OpenAI DevDays São Paulo apresenta inovações em IA e o futuro da tecnologia com cases de sucesso

O segundo OpenAI DevDays São Paulo consolidou o Brasil como um dos ecossistemas de inteligência artificial mais vibrantes e estratégicos do mundo. O evento reuniu engenheiros, arquitetos de sistemas e lideranças de tecnologia para apresentar não apenas a evolução dos modelos de linguagem, mas a transição definitiva para a era dos agentes autônomos em produção.

Durante o encontro, a OpenAI apresentou avanços em infraestrutura de agentes, segurança cibernética automatizada e novas interfaces web orientadas a agentes.

Além disso, grandes referências da tecnologia brasileira — QuintoAndar e iFood — compartilharam como estão operando plataformas agênticas internas para transformar o desenvolvimento de software e a experiência do cliente em larga escala.

O panorama da IA no Brasil

A abertura do evento reforçou a relevância do ecossistema brasileiro no mapa global da inteligência artificial. O Brasil não é apenas um mercado consumidor de tecnologia, mas um dos maiores polos de inovação em desenvolvimento orientado a IA.

As métricas apresentadas durante a abertura destacam esse protagonismo:

• Segundo Maior Consumidor de API no Mundo: O Brasil ocupa o segundo lugar global no consumo das APIs da OpenAI, demonstrando uma rápida transição da experimentação para a integração de sistemas em produção.
• Terceiro Idioma Mais Utilizado: O português se estabeleceu como o terceiro idioma mais falado dentro do ChatGPT, com mais de 215 milhões de mensagens transacionadas por dia, superando proporcionalmente sua posição global em número de falantes.
• Explosão da Multimodalidade em Voz: O uso do modo de voz no país dobrou em comparação ao ano anterior, sinalizando uma mudança de comportamento em direção a interfaces conversacionais mais naturais.
• Liderança em Engenharia de Software: A comunidade brasileira tornou-se a maior usuária do ecossistema Codex na América Latina, além de firmar parcerias educacionais e de pesquisa com instituições renomadas como Insper, ITA e USP.

Essa tração estabelece o pano de fundo ideal para o lançamento das novas ferramentas de infraestrutura e gerenciamento de agentes anunciadas pela OpenAI.

As novas fronteiras da OpenAI: Agents API, Codex Security e a era do WebSCP

As apresentações técnicas da OpenAI dividiram-se em três pilares fundamentais: a operacionalização de agentes como um serviço gerenciado, o fechamento de brechas de segurança de forma autônoma e a criação de uma nova especificação de navegação web preparada para agentes.

Agents API: A infraestrutura de harness gerenciada

A transição da Responses API para a Agents API representa a resposta da OpenAI a um dos maiores gargalos encontrados por times de engenharia: a complexidade de construir, manter e escalar a camada de software que orquestra o agente (o chamado harness).

Anteriormente, cada empresa precisava implementar suas próprias soluções para gerenciamento de estado de sessões de longa duração, loops de raciocínio, recuperação de falhas de rede e compactação de contexto. Com a nova Agents API, essa camada passa a ser operada pela OpenAI como um serviço gerenciado.

A arquitetura de agentes da OpenAI organiza-se em camadas bem definidas, equilibrando inteligência de modelo e infraestrutura:

• Agents API: responsável por gerenciamento de harness, sessões de longa duração, sub-agentes e persistência. Sua utilização elimina o custo de engenharia de infraestrutura de orquestração;
• Codex: provê o ambiente de execução e harness especializado em código e ferramentas. A integração com treinamento conjunto entre modelo e harness auxilia na otimização de loops;
• Responses API: provê a interface de comunicação e chamadas de ferramentas de baixo nível padronizando mensagens e chamadas de funções;
• Modelos GPT (ex.: 5.6 / Astra): provê o racionínio, compreens”ao de linguagem natural e tomada de decisão.

Entre os principais recursos da Agents API, destacam-se:

1. Compactação de Contexto Nativa: Quando a janela de contexto atinge o limite durante tarefas longas, o harness condensa o histórico preservando a meta original, as descobertas feitas, as decisões tomadas e as pendências, permitindo que a tarefa continue sem perda de dados.
2. Sub-agentes em Paralelo: O agente principal pode delegar sub-tarefas independentes para múltiplos sub-agentes rodando simultaneamente, consolidando os resultados antes de apresentar a proposta final.
3. Persistência e Resiliência: Caso ocorra uma queda de conexão ou falha de servidor, o estado gravado permite recuperar a sessão de onde parou sem duplicar a execução de comandos idênticos.
4. Integração Cloud Multi-Provedor: Além do suporte direto na plataforma OpenAI, a arquitetura foi adaptada em parceria com a AWS para integrar-se ao Amazon Bedrock.

