Liquid AI lançou um sistema para executar agentes de AI totalmente no dispositivo

A ideia de executar modelos de linguagem poderosos diretamente no seu computador, sem a nuvem e sem um único byte de dados indo para servidores de terceiros, há muito tempo permanecia uma meta bela, mas difícil de alcançar. A Liquid AI parece ter dado um passo sério para transformá-la em uma ferramenta funcional. A empresa apresentou o modelo LFM2-24B-A2B e o aplicativo de desktop acompanhante LocalCowork — um sistema totalmente local para executar fluxos de trabalho de agentes de nível empresarial.

Para entender a importância deste lançamento, vale a pena recordar o contexto. Liquid AI é uma startup fundada por alumni do MIT que seguiu um caminho não convencional desde o início. Em vez de escalar arquiteturas de transformer seguindo OpenAI e Google, a equipe se concentrou nos chamados Liquid Foundation Models — arquiteturas inspiradas em sistemas dinâmicos e neurociência. Seus modelos se distinguem pela compacidade e eficiência, mantendo alta qualidade de geração. A notação "24B-A2B" no nome do novo modelo indica 24 bilhões de parâmetros com um mecanismo que ativa apenas parte deles — uma abordagem reminiscente de Mixture of Experts, que permite alcançar o desempenho de um modelo grande com custos computacionais significativamente menores.

A ideia principal de engenharia por trás do LocalCowork é que toda a cadeia de interação do agente — desde receber uma tarefa até chamar ferramentas e retornar resultados — acontece no dispositivo do usuário. O Model Context Protocol, um padrão aberto originalmente proposto pela Anthropic para interação estruturada entre modelos de linguagem e ambientes de software, é usado para coordenar entre o modelo e ferramentas externas. O MCP permite que o modelo "entenda" quais ferramentas estão disponíveis para ele, forme chamadas corretas e processe resultados — tudo sem recorrer a APIs em nuvem. Essencialmente, este é um orquestrador local que transforma um modelo de linguagem de um gerador de texto em um agente digital completo.

Tecnicamente, a arquitetura é otimizada para latência mínima na distribuição de ferramentas. Isto é crítico para o uso prático: se um agente gasta segundos em cada chamada de função, processos complexos de múltiplas etapas se tornam insuportavelmente lentos. A Liquid AI afirma que a LFM2-24B-A2B é especificamente ajustada para tomada de decisão rápida sobre qual ferramenta chamar e com quais parâmetros — uma tarefa que requer não tanto uma riqueza de conhecimento quanto precisão e velocidade de inferência lógica. O aplicativo LocalCowork está disponível como código aberto através do repositório Liquid4All no GitHub, permitindo que desenvolvedores estudem a arquitetura, adaptem-na às suas necessidades e a integrem em sistemas empresariais existentes.

Para quem isto é realmente importante? Primeiramente, organizações que trabalham com dados sensíveis — instituições financeiras, instalações médicas, escritórios de advocacia, estruturas governamentais. Até agora, eles enfrentavam uma escolha desagradável: ou usar modelos poderosos em nuvem e aceitar que dados confidenciais saiam do perímetro da organização, ou se contentar com soluções locais primitivas. O LocalCowork oferece uma terceira via — funcionalidade de agente completa sem compromissos em privacidade. A ausência de chamadas de API significa não apenas proteção de dados, mas também independência de serviços externos: o sistema funciona mesmo sem conexão com a internet.

Este lançamento se encaixa em uma tendência mais ampla ganhando impulso na indústria. Após vários anos de domínio incontestável da abordagem em nuvem, o pêndulo está começando a oscilar de volta. Apple Intelligence funciona principalmente no dispositivo. Qualcomm e Intel estão investindo bilhões em NPUs para inferência local. Microsoft está promovendo o conceito de Copilot Plus PC. Mas a maioria dessas soluções se limita a tarefas simples — resumo, preenchimento automático, classificação básica. Liquid AI está mirando mais alto: fluxos de trabalho de agente completos com chamadas de ferramentas, planejamento em múltiplas etapas e gerenciamento contextual — tudo localmente.

Obviamente, questões permanecem. Quão confortavelmente um modelo com 24 bilhões de parâmetros, mesmo com ativação esparsa, será executado em um laptop corporativo típico? Quais exatamente são os fluxos de trabalho que podem ser automatizados com qualidade aceitável? Como o sistema lida com cadeias complexas de dezenas de chamadas de ferramentas? As respostas a essas perguntas virão da prática, mas o simples fato de tal solução aparecer no domínio aberto muda a paisagem da discussão. A questão não é mais se IA privada de nível empresarial no dispositivo é possível, mas quão rápido isso se tornará o padrão.