A IA não espera mais por suas perguntas: como o ChatGPT Dots faz um Agent trabalhar por você 24 horas?

Nota do autor: o ChatGPT Dots conduz o trabalho que o usuário autoriza em torno de objetivos de longo prazo. A execução contínua só é possível graças à articulação entre estado da tarefa, contexto, ferramentas e mecanismos de agendamento.

Conclusão antecipada: o ChatGPT Dots, lançado pela OpenAI em 29 de setembro de 2026, transforma a IA de “ferramenta de perguntas e respostas que espera você perguntar” em “executor que recebe delegações e segue avançando”. Cada Dot tem sua própria máquina na nuvem e seu próprio navegador, consegue preservar o contexto do projeto, faz pesquisa ativa em fontes de informação autorizadas e inicia trabalho com base em horário ou evento. Quando aparece algo que exige julgamento e aprovação, ele devolve a decisão ao usuário. O “24 horas” do título refere-se a um modo de trabalho: o agente, mesmo depois que você sai, ainda consegue decidir o próximo passo com base em objetivo, evento, horário e estado da tarefa. Ele não promete loop infinito, monitoramento em tempo real nem operação de custo zero. Atualmente, o Dots está disponível para usuários individuais ChatGPT Pro 100/200/500 e para workspaces qualificados Business Premium, Enterprise, Edu e Healthcare.

O texto a seguir começa comparando o Dots com o ChatGPT comum, com scripts Cron e com fluxos de trabalho tradicionais; em seguida, destrincha os mecanismos internos que sustentam sua operação contínua, incluindo a relação entre estado da tarefa, memória, pesquisa ativa, tarefas agendadas e agentes em segundo plano. Depois, reúne casos de uso divulgados oficialmente, testes práticos da mídia e relatos dos próprios usuários, apresentando os três tipos de evidência separadamente. Por fim, articula o OpenAI Agents SDK e o SentinelBench da Microsoft Research para mostrar quais componentes técnicos um agente contínuo exige, quais custos e riscos existem e quais trabalhos vale a pena delegar a ele.

Para saber: termos relacionados ao ChatGPT Dots

Termo Explicação
Agente sempre ativo (Always-on Agent) Sistema de IA que continua avançando no trabalho já delegado, mesmo nos intervalos em que o usuário não envia mensagens
Cron Forma de agendamento que dispara programas segundo regras de tempo fixas, por exemplo “executar uma vez por dia às 9h”
Disparo por evento Iniciar o fluxo de processamento apenas quando uma mudança específica acontece, por exemplo um novo relatório de bug surgindo no canal do Slack
Estado da tarefa Informações que registram em que etapa um trabalho está, qual foi o resultado e o que ainda está pendente
Memória de longo prazo Preferências do usuário, decisões de projeto e informações de contexto preservadas entre tarefas
Invocação de ferramentas O modelo chama programas externos para consultar informações ou executar ações
Pesquisa proativa (Proactive Research) Pesquisa em segundo plano, somente leitura, que o Dot faz sobre fontes de dados autorizadas quando não recebeu novas mensagens
Agente em segundo plano Subagente despachado pelo Dot para tratar em paralelo de uma parte do trabalho
Human-in-the-loop / Intervenção humana Etapa da tarefa que exige que uma pessoa julgue, aprove ou corrija algo
Taxa de falsos positivos Proporção de alertas que o sistema gera sem que haja nada a tratar, em relação ao total de alertas
Prompt Injection Instruções maliciosas escondidas em conteúdos externos, como páginas web e e-mails, que tentam sequestrar o comportamento do Agente
Token Unidade básica usada pelo modelo para medir entrada e saída, que determina diretamente o custo da invocação

chatgpt-dots-always-on-agent-24-hours-pt-pt-image-0


1 De esperar pela sua pergunta a assumir tarefas proativamente: o que o ChatGPT Dots mudou

1.1 O posicionamento oficial do ChatGPT Dots

De acordo com o artigo publicado pela OpenAI, Introducing dots, e com a documentação de ajuda, o Dots é um Agente Pessoal de IA (Personal Agent) sempre presente. A descrição oficial destaca as seguintes capacidades principais:

  • Execução permanente Always-on: mesmo quando o usuário não envia novas mensagens, o trabalho já delegado continua sendo processado.
  • Seu próprio computador na nuvem: cada Dot tem um computador na nuvem e um navegador independentes; mesmo com o computador do usuário desligado, as tarefas na nuvem continuam avançando normalmente.
  • Contexto persistente: pode aproveitar a memória do ChatGPT, o histórico de conversas e informações de aplicativos conectados.
  • Pesquisa proativa: faz pesquisas em segundo plano em fontes de dados autorizadas e descobre informações que merecem atenção.
  • Execução de múltiplos projetos: avança vários projetos ao mesmo tempo, pode dividir tarefas e iniciar Agentes em segundo plano para processamento paralelo.
  • Comunicação multiplataforma: é possível falar com o mesmo Dot pelo ChatGPT Web, pelo desktop, pelo celular, pelo Slack e pelo Microsoft Teams.
  • Colaboração humano-máquina: assuntos que exigem julgamento ou aprovação do usuário são devolvidos a ele de forma proativa.