Defense Factory e Codex Security: Automação da Segurança Cibernética

Na apresentação ministrada por Ricardo Schmidt, a OpenAI detalhou a metodologia interna Defense Factory, utilizada para identificar e corrigir vulnerabilidades cibernéticas em larga escala antes que sejam exploradas por agentes maliciosos.

Com a evolução dos modelos de linguagem, a janela de oportunidade para fechar brechas de segurança diminuiu drasticamente. A proposta da Defense Factory consiste em um workflow contínuo de defesa dividido em cinco etapas encadeadas:

1. Contexto e Instruções (Scan Prompt & Knowledge Base): Fornecimento de arquitetura do sistema, fronteiras de segurança, regras de firewall e escopo da análise (ex: OWASP Top 10, SQL Injection).
2. Execução do Scan: Execução de varreduras padrão ou Deep Scan (múltiplas passadas iterativas no repositório com limite de custo/tokens definido).
3. Organização e Desduplicação de Findings: Identificação de relatórios duplicados, classificação por severidade (High, Medium, Low) e atribuição do responsável com base em CODEOWNERS ou histórico de commits.
4. Geração e Validação de Patches: O agente gera o código de correção e executa o comando de verificação para validar se o patch bloqueou o ataque original sem quebrar o código existente.
5. Integração Contínua (CI/CD): Publicação do patch como um Draft Pull Request no GitHub para revisão final humana (human-in-the-loop).

Durante as sprints internas da OpenAI, o uso dessa abordagem alcançou uma taxa de falsos positivos de apenas 0,81% (contra uma média de ~50% em ferramentas de mercado), com aceitação de 90,6% das correções pelas equipes e uma taxa de rollback inferior a 0,5%. A solução é disponibilizada via linha de comando (Codex Security CLI) e como plugin gerenciado (Codex Security Cloud).

Sites e o Protocolo WebSCP: A Próxima Geração de Aplicações Web

Apresentado por Victor Nunez Rodriguez e Ruhan Ponnada, o recurso Sites revolucionou a forma de transformar ideias e dados em aplicações funcionais em questão de minutos. Com apenas 3 meses de lançamento, a funcionalidade já alimentava mais de 10 milhões de sites, sendo utilizada por 97% dos colaboradores da OpenAI.

Os Sites combinam front-end, back-end, banco de dados SQLite nativo e autenticação gerenciada via ChatGPT. Além disso, a OpenAI introduziu duas grandes inovações para tornar a web amigável a agentes:

• Anotações Visuais Interativas (Annotations): Capacidade de apontar diretamente para elementos da interface gráfica e solicitar ajustes de layout ou funcionalidade em linguagem natural.
• WebSCP (Web Sub-Agent Communication Protocol): Novo padrão de navegação que permite ao agente comunicar-se diretamente com as APIs de back-end das aplicações web em vez de simular cliques na tela. Isso torna a interação dos agentes com a web dramaticamente mais rápida e econômica.

Demonstrações práticas: da planilha estática aos Web Apps agênticos

Durante o evento, a equipe de engenharia da OpenAI realizou demonstrações ao vivo mostrando o poder prático da combinação entre Codex, Sites e conectores de dados.

Launch Radar: Transformando planilhas em Apps colaborativos

Na primeira demonstração, Victor e Ruhan utilizaram uma planilha do Google Sheets usada internamente pela equipe para acompanhar lançamentos de produtos. Através de um prompt por voz no Codex, o sistema leu a planilha e construiu um aplicativo web interativo batizado de Launch Radar.

O aplicativo ofereceu automaticamente três visões dinâmicas: lista, quadro Kanban e calendário. Além disso, a demonstração destacou:

• Sincronização Bidirecional via Plugins: Conexão com o Linear permitindo que o usuário visualize e edite cartões de tarefas diretamente no site, persistindo os dados de volta no sistema de origem.
• Tarefas Agendadas (Scheduled Tasks): O aplicativo foi configurado para executar um agente todas as manhãs às 8h, lendo novos documentos no Google Drive e atualizando a interface sem intervenção humana.

Loja de presentes personalizada com WebSCP

Na segunda demonstração, os engenheiros construíram uma loja virtual de presentes interativa. A experiência utilizou o modelo de imagem da OpenAI para desenhar uma caixa personalizada 3D a partir de uma foto capturada ao vivo na webcam.

Em seguida, em vez de selecionar manualmente os presentes no catálogo, Victor instruiu o agente via prompt: “Analise nossas conversas no Slack para identificar os interesses do Ruhan e monte a combinação de presentes ideal.”

