GPT-6 Astra e o novo gargalo: talvez agora seja o seu computador

Com a chegada do GPT-6 Astra, comecei a pensar em uma coisa que acredito que vai ficar cada vez mais importante daqui para frente.

Se o modelo roda na nuvem, por que eu precisaria de um computador mais potente para trabalhar com ele?

A resposta é relativamente simples:

Você não precisa de uma máquina potente para rodar o Astra. Mas pode precisar de uma máquina mais potente para acompanhar tudo o que ele consegue fazer.

E essa diferença muda bastante a conversa.

Durante muito tempo usamos IA principalmente assim:

Perguntamos alguma coisa.

Recebemos uma resposta.

Copiamos o resultado.

Executamos o trabalho.

Agora isso começa a mudar.

A IA está cada vez mais capaz de usar ferramentas, acessar sistemas, trabalhar com arquivos, navegar, executar tarefas e coordenar várias ações.

Então o computador deixa de ser apenas a tela pela qual conversamos com uma IA.

Ele também pode virar parte da infraestrutura usada por ela para trabalhar.

O modelo está na nuvem, mas o trabalho pode estar na sua máquina

Imagine pedir para uma IA:

Analise esses documentos, organize os principais pontos, compare com os dados da planilha e prepare uma apresentação.

A inteligência principal pode estar rodando na nuvem.

Mas, durante esse processo, podem existir várias coisas acontecendo na sua máquina:

• leitura de arquivos
• processamento de documentos
• análise de planilhas
• execução de scripts
• abertura de navegador
• geração de gráficos
• manipulação de imagens
• processamento de vídeo
• consulta a bancos de dados
• execução de ferramentas internas
• geração de relatórios

Isso vale para desenvolvimento de software, mas está longe de ficar restrito a desenvolvimento.

Um profissional de marketing pode ter agentes analisando campanhas e preparando relatórios.

Uma equipe financeira pode automatizar análises de planilhas, indicadores e documentos.

Uma equipe comercial pode organizar dados de CRM, pesquisar empresas e preparar informações para reuniões.

Um pesquisador pode ter agentes coletando e organizando informações continuamente.

Um designer pode usar ferramentas locais para processamento de imagem, vídeo ou renderização.

Um escritório pode automatizar leitura, classificação e organização de documentos.

Uma equipe operacional pode ter agentes acompanhando processos e sistemas durante todo o dia.

Um desenvolvedor pode ter agentes executando testes, builds, bancos locais e automações.

Os exemplos mudam.

A lógica é a mesma.

A inteligência pode estar na nuvem.

Mas parte da execução pode acontecer localmente.

Quando a IA começa a executar, hardware volta para a conversa

Quando usamos IA apenas para conversar, o hardware da nossa máquina não faz tanta diferença.

Um navegador e uma conexão com a internet resolvem boa parte do problema.

Mas quando começamos a permitir que a IA execute trabalho, a situação muda.

Imagine vários processos acontecendo simultaneamente.

Um agente analisa documentos.

Outro processa uma planilha.

Outro consulta dados.

Outro prepara uma apresentação.

Outro acompanha uma automação.

Outro gera um relatório.

Nesse momento, CPU, memória RAM, armazenamento e, em alguns casos, GPU passam a ter importância.

Não porque o Astra esteja sendo executado localmente.

Mas porque as ferramentas que ele coordena podem estar sendo executadas localmente.

Quanto mais capacidade de execução colocamos à disposição da IA, mais trabalho pode acontecer ao mesmo tempo.

Então qual máquina faz sentido?

Aqui gosto de separar em três níveis.

Não estou falando de requisitos oficiais para usar Astra.

O modelo continua rodando na nuvem.

Estou falando de uma máquina preparada para participar dessa nova forma de trabalho.

Configuração de entrada

Para quem pretende usar IA principalmente como assistente, mas já quer permitir algumas automações e ferramentas locais:

• CPU: 6 a 8 cores
• RAM: 32 GB
• SSD: 1 TB NVMe
• GPU: integrada ou uma GPU básica

Com uma máquina assim já é possível trabalhar muito bem com:

• navegador
• pacote Office
• planilhas
• documentos
• ferramentas de automação
• scripts
• bancos pequenos
• processamento de arquivos
• aplicações empresariais
• ferramentas de desenvolvimento
• alguns agentes executando tarefas

Para muita gente, isso já será suficiente.