No lançamento, a documentação oficial também mencionou que o Dots está integrado ao ecossistema de plugins da OpenAI, com mais de 4.000 aplicativos conectáveis. Esse número descreve a escala do ecossistema; os aplicativos e as permissões efetivamente disponíveis em cada conta dependem das conexões e autorizações do próprio usuário.

1.2 As mudanças na divisão de trabalho entre humanos e máquinas trazidas pelo ChatGPT Dots

Ao usar o ChatGPT comum, o usuário é o despachante das tarefas: cada etapa precisa ser iniciada pela pessoa, que ainda precisa lembrar o progresso e ficar alternando entre diferentes conversas. O Dots transfere parte da responsabilidade de despacho para o Agente. O usuário entrega um objetivo de longo prazo, como “acompanhar este projeto de cliente até o lançamento”, e o Dot se encarrega de lembrar o progresso, ficar de olho nas mudanças e organizar o próximo passo, pedindo a decisão humana apenas nos pontos-chave.

Com isso, o papel da pessoa muda de “dar instruções uma a uma” para “delegar, supervisionar, aprovar”. O valor dessa mudança está em assumir o trabalho de forma contínua: o que se economiza é o custo de coordenação humano de correr atrás do progresso entre vários sistemas, conferir informações e cobrar o próximo passo. Se fosse só adicionar alguns passos de automação ao fluxo, o ganho seria limitado.


2 Por que a automação tradicional não consegue substituir totalmente agentes como o ChatGPT Dots

2.1 Comparação técnica entre Cron, workflows e agentes persistentes

A automação tradicional é boa em executar processos definidos de antemão, enquanto um agente persistente pode decidir o próximo passo com base no estado atual da tarefa e em novas informações. As diferenças entre os três nos principais critérios são as seguintes:

Dimensão Script agendado via Cron Workflow tradicional Agente persistente (como o Dots)
Forma de acionamento Horário fixo Horário fixo ou evento Horário, evento e estado da tarefa
Lógica de execução Escrita previamente Nós pré-organizados Decidida dinamicamente conforme o contexto
Compreensão de informações Exige codificação manual Depende de nós e condições Chama o modelo para entender o conteúdo
Tratamento de exceções Regras predefinidas Ramificações predefinidas Analisa a situação e propõe soluções
Memória entre tarefas Precisa ser desenvolvida do zero Depende da configuração do workflow Mantém o contexto de projetos de longo prazo
Forma de ajuste Alterar o código Alterar o workflow Ajustar por linguagem natural
Custo de execução Predominantemente infraestrutura Software e infraestrutura Modelo, ferramentas e infraestrutura
Previsibilidade Alta Relativamente alta Influenciada pela saída do modelo

Um exemplo. Um script Cron pode verificar a caixa de entrada a cada 10 minutos e encaminhar e-mails que contenham determinada palavra-chave. Já um agente acompanha os e-mails em torno de um objetivo específico: ao receber uma mensagem importante, ele avalia a qual projeto ela está relacionada, se é preciso dar seguimento e que tipo de resposta deve ser rascunhada.

chatgpt-dots-always-on-agent-24-hours-pt-pt-image-1

2.2 Tarefas com regras fixas ainda combinam com a automação tradicional

Para trabalhos claros, repetitivos e com regras fixas, como fazer backup do banco de dados todas as noites ou exportar um relatório fixo toda segunda-feira, Cron e workflows são mais fáceis de controlar, verificar e manter, além de terem custo menor. A vantagem dos agentes está concentrada em tarefas que exigem compreender novas informações e se ajustar dinamicamente. A arquitetura mais razoável é a coexistência dos dois: as etapas determinísticas ficam com os scripts, e as etapas que exigem julgamento ficam com o agente.


3 Como o ChatGPT Dots continua trabalhando

3.1 O estado da tarefa define o próximo passo do Dots

A documentação Tasks and memory da OpenAI explica que o Dot pode decidir por conta própria quando pausar e retomar o trabalho com base no estado da tarefa, sem que o usuário precise definir um horário fixo para cada etapa. Ele consegue identificar quando deve continuar, pode aguardar mudanças nas condições externas, reiniciar no momento certo, ajustar as etapas seguintes com base em novas informações e solicitar ativamente a participação do usuário quando uma decisão for necessária.

