A inteligência artificial no local de trabalho está a atravessar uma mudança estrutural. Durante anos, os assistentes foram úteis para responder a perguntas, gerar texto ou apoiar tarefas isoladas. Hoje, surge uma nova categoria: workspace agents, sistemas capazes de executar trabalho completo, de forma autónoma, contínua e integrada.

A OpenAI está a introduzir esta abordagem no ChatGPT Business, sinalizando uma evolução clara: deixamos de interagir com ferramentas que ajudam, para colaborar com sistemas que fazem.

O que são Workspace Agents

Workspace agents são agentes de IA integrados num ambiente de trabalho (workspace) que conseguem:

• Executar tarefas com múltiplos passos
• Aceder a ficheiros, aplicações e dados
• Utilizar ferramentas conectadas
• Manter contexto ao longo do tempo
• Operar de forma contínua na cloud

Em vez de responderem apenas a comandos, estes agentes recebem um objetivo e tratam da sua execução, recolhendo informação, tomando decisões intermédias e produzindo resultados finais.

A mudança de paradigma

Para perceber o impacto, vale a pena comparar com o modelo tradicional de assistentes:

Esta transição representa uma mudança fundamental:
de interfaces reativas para sistemas proactivos.

Como funcionam na prática

Apesar da complexidade aparente, a arquitetura de um workspace agent pode ser percebida através de quatro componentes essenciais:

1. Prompt (comportamento)

Define o “cérebro” do agente:

• papel e responsabilidades
• objetivos
• regras de decisão
• estilo de comunicação

Um prompt bem estruturado garante consistência e previsibilidade.

2. Base de conhecimento (contexto)

É o que permite ao agente trabalhar com informação real:

• documentos internos
• bases de dados
• ficheiros do workspace
• histórico de interações

A qualidade desta base é determinante para a qualidade das decisões.

3. Skills (capacidades de ação)

Representam o que o agente consegue fazer:

• pesquisar e analisar informação
• resumir conteúdos
• gerar documentos
• criar ou atualizar registos
• automatizar tarefas

As skills transformam o agente de “pensador” em executor.

4. Integrações (MCP e conectores)

Permitem ao agente atuar fora do chat:

• ligação a CRM, ERP, ferramentas de produtividade
• acesso a APIs e serviços externos
• execução de ações em sistemas reais

Aqui entra o conceito de Model Context Protocol (MCP), que permite uma ligação estruturada entre o modelo e sistemas externos, garantindo acesso controlado a dados e funcionalidades.

Casos de uso reais

Comercial

• Qualificação automática de leads
• Geração de propostas personalizadas
• Follow-ups baseados em comportamento

Operações

• Processamento de documentos
• Extração e validação de dados
• Atualização de sistemas internos

Marketing

• Análise de campanhas
• Produção de conteúdos
• Ajuste de estratégias com base em dados

Suporte ao cliente

• Respostas baseadas em conhecimento interno
• Consulta de histórico
• Criação e encaminhamento de tickets

Benefícios para as empresas

A adoção de workspace agents pode gerar impacto direto em várias dimensões:

Eficiência operacional

Automatização de tarefas repetitivas e processos complexos.

Velocidade de execução

Capacidade de processar informação e agir em tempo reduzido.

Consistência

Aplicação uniforme de regras e decisões.

Escalabilidade

Capacidade de lidar com volumes crescentes sem aumento proporcional de recursos humanos.

Integração

Ligação direta ao ecossistema tecnológico da empresa.

Desafios e riscos a considerar

Apesar do potencial, a implementação exige atenção a vários fatores críticos:

Qualidade da informação

Dados desatualizados ou desorganizados comprometem os resultados.

Definição do comportamento

Prompts mal estruturados podem levar a decisões incoerentes.

Segurança e acessos

A integração com sistemas externos implica controlo rigoroso sobre:

• permissões
• dados expostos
• ações permitidas

Governação

É necessário definir:

• limites de autonomia
• mecanismos de supervisão
• auditoria de decisões

Como implementar um Workspace Agent

Uma abordagem prática pode ser dividida em cinco fases:

1. Definir o objetivo

• Que problema resolve?
• Que tarefas executa?

2. Estruturar o prompt

• Papel claro
• Regras operacionais
• Critérios de decisão

3. Organizar a base

• Selecionar informação relevante
• Estruturar conteúdos
• Garantir atualização

4. Definir skills

• Identificar ações essenciais
• Evitar complexidade desnecessária

5. Integrar sistemas

• Ligar ferramentas críticas
• Definir permissões
• Testar fluxos reais

Disponibilidade

Os workspace agents estão a ser introduzidos no ChatGPT Business, podendo ainda estar em fase de disponibilização progressiva e não acessíveis a todos os utilizadores.

O futuro dos agentes

O desenvolvimento de workspace agents aponta para uma evolução clara:

• execução autónoma de workflows completos
• coordenação entre múltiplas ferramentas
• redução da intervenção humana em tarefas operacionais
• maior foco humano em decisão estratégica

Estamos a caminhar para um modelo onde os sistemas de IA deixam de ser ferramentas auxiliares e passam a ser componentes ativos da operação.

Conclusão

Os workspace agents representam uma mudança significativa na forma como interagimos com a tecnologia no trabalho.

Mais do que uma melhoria incremental, são uma nova categoria de sistemas:

• que compreendem contexto
• que tomam decisões
• e que executam tarefas completas

O seu verdadeiro valor não está apenas na tecnologia, mas na forma como são desenhados e integrados nos processos.

Num cenário onde a eficiência e a capacidade de execução são críticas, estes agentes têm potencial para se tornarem uma peça central das empresas digitais.