O agente utilizou o protocolo WebSCP para ler as preferências no Slack (identificando seu gosto pelo time da McLaren, futebol e seu gato), consultar o inventário de produtos no back-end e popular o carrinho de compras de forma instantânea, demonstrando como a web do futuro operará de forma nativa para agentes e humanos.

Case QuintoAndar: da complexidade do LangGraph à padronização em Plataforma 2.0

O primeiro case nacional foi apresentado por Igor Gushiken, diretor de TI e IA no QuintoAndar. Igor compartilhou a jornada da empresa na transição de soluções pontuais para a construção de uma plataforma conversacional escalável.

O desafio da plataforma 1.0 (LangGraph)

Na primeira versão da plataforma, o QuintoAndar adotou o framework LangGraph buscando máxima flexibilidade para que mais de 20 times de negócios pudessem criar seus próprios agentes. Contudo, essa liberdade irrestrita trouxe gargalos operacionais críticos:

• Alta Complexidade e Baixa Reutilização: Cada aplicação transformava-se em um grafo complexo e isolado, dificultando o compartilhamento de componentes.
• Proliferação de Gambiarras: A ausência de opiniões fortes na arquitetura fez com que a falta de uma funcionalidade central resultasse em dezenas de contornos customizados por cada equipe.
• Dificuldade em Avaliações e Testes A/B: Não havia um padrão único de avaliação de qualidade (Evals), e testes A/B exigiam feature flags espalhadas por todo o código Python.

A Virada para a plataforma 2.0: agentes por configuração

O ponto de virada ocorreu ao perceberem que o comportamento do agente poderia ser definido como configuração em arquivos YAML e Markdown, em vez de código Python imperativo. Toda a lógica pesada de integração foi movida para MCP Tools (Model Context Protocol).

Na Plataforma 2.0, o time de plataforma constrói o runtime e as salvaguardas (guardrails) uma única vez. Os times de domínio apenas especificam as instruções, ferramentas e modelos desejados em arquivos declarativos.

Os pilares que sustentam a eficiência da nova plataforma incluem:

1. Roteamento por Supervisor: Um agente supervisor recebe a mensagem tratada e a encaminha para o agente especialista do domínio correspondente (como a assistente Sônia, focada em contratos).
2. Decisions API e GPT 5.6 Luna: A adoção do modelo GPT 5.6 Luna proporcionou o equilíbrio ideal entre baixíssima latência, custo reduzido e alta precisão.
3. Memória de Longo Prazo via CDP: Como a jornada imobiliária dura meses ou anos, a plataforma conecta-se ao Customer Data Platform (CDP) da empresa. Isso permite que um agente realizando a vistoria de saída de um imóvel recupere contexto da vistoria de entrada realizada até 3 anos antes.
4. Ciclo de Qualidade Automatizado no CI: Mudanças nos prompts geram testes automatizados de evals no repositório. Se aprovadas, o sistema lança um teste A/B no ambiente de produção para promover a variante vencedora.

Case iFood: escalando agentes em 15.000 Repositórios com a Remote Agent Platform (RAP)

O segundo case de destaque foi apresentado por Thales Biancalana e Victor Coelho, engenheiros de software no iFood. A empresa compartilhou como resolveu o desafio de aplicar geração e modificação de código em escala em uma infraestrutura massiva.

O problema da diversidade tecnológica

O iFood possui mais de 15.000 repositórios de código e opera com uma imensa diversidade de linguagens e ecossistemas (Java 11, Java 17, Go, Ruby, Rust, C#). Quando o time tentou automatizar a geração de testes unitários localmente (projeto ATG), percebeu que a qualidade do agente dependia da capacidade de executar o código e rodar testes para aprender com os erros de compilação.

Contudo, centralizar as toolchains (versões de compiladores, setups de rede privada, Nexus, Go Private) em uma máquina local ou em um único servidor era inviável. Foi assim que nasceu a RAP (Remote Agent Platform).

Arquitetura da plataforma RAP

A plataforma RAP foi desenhada como um serviço agêntico desacoplado, pautado em três princípios: ambiente remoto completo, suporte à escala massiva e composabilidade.

A execução de uma tarefa agêntica na RAP segue este fluxo:

1. Control Plane (REST API): Recebe a instrução, o repositório alvo, a branch e as ferramentas necessárias (MCPs e skills).
2. Runner Efêmero: Cada tarefa roda em uma sandbox totalmente isolada e efêmera, pré-configurada com todas as dependências da linguagem alvo.
3. Execução Determinística e Loop Agêntico: Etapas como clonar o repositório são determinísticas. Em seguida, o agente utiliza um harness customizado com o modelo GPT 5.6 Luna para alterar o código, compilar e rodar testes.
4. Classificação via Structured Outputs: Ao finalizar, a API da OpenAI classifica o resultado (sucesso, falha, tipo de modificação) usando saídas estruturadas.
5. Publicação de Artefatos: A plataforma abre o Pull Request ou Merge Request de forma automática no GitHub/GitLab.

