Cinco nomes, uma mesma virada dentro do stack
Cinco lançamentos ocuparam o noticiário técnico entre novembro de 2025 e setembro de 2026. À primeira vista, eles parecem produtos distantes entre si. Ainda assim, todos respondem à mesma pergunta: quem executa a tarefa depois que a pessoa descreve o objetivo?
O JEV resolve decisões estruturadas em milissegundos. O OpenClaw roda na máquina do usuário e age por conta própria. O Manus opera um computador virtual e entrega a tarefa pronta. O Grok Bot chega como funcionário digital hospedado. Já o Hermes Agent entrega as peças para montar o seu próprio.
Quando o agente responde por voz, entra outro cuidado, a pronúncia do nome da marca, tema do guia de voz sintética para marcas.
Generative Engine Optimization (GEO) aparece nesse cenário por um motivo direto. Quando o agente decide, a marca precisa estar legível para ele. Portanto, a disputa por atenção migra para a disputa por elegibilidade dentro da decisão.
O que fazer para ficar legível a esses agentes está no guia sobre como otimizar para robôs que pesquisam por humanos.
JEV: a função inteligente que devolve resposta em 150 milissegundos
O JEV foi criado pela TypeSafe AI e chegou ao mercado como um modelo da categoria System One. Ele recebe informação, analisa o contexto e devolve resultado dentro de um formato definido pelo desenvolvedor.
A arquitetura restringe o que o modelo pode responder. Três tipos de consulta organizam o uso: Choice, para selecionar entre alternativas; Score, para atribuir pontuação; e Noul, para avaliação probabilística entre verdadeiro e falso. Choice e Score também retornam níveis de confiança.
Os números explicam o interesse imediato de desenvolvedores. Segundo a documentação, o modelo responde em até 150 milissegundos. Além disso, a TypeSafe cobra US$ 0,042 por milhão de tokens de entrada e dispensa cobrança sobre tokens de saída, porque as respostas ficam muito mais restritas do que as de um chatbot.
Os casos de uso empresariais seguem uma lógica de triagem. Entre eles aparecem classificação de urgência, roteamento de mensagens para suporte ou vendas, triagem de candidatos, verificação de artigos e chamadas MCP. Em um fluxo financeiro, por exemplo, a aprovação de fatura ganha um conjunto limitado de decisões com probabilidade associada.
Uma ressalva acompanha o entusiasmo. Testes independentes e benchmarks abrangentes sobre a precisão do JEV continuam limitados, conforme reportagem da Cyber Security Brazil de 29 de setembro de 2026.
OpenClaw: o agente local que virou fundação e levou seu criador à OpenAI
O OpenClaw nasceu como projeto paralelo do desenvolvedor austríaco Peter Steinberger, em novembro de 2025. Ele funciona como agente autônomo que roda na máquina do próprio usuário e responde por aplicativos de mensagem, incluindo WhatsApp e Telegram.
Três características explicam a viralização. Primeiro, a memória persistente, que elimina a repetição de contexto a cada uso. Depois, a ação proativa, agendada por rotinas automáticas. Em seguida, a execução real, com comandos de sistema, controle de navegador, calendário e arquivos.
O desfecho institucional veio rápido. Em 15 de fevereiro de 2026, Sam Altman anunciou a contratação de Steinberger pela OpenAI, para liderar a próxima geração de agentes pessoais. O projeto seguiu como código aberto, sob uma fundação apoiada pela empresa.
Os riscos também apareceram cedo. Relatos públicos mencionaram vazamento de credenciais em instalações mal configuradas. Logo, o caso serviu como primeira lição de governança para agentes com acesso amplo.
Manus: o agente generalista que a geopolítica desfez
O Manus foi desenvolvido pela Butterfly Effect e chegou em beta por convite em 6 de março de 2025. Ele opera um computador virtual e executa tarefas de ponta a ponta, sem supervisão humana entre as etapas.
O arco societário virou estudo de caso. A Meta anunciou a aquisição em dezembro de 2025, em negócio reportado entre US$ 2 bilhões e US$ 3 bilhões. Em seguida, a empresa começou a integrar a tecnologia ao Ads Manager, com liberação para anunciantes a partir de 17 de fevereiro de 2026.
O desenlace mudou de direção por decisão regulatória. Em 27 de abril de 2026, a Comissão Nacional de Desenvolvimento e Reforma da China bloqueou a operação e exigiu a retirada da transação. Depois disso, em 15 de junho de 2026, a Meta anunciou o rompimento oficial com o Manus.