Artigos recomendados:

Os Seus Dados Não São Maus, Estão Mal Preparados para IA – Vitor Martins

Vitor Martins (Contabilista especialista em Gestão e IA para PME)

Vítor Martins é consultor, formador e contabilista certificado, com mais de 30 anos de experiência em gestão, contabilidade e otimização fiscal. Pós-graduado em Marketing Digital e com formação universitária internacional em Inteligência Artificial, é especialista na aplicação de IA a pequenas e médias empresas. Pioneiro na integração de tecnologias inteligentes na contabilidade e gestão, atua como mentor e consultor estratégico, ajudando empreendedores a digitalizar os seus negócios com soluções eficientes e sustentáveis.

www.linkedin.com/in/vitormartins/

Mais do que um copiloto: a orquestração agêntica como novo paradigma da engenharia de software

Durante anos, a promessa da engenharia de software foi simples: abstrair complexidade para libertar tempo criativo. Na prática, aconteceu o inverso. A maior parte das equipas vive hoje afogada em manutenção, pipelines frágeis e ciclos de correção intermináveis. O código continua a ser escrito por humanos altamente qualificados, mas grande parte desse esforço é consumido por trabalho repetitivo, reativo e pouco estratégico.

É neste ponto de saturação que começa a ganhar forma um novo paradigma: a orquestração agêntica. Não como conceito teórico, mas como resposta pragmática a um problema real. O OpenAI Codex surge aqui não como mais um assistente de escrita, mas como um agente de programação autónomo, capaz de assumir execução técnica contínua.

TL;DR

A engenharia de software está a deixar de ser um exercício de escrita manual para se tornar um problema de orquestração. O OpenAI Codex não atua como simples copiloto, mas como agente autónomo capaz de executar trabalho técnico em paralelo, manter sistemas estáveis e aplicar padrões de equipa. À medida que a execução passa a ser delegada à IA, o valor do engenheiro desloca-se para a arquitetura, a decisão e a liderança de ecossistemas de agentes.

O esgotamento do modelo manual

O modelo tradicional de desenvolvimento parte de um pressuposto implícito: o engenheiro deve controlar diretamente cada passo da execução. Mesmo quando existem ferramentas de apoio, estas funcionam de forma reativa — sugerem, completam, corrigem, mas exigem atenção constante.

Este modelo não escala bem num contexto de sistemas distribuídos, múltiplos repositórios e equipas pressionadas por ciclos de entrega cada vez mais curtos. O problema já não é escrever código difícil, mas gerir complexidade operacional permanente.

Quando a maior parte do tempo é gasta a manter o sistema vivo, a arquitetura deixa de evoluir.

De assistente a agente autónomo

O OpenAI Codex marca uma mudança qualitativa clara. Não se limita a sugerir código ou responder a prompts. Funciona como agente autónomo, com capacidade para compreender contexto, planear abordagens técnicas e executar tarefas completas.

A relação entre humano e ferramenta altera-se profundamente. O engenheiro deixa de microgerir execução e passa a definir objetivos, restrições e critérios de qualidade. A IA executa.

Este deslocamento de responsabilidade é o ponto central da orquestração agêntica.

Autonomia real em ambiente cloud

Um dos pilares do Codex é o seu funcionamento em ambiente cloud dedicado. O agente pode ler, editar e executar código sem depender de um ambiente local ou de interação constante com o utilizador.

Isto permite algo que raramente é discutido de forma explícita: trabalho técnico em segundo plano, contínuo e paralelo. Refactorizações profundas, resolução de bugs persistentes ou análise de regressões deixam de competir pela atenção da equipa.

A inteligência deixa de ser episódica. Passa a ser persistente.

Orquestração multiagente e paralelização efetiva

A arquitetura do Codex permite distribuir trabalho por múltiplos agentes, cada um focado numa tarefa específica. Em vez de um fluxo linear — analisar, implementar, testar, rever — surgem fluxos paralelos, coordenados a partir de um centro de comando.

Este modelo aproxima-se mais de uma equipa técnica bem organizada do que de uma ferramenta isolada. Tarefas que antes exigiam sincronização constante podem avançar de forma independente, reduzindo bloqueios e tempos mortos.

O ganho não é apenas de velocidade. É de capacidade cognitiva coletiva.

Fiabilidade operacional como responsabilidade da IA

Outro aspeto decisivo é a automatização de tarefas operacionais críticas. Em modo não interativo, o Codex pode assumir triagem de issues, monitorização de alertas, gestão de pipelines de CI/CD e verificação contínua da saúde do sistema.

Este tipo de trabalho é essencial, mas raramente valorizado. Ao delegá-lo a um agente autónomo, a equipa recupera espaço mental para decisões arquiteturais e evolução do produto.

A fiabilidade deixa de depender da vigilância humana constante.

Integração direta no ecossistema de desenvolvimento

O Codex não vive isolado. Está integrado nos principais pontos de contacto do desenvolvimento moderno: IDEs, terminal, aplicações nativas e GitHub. Ao interagir diretamente com issues e pull requests, o agente participa no fluxo real de trabalho, não numa camada paralela.

Em ambientes cloud, dispõe ainda de acesso controlado à internet para consultar documentação e dependências externas, reduzindo fricção em problemas complexos ou pouco documentados.

A ferramenta adapta-se a diferentes contextos, desde utilização individual até ambientes empresariais com requisitos de governação mais rígidos.

Consistência técnica e aprendizagem de equipa

Um receio legítimo associado à IA generativa é a produção de código desalinhado com padrões internos. O Codex responde a este risco através do sistema de Skills, que permite ensinar ao agente as convenções, práticas e expectativas específicas de cada equipa.

O resultado não é apenas código funcional, mas coerente. O agente contribui para documentação, testes e compreensão da base de código, atuando como extensão técnica da equipa e não como elemento estranho.

A consistência passa a ser uma propriedade do sistema, não uma luta permanente.

O que muda no papel do engenheiro

A consequência mais profunda desta transição não é técnica, mas profissional. Quando a execução passa a ser delegável, o valor do engenheiro desloca-se.

Escrever código continua a ser importante, mas deixa de ser o centro. Ganham peso competências como desenho de sistemas, definição de limites, avaliação de riscos, alinhamento entre produto e arquitetura.