Portanto, o “trabalho contínuo” do Dots é um processo de decisão orientado em conjunto por objetivos, eventos, tempo e estado da tarefa — ele não fica girando em falso a cada minuto. Esse design faz com que o agente permaneça quieto quando não há novidades, deixando os recursos para os momentos em que realmente é preciso agir.

chatgpt-dots-always-on-agent-24-hours-pt-pt-image-2

3.2 Memória de longo prazo e contexto de projeto

O contexto do Dots é composto por quatro camadas de dados:

  1. ChatGPT Memory: o Dot pode acessar memórias relevantes do ChatGPT e o contexto recente de conversas.
  2. Notas do próprio Dot: acumulam preferências do usuário, hábitos de trabalho, decisões de projeto e compromissos de longo prazo.
  3. Contexto da tarefa atual: instruções da conversa em curso, arquivos, resultados de busca e resultados de execução de ferramentas.
  4. Dados de aplicativos conectados: lê informações de aplicativos já autorizados e, sob condições apropriadas, pesquisa esses dados para formar suas próprias memórias.

Essas quatro camadas são independentes entre si. A memória do Dot é um contexto relevante e organizado de notas, não o texto completo do histórico de conversas. Criar uma nova tarefa também não significa necessariamente carregar automaticamente todo o histórico entre o usuário e o Dot — o Dot busca conversas passadas quando precisa complementar o contexto.

3.3 Diferença entre pesquisa proativa, tarefas agendadas e monitoramento de eventos

Esses três mecanismos permitem que o Dots continue trabalhando enquanto o usuário não envia mensagens, mas os modos de disparo e os limites de permissão são diferentes entre si.

  • Pesquisa proativa: quando não há novas mensagens, realiza pesquisa em segundo plano sobre fontes autorizadas — por exemplo, descobrir que o preço em um arquivo do projeto não bate com o conteúdo de um e-mail, ou que algum prazo importante mudou. Sua permissão é somente leitura: não pode enviar mensagens a outras pessoas, não pode modificar conteúdo por meio de plugins, nem operar o navegador ou o computador. Ações subsequentes precisam passar pelas verificações normais de permissão, aprovação e segurança.
  • Tarefas agendadas (Scheduled Tasks): executam em horários definidos, como verificar a agenda todas as manhãs ou organizar o andamento do projeto toda segunda-feira. Ao criá-las, é preciso definir claramente o que será verificado, o horário de execução, o fuso horário, a data de término, quais mudanças exigem notificação e para onde enviar os resultados.
  • Monitoramento de eventos (Event Monitoring): quando o serviço conectado oferece suporte aos eventos correspondentes, acompanha um tipo específico de evento — por exemplo, o surgimento de um novo Bug no Slack. O usuário precisa dizer explicitamente ao Dot o que monitorar. Mesmo adicionando o Dot a um canal, ele não monitora automaticamente o canal inteiro.

Tarefas agendadas são ações pré-definidas executadas com base no tempo; pesquisa proativa são descobertas de julgamento baseadas em contexto — as duas são essencialmente diferentes. Além disso, interromper uma tarefa em execução e cancelar um plano periódico são duas operações independentes, que precisam ser verificadas separadamente.

3.4 Agente em segundo plano e delegação de tarefas

O Dots pode dividir tarefas complexas, iniciar agentes em segundo plano para processá-las em paralelo e, ao final, reunir os resultados. É possível ainda criar tarefas do ChatGPT Work (fluxos de trabalho complexos e independentes) e tarefas do Codex (desenvolvimento e testes de software). Depois que o usuário conecta o computador local ao Dot, o Dot também pode enviar tarefas para serem executadas no ambiente local. O acesso local fica desativado por padrão e precisa ser autorizado pelo aplicativo de desktop do ChatGPT, podendo ser revogado a qualquer momento com “Revoke access”.

4 Quais trabalhos de longo prazo o ChatGPT Dots pode assumir por você

4.1 Casos relatados pelos próprios usuários

Os casos a seguir vêm de compartilhamentos de usuários individuais na comunidade Reddit em outubro de 2026. São relatos dos próprios usuários, sem verificação independente e sem taxas de acerto ou dados estatísticos, representando apenas experiências pessoais.

