Computer use: a IA que opera o computador por você

“Computer use” é a categoria de agentes de IA que não se limita a escrever texto: esses modelos olham a tela, movem o cursor, clicam, digitam, preenchem formulários e operam software real. Em vez de devolver uma resposta para você executar, o modelo executa. Isso muda a natureza do erro: um chatbot que erra produz um parágrafo ruim; um agente que erra envia o formulário errado ou aceita um contrato que ninguém leu.

Teclado de notebook em close — Imagem: Lenharth Systems / StockSnap (CC0)

Este texto, publicado em 12 de setembro de 2026, explica o que é a categoria, como ela é medida, quem a vende, onde ela quebra e como usá-la com segurança no trabalho.

Como isso difere de um chatbot e de um autocompletar

São três camadas. O chatbot recebe texto e devolve texto: quem age é você. O autocompletar de código vive no editor e espera alguém apertar “aceitar”. O computer use fecha o ciclo sozinho.

A documentação da Anthropic descreve o laço: o modelo recebe o pedido e a ferramenta, responde com ações (screenshot, clicar, digitar), a aplicação executa, devolve o resultado e o ciclo recomeça até terminar. A percepção é uma imagem da tela; a saída, um evento de mouse. Não há API estruturada por trás: é a promessa (funciona em qualquer software) e a fragilidade (um botão fora do lugar quebra o passo).

Os benchmarks que medem isso

O principal é o OSWorld, ambiente de computador real com 369 tarefas em Ubuntu, Windows e macOS. A escala do problema está na página do projeto: humanos acertam 72,36% das tarefas e o melhor modelo da rodada original acertava 12,24%. Em 28 de julho de 2025 saiu o OSWorld-Verified, revisão que corrigiu mais de 300 problemas; nela o agente CoACT-1 marcou 60,76% e o Claude 4 Sonnet, 43,9%.

Em 2026 veio o OSWorld 2.0 (arXiv, 28 de junho de 2026): 108 fluxos longos, com mediana de cerca de 1,6 hora de execução humana e média de 318 chamadas de ferramenta. Ali os números despencam: o Claude Opus 4.8 com esforço máximo completa 20,6% das tarefas (54,8% de pontuação parcial) em 500 passos, e o GPT-5.5 estaciona perto de 13%.

Dois vizinhos importam. O Terminal-Bench, mantido por Stanford, Harbor e Laude Institute, mede trabalho no terminal por taxa de resolução, custo e tokens; na tabela do Artificial Analysis para a versão 2.1, o topo é do Claude Fable 5.1, com 91,4%. E o SWE-bench, régua dos agentes de software: 2.294 issues reais de 12 repositórios Python, mais o subconjunto Verified, com 500 casos filtrados por humanos.

O que os números de 2026 realmente significam

Em 10 de agosto de 2026 a Andreessen Horowitz apontou que o melhor modelo chegava a 85% no OSWorld-Verified, contra 42% no início de 2025, acima da linha humana de 72%. O salto é real, mas pede três ressalvas.

A primeira: vencer um benchmark saturado não é vencer no trabalho. O mesmo período em que o OSWorld-Verified passou dos 80% é aquele em que o OSWorld 2.0 devolveu os agentes para a casa dos 20%. A segunda: a correção dos testes é discutível. Um artigo no arXiv de 30 de julho de 2026 auditou 150 veredictos públicos de falha em cinco benchmarks e achou 15,3% errados: 10,7% eram falsos negativos do avaliador e 4,7%, tarefas quebradas.

A terceira: boa parte dos números de ponta é declarada pelo fabricante. A Anthropic informou 81,42% no SWE-bench Verified para o Claude Opus 4.6 (5 de fevereiro de 2026) e 79,2% para o Sonnet 4.6 (17 de fevereiro de 2026). São medições da empresa, não auditorias independentes.

Quem oferece e sob quais condições

Anthropic: a ferramenta está na API, com controle de screenshot, mouse e teclado sobre um desktop. A documentação recomenda rodar em máquina virtual ou contêiner dedicado, com privilégios mínimos.
OpenAI: o computer-use-preview roda só pela Responses API, exige Tier 3 ou superior e tem contexto de 8.192 tokens. Em 22 de abril de 2026 vieram os workspace agents para ChatGPT Business, Enterprise, Edu e Teachers, em prévia de pesquisa, gratuitos até 6 de maio de 2026 e depois cobrados por créditos. Segundo a OpenAI, eles não navegam livremente pela web nem clicam em elementos arbitrários de interface.
Google: o Gemini 2.5 Computer Use (7 de outubro de 2025) está em prévia na API, no AI Studio e na Vertex AI, otimizado para navegadores e ainda não para controle do sistema operacional.