A pergunta deixa de ser como implementar mais rápido e passa a ser:

que sistemas vale a pena construir e como devem evoluir?

Uma mudança que já começou

A orquestração agêntica não é uma visão distante. Está a acontecer agora, de forma gradual, em equipas que começam a delegar execução técnica a agentes autónomos.

O OpenAI Codex é um dos primeiros sinais claros dessa mudança. Não porque substitua engenheiros, mas porque redefine onde o seu tempo e atenção fazem realmente diferença.

Num mundo onde a execução se torna invisível, a arquitetura volta a ser o centro. E isso, paradoxalmente, pode ser a melhor notícia para a engenharia de software em muito tempo.

Versão vídeo do artigo

https://youtu.be/WO4Bp5VYvAE

Acesso ao Codex

https://openai.com/pt-PT/codex/

Leitura recomendada

Como Criar um Assistente de IA Verdadeiramente Especialista: Guia Completo para Profissionais

Vitor Martins (Contabilista especialista em Gestão e IA para PME)

Vítor Martins é consultor, formador e contabilista certificado, com mais de 30 anos de experiência em gestão, contabilidade e otimização fiscal. Pós-graduado em Marketing Digital e com formação universitária internacional em Inteligência Artificial, é especialista na aplicação de IA a pequenas e médias empresas. Pioneiro na integração de tecnologias inteligentes na contabilidade e gestão, atua como mentor e consultor estratégico, ajudando empreendedores a digitalizar os seus negócios com soluções eficientes e sustentáveis.

www.linkedin.com/in/vitormartins/

OpenAI Prism investigação científica: a revolução da escrita académica com IA

OpenAI Prism investigação científica

O OpenAI Prism na investigação científica marca uma nova era na forma como os investigadores escrevem, colaboram e produzem conhecimento científico. Ao integrar inteligência artificial avançada, LaTeX, bibliografia dinâmica e colaboração em tempo real num único ambiente, esta plataforma elimina a fragmentação tecnológica que há décadas trava a produtividade académica.

Meta descrição (SEO): Descubra como o OpenAI Prism unifica escrita científica, LaTeX, bibliografia e IA avançada num único ambiente colaborativo, acelerando a investigação e reduzindo a fragmentação tecnológica.

Palavras-chave: OpenAI Prism, investigação científica, IA na ciência, escrita académica, LaTeX, bibliografia dinâmica, GPT-5.2 Thinking, colaboração científica

Uma estação de trabalho científica “tudo-em-um”

O Prism integra redação, revisão, formatação e preparação para publicação num único ambiente. A sua base tecnológica resulta da evolução de uma plataforma LaTeX adquirida pela OpenAI, agora transformada num sistema unificado de escrita científica.

Esta abordagem elimina a alternância constante entre aplicações distintas, fenómeno conhecido como context switching, que fragmenta a atenção e reduz a qualidade do raciocínio científico.
Ao centralizar o processo, o Prism permite que o investigador se concentre na análise crítica, enquanto a plataforma gere a infraestrutura técnica do projeto.

O OpenAI Prism investigação científica posiciona-se como um verdadeiro sistema operativo da descoberta científica, reduzindo a fricção técnica e aumentando a eficiência intelectual dos investigadores.

O cérebro por trás do texto: GPT-5.2 Thinking

No centro do Prism está o GPT-5.2 Thinking, o modelo mais avançado da OpenAI para raciocínio matemático e científico. Ao contrário de assistentes externos, esta IA tem acesso total e permanente ao documento em edição.

A inovação reside nas alterações diretas no manuscrito:

• A IA modifica equações, secções e referências no próprio texto.
• Elimina o ciclo ineficiente de copiar e colar sugestões.
• Compreende a relação entre figuras, fórmulas e bibliografia.

Este comportamento aproxima-se do papel de um coautor especializado, capaz de apoiar a escrita científica com consistência contextual e rigor técnico.

Do quadro para o código: automação inteligente

O Prism converte diagramas ou equações desenhadas num quadro branco diretamente para código LaTeX (TikZ). Esta funcionalidade reduz horas de trabalho manual e minimiza erros de transcrição.

Inclui ainda:

• Edição por voz, para pequenas correções sem interromper o fluxo de pensamento.
• Automatização da estrutura do artigo, mantendo coerência entre texto, gráficos e equações.

Bibliografia dinâmica e ligação ao estado da arte

A integração direta com o arXiv redefine o papel das referências científicas.
Em vez de uma lista estática, a bibliografia torna-se dinâmica:

• A IA identifica novos artigos relevantes.
• Reavalia o texto à luz das publicações mais recentes.
• Garante alinhamento contínuo com o estado da arte.

Este mecanismo transforma a revisão bibliográfica num processo vivo e permanentemente atualizado.

Colaboração radical e equidade global

O Prism permite colaboradores ilimitados sem custos adicionais, removendo barreiras geográficas e institucionais.
Embora venha a ser disponibilizado para empresas através dos planos Business, Team, Enterprise e Education, o acesso inicial gratuito para utilizadores com conta ChatGPT representa um passo decisivo para a democratização da ciência.

Investigadores de instituições com menos recursos passam a ter acesso:

• A um ambiente de escrita profissional.
• Ao modelo de raciocínio mais avançado da OpenAI.
• A ferramentas de colaboração em tempo real.

Menos tempo gasto em tarefas mecânicas significa mais tempo dedicado à descoberta científica.

Com o OpenAI Prism investigação científica, a escrita académica deixa de ser um processo fragmentado para se tornar um fluxo contínuo assistido por IA.

Conclusão: 2026 e o futuro da investigação científica

A OpenAI antecipa que 2026 será para a ciência o que 2025 foi para o desenvolvimento de software: um ponto de viragem impulsionado pela Inteligência Artificial.
Ao remover a fricção técnica e burocrática do trabalho académico, o Prism posiciona-se não apenas como um editor, mas como o sistema operativo da descoberta científica.

A questão final é inevitável:
Se a IA eliminar os entraves administrativos da investigação, quão mais depressa poderemos resolver os grandes desafios da humanidade?

