o Handoff², que compra produtos e reserva passagens sozinho e é duas vezes mais rápido que a primeira versão: o modelo aprendeu a preencher todos os campos de um formulário de uma só vez, em um único turno. O tempo por tarefa caiu 46%, e a taxa de tarefas concluídas, em um conjunto interno de 478 tarefas, subiu de 73% para 82%. Por enquanto, as verificações são apenas internas.
Processado por IA de TG: @ai_machinelearning_big_data (Machinelearning); editado por Hamidun News
O maior problema dos agentes de navegador não é a falta de inteligência, e sim a lentidão. Um agente que passa um minuto pensando em cada clique não economiza tempo: é mais fácil fazer tudo você mesmo. A Hark, laboratório de IA para consumidores do fundador da Figure AI, Brett Adcock, lançou o Handoff², a segunda geração do agente que controla o navegador por conta própria e executa tarefas: compra produtos, reserva passagens, marca consultas médicas.
Segundo a empresa, ele é em média duas vezes mais rápido que a primeira versão. Pense em um formulário de dez campos: antes, o agente os preenchia um por um; agora, preenche todos de uma vez. Ao mesmo tempo, a taxa de tarefas concluídas com sucesso, em um conjunto interno de 478 tarefas em 238 sites, subiu de 73% para 82%, ou seja, o ganho de velocidade não custou qualidade.
O que melhorou no Handoff²
A primeira versão do Handoff foi lançada em outubro. Segundo a Hark, desde então ela realizou mais de 5,6 milhões de sessões no navegador e pagou compras que somam mais de 20 milhões de dólares. Para agentes a quem se confia dinheiro, é uma escala considerável.
O que mudou na segunda versão, segundo a empresa:
- aceleração média de 2 vezes, de até 3,8 vezes na reserva de passagens aéreas e de mais de 5 vezes em tarefas longas de pesquisa;
- a taxa de tarefas concluídas com sucesso no conjunto interno de 478 tarefas subiu de 73% para 82%;
- no teste interno de comportamento, o resultado subiu de 90,3% para 93,8%. Esse teste verifica, por exemplo, se o agente deixa de finalizar uma compra sem o consentimento do usuário;
- segundo Adcock, o sistema resolve captchas 80% melhor.
Todos os números são internos, e ainda não há verificação independente.
Como o agente aprendeu a não desperdiçar turnos
O segredo está em ter desenvolvido o "harness" e o aprendizado por reforço (RL) em conjunto. O harness é a estrutura em torno do modelo: define quais ações estão disponíveis, o que ele enxerga na página e como seus passos viram cliques e digitação de texto. Normalmente, o modelo dá um passo por turno: clica, espera a página carregar, pensa, clica de novo. Cada ciclo desses custa segundos.
No Handoff², o modelo podia executar várias ações em um único turno. Para que ele de fato usasse essa possibilidade, o treinamento passou a incluir penalidades para turnos desnecessários, raciocínio excessivo e atraso total. O modelo passou a agrupar sozinho as ações óbvias, como preencher vários campos de um formulário de uma vez.
A segunda técnica são as ações compostas. Quando uma mesma sequência de passos se repete nas tarefas, como fazer login ou escolher uma data no calendário, o modelo a reúne em uma única ação e a reutiliza. É parecido com uma macro, só que quem a cria e reaproveita é o próprio modelo.
O resultado: cada tarefa leva 46% menos tempo. Somadas as melhorias no lado do servidor, chega-se à aceleração de 2 vezes. O efeito é mais visível em tarefas longas, nas quais a economia em cada passo se acumula.
O que isso significa para desenvolvedores e gerentes de produto
Primeiro: a velocidade de um agente não depende só da potência do modelo ou do hardware. Boa parte do ganho vem de como a interface de ações foi projetada e do que o modelo é incentivado a fazer durante o treinamento. Se você está construindo seu próprio agente, vale verificar se não o está forçando a dar um passo por vez onde seria possível executar um lote de ações.
Segundo: o aumento da taxa de sucesso e o da velocidade andaram juntos. Isso importa porque penalidades sobre o tamanho do raciocínio costumam prejudicar a qualidade. A Hark afirma que isso não aconteceu aqui, mas a verificação só é possível nos conjuntos de tarefas da própria empresa.
Terceiro: o teste separado de "não comprar sem consentimento" mostra para onde o mercado está olhando. Quando o agente gasta dinheiro de verdade, a principal métrica não é só o percentual de tarefas concluídas, mas também a disciplina: não fazer nada além do que foi pedido. Um resultado de 93,8% significa que, em cerca de um caso a cada dezesseis, o comportamento ainda não passa na verificação. Para um serviço que paga compras, isso é bastante.
O Handoff² já está sendo liberado para todos os planos. Agora é preciso ver se usuários comuns, e não os benchmarks internos da empresa, vão confirmar a velocidade e a confiabilidade.
- 11 de ago. de 2026Hark apresenta agente de navegador para tarefas na web: mais rápido e mais barato que a concorrência
- 27 de mai. de 2026Como integrar IA em um aplicativo: Hark capta US$ 700 milhões
- 17 de mai. de 2026Google apresenta Remy, agente de IA que trabalha dentro do navegador
- 30 de abr. de 2026Fundador da Figure AI lança a Hark, startup com uma família de dispositivos de IA
Perguntas frequentes sobre a notícia
O que melhorou no Handoff²?
A primeira versão do Handoff foi lançada em outubro. Segundo a Hark, desde então ela realizou mais de 5,6 milhões de sessões no navegador e pagou compras que somam mais de 20 milhões de dólares. Para agentes a quem se confia dinheiro, é uma escala considerável.
Como o agente aprendeu a não desperdiçar turnos?
O segredo está em ter desenvolvido o "harness" e o aprendizado por reforço (RL) em conjunto. O harness é a estrutura em torno do modelo: define quais ações estão disponíveis, o que ele enxerga na página e como seus passos viram cliques e digitação de texto. Normalmente, o modelo dá um passo por turno: clica, espera a página carregar, pensa, clica de novo. Cada ciclo desses custa segundos. No Handoff², o modelo podia executar várias ações em um único turno.
O que isso significa para desenvolvedores e gerentes de produto?
Primeiro: a velocidade de um agente não depende só da potência do modelo ou do hardware. Boa parte do ganho vem de como a interface de ações foi projetada e do que o modelo é incentivado a fazer durante o treinamento. Se você está construindo seu próprio agente, vale verificar se não o está forçando a dar um passo por vez onde seria possível executar um lote de ações. Segundo: o aumento da taxa de sucesso e o da velocidade andaram juntos.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.