A lição comercial permanece válida para qualquer marca. A camada de agentes carrega risco de jurisdição, portanto a dependência de um único fornecedor merece plano alternativo.
Grok Bot e Hermes Agent: agente pronto contra agente montável
Os dois lançamentos aconteceram na mesma semana de agosto de 2026. Assim, eles formam a comparação mais direta do mercado atual.
O Grok Bot entrou em beta em 11 de agosto de 2026, como produto de colega de equipe da xAI. Ele recebe um computador em nuvem próprio e segue trabalhando depois que o usuário fecha o computador pessoal. Além disso, ele opera integrado ao Cursor, cuja aquisição pela SpaceX foi concluída em 14 de agosto de 2026, em transação reportada em US$ 60 bilhões.
O Hermes Agent seguiu o caminho oposto. A Nous Research lançou o projeto em fevereiro de 2026, como agente autônomo de código aberto que roda no servidor do próprio usuário. Poucos dias depois do Grok Bot, a empresa liberou o Bot Mode, que transforma perfis em bots nomeados e agendáveis.
A evolução do Hermes seguiu em ritmo acelerado. Entre 20 de julho e 24 de setembro de 2026, a Nous Research publicou três versões principais, batizadas Quicksilver, Herald e Pantheon.
A diferença de custo organiza a escolha. Comparativos publicados em 2026 colocam o Grok Bot a partir de US$ 200 por mês, enquanto uma operação com Hermes fica na faixa de US$ 40 a US$ 65 mensais, com modelo escolhido por bot.
Como as cinco peças se comparam
A tabela reúne os critérios que mais aparecem na decisão técnica.
| Peça | Origem | Estreia | Natureza | Onde roda | Ponto forte |
|---|---|---|---|---|---|
| JEV | TypeSafe AI | 2026 | Modelo System One para decisão estruturada | API | Latência de até 150 milissegundos e custo baixo |
| OpenClaw | Peter Steinberger | Novembro de 2025 | Agente pessoal de código aberto | Máquina do usuário | Memória persistente e ação proativa |
| Manus | Butterfly Effect | Março de 2025 | Agente generalista | Computador virtual | Execução de ponta a ponta |
| Grok Bot | xAI | 11 de agosto de 2026 | Agente hospedado | Nuvem da xAI | Produto pronto, com aplicativo próprio |
| Hermes Agent | Nous Research | Fevereiro de 2026 | Agente autônomo de código aberto | Servidor do usuário | Modelos plugáveis e custo menor |
A leitura conjunta revela uma divisão simples. De um lado, produtos fechados entregam conveniência. Do outro, projetos abertos entregam controle e flexibilidade de modelo.
A pilha que se forma quando as peças conversam
As cinco peças ocupam camadas diferentes do mesmo sistema. Por isso, elas tendem a se combinar em vez de disputar o mesmo espaço.
A arquitetura emergente se organiza assim:
- Camada de decisão rápida. O JEV classifica, pontua e roteia, com custo baixo e latência mínima.
- Camada de orquestração. OpenClaw, Hermes Agent e Manus planejam a tarefa, chamam ferramentas e mantêm estado.
- Camada de raciocínio aberto. Modelos generativos como ChatGPT, Gemini, Claude, Perplexity e Copilot cuidam de interpretação e redação.
- Camada de integração. Protocolos como MCP conectam agente, ferramenta e dado corporativo.
- Camada de execução. Navegador, terminal, calendário e sistemas internos recebem a ação final.
O encaixe fica evidente em um exemplo prático. Um agente recebe cem mensagens por hora. Primeiro, o JEV classifica cada uma por departamento e urgência, com custo quase irrelevante. Depois, o orquestrador aciona a ferramenta certa. Então o modelo generativo escreve apenas as respostas que exigem texto aberto.
Essa divisão reduz custo e latência ao mesmo tempo. Consequentemente, a arquitetura de 2026 caminha para modelos especializados dentro de fluxos, com o modelo grande reservado ao que realmente pede linguagem.
O que muda para a marca quando a decisão sai da tela
A consequência comercial aparece na etapa de escolha. Quando o agente decide, ele lê dado estruturado antes de qualquer peça de campanha.
No varejo brasileiro, essa leitura prévia já muda a disputa por vitrine, e o artigo Como a inteligência artificial redefine o varejo em 2026 detalha o comércio agêntico e o catálogo preparado para ser lido por modelos de linguagem.
