Model labs e agent labs convergem em integração vertical

A convergência entre model labs e agent labs

Model labs (como Anthropic) estão desenvolvendo aplicações de primeira parte que competem com seus próprios clientes, enquanto agent labs (como Harvey, no setor jurídico) começam a treinar seus próprios modelos. O artigo argumenta que essa convergência é impulsionada pela necessidade de co-design entre modelo e harness.

O que é um harness?

Modelos de linguagem, por si só, apenas recebem dados (texto, imagem, áudio) e geram texto. Não mantêm estado persistente, não executam código, não acessam conhecimento em tempo real e não configuram ambientes sozinhos. O harness é a camada de infraestrutura que envolve o modelo para torná-lo útil - antes chamado pejorativamente de "wrapper", hoje entendido como evolução necessária.

Por que co-design importa

A Anthropic já projeta seus harnesses junto com seus modelos. Yang Zhilin, cofundador da Moonshot AI (Kimi), explica a diferença: um agent lab que usa modelo de terceiros precisa fazer engenharia reversa do processo de treino para descobrir quais ferramentas e prompts funcionam melhor. Um model lab que constrói produto próprio faz o caminho inverso - desenha as ferramentas primeiro e treina o modelo dentro daquele ambiente, obtendo performance superior por construção.

Eiso Kant, da Poolside, defende harnesses mínimos para tarefas de engenharia de software: dar ao modelo um container com codebase, credenciais e documentação, e deixá-lo agir livremente, em vez de sobrecarregá-lo com dezenas de ferramentas no system prompt. Ele prevê que em 12 meses não veremos mais prompts com 20-40 ferramentas.

O framework Workload-Harness Fit

O artigo propõe um espectro para avaliar quais workloads se beneficiam mais de pura engenharia de agentes (sem tocar nos pesos) versus treinamento end-to-end. Workloads jurídicos - volume modesto, alto valor por tarefa, verificabilidade média - ficam no meio do espectro, mas a pressão para treinar modelos próprios só cresce.

A métrica que importa: inteligência por dólar

O mercado enterprise de IA se estabilizou em torno de "inteligence per $" como métrica de ROI. Uma fronteira de Pareto foi estabelecida, e compradores avaliam a capacidade dos vendors de expandi-la. A Anthropic teria margens brutas de inferência acima de 70% na API (ante ~38-40% em 2025).

Conclusão do autor

Agent labs precisam co-projetar modelos e harnesses para oferecer a melhor inteligência por dólar em seus domínios verticais. A vantagem sobre model labs estaria na concentração de recursos: model labs têm dezenas de prioridades concorrentes e negócios lucrativos de API, enquanto agent labs podem focar em um domínio e oferecer margens que os model labs não conseguem igualar. A fronteira de Pareto por domínio seria o diferenciador mais durável.