Acesso ao Prism

https://openai.com/pt-PT/index/introducing-prism/

Material complementar recomendado

Artigo “Não é sobre prompts mágicos: é sobre colaborar com a IA: Não é sobre prompts mágicos: é sobre colaborar com a IA – Vitor Martins

Versão Vídeo

https://youtu.be/BnK8X1P8EsU

Vitor Martins (Contabilista especialista em Gestão e IA para PME)

Vítor Martins é consultor, formador e contabilista certificado, com mais de 30 anos de experiência em gestão, contabilidade e otimização fiscal. Pós-graduado em Marketing Digital e com formação universitária internacional em Inteligência Artificial, é especialista na aplicação de IA a pequenas e médias empresas. Pioneiro na integração de tecnologias inteligentes na contabilidade e gestão, atua como mentor e consultor estratégico, ajudando empreendedores a digitalizar os seus negócios com soluções eficientes e sustentáveis.

www.linkedin.com/in/vitormartins/

TL;DR

Os LLMs falham em tarefas de longo prazo porque não têm memória estruturada.
O MAGMA propõe uma arquitetura de memória baseada em múltiplos grafos (semântico, temporal, causal e de entidades), onde a recuperação deixa de ser apenas por similaridade e passa a ser uma travessia guiada pela intenção da pergunta.
O resultado são agentes mais coerentes, interpretáveis e capazes de aprender com a experiência ao longo do tempo.

Termos e conceitos

RAG – RAG é uma técnica que permite a um modelo de linguagem consultar informação externa relevante antes de responder.

Agente de IA – Um agente é um sistema de IA que observa o ambiente, toma decisões e executa ações de forma autónoma para atingir um objetivo.

LLM – Um LLM (Large Language Model) é um modelo de inteligência artificial treinado com grandes volumes de texto para compreender e gerar linguagem natural.

Tokens – Tokens são os pequenos blocos de texto em que uma frase é dividida para que a IA a consiga compreender.

Porque é que a memória continua a ser o “calcanhar de Aquiles” da IA

O Problema da Memória dos LLMs

Os modelos de linguagem atuais são impressionantes. Conseguem escrever código, explicar conceitos complexos e manter diálogos convincentes. Mas basta prolongar a conversa, mudar ligeiramente o contexto ou regressar a um tema passado para que surja um problema recorrente: a memória falha.

Apesar de toda a sofisticação, os LLMs continuam presos a uma janela de contexto finita. Tudo o que fica fora desse espaço é, na prática, esquecido. Isto limita drasticamente a sua capacidade de:

• Raciocinar sobre sequências longas de eventos

• Manter coerência ao longo do tempo

• Desenvolver uma identidade estável

• Aprender com experiências passadas

A resposta habitual tem sido “mais contexto” ou “mais tokens”. Mas isso é apenas um paliativo. O problema não é só quanto o modelo consegue ver — é como a memória é representada, organizada e recuperada.

É neste ponto que entra o MAGMA, uma proposta que não tenta esticar o contexto, mas sim repensar a memória desde a raiz.

O estado da arte: como funcionam hoje os sistemas de memória para agentes

Memory-Augmented Generation (MAG)

Memória de IA Abordagem Estruturada

Para ultrapassar os limites do contexto, surgiram sistemas de Memory-Augmented Generation. A ideia é simples: em vez de depender apenas da memória implícita do modelo, usa-se uma memória externa onde se guardam interações passadas, documentos ou observações.

Quando surge uma nova pergunta, o sistema:

1. Procura na memória conteúdos “relevantes”

2. Injeta essa informação no contexto do modelo

3. Gera a resposta

Este paradigma abriu a porta a agentes mais persistentes, mas rapidamente revelou fragilidades.

Abordagens dominantes e os seus limites

A maioria das soluções atuais partilha características comuns:

• Memória monolítica: tudo vai para o mesmo repositório

• Recuperação por similaridade semântica: embeddings + top-k

• Heurísticas simples: recência, pontuação, filtros

O problema é que nem todas as perguntas são semânticas.

Perguntas como:

• “O que levou a esta decisão?”

• “O que aconteceu antes disto?”

• “Quem esteve envolvido?”

• “Porque é que isto correu mal da última vez?”

exigem estrutura temporal, causal e relacional, algo que embeddings densos não capturam bem.

O resultado é familiar: recuperações vagas, contexto irrelevante e raciocínio frágil especialmente em tarefas longas.

A ideia central do MAGMA

MAGMA Arquitetura de Memória e Grafos

O MAGMA parte de uma premissa simples, mas poderosa:

A memória não deve ser representada num único espaço.

Em vez de tratar todas as memórias como vetores num mesmo embedding, o MAGMA propõe que cada memória seja vista através de múltiplas lentes, cada uma capturando um tipo diferente de relação.

Essas lentes são materializadas como grafos distintos, mas interligados.

Arquitetura do MAGMA: memória como múltiplos grafos

Uma Memória Múltiplas Vistas

O que é um item de memória?

No MAGMA, um item de memória pode ser:

• Uma interação

• Uma observação

• Um evento

• Uma decisão tomada pelo agente

Esse item existe simultaneamente em vários grafos, cada um com ligações diferentes.

Os quatro grafos fundamentais

Grafo Semântico

Captura o significado do conteúdo.
É o mais próximo das abordagens tradicionais de embeddings, ligando memórias por similaridade conceptual.

Serve bem para:

• Perguntas factuais

• Recuperação de conhecimento

Grafo Temporal

Modela quando algo aconteceu.

As ligações representam:

• Ordem dos eventos

• Distância temporal

• Continuidade histórica

Essencial para perguntas do tipo:

• “O que aconteceu antes?”

• “O que mudou desde então?”

Grafo Causal

Representa relações de causa-efeito.