Caso Informações de entrada Ação do Dot Resultado descrito pelo usuário Etapa de participação humana
Lembrete de e-mails esquecidos Autorização de e-mail, contexto do projeto Verifica a caixa de entrada e identifica itens esquecidos ou perdidos Lembra proativamente o usuário de tratar os itens esquecidos O usuário decide se responde e como responde
Acompanhamento de projetos entre sistemas Cloudflare, CRM, Gmail (via integração Composio MCP) Impulsiona projetos entre sistemas, constrói e testa MCP personalizado, cria portal de coleta de informações de clientes e extensão Chrome, monitora e-mails e calendário da equipe Lembra proativamente de itens pendentes O usuário revisa os resultados e as decisões principais
Relatórios de negócios Dados financeiros de clientes Cria painel financeiro dos clientes O usuário diz que ficou pronto em cerca de 1 hora; antes, trabalho semelhante levava de 4 a 5 dias O usuário confere os dados e a apresentação
Operações periódicas Agendamento + plugin Google Sheets Executa tarefas diárias e semanais e atualiza as planilhas de negócios O usuário considera que dá conta de parte do trabalho que o Cron tem dificuldade de tratar com flexibilidade O usuário define as regras e faz verificações pontuais dos resultados

Outro usuário do Reddit fez um teste de mecânica de cerca de um dia: entregou centenas de PDFs e milhares de páginas de material ao Dot para revisão, e a tarefa manteve o progresso mesmo ao longo de vários dias. Quando surgia uma pergunta no meio do caminho, o Dot pausava a revisão, buscava material para responder e depois voltava à tarefa original. Esse usuário também observou o computador em nuvem do Dot, um computador Linux conectado e um Agent de pesquisa em segundo plano rodando ao mesmo tempo. Ele mesmo apontou que ainda não está confirmado como é calculada a cota desses caminhos de execução.

4.2 Teste real da mídia: Axios compara Dots e Meta Muse

A jornalista da Axios, Ina Fried, publicou em 20 de outubro de 2026 um teste comparativo entre Dots e Meta Muse, com a tarefa girando em torno de uma viagem para assistir às finais da WNBA:

  • Planejamento em várias etapas: ambos descobriram que a data do jogo foi antecipada e que os ingressos ainda não estavam à venda, e o Dots ainda identificou um conflito entre o itinerário e a agenda já existente do usuário.
  • Geração de documentos: o Dots produziu um pacote de materiais de 8 páginas para a confraternização e um programa comemorativo de 38 páginas; o programa do Muse tinha 35 páginas. Ambos os programas traziam estatísticas duvidosas.
  • Álbum de fotos comemorativo: o Dots fez um álbum de 12 páginas em 47 segundos — mas isso é apenas o resultado desse teste.
  • Compra real: o Dots direcionou o usuário para o aplicativo Target, continuou a operação com a conta já salva, e todo o processo de compra não foi concluído de forma totalmente automática.

A conclusão do autor é que esse tipo de Agent é adequado para assumir trabalho de pesquisa e preparação, mas os resultados ainda precisam de edição humana e checagem de fatos; em operações que envolvem conta e dinheiro, a decisão final deve ficar com as pessoas.

Os cenários mostrados oficialmente também incluem preparação de reuniões, monitoramento de dados de vendas, acompanhamento de feedback de clientes, criação de conteúdo, gestão de projetos no GitHub e planejamento de viagens. Estes são exemplos de produto, que representam direções de capacidade, e não podem ser tomados como garantia de resultado em toda execução.


5 O que é necessário por trás para um Agent trabalhar 24 horas

5.1 Os blocos fundamentais do Agents SDK

O guia Building Agents da OpenAI resume o sistema de Agent em alguns conceitos básicos que podem ser mapeados para cada etapa do trabalho contínuo:

  • Agent: a combinação de modelo, instruções e ferramentas, responsável por entender e executar.
  • Handoff: passar o trabalho para outro Agent, o que corresponde ao Dots despachando um Agent em segundo plano.
  • Guardrail: restringe entradas, saídas e comportamento de execução, correspondendo à aprovação e às verificações de segurança.
  • Session: mantém o histórico de conversa entre execuções, correspondendo ao estado da tarefa e à continuidade do contexto.
  • Tracing: registra o processo de execução, facilitando a investigação e a auditoria.

Um Agent capaz de trabalhar continuamente é, na prática, a combinação de seis componentes: “chamada de ferramentas + gerenciamento de estado + monitoramento de eventos + memória de longo prazo + agendamento de execução + mecanismos de segurança”. Se faltar qualquer um deles, fica difícil operar de forma estável.

5.2 Insights de pesquisa do SentinelBench

Em junho de 2026, a Microsoft Research publicou o SentinelBench, um benchmark voltado especificamente para avaliar agentes de monitoramento que precisam acompanhar mudanças de estado externo por longos períodos. Ele conta com 100 tarefas, cobrindo 10 ambientes Web simulados, como e-mail, calendário, finanças, redes sociais profissionais e entretenimento, e avalia ao mesmo tempo taxa de conclusão de tarefas, tempo de resposta e consumo de recursos.