Três números ajudam a dimensionar o movimento:
- A Gartner estima que agentes participarão de cerca de 90% das compras B2B até 2028.
- Levantamento da Muck Rack com mais de 25 milhões de links mostra que 84% das citações de IA vêm de mídia conquistada.
- Projetos conduzidos pela Brasil GEO registram aumento de até 340% na taxa de citação em 60 dias apenas com a correção de consistência de entidade entre plataformas.
Alexandre Caramaschi, founder da Brasil GEO e Chief Strategy Officer da Nuvini, projetou essa realocação de verba durante o Gramado Summit 2026:
“Hoje o CFO ainda olha o orçamento de mídia e enxerga 70% de SEO e SEM. Em 18 meses, a parcela alocada para presença em LLMs vai estar entre 5% e 15%.”
A pergunta prática para o time muda junto. Em vez de perguntar quantas pessoas viram a campanha, a empresa passa a perguntar se o agente consegue ler, entender e recomendar a marca.
Na loja física, essa pergunta chega antes da visita: Varejo físico e busca por IA: o cliente decide antes de sair de casa mostra o cliente escolhendo a loja dentro da resposta da IA e o peso do estoque em tempo real nessa escolha.
Plano de 60 dias para ficar legível na camada de agentes
O roteiro abaixo cabe na equipe atual, sem troca de plataforma.
- Dias 1 a 15. Audite o acesso de agentes no robots.txt, confirme pelos logs do servidor e publique o llms.txt com descrição, produtos e links principais.
- Dias 16 a 30. Padronize nome, cargo, descrição e contatos em site, LinkedIn, diretórios, imprensa e Wikidata.
- Dias 31 a 45. Implemente Schema.org em JSON LD, com Organization, Person, Product, Offer e FAQPage, e garanta que preço, prazo e política apareçam no HTML entregue.
- Dias 46 a 60. Monte um banco de 30 a 50 perguntas do comprador, rode em quatro motores com repetição e registre a linha de base.
Uma ressalva metodológica evita conclusão precipitada. Modelos generativos variam entre execuções, portanto rode cada pergunta de cinco a dez vezes antes de fechar qualquer leitura.
O risco que veio junto com a autonomia
A concessão de acesso amplo a um agente cria superfície de ataque nova. Por isso, a governança entra no primeiro dia do projeto.
Quatro regras reduzem a exposição:
- Separe conteúdo e instrução. Texto vindo de fora chega como dado, jamais como comando.
- Exija aprovação humana. Pagamento, envio externo e alteração de sistema passam por confirmação.
- Isole credencial. Senha e chave ficam em armazenamento cifrado, fora do alcance do modelo.
- Registre tudo. Prompt, resposta e ação executada entram em log auditável.
O caso do OpenClaw ilustra o custo de pular essas etapas, com relatos públicos de credenciais expostas em instalações mal configuradas.
Se um agente decidisse hoje, em 150 milissegundos, se a sua marca entra ou sai da lista, qual dado ele encontraria para sustentar essa escolha?
Perguntas frequentes sobre a nova camada de agentes
O que é o JEV e para que ele serve?
O JEV é um modelo System One da TypeSafe AI voltado a decisões estruturadas, com resposta em até 150 milissegundos. Ele serve para classificar, pontuar e rotear, com custo de US$ 0,042 por milhão de tokens de entrada.
O OpenClaw continua sendo código aberto?
Sim. Após a contratação de Peter Steinberger pela OpenAI, anunciada em 15 de fevereiro de 2026, o projeto passou a uma fundação, com apoio da empresa.
O que aconteceu com a compra do Manus pela Meta?
O regulador chinês bloqueou a operação em 27 de abril de 2026 e exigiu a retirada da transação. Em seguida, no dia 15 de junho de 2026, a Meta anunciou o rompimento com o Manus.
Grok Bot ou Hermes Agent: qual escolher?
O Grok Bot entrega produto pronto e hospedado, a partir de US$ 200 por mês. Já o Hermes Agent roda no seu servidor, com modelos plugáveis e custo na faixa de US$ 40 a US$ 65 mensais.
O que a minha empresa faz para aparecer nas decisões desses agentes?
Libere o acesso de agentes, publique dados estruturados em JSON LD e padronize a entidade em todas as fontes públicas. Depois, meça a presença com um banco de perguntas rodado mensalmente em quatro motores.
