Vozes
Nathan Lambert: os agentes empurram o humano para cima
Nathan Lambert argumenta que trabalhar com agentes muda o seu cargo: menos execução, mais direção. Veja a tese e o que ela exige de quem opera IA em produção.
Enquanto boa parte do mercado discute qual laboratório tem o modelo mais poderoso do mês, Nathan Lambert, autor do boletim Interconnects e um dos analistas técnicos mais respeitados do setor, está olhando para outra coisa: o que muda no seu próprio trabalho quando os agentes passam a fazer a maior parte da execução. No começo de 2026, ele publicou um texto que resume a mudança numa frase seca: os agentes empurram os humanos para cima no organograma. É uma imagem simples e vale para muito além da engenharia.
A tese: o hábito antigo agora atrapalha
Lambert começa admitindo um desconforto. Aplicar aos agentes a forma de trabalhar que ele afinou nos últimos anos, diz ele, é "fundamentalmente errado". O reflexo de micro-gerenciar, de dividir tudo em passos pequenos e acompanhar cada um, limita o ganho que os agentes poderiam dar. Você se cansa, controla demais e entrega ao agente tarefas miúdas demais para o que ele consegue fazer. O caminho, segundo ele, aponta para o oposto: trabalho mais aberto, mais ambicioso e mais assíncrono.
A comparação que ele faz ajuda a dimensionar. A chegada do ChatGPT, escreve, deu a ele acesso instantâneo a informação e a soluções para problemas que já estava resolvendo. O agente de código muda a pergunta. Não é mais "como eu resolvo isto", é "o que eu deveria estar fazendo, agora que sei que posso ter a IA implementando componentes inteiros de forma independente". A ferramenta deixou de acelerar a tarefa e passou a redefinir qual tarefa vale a pena.
Do operário da ferramenta ao maestro do exército
O relato pessoal é a parte mais concreta. O fluxo de trabalho de Lambert virou uma divisão de papéis: um modelo forte para planejar, um agente de código para implementar, e ele mesmo passando informação de um para o outro quando algo empaca. Ele conta que deixa instâncias de agente rodando na sua máquina tentando implementar novas funções enquanto está no jantar ou em reunião. Elas erram, corrigem a maior parte dos próprios erros, são lentas, mas são capazes. "Mal posso esperar para chegar em casa e ver no que os meus agentes andaram trabalhando", escreve.
Quando é possível ter vários agentes produzindo em paralelo, diz ele, o papel humano desloca-se de "usar a ferramenta elétrica" para "apontar o exército". Apontar os agentes de forma eficaz passa a valer mais que passar mais algumas horas moendo o mesmo problema na unha. É daí que vem a formulação que dá título ao texto: todo engenheiro precisa aprender a projetar sistemas, todo pesquisador precisa aprender a tocar um laboratório. Os agentes empurram as pessoas para cima na hierarquia de decisão.
A frase que incomoda: trabalhar duro deixou de ser o fosso
O trecho mais afiado é uma inversão de valor. "Software está ficando de graça", escreve Lambert, "e boa tomada de decisão em pesquisa, design e produto nunca valeu tanto". E, logo adiante, a farpa: "ser bom em usar IA hoje é um fosso melhor que trabalhar duro".
Para uma cultura profissional que aprendeu a associar mérito a esforço e a horas, isso é desconfortável de propósito. Ele não está dizendo que esforço não conta. Está dizendo que a vantagem durável migrou. Quando a implementação fica barata e abundante, o que escasseia é o julgamento: saber qual problema atacar, qual critério de qualidade exigir, quando parar. A vantagem de ter chegado cedo a essa onda, admite ele, também não dura para sempre. O que permanece é a habilidade de direcionar bem.
O que fazer com isso, para quem opera IA no Brasil
A leitura do texto não é sobre ferramenta, é sobre reorganizar o trabalho. Três movimentos práticos saltam dele.
Primeiro, pare de usar o agente só para faxina. Lambert é explícito: em vez de reservar o agente para limpeza de código e tarefas pequenas, entregue a ele um dos seus problemas mais difíceis e observe onde ele trava. É assim que você descobre o limite real da ferramenta, e não pela demo. O ganho aparece quando você move o agente de tarefas de brinquedo para trabalho de longo prazo com significado.
Segundo, invista no que o agente não faz sozinho. O gargalo deixou de ser digitação e virou direção: quebrar um objetivo grande em tarefas que o agente conclui de ponta a ponta, e avaliar o resultado com critério. Isso conversa diretamente com a disciplina de ensinar o agente a se avaliar, defendida por Hamel Husain: o agente executa, mas o julgamento sobre o que é uma saída boa continua sendo humano. E dialoga com o alerta de DHH sobre a execução sem fim dos agentes, que só vira valor quando alguém decide o que importa terminar.
Terceiro, reorganize a régua da equipe. Se os agentes empurram as pessoas para cima, cobrar volume de execução mede a coisa errada. O que interessa é o resultado que o trabalho dirigido produz, o que reforça a necessidade de uma North Star clara para separar valor de atividade. Assim como no mapa de habilidades que Andrew Ng propõe para engenharia de IA, a competência que sobe de preço é decidir bem, não teclar mais rápido.
Lambert não entrega um manual, e faz questão de dizer isso: não há guia para trabalhar com agentes na fronteira, o único jeito é brincar com eles. Mas a direção ele aponta com clareza. A pergunta que separa quem vai extrair valor dos agentes de quem vai se cansar tentando não é "quanto eu produzo", é "para onde eu aponto". Quem responde essa segunda pergunta com método sobe no organograma. Quem insiste na primeira continua operando a ferramenta enquanto ela fica cada vez mais capaz de operar sozinha.
Se o seu time adotou agentes de código mas continua medindo esforço em vez de direção, chame a gente no WhatsApp para redesenhar o fluxo entre planejar, executar e avaliar.
Fontes
Perguntas frequentes
Quem é Nathan Lambert?
Nathan Lambert é pesquisador de aprendizado de máquina, conhecido por escrever o Interconnects, um dos boletins mais lidos sobre o estado técnico e estratégico da IA. Ele acompanha de perto modelos de linguagem, aprendizado por reforço e a evolução das ferramentas de agente, e escreve tanto para pesquisadores quanto para quem precisa entender para onde a tecnologia caminha. O texto discutido aqui, publicado no início de 2026, é a reflexão dele sobre como o próprio trabalho mudou depois de passar a usar agentes de código de forma intensiva. Não é um manifesto abstrato: é o relato de alguém que trocou a rotina de execução por uma rotina de direção, e tenta nomear a habilidade nova que isso exige.
O que muda na prática para um time que opera IA?
Muda o que se cobra das pessoas e como se organiza o trabalho. Se o agente executa a maior parte do código, o valor humano se desloca para decisões que o agente não toma sozinho: o que construir, para quem, com qual critério de qualidade, e como quebrar um objetivo grande em tarefas que o agente consiga tocar de ponta a ponta. Na prática, isso significa dar tarefas maiores e mais abertas em vez de micro-instruções, revisar resultados em blocos em vez de acompanhar cada passo, e investir tempo em planejamento e critério. O gargalo deixa de ser quantas horas você digita e passa a ser quão bem você aponta e avalia. É a mesma disciplina que aparece quando se fala em desenhar avaliação de verdade para a saída do modelo, em vez de confiar no volume de produção.