Resultados em Produção

Os dados acumulados nos primeiros 6 meses de operação da plataforma RAP demonstram a eficiência da arquitetura:

• Total de Execuções Agênticas: Mais de 25.000 execuções automatizadas;
• Taxa de sucesso das sessões: 80% de conclusão bem-sucedida sem erros;
• Volume de tokens consumidos: aproximadamente 2,7 milhões de tokens;
• Custo médio de inferência: $0,04 por tarefa (com eficiência do GPT 5.6 Luna)

A plataforma impulsionou três grandes casos de uso internos no iFood:

• AutoBuild (Software Factory): O time de automação construiu um serviço novo do zero através da RAP em apenas 17 requisições 100% pilotadas por agentes, com um custo total de inferência de apenas $1,20.
• Aplicação Massiva de RFCs de Arquitetura: Padronização de diretrizes de código aplicadas em 600 repositórios. O tempo médio de deploy por repositório caiu de 104 horas para 53 horas (redução de 50%), e o número médio de deploys subiu de 22 para 47.
• Aion (Correção de Vulnerabilidades em Dependências): A versão anterior do sistema apenas sugeria atualizações de bibliotecas sem rodar testes. Ao integrar o agente com capacidade de compilar e testar o código na RAP, a taxa de aceitação de Merge Requests subiu de 31% para 67%, com mais de 2.270 MRs abertos e redução de 44% no fechamento por falhas.

O futuro do desenvolvimento: da geração de código à delegação autônoma

O painel de encerramento do OpenAI DevDays São Paulo, contando com a participação dos engenheiros da OpenAI André Lopes e Ricardo Schmidt, sintetizou o momento de transformação vivenciado pela indústria de tecnologia.

A mudança de paradigma

A evolução da inteligência artificial aplicada ao desenvolvimento de software pode ser dividida em três momentos distintos:

1. Era da Pergunta e Resposta (2022–2023): O desenvolvedor solicitava trechos de código no chat, copiava a resposta, colava na IDE e testava manualmente.
2. Era do Assistente de Código (2024–2025): Ferramentas integradas à IDE geravam código no editor local, reduzindo a fricção, mas ainda exigindo supervisão linha a linha.
3. Era dos Agentes Autônomos em Escala (2026+): O desenvolvedor delega a meta final (ex: “corrija esta vulnerabilidade” ou “aplique a RFC X neste repositório”). O agente assume o loop completo: investiga, escreve o código, executa testes, valida e submete o Pull Request.

Recomendações práticas para engenheiros e líderes

Para empresas e desenvolvedores que desejam ter sucesso na implementação de agentes, os especialistas compartilharam diretrizes essenciais:

• Equilíbrio na Governança (Modelo Hub-and-Spoke): Evite a centralização excessiva (que gera gargalos e estimula o uso não governado de ferramentas) e a descentralização total (que gera descontrole e custos). Estabeleça um Hub de IA para padrões e arquitetura, apoiado por Champions de IA nas áreas de negócio.
• Critérios de Sucesso e Evals Claros: Nunca inicie um projeto de agentes sem definir antecipadamente as métricas de sucesso (KPIs) e os critérios de aceite. Caso o piloto não atinja os objetivos mínimos esperados, descarte-o e redirecione os esforços sem apegos.
• Princípio do Menor Privilégio e Observabilidade: Conceda aos agentes apenas as permissões estritamente necessárias para a tarefa (leitura vs. escrita). Mantenha registros detalhados (tracing e logs) do raciocínio do agente para auditoria.
• Pensamento Crítico Continuado: Conforme o custo da escrita de código cai para próximo de zero, o novo gargalo de engenharia move-se para a revisão de código e a arquitetura. O papel do engenheiro evolui de mero digitador de código para arquiteto, revisor e formulador de perguntas críticas.

O segundo OpenAI DevDays São Paulo deixou claro que os agentes inteligentes deixaram de ser uma promessa futurista e tornaram-se o pilar central da engenharia de software moderna. Quer seja otimizando a esteira de segurança com a Agents API e Codex Security, criando web apps em minutos com o WebSCP, padronizando plataformas com MCP Tools no QuintoAndar ou executando milhares de refatorações de código no iFood com a RAP, a mensagem é única: o futuro pertence a quem aprende a delegar metas complexas para sistemas autônomos com responsabilidade, governança e criatividade.

✅Fique por dentro das principais notícias do dia no Brasil e no mundo. Siga o canal do R7, o portal de notícias da Record, no WhatsApp