Aqui, os nós ligam-se porque:

• Um evento levou a outro

• Uma decisão teve consequências

Este grafo é crítico para:

• Raciocínio explicativo

• Análise de erros

• Planeamento futuro baseado no passado

Grafo de Entidades

Organiza memórias em torno de:

• Pessoas

• Objetos

• Conceitos

• Tópicos

Permite responder a:

• “Quem esteve envolvido?”

• “O que já sabemos sobre X?”

Recuperação de memória como travessia guiada por política

Recuperação Clássica Versus Processo MAGMA

Porque a similaridade não chega

Num sistema clássico, a pergunta é convertida num embedding e comparada com a memória. Isto assume que:

• A relevância é sempre semântica

• O melhor contexto está nos itens mais “parecidos”

Mas a intenção real da pergunta pode ser temporal, causal ou relacional.

O novo paradigma do MAGMA

O MAGMA reformula a recuperação como um problema de decisão sequencial:

• Uma política decide:

  • Qual o grafo a explorar

  • Que nós visitar

  • Quando parar

Em vez de “os 5 mais parecidos”, temos uma travessia adaptativa, guiada pela intenção da query.

O sistema pode, por exemplo:

• Começar no grafo semântico

• Saltar para o grafo causal

• Refinar no grafo temporal

Interpretabilidade como vantagem estrutural

Uma consequência importante:
o caminho percorrido é explícito.

Isto permite:

• Entender porque certa memória foi usada

• Depurar erros

• Ajustar o comportamento do agente

Algo praticamente impossível em pipelines puramente baseados em embeddings.

Separar memória de raciocínio: uma escolha crítica

MAGMA Raciocínio Explícito e Interpretável

Uma das decisões arquiteturais mais relevantes do MAGMA é o desacoplamento entre:

• Representação da memória

• Lógica de recuperação

A memória é estrutural e persistente.
A política de recuperação é flexível e adaptável.

Este design traz benefícios claros:

• Maior controlo

• Melhor extensibilidade

• Menos interferência entre tipos de informação

Resultados experimentais

O MAGMA foi avaliado em benchmarks focados em raciocínio de longo prazo, como LoCoMo e LongMemEval.

Os resultados mostram:

• Melhor desempenho global

• Menor degradação ao longo do tempo

• Maior coerência entre sessões

Mais importante do que a métrica bruta é o comportamento emergente: o agente mantém contexto, aprende com o passado e evita repetir erros.

Porque o MAGMA é diferente (e importante)

MAGMA Memória e Lógica Separada

O MAGMA não é apenas “mais um RAG”.

É uma mudança de mentalidade:

• De memória implícita para memória explícita

• De similaridade para estrutura

• De contexto temporário para experiência acumulada

Isto aproxima os agentes de conceitos como:

• Identidade

• Continuidade

• Aprendizagem experiencial

Limitações e desafios abertos

Claro que há desafios:

• Custos computacionais dos grafos

• Escalabilidade a milhões de memórias

• Aprendizagem eficiente da política

• Integração com agentes existentes

Mas estes são problemas de engenharia, não limitações conceptuais.

O futuro da memória em agentes de IA

Memória Estruturada Potencia a Inteligência

Se queremos agentes que:

• Trabalhem durante meses

• Evoluam com o utilizador

• Tomem decisões informadas pelo passado

então a memória tem de ser uma infraestrutura central, não um acessório.

O MAGMA não é o ponto final, mas é um passo sólido na direção certa.

Conclusão

Sem memória estruturada, não há agentes inteligentes de longo prazo.

O MAGMA mostra que o caminho não passa por janelas de contexto maiores, mas por memórias melhor organizadas, relacionais e interpretáveis.

É uma proposta ambiciosa e precisamente por isso, relevante.

FAQs — Memória em Agentes de IA e MAGMA

O que é memória em agentes de IA?

A memória em agentes de IA refere-se à capacidade de armazenar, organizar e reutilizar informação ao longo do tempo, para além da janela de contexto imediata de um modelo de linguagem. É essencial para agentes que operam em múltiplas sessões, tomam decisões sequenciais ou precisam de manter coerência a longo prazo.

Porque é que os LLMs têm problemas de memória?

Os LLMs funcionam com uma janela de contexto finita. Tudo o que fica fora desse contexto deixa de influenciar a resposta. Sem memória externa estruturada, o modelo não consegue recordar decisões passadas, eventos antigos ou relações causais complexas.

O que é o RAG clássico e porque não é suficiente?

O RAG (Retrieval-Augmented Generation) clássico recupera informação com base em similaridade semântica usando embeddings.
Funciona bem para perguntas factuais, mas falha quando a pergunta é:

• temporal (“o que aconteceu antes?”)

• causal (“porque é que isto falhou?”)

• relacional (“quem esteve envolvido?”)

Nestes casos, a estrutura da memória é mais importante do que a semântica.

O que é o MAGMA?

O MAGMA é uma arquitetura de memória para agentes de IA baseada em múltiplos grafos. Cada item de memória é representado simultaneamente em diferentes grafos, permitindo raciocínio semântico, temporal, causal e baseado em entidades.

Que tipos de grafos o MAGMA utiliza?

O MAGMA organiza a memória em quatro grafos principais:

• Semântico — significado e conteúdo

• Temporal — ordem e recência dos eventos

• Causal — relações de causa-efeito

• Entidades — pessoas, objetos e conceitos envolvidos

Cada grafo oferece uma “vista” diferente sobre a mesma memória.

Como funciona a recuperação de memória no MAGMA?

Em vez de recuperar os itens mais semelhantes semanticamente, o MAGMA usa uma política de decisão que guia uma travessia pelos grafos. O sistema decide:

• que grafo explorar

• que nós visitar

• quando parar

A recuperação adapta-se à intenção da pergunta.

O que significa dizer que o MAGMA é interpretável?

Significa que é possível ver o caminho de raciocínio usado para recuperar memórias:
quais os nós visitados, que relações foram seguidas e porque certas memórias foram escolhidas. Isto facilita debugging, controlo e confiança no sistema.

O MAGMA substitui o RAG?