Você consegue ter a IA trabalhando junto com suas ferramentas sem transformar seu computador em uma workstation especializada.

Configuração intermediária

Aqui começa, na minha opinião, um cenário muito interessante.

• CPU: 12 cores ou mais
• RAM: 64 GB
• SSD: 2 TB NVMe
• GPU: opcional, dependendo do tipo de trabalho

Nesse nível já dá para pensar em várias tarefas acontecendo ao mesmo tempo.

Imagine:

Um agente analisando documentos.

Outro organizando dados.

Outro pesquisando informações.

Outro criando um relatório.

Outro trabalhando em uma automação.

Enquanto isso você continua usando navegador, planilhas, sistemas internos e suas ferramentas normalmente.

Para quem desenvolve software, isso pode significar frontend, backend, testes e containers trabalhando simultaneamente.

Para quem trabalha com marketing, pode significar análise de campanhas, pesquisa, criação de relatórios e organização de conteúdo.

Para uma área financeira, pode significar processamento de documentos, análise de indicadores e geração de relatórios.

Para pesquisa, pode ser coleta, classificação, comparação e resumo de informações.

Nesse ponto o paralelismo começa a virar produtividade de verdade.

Não estamos apenas fazendo uma tarefa um pouco mais rápido.

Estamos começando a manter várias linhas de trabalho avançando ao mesmo tempo.

Configuração top de linha

Agora entramos no cenário que considero mais interessante.

• CPU: 16 cores ou mais
• RAM: 128 GB
• SSD: 2 a 4 TB NVMe rápido
• GPU: uma GPU com boa quantidade de memória, principalmente se houver interesse em IA local

Aqui eu já não vejo mais isso simplesmente como um computador pessoal.

Começa a parecer uma pequena infraestrutura de IA na sua mesa.

Você pode ter vários agentes trabalhando.

Pode ter ferramentas locais disponíveis.

Pode manter processos executando continuamente.

E pode adicionar outra camada muito interessante:

modelos de IA rodando localmente.

Astra na nuvem e modelos locais trabalhando juntos

Essa combinação me chama bastante atenção.

O Astra pode continuar sendo usado para tarefas mais complexas.

• Planejamento.
• Raciocínio.
• Análise.
• Decisões.
• Criação.
• Revisões mais importantes.
• Coordenação de tarefas.

Mas nem todo trabalho precisa utilizar o modelo mais poderoso disponível.

Muitas tarefas são simples, repetitivas ou altamente específicas.

E podem ser executadas por modelos menores rodando localmente.

Por exemplo:

• analisar documentos
• classificar informações
• verificar logs
• resumir dados
• acompanhar métricas
• organizar arquivos
• analisar transcrições
• classificar e-mails
• preparar relatórios
• identificar padrões
• verificar resultados de processos
• acompanhar alterações em sistemas

Esses modelos locais podem trabalhar continuamente.

Inclusive 24 horas por dia.

Sem custo por token a cada tarefa.

Claro que continuam existindo custos de hardware e energia.

Mas é um modelo diferente.

Você passa a ter uma capacidade de IA disponível localmente e com custo previsível.

Um agente local não precisa ser extremamente inteligente

Esse é outro ponto que acho importante.

Nem toda tarefa precisa de um modelo de última geração.

Imagine um agente cuja única função seja acompanhar uma pasta de documentos.

Quando chega um arquivo novo, ele:

• identifica o tipo
• extrai as principais informações
• classifica o conteúdo
• verifica possíveis problemas
• atualiza um banco
• gera um pequeno relatório

Esse agente pode ficar trabalhando continuamente.

Outro agente pode acompanhar indicadores.

Outro pode analisar e-mails.

Outro pode monitorar processos internos.

Outro pode organizar informações para uma equipe.

Depois esses agentes podem produzir relatórios estruturados.

E aí entra o Astra.

Você pode entregar esses resultados para um modelo muito mais capaz e pedir:

Analise tudo o que aconteceu nas últimas 24 horas e me diga o que realmente merece minha atenção.

Nesse momento você começa a usar modelos diferentes para funções diferentes.

O modelo local executa o trabalho contínuo.

O Astra entra quando realmente precisamos de uma capacidade maior de análise.

