InAgent chega a 90,2% no OSWorld e reforça o peso da engenharia de harness

A Intelligence Indeed informou, em agosto de 2026, que seu produto de uso de computador — chamado de Z-Agent no anúncio da companhia e de InAgent em outras coberturas — atingiu 90,2% de sucesso em tarefas no OSWorld. Segundo a empresa, foi o primeiro resultado divulgado a superar a marca de 90% e também o primeiro colocado em uma subcategoria de frameworks agênticos. 1822

A principal leitura do resultado não é que um único modelo de IA tenha resolvido a automação de desktops. O ponto central é que o desempenho de um agente depende cada vez mais do seu harness: a camada de software que transforma um plano do modelo em ações controladas, verifica se elas funcionaram e lida com as muitas formas pelas quais um fluxo de trabalho real pode dar errado.

O que o InAgent afirmou ter alcançado

A cobertura sobre a avaliação atribui ao InAgent os seguintes resultados no OSWorld:

• 90,2% de sucesso geral nas tarefas;
• 84,7% em tarefas que envolvem vários aplicativos;
• 92,3% em tarefas no GIMP;
• 100% em tarefas de nível de sistema operacional. 22

São resultados reportados, e não conclusões de uma auditoria independente. As fontes fornecidas não apresentam um relatório técnico público que separe a contribuição do modelo-base, das ferramentas de ação, dos prompts, das configurações de avaliação e dos componentes do harness para cada pontuação. Isso é relevante porque uma nota em benchmark mede uma configuração de modelo mais sistema, não a inteligência do modelo isoladamente.

Também convém não confundir uma alegação histórica com uma liderança permanente. Um retrato de um leaderboard de terceiros, publicado em setembro de 2026, apontava outro sistema, o Qwen3.8 Max, com 86,1% no OSWorld-Verified. Isso ilustra como posições em rankings e configurações de avaliação podem mudar ao longo do tempo. 3

Por que o OSWorld é um teste relevante

O OSWorld foi criado para avaliar agentes que operam em ambientes reais de computador, em vez de apenas responder a perguntas sobre capturas de tela ou páginas web simuladas. A versão original reúne 369 tarefas do mundo real em aplicativos como Chromium, LibreOffice, GIMP, Thunderbird, VLC e Visual Studio Code, além de tarefas de sistema operacional e fluxos que cruzam vários programas. A avaliação verifica o estado configurado do ambiente por meio de checagens de execução. 214

A configuração mais usada, com 361 tarefas, exclui oito tarefas do Google Drive que podem exigir preparação manual. 14

Na prática, isso torna o OSWorld mais exigente do que um teste de prever cliques. Para concluir uma tarefa, o agente precisa navegar pela interface, manter o contexto ao longo de várias etapas, manipular arquivos ou estados de aplicativos e deixar a máquina na condição final esperada.

O contexto histórico ajuda a dimensionar a relevância da alegação de 90,2%. Na referência original publicada pelo OSWorld, humanos concluíram mais de 72,36% das tarefas, enquanto o melhor modelo registrou 12,24%. 14 Ainda assim, a comparação não deve ser tomada como medida universal de competência profissional: o resultado depende da seleção das tarefas, da configuração do ambiente, do limite de ações, das ferramentas e do harness do agente.

A mudança: de prompts para harnesses

Um prompt diz ao modelo o que fazer. A engenharia de contexto define quais informações ele recebe. Já a engenharia de harness projeta o sistema de execução: como o agente observa o ambiente, executa ações, preserva estado, comprova a conclusão e se recupera de falhas.

Uma pesquisa sobre sistemas de agentes descreve o harness de execução como a infraestrutura que molda a percepção e as ações do agente, além de sua capacidade de detectar e recuperar-se de erros. Entre seus elementos estão o desenho das observações, os espaços de ação, o isolamento da execução, o gerenciamento de contexto e os ciclos de verificação. 28

Para um agente que opera computadores, um harness robusto costuma precisar cumprir seis funções:

1. Dividir um fluxo em submetas verificáveis. Em vez de pedir simplesmente que o agente “atualize um pedido”, o sistema pode exigir que ele localize o registro, valide campos, faça a alteração, anexe evidências e confirme que a mudança foi salva.
2. Direcionar a ação para a interface adequada. Uma API, um comando ou uma ferramenta estruturada pode ser preferível a um clique quando estiver disponível e for permitido; o controle por interface gráfica atende etapas sem uma interface legível por máquina.
3. Manter estado persistente. O agente precisa registrar o que já concluiu, o estado do aplicativo, as entidades selecionadas, os arquivos envolvidos e se uma ação pode ser repetida com segurança.
4. Verificar o resultado no sistema que vale como fonte de verdade. O agente afirmar que concluiu algo não é prova. O harness pode conferir uma resposta de API, um valor em banco de dados, um arquivo salvo ou o estado do aplicativo.
5. Recuperar-se com segurança. São necessárias políticas para páginas desatualizadas, cliques sem efeito, janelas emergentes, timeouts, envios parciais e interrupções de autenticação.
6. Impor permissões e garantir observabilidade. Logs, rastros de ações, pontos de aprovação e credenciais restritas tornam atividades sensíveis mais seguras e auditáveis.