Não necessariamente. O MAGMA pode complementar ou evoluir sistemas RAG existentes. Enquanto o RAG clássico é eficaz para recuperação documental, o MAGMA é mais adequado para memória experiencial e raciocínio de longo prazo em agentes.

Para que tipos de aplicações o MAGMA é mais útil?

O MAGMA é especialmente relevante para:

• agentes autónomos

• assistentes pessoais de longo prazo

• sistemas multi-sessão

• agentes que aprendem com a experiência

• aplicações onde coerência e continuidade são críticas

Quais são os principais desafios desta abordagem?

Alguns desafios ainda em aberto incluem:

• escalabilidade dos grafos

• custos computacionais

• aprendizagem eficiente da política de travessia

• integração com arquiteturas existentes

Apesar disso, são sobretudo desafios de engenharia, não limitações conceptuais.

A memória baseada em grafos é o futuro dos agentes de IA?

Tudo indica que sim, ou pelo menos uma parte central desse futuro.
À medida que os agentes passam de respostas pontuais para comportamentos persistentes, a memória estruturada deixa de ser opcional e passa a ser infraestrutura cognitiva.

Vitor Martins (Contabilista especialista em Gestão e IA para PME)

Vítor Martins é consultor, formador e contabilista certificado, com mais de 30 anos de experiência em gestão, contabilidade e otimização fiscal. Pós-graduado em Marketing Digital e com formação universitária internacional em Inteligência Artificial, é especialista na aplicação de IA a pequenas e médias empresas. Pioneiro na integração de tecnologias inteligentes na contabilidade e gestão, atua como mentor e consultor estratégico, ajudando empreendedores a digitalizar os seus negócios com soluções eficientes e sustentáveis.

www.linkedin.com/in/vitormartins/

O Seu Navegador Está Prestes a Tornar-se um Assistente de IA Agêntico com o Perplexity Comet.

Tenho explorado intensivamente o Perplexity Comet, e posso dizer com segurança: esta é uma das ferramentas mais impressionantes que surgiram nos últimos tempos. Não é “só” um navegador, é um companheiro de IA agêntico, construído sobre Chromium, mas com funcionalidades muito além das de um browser tradicional.

Se já utiliza Chrome, a migração é simples: pode importar facilmente favoritos, extensões e palavras-passe. Mas a verdadeira magia está no assistente integrado e na forma como ele transforma o fluxo de trabalho diário através de automatização inteligente.

Funcionalidades que Tornam o Comet Verdadeiramente Poderoso

Acesso Integrado a Múltiplos Modelos de IA

Dentro do assistente pode recorrer a modelos como GPT-4/5, Claude, Gemini ou Grok. Isto permite substituir várias subscrições pagas, chamando cada modelo através de comandos simples como /gpt ou /claude.

Contexto Multitarefa em Tempo Real

O assistente não se limita à janela ativa. Ele analisa simultaneamente:

• Várias janelas abertas

• Histórico de navegação recente

Isto significa respostas mais contextuais e úteis, especialmente durante pesquisas complexas.

Atalhos Personalizados para Máxima Produtividade

Uma das funcionalidades mais diferenciadoras.
Pode criar atalhos para prompts muito utilizados, por exemplo:

• /research para investigação estruturada

• /example para gerar modelos de documentos

• /summarize para resumos automáticos

Estes atalhos podem ser configurados com:

• Modelo específico

• Modo preferido (pesquisa, laboratórios, etc.)

• Fontes adicionais (académicas, sociais, Gmail, Notion, entre outras)

Um verdadeiro turbo no fluxo de trabalho.

Pesquisa Profunda e Análise Inteligente

O Comet não se limita a mostrar resultados: analisa-os.

Resumos e Fact-Checking:

Com um clique, resume qualquer página ou valida afirmações comparando com múltiplas fontes confiáveis.

Análises de Mercado:

No modo especializado de pesquisa, pode pedir análises técnicas e fundamentais, por exemplo, comparações detalhadas entre Nvidia vs. Apple, completas com gráficos e explicações.

Controlo Agêntico para Tarefas Complexas (Contas Pagas)

Aqui o Comet começa a parecer-se com um assistente verdadeiramente autónomo. Ele pode executar ações diretamente no navegador, como:

• Revisão e sugestões em documentos, incluindo Google Docs

• Agendamento automático de reuniões no calendário

• Análise de comentários de vídeos do YouTube, com extração de sentimento

• Criação de roundups de notícias lendo múltiplas newsletters ou feeds RSS de forma automática

Embora algumas tarefas possam ser mais lentas do que fazê-las manualmente, o grande benefício é que o Comet consegue executar várias tarefas paralelas enquanto continua o seu trabalho, por exemplo, rever um documento e marcar um café ao mesmo tempo.

Veja Todas as Funcionalidades em Ação

Preparei um vídeo explicativo do que o Comet consegue fazer e de como está a redefinir a automação no navegador.

Conclusão

O Perplexity Comet inaugura uma nova época: navegadores que são verdadeiros assistentes de IA agênticos, integrados, multitarefa e profundamente personalizáveis. Para quem vive entre pesquisa, produtividade e automação, este pode vir a ser o novo browser principal.

Tags:

Perplexity Comet, IA, LLM, Produtividade, Browser Agente, Automação, Tecnologia, Ferramentas de IA

Vitor Martins (Contabilista especialista em Gestão e IA para PME)

Vítor Martins é consultor, formador e contabilista certificado, com mais de 30 anos de experiência em gestão, contabilidade e otimização fiscal. Pós-graduado em Marketing Digital e com formação universitária internacional em Inteligência Artificial, é especialista na aplicação de IA a pequenas e médias empresas. Pioneiro na integração de tecnologias inteligentes na contabilidade e gestão, atua como mentor e consultor estratégico, ajudando empreendedores a digitalizar os seus negócios com soluções eficientes e sustentáveis.

www.linkedin.com/in/vitormartins/

n8n – A Ferramenta Poderosa para Automação

n8n — a ferramenta de automação que liga todas as tuas apps e executa tarefas automaticamente.
Neste vídeo, explica passo a passo o que é um fluxo de trabalho de automação, como funciona o n8n, e como podes transformar uma simples ideia num vídeo publicado em várias redes sociais — tudo de forma automática.