A principal conclusão deste estudo é que, em tarefas de monitoramento de longo prazo, o importante é manter a atenção no ambiente e agir apenas quando aparecer uma mudança que realmente justifique uma ação; executar ações o tempo todo nem sempre é eficaz. Isso está alinhado com a lógica de design do Dots, que pausa e retoma conforme o estado da tarefa. Vale esclarecer que o SentinelBench é um benchmark de pesquisa independente e não pode ser usado para estimar a taxa de sucesso específica do Dots.

5.3 Proposta de design para um Agent contínuo próprio

Se você é desenvolvedor e quer implementar um modo de trabalho “orientado por estado” parecido no seu próprio sistema, dá para montar um protótipo com uma interface compatível com OpenAI. O código abaixo é um exemplo de proposta de design: mostra como escrever a etapa de julgamento. Não incluí resultado de execução.

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Interface compatível com OpenAI da APIYI
)

# Pedir ao modelo que avalie se um novo e-mail merece um alerta ao usuário
resp = client.chat.completions.create(
    model="gpt-4.1",
    messages=[
        {"role": "system", "content": "Você é um assistente de acompanhamento de projetos e só deve emitir JSON: {\"action\": \"ignore|remind|ask_human\", \"reason\": \"...\"}"},
        {"role": "user", "content": "Projeto: reformulação do site institucional, prazo em 30 de novembro. Novo e-mail: a equipe de design avisa que a entrega foi adiada para 5 de dezembro."}
    ]
)
print(resp.choices[0].message.content)
Ver a proposta completa: um loop de Agent movido por tempo + eventos + estado
import json
import time
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# Estado da tarefa: o núcleo do trabalho contínuo, é ele que define o próximo passo
task = {
    "goal": "Acompanhar o projeto de reformulação do site até o lançamento",
    "status": "waiting",          # waiting / judging / awaiting_human / done
    "memory": ["Prazo final em 30 de novembro", "É obrigatória confirmação humana antes de enviar e-mail"],
    "next_check": time.time(),     # checagem periódica de fallback
}

def fetch_new_events():
    """Fonte de eventos: ligação com webhooks ou APIs incrementais de e-mail/IM; aqui fica como placeholder"""
    return []

def judge(event: str) -> dict:
    """Chama o modelo para decidir: ignorar, lembrar ou pedir uma decisão humana"""
    resp = client.chat.completions.create(
        model="gpt-4.1",
        messages=[
            {"role": "system", "content": "Avalie o novo evento com base no objetivo e na memória, emitindo apenas JSON: "
             "{\"action\": \"ignore|remind|ask_human\", \"reason\": \"...\"}"},
            {"role": "user", "content": json.dumps(
                {"goal": task["goal"], "memory": task["memory"], "event": event},
                ensure_ascii=False)}
        ]
    )
    return json.loads(resp.choices[0].message.content)

def run_once():
    events = fetch_new_events()
    # Sem eventos e antes da hora da checagem periódica: apenas aguarde, evitando polling inútil e desperdício de tokens
    if not events and time.time() < task["next_check"]:
        return
    for ev in events:
        decision = judge(ev)
        if decision["action"] == "ask_human":
            task["status"] = "awaiting_human"   # Ponto de aprovação humana: o Agent não sai executando por conta própria
            print("Preciso da sua decisão:", decision["reason"])
        elif decision["action"] == "remind":
            print("Lembrete:", decision["reason"])
        task["memory"].append(f"Evento tratado: {ev[:50]}")
    task["next_check"] = time.time() + 3600     # Checagem periódica de fallback a cada hora

# Em produção, quem dispara run_once é o agendador ou um callback de evento, e não um while True girando em falso

A proposta reflete três princípios de design: eventos primeiro, com checagem periódica de fallback; o estado define a ação; e ações de alto risco passam por aprovação humana.

🚀 Início rápido: ao montar seu próprio protótipo de Agent, você pode usar a APIYI (apiyi.com) para invocar modelos como OpenAI, Claude e Gemini com uma única chave API, e comparar como cada modelo se sai em tarefas de julgamento do tipo “agir ou não agir”. Novos usuários têm cota gratuita para testes.


6 Limites do trabalho contínuo do ChatGPT Dots: confiabilidade, custo e permissões

6.1 Falsos positivos, julgamentos errados e polling ineficaz

A documentação oficial de privacidade e segurança deixa claro que o agente pode entender mal a tarefa, avaliar incorretamente os materiais, gerar dados errados, não conseguir concluir o login em sites ou encontrar um ambiente de execução indisponível, e o resultado da execução precisa de verificação humana. Os dados estatísticos suspeitos que apareceram nos testes da Axios mostram que esses riscos realmente existem no uso real.