Sobre adoção, relatório da Anthropic com mais de 500 líderes técnicos nos Estados Unidos aponta 57% usando agentes de IA em fluxos de várias etapas.

Onde a tecnologia ainda falha

Erros silenciosos. A falha mais perigosa, porque não parece falha. A Andreessen Horowitz cita um agente ler “net 60” como “net 30”: a tarefa termina, o relatório diz sucesso, o prazo saiu errado.
Precisão e apps de nicho. A Anthropic documenta que o modelo pode alucinar coordenadas ao gerar ações, que a confiabilidade cai em aplicativos pouco comuns ou com vários programas abertos, e que planilhas complexas exigem várias tentativas.
Auditoria difícil. O rastro é uma sequência de screenshots e eventos de mouse, não um log semântico. Com média de 318 chamadas de ferramenta por tarefa no OSWorld 2.0, revisar passo a passo custa mais do que fazer à mão.
Injeção de instruções. Páginas, documentos e imagens podem conter texto endereçado ao modelo. A Anthropic reconhece que o Claude às vezes segue comandos do conteúdo mesmo quando conflitam com as instruções do usuário, e roda classificadores que pedem confirmação humana ao suspeitar de injeção. Em pesquisa de 24 de novembro de 2025 relatou 1% de sucesso de ataque contra um atacante adaptativo interno, dizendo que isso demonstra progresso, não que o problema esteja resolvido. A OWASP trata injeção de prompt como risco número um em IA generativa e afirma não estar claro se existem métodos infalíveis de prevenção.
Latência. Na medição da Andreessen Horowitz, agentes levam de 8 a 10 minutos em tarefas que uma pessoa faz em 2 a 3.

O custo por tarefa

A conta é menos favorável do que a narrativa sugere. Segundo a Andreessen Horowitz, agentes de computer use custam de 6 a 8 dólares por hora, em faixa de 3 a 15. Terceirização administrativa offshore fica perto de 10 dólares por hora e trabalho de retaguarda nos Estados Unidos, entre 30 e 45. A economia é estreita e some se a tarefa exigir revisão humana. Na API, o computer-use-preview da OpenAI custa 3 dólares por milhão de tokens de entrada e 12 de saída, mais taxa por chamada: o custo cresce com os cliques, não com o valor do resultado.

Como usar com segurança no trabalho

As regras abaixo seguem orientações da Anthropic e da OWASP.

Nunca delegue o irreversível: pagamento, transferência, mensagem em nome da empresa, publicação, exclusão definitiva, aceite de contrato ou de termos de uso. A Anthropic recomenda confirmação humana para decisões com consequência real e para o que exija consentimento afirmativo.
Credenciais ficam com pessoas. Evite dar ao modelo acesso a dados sensíveis, como informações de login. Use contas de serviço com escopo mínimo e nunca faça o agente digitar uma senha.
Isole o ambiente: máquina virtual ou contêiner dedicado, privilégios mínimos e internet limitada a uma lista de domínios permitidos.
Trate conteúdo externo como não confiável. Um PDF de fornecedor é dado, não ordem. Se o agente mudar de comportamento após abrir um documento, pare e leia o documento.
Revise a saída, não o processo. Auditar 300 cliques é inviável: escolha tarefas verificáveis em segundos e defina o critério de aceite antes de rodar.
Rode em paralelo antes de confiar. Por algumas semanas, execute a tarefa com o agente e com a pessoa: erro silencioso só aparece contra um gabarito.
Meça custo por tarefa aceita, não por tarefa iniciada: retrabalho entra na conta.

O entusiasmo de clientes vale como declaração, não como medição. Sarah Sachs, AI Lead na Notion, disse sobre o Claude Opus 4.6 que ele “é o modelo mais forte que a Anthropic já lançou”, e Niko Grupen, Head of AI Research na Harvey, relatou 90,2% para o mesmo modelo no BigLaw Bench. São parceiros comerciais: sinal útil, prova insuficiente.

A leitura equilibrada, em setembro de 2026: os agentes de IA resolvem tarefas curtas, repetitivas e verificáveis, e ainda não resolvem fluxos longos, ambíguos ou que exijam julgamento. A própria Anthropic escreveu que o modelo continua atrás dos humanos mais habilidosos no uso do computador. Quem tratar isso como um estagiário rápido, barato e distraído extrai valor. Quem tratar como funcionário autônomo com acesso ao cartão corporativo descobre o custo do erro silencioso.