Google AI Ultra: como transformar a assinatura em um pool de agentes paralelos e consenso entre modelos

O Google AI Ultra pode ser visto não como uma assinatura cara do Gemini, mas como a base de um ambiente multiagente próprio. A ideia é distribuir tarefas de rotina entre workers em segundo plano e usar o agente principal como orquestrador e revisor de decisões.

A assinatura como infraestrutura

A tese central é simples: o preço do Ultra parece alto, mas pode ser compensado pela arquitetura do trabalho, e não pela quantidade de chats. Em vez de prender um único modelo em um refatoramento interminável, propõe-se combinar o Antigravity IDE, o Claude como agente principal e o Gemini CLI como um pool de executores quase ilimitado. Se o limite diário de um modelo acaba, o fluxo não desmorona: o orquestrador troca para outro modelo e as tarefas em segundo plano continuam rodando separadamente.

Essa abordagem resolve dois problemas de uma vez. O primeiro é o custo de tokens nos cenários clássicos de API, em que cada agente auxiliar consome orçamento. O segundo é o gargalo de uma única sessão de IDE: mesmo que o ambiente consiga chamar subagentes, é difícil gerenciá-los, definir papéis e montar processos repetíveis. Aqui, a proposta é apresentada como a passagem de uma janela inteligente para uma equipe completa de agentes, em que alguns pesquisam, outros escrevem código e outros revisam a solução proposta.

Como funciona o pool

Para isso, propõe-se um servidor MCP próprio, o Agent-Pool-MCP. Ele funciona em modelo pull: a sessão principal não espera o worker terminar a tarefa, apenas recebe um task_id e segue em frente. Antes de uma mudança complexa, é possível primeiro enviar uma pesquisa em modo readonly, depois consultar separadamente um segundo modelo via consult_peer e só então iniciar o refatoramento. Ou seja, no lugar de um fluxo linear de pensar, fazer e verificar, surge um pipeline em que as etapas correm em paralelo e não se bloqueiam.

• o agente principal da IDE define tarefas e coleta resultados
• os workers do Gemini CLI executam análise, código e verificações
• consult_peer dá uma segunda opinião de outro modelo antes de alterar o código
• o diretório compartilhado `.agent/delegation/` separa os artefatos de cada agente
• skills e workflows definem papéis, checklists e pipelines típicos

A regra-chave é rígida: os agentes não devem editar os mesmos arquivos ao mesmo tempo. Um escreve suas conclusões em um arquivo markdown separado, outro as lê e monta uma proposta de arquitetura, um terceiro faz a auditoria de templates. Isso elimina a maior parte das colisões e faz o sistema de agentes se parecer com uma equipe de desenvolvimento com faixas de responsabilidade distintas. O princípio é formulado de modo direto:

Ninguém mexe nos arquivos dos outros.

Consenso e controle

A parte mais interessante é o consenso entre modelos. Como o pool de workers roda no Gemini CLI, o papel de agente principal da IDE fica com outro modelo, para obter uma verificação externa real da ideia, e não uma autoconcordância. No exemplo, o Claude propõe uma solução de arquitetura, e o Gemini procura pontos cegos e devolve um veredito como AGREE ou SUGGEST_CHANGES antes que alguém altere a base de código. Sobre isso se constrói uma orquestração fractal, em que o orquestrador pode gerar novas equipes e subequipes aninhadas, quase como tech leads e desenvolvedores em uma estrutura de engenharia comum.

O texto também analisa o comportamento dos agentes enquanto aguardam. Sem configuração adicional, eles ou consultam sem sentido o status da tarefa em segundo plano, ou partem para fazê-la por conta própria e duplicam o trabalho. Para evitar isso, o sistema ganha a dica on_wait_hint: ela diz ao modelo quando vale trocar para outra tarefa útil e quando, ao contrário, basta esperar o resultado.

A ênfase final é a segurança: todo servidor MCP deve ser tratado como um possível ponto de prompt injection, é preciso fixar versões, restringir o acesso ao sistema de arquivos e não passar segredos nos prompts.

O que isso significa

A análise mostra uma nova mudança no mercado de ferramentas de IA: o valor de uma assinatura passa a ser medido não só pela qualidade do modelo, mas pela facilidade de montar com ela uma infraestrutura de agentes funcional. Se a abordagem pegar, os planos caros de IA venderão não mais respostas, mas um ambiente completo para desenvolvimento paralelo, pesquisa e revisão interna com IA.