A execução prolongada também traz alguns custos que costumam passar despercebidos: o consumo de recursos é diferente entre executar tarefas e aguardar eventos; quando o modelo restaura o contexto, ele relê os materiais, gerando custo de tokens; polling desnecessário causa execuções repetidas. O SentinelBench inclui o tempo de resposta e o uso de recursos na avaliação justamente por isso: o monitoramento de longo prazo precisa ser rápido e econômico.

6.2 Permissões e aprovação humana

Dots permite que os usuários definam requisitos de execução para diferentes comportamentos por meio de Regras Personalizadas, em quatro níveis: execução direta sem perguntar, execução após autorização prévia, perguntar antes de executar e devolver ao usuário. Por exemplo, você pode permitir que ele organize automaticamente pastas específicas, ao mesmo tempo que exige uma pergunta antes de enviar e-mails, confirmação obrigatória para compras e proibição total de publicações em redes sociais.

Antes de operações que possam afetar a conta ou divulgar informações externamente, o mecanismo de Auto-review verifica se o comportamento está em conformidade com as instruções, regras, requisitos de segurança e limites de permissão. Operações como alterar senhas e transferir fundos exigem que o usuário assuma o controle pessoalmente, enquanto a exclusão permanente de dados e a instalação de software podem exigir aprovação a cada vez. Diante de Prompt Injection, a OpenAI adotou medidas como distinguir a origem das instruções, restringir ferramentas, aprovação e monitoramento contínuo, e ao mesmo tempo deixou claro que essas medidas não conseguem eliminar todos os riscos.

6.3 Custos: Pro pessoal e Dots empresarial

  • Usuários individuais: Pro 100 (US$ 100/mês), Pro 200 (US$ 200/mês) e Pro 500 (US$ 500/mês) têm todos direito ao uso do Dots. A documentação oficial sobre Dots no Pro pessoal não lista uma mensalidade separada por Dot. O Pro pessoal exige idade mínima de 18 anos e, por enquanto, não inclui o Espaço Econômico Europeu, o Reino Unido e a Suíça, com as permissões sendo liberadas gradualmente.
  • Tarefas delegadas: Tarefas do ChatGPT Work ou Codex iniciadas por um Dot são calculadas separadamente conforme a cota ou as regras de cobrança do produto correspondente, e o consumo depende do modelo, do contexto, da inferência, das chamadas de ferramentas e da recuperação.
  • Workspaces empresariais: Enterprise, Edu e Healthcare terão um período de pré-visualização administrativa gratuita de 4 a 18 de novembro de 2026, e a partir de 18 de novembro os workspaces elegíveis serão abertos por padrão e começarão a ser cobrados. As empresas podem optar por uma tarifa fixa por tipo de trabalho ou por cobrança baseada no uso; tarefas delegadas ao Work ou ao Codex são cobradas à parte, e os valores específicos seguem a cotação efetivamente aplicável ao workspace. Cada membro pode criar um Dot pessoal.

6.4 Cinco indicadores para avaliar um Agent contínuo

Para julgar se um Agent realmente “trabalha por você”, precisamos de indicadores mensuráveis:

Indicador Forma de cálculo Ponto de atenção
Taxa de conclusão de tarefas Tarefas concluídas com sucesso / total de tarefas Se realmente entrega resultados
Tempo médio de resposta Tempo entre a ocorrência do evento e a resposta efetiva Se a pontualidade atende ao negócio
Taxa de falsos positivos Número de acionamentos sem necessidade de ação / total de acionamentos Se os alertas estão incomodando as pessoas
Taxa de intervenção manual Tarefas que exigem intervenção do usuário / total de tarefas Quanta mão de obra foi realmente economizada
Custo por tarefa Custos de modelo, ferramentas e servidor / número de tarefas concluídas com sucesso Se é economicamente vantajoso

💰 Otimização de custos: Ao construir um Agent de monitoramento próprio, a etapa “julgar se é necessário agir” é a de maior frequência de chamadas, o que a torna adequada para seleção de modelos em níveis: modelos leve para triagem inicial, modelos fortes para análise profunda. Chamando vários modelos com cobrança por uso no APIYI apiyi.com, é possível calcular o custo por tarefa conforme a tabela acima.