💡 Aprende a:

Criar fluxos inteligentes com o n8n

Integrar IA, Telegram, Google Drive e redes sociais

Automatizar processos e poupar tempo

🔥 Simplifica o teu trabalho e leva a tua produtividade para outro nível com o n8n!

#n8n #Automação #IA #Produtividade #NoCode #Workflow #Automatização

Vitor Martins (Contabilista especialista em Gestão e IA para PME)

Vítor Martins é consultor, formador e contabilista certificado, com mais de 30 anos de experiência em gestão, contabilidade e otimização fiscal. Pós-graduado em Marketing Digital e com formação universitária internacional em Inteligência Artificial, é especialista na aplicação de IA a pequenas e médias empresas. Pioneiro na integração de tecnologias inteligentes na contabilidade e gestão, atua como mentor e consultor estratégico, ajudando empreendedores a digitalizar os seus negócios com soluções eficientes e sustentáveis.

www.linkedin.com/in/vitormartins/

Como os hackers podem “envenenar” a inteligência artificial

E o que os cientistas estão a fazer para detetar o veneno nos dados

Hoje em dia, a inteligência artificial (IA) está por todo o lado, recomenda séries, ajuda a conduzir, escreve textos e até apoia médicos. Mas existe um ataque silencioso que pode corromper uma IA antes mesmo de nascer: o “envenenamento de dados” (data poisoning).

Em termos simples, é quando alguém coloca informação falsa ou manipulada nos dados usados para treinar um modelo de IA. O sistema aprende coisas erradas e pode cometer erros graves sem que ninguém perceba porquê.

O que é “envenenamento de dados”?

Imagina que estás a ensinar uma criança a distinguir frutas. Mostras 100 imagens de maçãs, mas, no meio, colocas 10 imagens de tomates e dizes que são maçãs. Quando ela crescer, vai chamar “maçã” a um tomate. 🍅

É isto que acontece com a IA: os hackers misturam exemplos errados nos dados de treino e o modelo aprende associações incorretas.

Como estes ataques funcionam (sem tecnicismos)

1. O objetivo do atacante: Pode querer que a IA erre em tudo, que falhe apenas num caso específico, ou até que revele informação privada.
2. A forma de ataque: Pode trocar etiquetas (“isto é um cão” quando é um gato), inserir um pequeno símbolo escondido numa imagem, ou espalhar textos manipulados que influenciam modelos de linguagem.
3. O momento do ataque: Antes do treino (dados da internet), durante o treino (sistemas partilhados) ou depois, usando “gatilhos” que ativam comportamentos estranhos.
4. O grau de disfarce: Alguns ataques são óbvios; outros são tão subtis que passam despercebidos e estes são os mais perigosos.

E os modelos grandes, como o ChatGPT?

Os Modelos de Linguagem Grande (LLMs), como o ChatGPT, são treinados com biliões de palavras da internet. Isso significa mais exposição a dados contaminados.

• Textos falsos na web podem fazer um chatbot repetir informação errada.
• Frases “escondidas” podem servir de gatilhos para respostas incorretas.

O que os cientistas estão a fazer

Equipas de investigação criaram um “framework taxonómico” – um guia organizado para entender e detetar estes ataques. Com ele, é mais fácil identificar onde, quando e como o “veneno” entra nos dados e desenvolver defesas mais eficazes.

O futuro: um “sistema imunitário” para a IA

O próximo passo é criar IAs que detetem e limpem dados suspeitos automaticamente, um sistema imunitário digital que neutraliza o veneno antes de causar danos.

“Compreender o inimigo é o primeiro passo para proteger a inteligência.”

Quer saber mais?

Artigo científico (em inglês): Zhao, P. et al. (2025). Data Poisoning in Deep Learning: A Survey. arXiv:2503.22759.

Perguntas Frequentes (FAQ)

O que é “data poisoning”?

É quando alguém introduz dados falsos ou manipulados num sistema de IA, fazendo com que ele aprenda algo errado.

Porque é perigoso?

Porque o erro vem “de dentro”, o modelo parece normal, mas foi treinado com informação contaminada.

Isto pode acontecer com o ChatGPT?

Sim. Se forem usados dados falsos no treino, o modelo pode reproduzir informação enviesada ou incorreta.

Como se evita?

• Verificar a origem dos dados e remover duplicados.
• Usar filtros automáticos e deteção de outliers.
• Fazer auditorias regulares aos conjuntos de treino.

É motivo para pânico?

Não, é motivo para atenção. Proteger os dados é essencial para manter a IA útil e segura.

Sugestões de leitura

Porque os Modelos de Linguagem Alucinam – Desafios e Soluções em Português – Vitor Martins

Vitor Martins (Contabilista especialista em Gestão e IA para PME)

Vítor Martins é consultor, formador e contabilista certificado, com mais de 30 anos de experiência em gestão, contabilidade e otimização fiscal. Pós-graduado em Marketing Digital e com formação universitária internacional em Inteligência Artificial, é especialista na aplicação de IA a pequenas e médias empresas. Pioneiro na integração de tecnologias inteligentes na contabilidade e gestão, atua como mentor e consultor estratégico, ajudando empreendedores a digitalizar os seus negócios com soluções eficientes e sustentáveis.

www.linkedin.com/in/vitormartins/

Reinforcement Fine-Tuning (RFT): como treinar modelos de raciocínio com poucos dados

{
  "id": "sample_001",
  "prompt": "Classifica este excerto legal nas categorias EuroVoc L1.",
  "input_text": "Este regulamento define regras para contratos de trabalho...",
  "reference_labels": ["Emprego", "União Europeia"],
  "metadata": {"idioma": "pt"}
}

{
  "labels": ["Emprego", "União Europeia"]
}

Vitor Martins (Contabilista especialista em Gestão e IA para PME)