Há evidência empírica de que essa camada pode afetar materialmente o desempenho. Um estudo relatou que dez iterações de engenharia de harness elevaram o pass@1 no Terminal-Bench 2 de 69,7% para 77,0%, acima da referência de 71,9% para um harness desenhado por humanos. Trata-se de outro benchmark, portanto não valida a nota do InAgent no OSWorld — mas sustenta a tese mais ampla de que o desenho do sistema de execução pode gerar ganhos relevantes sem apenas trocar o modelo. 29

Por que combinar API e interface gráfica é atraente para empresas

O apelo estratégico atribuído ao InAgent é uma abordagem híbrida: usar interfaces programáticas confiáveis quando elas existem, mantendo o controle de interface gráfica semelhante ao de uma pessoa para aplicativos sem APIs adequadas. 22

Esse desenho responde a um problema comum em empresas. Muitos processos atravessam serviços modernos, com APIs utilizáveis, e softwares desktop antigos, portais de fornecedores ou sistemas internos nos quais a única rota prática é a mesma tela usada por um funcionário.

Em tese, o agente pode escolher o caminho mais confiável em cada etapa:

• recorrer a API ou comando para consultas e atualizações estruturadas;
• usar a interface gráfica em um sistema legado ou fechado;
• conferir o resultado em uma fonte de verdade determinística, sempre que possível.

A pesquisa OSWorld-MCP também concluiu que a invocação de ferramentas pode melhorar a taxa de sucesso em algumas situações. Nos experimentos divulgados, a adição de ferramentas MCP elevou o OpenAI o3 de 8,3% para 17,6% em 15 etapas e o Claude 4 Sonnet de 38,9% para 45,0% em 50 etapas. 24

A ressalva é que a automação por GUI continua exposta a mudanças de interface, latência, pop-ups, alvos ambíguos, controles de acesso, autenticação multifator e ações irreversíveis. A execução híbrida pode reduzir esses riscos, mas não os elimina.

O que 90,2% significa para implantação real

Uma taxa de conclusão de 90,2% implica que 9,8% das tarefas do benchmark não foram concluídas com sucesso. Em um cenário hipotético de 10 mil tarefas comparáveis, isso representaria cerca de 980 exceções, antes mesmo de considerar erros que parecem bem-sucedidos, mas produzem um resultado de negócio incorreto.

Isso não torna a pontuação irrelevante. Ela sugere que agentes de uso de computador podem estar se aproximando de uma utilidade prática em fluxos delimitados, repetitivos e sujeitos a controles fortes. Mas não autoriza automação sem supervisão para pagamentos, protocolos jurídicos, operações críticas de segurança ou mudanças que afetem clientes.

Antes de levar um agente à produção, equipes devem avaliar mais do que a taxa principal de aprovação:

• conclusão e correção nos próprios fluxos de trabalho;
• modos de falha e capacidade de recuperação;
• custo, latência e quantidade de ações;
• limites de permissão e pontos de aprovação;
• evidências de que cada ação concluída alterou de fato o estado pretendido do sistema;
• tamanho da fila de exceções e o processo para tratá-la.

O benchmark mais novo e mais difícil, o OSWorld 2.0, reforça a necessidade de cautela. Ele reúne 108 fluxos de trabalho de longa duração, e o melhor resultado divulgado em conclusão binária foi de 20,6% na métrica principal de 500 etapas. Isso indica que os agentes ainda estão longe de um uso de computador amplamente profissional quando as tarefas se tornam mais longas e realistas. 17

O marco real é a engenharia de execução

O resultado de 90,2% reportado para o InAgent é melhor entendido como um marco de engenharia de sistemas agênticos. Prompts melhores e contexto mais rico continuam importantes, mas a automação confiável passa cada vez mais pela estrutura ao redor do modelo: decomposição de tarefas, seleção de ferramentas, estado persistente, conclusão verificável, autoridade limitada e rotas de recuperação.

Para empresas, a pergunta útil não é apenas qual modelo lidera um benchmark. É se um agente consegue executar um processo específico com correção mensurável, efeitos colaterais controlados e uma transferência segura para uma pessoa quando não puder prosseguir. Uma pontuação alta no OSWorld pode ajudar a orientar essa avaliação — mas, sozinha, não consegue comprová-la.