Isso vale para muito mais do que desenvolvimento de software

Desenvolvimento é um exemplo fácil porque já estamos acostumados a automatizar muita coisa.

Mas pense em outras áreas.

Marketing

Um agente local pode acompanhar relatórios de campanhas, organizar dados e detectar mudanças.

Outro pode reunir materiais e classificar conteúdos.

O Astra pode depois analisar essas informações e ajudar a decidir onde existe uma oportunidade ou problema.

Financeiro

Agentes podem acompanhar planilhas, documentos, indicadores e movimentações.

Podem preparar relatórios continuamente.

O modelo mais avançado pode entrar posteriormente para análise, explicação de variações ou preparação de cenários.

Comercial

Agentes podem organizar informações sobre clientes, CRM, reuniões e documentos.

Antes de uma reunião, o Astra pode receber tudo já estruturado e preparar um resumo muito mais completo.

Pesquisa

Um modelo local pode trabalhar continuamente organizando informações, classificando documentos e preparando material.

Depois um modelo mais capaz pode comparar resultados, identificar relações e ajudar a construir conclusões.

Design e produção de mídia

Aqui a máquina local pode ganhar ainda mais importância.

• Processamento de imagens.
• Vídeo.
• Áudio.
• Renderização.
• Transcrição.
• Modelos generativos locais.

A IA na nuvem pode coordenar o trabalho enquanto a GPU local executa parte pesada do processamento.

Operações

Imagine agentes acompanhando sistemas, processos e indicadores durante todo o dia.

Grande parte do trabalho pode ser automatizada.

Quando algo importante acontece, a informação chega já organizada para uma análise mais profunda.

Astra + ferramentas na nuvem + ferramentas locais

Hoje falamos bastante sobre plugins, MCP, APIs e integrações.

E tudo isso continua sendo fundamental.

Podemos conectar uma IA a:

• sistemas corporativos
• CRMs
• ferramentas de comunicação
• serviços financeiros
• armazenamento
• bancos de dados
• plataformas de marketing
• GitHub
• ferramentas de pesquisa
• documentação
• APIs internas

Mas podemos adicionar ferramentas locais também.

Por exemplo:

• arquivos
• aplicações desktop
• navegadores
• bancos locais
• scripts
• ferramentas de processamento
• aplicações profissionais
• ferramentas de imagem
• ferramentas de vídeo
• ambientes de desenvolvimento
• containers
• modelos locais

A arquitetura começa a ficar mais ou menos assim:

IA na nuvem
  ↓
Orquestração
  ↓
MCP + plugins + APIs + ferramentas locais
  ↓
Agentes especializados
  ↓
Modelos locais e software tradicional
  ↓
Execução

Nesse cenário, o computador deixa de ser simplesmente um terminal para acessar uma IA.

Ele passa a fazer parte da infraestrutura disponível para ela.

A IA não precisa substituir as ferramentas que já existem

Acho esse ponto especialmente importante.

Não precisamos substituir tudo por IA.

Na verdade, muitas vezes o melhor caminho é exatamente o contrário.

Usar IA para coordenar ferramentas tradicionais.

Uma planilha continua sendo excelente para determinadas tarefas.

Python continua excelente para processamento de dados.

Um banco de dados continua sendo excelente para armazenar informações.

Um software de edição continua excelente para editar imagens.

Um sistema empresarial continua sendo responsável pelos processos da empresa.

A IA pode funcionar como uma camada acima de tudo isso.

Ela entende o objetivo.

Escolhe ferramentas.

Executa ações.

Analisa resultados.

Decide o próximo passo.

É aí que a combinação começa a ficar realmente poderosa.

O Astra também pode ajudar a construir essa infraestrutura

Existe ainda outra possibilidade que considero muito interessante.

O Astra não precisa apenas consumir ferramentas.

Ele também pode ajudar a criar e melhorar as ferramentas que serão utilizadas pelos outros agentes.

Por exemplo:

Você possui um agente local responsável por analisar documentos.

Ele começa a gerar muitos falsos positivos.

Você pode pedir ao Astra para analisar os relatórios, entender onde o agente está errando e melhorar:

• o prompt
• as regras
• os critérios
• os scripts
• a estrutura dos relatórios
• o fluxo de trabalho

Ou você pode perguntar:

Como posso estruturar esses dados para que você consiga analisá-los melhor depois?