Vítor Martins é consultor, formador e contabilista certificado, com mais de 30 anos de experiência em gestão, contabilidade e otimização fiscal. Pós-graduado em Marketing Digital e com formação universitária internacional em Inteligência Artificial, é especialista na aplicação de IA a pequenas e médias empresas. Pioneiro na integração de tecnologias inteligentes na contabilidade e gestão, atua como mentor e consultor estratégico, ajudando empreendedores a digitalizar os seus negócios com soluções eficientes e sustentáveis.

www.linkedin.com/in/vitormartins/

Proteção de Dados na IA Generativa: Guia com 4 Níveis para Privacidade

TL;DR: A IA generativa redefine o que significa proteger dados. Este artigo apresenta uma nova abordagem com quatro níveis de proteção, da não-usabilidade ao direito ao esquecimento, que cobre todas as etapas do ciclo de vida da IA. Essencial para quem desenvolve, regula ou utiliza IA em ambientes sensíveis.

1. Introdução: Por que a IA muda tudo

A ascensão da inteligência artificial generativa, como os modelos GPT, Midjourney ou Med-PaLM, trouxe enormes avanços… e novos riscos. Estes sistemas não apenas consomem dados , eles aprendem com eles, geram novos conteúdos e perpetuam padrões sensíveis.

Isso torna as abordagens tradicionais de proteção de dados digitais, como encriptação e anonimização, insuficientes e desatualizadas.

Segundo um artigo recente publicado na arXiv (Li et al., 2025), é preciso repensar profundamente o conceito de proteção de dados na IA.

2. O ciclo de vida da IA e os dados sensíveis

Os dados estão presentes em todas as etapas da IA:

• Dados de treino (datasets com milhões de exemplos),
• Modelos treinados (parâmetros com valor comercial),
• Prompts e inputs de utilizador (muitas vezes privados ou confidenciais),
• Conteúdos gerados por IA (imagens, textos, código, etc.).

Cada um destes elementos pode conter informação pessoal, propriedade intelectual ou segredos comerciais, tornando urgente a sua proteção.

3. A nova taxonomia da proteção de dados na IA

Os investigadores propõem uma hierarquia de 4 níveis de proteção de dados. Estes níveis oferecem um equilíbrio entre utilidade dos dados e controlo legal e ético:

Nível 1: Não-usabilidade

Impede qualquer uso dos dados em modelos de IA. Ideal para dados sensíveis ou com direitos de autor.

Nível 2: Preservação da Privacidade

Permite usar dados desde que atributos privados estejam protegidos com técnicas como privacidade diferencial ou aprendizagem federada.

Nível 3: Rastreabilidade

Permite uso total dos dados, mas com mecanismos de identificação da origem (ex: marcas d’água, fingerprints, logging).

Nível 4: Deletabilidade

Garante que dados possam ser removidos retroativamente dos modelos, respeitando o “direito ao esquecimento”.

4. Aplicações práticas e regulamentações

Várias legislações, como o GDPR (UE), o AI Act e a CCPA (EUA), cobrem parcialmente estas exigências. No entanto, a maioria das leis ainda não protege:

• Conteúdo gerado por IA (AIGC),
• Dados não pessoais mas sensíveis (ex: dados sintéticos, prompts internos),
• O modelo em si como ativo protegido.

Os países com maior cobertura regulatória incluem a UE, China e Califórnia (EUA).

Fonte: Li et al., Rethinking Data Protection in the (Generative) Artificial Intelligence Era, 2025. Ler o artigo original

5. Desafios emergentes na proteção de dados

• Direitos de autor sobre AIGC: Muitos países ainda não reconhecem direitos de autor sem envolvimento humano.
• Diferença entre proteção e segurança de dados: Proteger a origem vs. evitar que conteúdos perigosos sejam gerados.
• Fragmentação legal global: O ciclo de vida de IA cruza múltiplas legislações com regras diferentes.
• Falta de padronização técnica: Poucas soluções são interoperáveis ou adaptáveis a diferentes contextos legais.

6. Principais Lições

• Classifica os dados usados por modelos de IA com base na sua sensibilidade e função.
• Adota medidas de rastreabilidade desde a origem até à inferência.
• Garante a possibilidade de apagar dados, mesmo após o treino.
• Ajusta a proteção ao uso pretendido, equilibrando utilidade e segurança.
• Avalia as leis locais e internacionais, pois são heterogéneas e estão em rápida evolução.

7. FAQ

Quais são os maiores riscos de proteção de dados em IA generativa?

Fugas de dados sensíveis nos prompts, reutilização de dados protegidos sem consentimento, e ausência de mecanismos de eliminação pós-treino.

O conteúdo gerado por IA pode ser protegido legalmente?

Ainda não existe consenso. Em muitos países, os direitos de autor sem intervenção humana direta não são reconhecidos legalmente.

Como posso aplicar esta taxonomia na minha empresa?

Mapeia os dados utilizados no ciclo da IA, aplica técnicas adequadas a cada nível (ex: anonimização, watermarking) e assegura conformidade com as leis locais.

https://arxiv.org/abs/2507.03034 Artigo de Yiming Li et al. sobre a necessidade de novos modelos de proteção de dados na era da IA generativa.

Se te interessa o tema da IA, recomendo também a leitura deste artigo complementar:
🔗 Overtraining em LLMs: Riscos, Sintomas e Prevenção

Vitor Martins (Contabilista especialista em Gestão e IA para PME)

Vítor Martins é consultor, formador e contabilista certificado, com mais de 30 anos de experiência em gestão, contabilidade e otimização fiscal. Pós-graduado em Marketing Digital e com formação universitária internacional em Inteligência Artificial, é especialista na aplicação de IA a pequenas e médias empresas. Pioneiro na integração de tecnologias inteligentes na contabilidade e gestão, atua como mentor e consultor estratégico, ajudando empreendedores a digitalizar os seus negócios com soluções eficientes e sustentáveis.

www.linkedin.com/in/vitormartins/