7 Quais trabalhos realmente valem a pena entregar a Agents como o ChatGPT Dots

Podemos avaliar se um trabalho é adequado para ser delegado a um Agent residente a partir de cinco dimensões:

Dimensão de avaliação Mais adequado para entregar ao Agent Mais adequado para automação tradicional ou trabalho manual
Grau de clareza das regras Regras vagas, que exigem compreensão semântica Regras claras e totalmente codificáveis → script
Frequência de mudança das informações Muitas fontes de informação, mudanças irregulares Mudanças fixas e previsíveis → script agendado
Duração da tarefa Projetos de longo prazo que atravessam dias e semanas Tarefas curtas e pontuais → conversa comum
Risco da decisão Baixo risco, ou com possibilidade de definir pontos de aprovação Envolve dinheiro, senhas e operações irreversíveis → humano
Custo de coordenação manual Precisa acompanhar progresso e alinhar informações em vários sistemas Operações simples dentro de um único sistema

Com base nisso, os trabalhos que mais valem a pena delegar incluem: pesquisa temática de longo prazo e acompanhamento de materiais, acompanhamento de projetos entre sistemas, lembretes de itens esquecidos, atualização periódica de relatórios, preparação de reuniões e organização das ações pós-reunião. Operações de alto risco, como transferências, alteração de senhas e publicações externas, devem permanecer nas mãos de humanos, ou pelo menos ser configuradas como “perguntar antes de executar”.

💡 Sugestão de escolha: Se sua equipe quer construir um fluxo de trabalho de Agent próprio além do Dots, modelos diferentes apresentam diferenças em chamadas de ferramentas, contexto longo e estabilidade de julgamento. Você pode primeiro fazer uma comparação em pequena escala no APIYI apiyi.com, alternando modelos com o mesmo código, e depois decidir qual usar em produção.


Perguntas frequentes (FAQ)

Q1: O que é o ChatGPT Dots?

O Dots é um Agente de IA pessoal sempre ativo, lançado pela OpenAI em 29 de setembro de 2026. Ele tem um computador e um navegador próprios na nuvem, consegue manter o contexto dos projetos, pesquisar de forma proativa em fontes de informação autorizadas, avançar no trabalho por horário ou por evento e, quando precisa de uma decisão, devolve a questão para o usuário.

Q2: O Dots realmente funciona 24 horas por dia sem parar?

O “24 horas” descreve o modo de trabalho: depois que o usuário sai, o Dot ainda consegue decidir, com base no objetivo, nos eventos, no horário e no status da tarefa, quando continuar e quando esperar. Ele está limitado aos aplicativos conectados, aos tipos de evento suportados e à cota de uso — não fica em loop infinito nem consegue monitorar em tempo real todas as fontes de informação.

Q3: Qual é a diferença entre a pesquisa proativa do Dots e as tarefas agendadas?

Tarefas agendadas executam uma ação definida no horário estabelecido. A pesquisa proativa, por sua vez, acontece quando, sem novas mensagens, o Dot faz uma pesquisa somente leitura nas fontes autorizadas com base no contexto e encontra informações que merecem atenção. A pesquisa proativa em si não pode enviar mensagens, alterar conteúdo ou operar o computador; as ações seguintes passam por permissões e aprovação.

Q4: É preciso pagar a mais para usar o Dots?

Usuários dos planos Pro 100/200/500 individuais têm direito ao uso, e a documentação oficial não lista uma mensalidade separada para o Dot. As tarefas de Work e Codex delegadas pelo Dot são cobradas à parte, conforme as cotas ou regras correspondentes. Os workspaces corporativos passam a ser cobrados a partir de 18 de novembro de 2026, com opção de taxa fixa por tipo de trabalho ou cobrança por uso; os valores dependem da cotação real.

Q5: Como um desenvolvedor pode construir um Agente persistente parecido com o Dots?

Dá para se inspirar nos conceitos do OpenAI Agents SDK — Agent, Handoff, Guardrail, Session, Tracing — e combinar gestão de estado, gatilhos de evento, fallback agendado e aprovação humana. A parte de invocação do modelo pode usar a interface compatível com OpenAI da APIYI apiyi.com, configurando `base_url` como `https://api.apiyi.com/v1`, e testar vários modelos com uma única chave.

Q6: Quais são as limitações conhecidas do Dots?

O Agente pode interpretar mal uma tarefa ou gerar dados errados, pode travar na etapa de login, operações já concluídas nem sempre podem ser desfeitas e o risco de Prompt Injection (injeção de prompt) não pode ser eliminado por completo. No momento, o usuário não consegue ver ou apagar item por item a memória independente do Dot, e desconectar um plugin não apaga automaticamente as informações já obtidas. Ao validar uma solução de Agente no seu próprio negócio, você pode começar com a cota gratuita da APIYI apiyi.com para fazer um teste com amostra pequena e medir a taxa de falsos positivos e a taxa de intervenção humana.