Nesse caso, o modelo mais avançado ajuda a melhorar toda a camada de automação que existe abaixo dele.

Para mim, isso é muito interessante.

O Astra não precisa executar tudo.

Ele pode ajudar a construir uma estrutura onde outras ferramentas e modelos executam boa parte do trabalho.

E a GPU?

Se você usa somente uma IA na nuvem, a GPU não é tão importante.

Mas quando começamos a falar de modelos locais e processamento local, a conversa muda.

Uma GPU com uma boa quantidade de memória pode permitir:

• modelos de linguagem locais
• visão computacional
• reconhecimento de voz
• transcrição
• geração de imagens
• processamento de vídeo
• renderização
• embeddings
• análise de grandes volumes de mídia

Nesse cenário temos uma arquitetura híbrida.

Parte da inteligência está na nuvem.

Parte da inteligência está local.

Parte do trabalho é executado por software tradicional.

E cada tarefa pode ser enviada para o lugar onde faz mais sentido.

Hardware pode voltar a ser uma vantagem competitiva

Essa é talvez a parte que mais me chama atenção.

Durante os últimos anos falamos muito sobre:

Qual é o melhor modelo?

GPT?

Gemini?

Claude?

Modelos open source?

Mas talvez esteja surgindo uma pergunta tão importante quanto:

Que ambiente você consegue entregar para esse modelo trabalhar?

Duas pessoas podem ter acesso exatamente ao mesmo modelo.

Uma possui: IA + navegador.

A outra possui:

• IA na nuvem
• ferramentas locais
• ferramentas corporativas
• automações
• modelos locais
• agentes especializados
• muita memória
• CPU disponível
• GPU
• armazenamento rápido

As duas têm acesso à mesma inteligência principal.

Mas não possuem a mesma capacidade de execução.

E essa diferença pode começar a representar uma vantagem enorme de produtividade.

Talvez o futuro seja uma equipe de inteligências diferentes

Também acho que precisamos abandonar um pouco a ideia de que uma única IA precisa fazer tudo.

Talvez o cenário mais interessante seja exatamente o contrário.

Um modelo pequeno faz uma tarefa simples.

Outro agente monitora alguma coisa.

Um script executa uma operação precisa.

Uma ferramenta tradicional processa dados.

Um modelo local trabalha continuamente.

Um modelo mais avançado entra quando existe um problema realmente complexo.

É muito parecido com uma equipe.

Você não coloca o profissional mais especializado da empresa para executar todas as tarefas operacionais.

Cada pessoa trabalha onde sua capacidade gera mais valor.

Podemos começar a fazer algo parecido com modelos de IA.

O salto não é apenas ter uma IA mais inteligente

Na minha visão, o salto real está na transformação deste fluxo:

Intenção
  ↓
Planejamento
  ↓
Execução
  ↓
Monitoramento
  ↓
Análise
  ↓
Correção
  ↓
Resultado

Cada vez mais partes desse processo podem ser automatizadas.

Estamos saindo daquela fase de:

IA, me explique como fazer.

Para uma fase muito mais próxima de:

IA, aqui estão minhas ferramentas, meus sistemas, meus agentes e minha infraestrutura. Trabalhe com isso.

E quando chegamos nesse ponto, hardware local volta a fazer bastante sentido.

Não porque precisamos rodar o melhor modelo do mundo dentro do nosso computador.

Mas porque podemos usar nosso computador para aumentar a capacidade de execução disponível para a IA.

Mais CPU significa mais tarefas acontecendo.

Mais memória significa mais processos e agentes trabalhando simultaneamente.

Armazenamento rápido ajuda aplicações, arquivos e processamento.

Uma GPU permite manter modelos locais e ferramentas mais pesadas trabalhando.

E uma boa arquitetura conecta tudo isso.

Por isso, acredito que uma das discussões mais interessantes dos próximos anos talvez não seja apenas:

Qual IA você usa?

Mas também:

Que capacidade você consegue colocar à disposição dela?

O Astra pode ser uma das inteligências mais poderosas dessa estrutura.

Mas ele não precisa trabalhar sozinho.

Talvez a maior produtividade venha justamente da combinação entre: IA na nuvem, IA local, agentes especializados, ferramentas tradicionais e capacidade computacional local.

E isso pode impactar não apenas quem desenvolve software.

Pode mudar a forma como praticamente qualquer profissional trabalha com um computador.