ChatGPT Dots: Principais conclusões

  • Mudança de posicionamento: o Dots transforma a IA de um respondente passivo de perguntas em um executor que aceita delegações e continua avançando.
  • A essência do trabalho contínuo: o próximo passo é definido por objetivos, eventos, tempo e estado da tarefa, não por um loop infinito.
  • Três mecanismos: pesquisa proativa somente leitura, tarefas agendadas conforme o horário e monitoramento de eventos sob demanda; os três devem ser entendidos separadamente.
  • Evidências em camadas: capacidades oficiais, testes práticos da Axios e relatos de usuários — três tipos de evidência com níveis de confiabilidade distintos.
  • Limites claros: operações de alto risco exigem intervenção humana, e os resultados ainda precisam de verificação factual.
  • Custos em duas camadas: a elegibilidade à assinatura Pro e o consumo das tarefas delegadas são calculados separadamente; empresas são cobradas conforme a cotação.
  • Caminho para construção própria: use o Agents SDK como referência para projetar estados e aprovações, e valide vários modelos por meio da interface unificada da APIYI apiyi.com.

Resumo

O valor central do ChatGPT Dots está em permitir que um agente assuma trabalho por longos períodos: um computador independente na nuvem fornece o ambiente de execução, a memória de longo prazo fornece contexto, a pesquisa proativa, as tarefas agendadas e o monitoramento de eventos fornecem os gatilhos, e as Custom Rules e o Auto-review definem os limites de permissão. Ele é adequado para tarefas que atravessam sistemas, se estendem no tempo e exigem compreensão de novas informações; trabalhos com regras fixas ainda compensam mais quando delegados à automação tradicional, e decisões de alto risco continuam sendo feitas por pessoas.

Ao avaliar esse tipo de agente, você pode usar cinco indicadores — taxa de conclusão de tarefas, tempo de resposta, taxa de falsos positivos, taxa de intervenção humana e custo por tarefa — para medir se ele realmente economiza seu tempo. Se quiser implementar uma capacidade semelhante de trabalho contínuo no seu próprio produto, recomendo testar rapidamente os resultados com a APIYI apiyi.com: uma única chave API dá acesso a vários modelos populares, com cobrança por uso, ideal para comparar protótipos.


📚 Materiais de referência

  1. OpenAI: Apresentando dots: anúncio de lançamento do Dots, incluindo posicionamento do produto e escala do ecossistema
  2. Link: openai.com/index/introducing-dots
  3. Descrição: principal fonte para conhecer a descrição oficial das capacidades

  4. ChatGPT Learn: Conhecendo dots / Tarefas e memória: visão geral do produto, tarefas, memória, pesquisa proativa e tarefas periódicas

  5. Link: learn.chatgpt.com/docs/dots
  6. Descrição: documento central para entender o mecanismo de trabalho contínuo

  7. Central de Ajuda da OpenAI: Primeiros passos com seu dot: ativação, conexão com o computador e gerenciamento de regras

  8. Link: help.openai.com/en/articles/20001530-getting-started-with-your-dot
  9. Descrição: etapas práticas de operação e limitações

  10. Central de Ajuda da OpenAI: Perguntas frequentes sobre privacidade, segurança e proteção dos Dots: permissões, aprovações, injeção de prompt e políticas de dados

  11. Link: help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs
  12. Descrição: leitura obrigatória para avaliar os limites de segurança

  13. Guia do administrador do Dots Enterprise e descrição da assinatura Pro: modalidade de cobrança empresarial e preço do Pro

  14. Link: learn.chatgpt.com/docs/enterprise/dots-admin-guide
  15. Descrição: as informações de custo devem ser baseadas nesta referência

  16. Guia Building Agents da OpenAI: conceitos básicos do Agents SDK

  17. Link: developers.openai.com/tracks/building-agents
  18. Descrição: referência técnica para criar seu próprio Agent

  19. Microsoft Research: SentinelBench: estudo de benchmark para agentes de monitoramento de longo prazo

  20. Link: microsoft.com/en-us/research/publication/sentinelbench-a-benchmark-for-long-running-monitoring-agents
  21. Descrição: entender as compensações de eficiência e recursos no monitoramento contínuo

  22. Axios: Testei Dots e Muse: teste prático feito por mídia independente

  23. Link: axios.com/2026/10/20/battle-of-bots-openai-meta-ai-agents-test
  24. Descrição: desempenho em tarefas reais e obstáculos operacionais

Autor: Equipe técnica da APIYI
Contato técnico: fique à vontade para falar conosco na página inicial do site APIYI apiyi.com; há mais materiais de integração disponíveis na central de documentação docs.apiyi.com

Deixe um comentário