Zerar Factorio é um avanço real, mas jogos são a prova fácil para a IA

Uma IA que lança um foguete no Factorio está pronta para cuidar do seu back office? Ainda não, e a distância entre essas duas perguntas é a parte mais interessante da notícia desta semana.

Os fatos são curtos. O desenvolvedor Ryan Madden relata que o GPT-5.6 Sol consegue zerar Factorio no modo pacífico. Segundo resumos do texto, o modelo rodou dentro do Codex com nível de raciocínio baixo e concluiu a partida, lançando um foguete após 13,5 horas de tempo de jogo. Uma biblioteca em Python impunha restrições semelhantes às humanas, como o alcance do jogador e a névoa de guerra. A publicação também chamou atenção no Hacker News.

O marco é real, e o nível de raciocínio baixo é a manchete discreta

Factorio não é um quiz. Você monta uma economia do zero, e cada atalho do início vira um gargalo horas depois. Manter um plano coerente ao longo de tantas etapas é justamente o que os agentes historicamente faziam mal. Os projetos anteriores de Madden (uma tentativa com o Claude Code e um ambiente de testes chamado Faketorio) sugerem que foi uma subida lenta, e não um golpe de sorte, e chegar ao fim é um indicador genuíno de competência de longo prazo.

O que mais nos chama a atenção é o detalhe do “nível de raciocínio baixo”. Ele sugere que a resistência veio do ciclo do agente, das ferramentas e da persistência, e não de gastar o máximo de raciocínio em cada jogada. É uma boa notícia para quem se preocupa com custo, e um sinal mais útil do que o foguete em si.

A documentação já indica onde a coisa quebra

Não ignore a ressalva que aparece na cobertura: os gráficos de produção supostamente mostram falhas de escala depois da ciência azul. Ou seja, o agente terminou, mas não deslizou. A fábrica sofreu conforme a complexidade crescia. É por aí que olharíamos primeiro, porque projetos reais são, em boa parte, o que vem depois que a escala fácil acaba.

E há o rótulo “pacífico”. Vale notar que, segundo guias de hospedagem, o modo pacífico não elimina os inimigos por completo: eles continuam surgindo, mas só atacam se forem provocados. Mesmo assim, a configuração remove de propósito a principal fonte de pressão repentina capaz de encerrar a partida. É uma escolha sensata para um experimento. Também é um lembrete de que esta é uma prova amigável.

Jogos bajulam os agentes: avalie-os onde os erros doem

Nossa opinião: um jogo é o melhor cenário possível para um agente. As regras são fixas e documentadas. O estado pode ser observado por uma API. O retorno é imediato e inequívoco. Um movimento errado faz perder tempo, não dinheiro, e normalmente dá para se recuperar. A camada em Python que impõe os limites “semelhantes aos humanos” também faz muito trabalho: alguém precisou projetar a interface para que o modelo pudesse agir.

Escritórios, bases de código e caixas de entrada não têm nada disso. As instruções são ambíguas, os sistemas mudam enquanto você trabalha e alguns erros são irreversíveis: um registro apagado, um pagamento errado, um e-mail que não dá para desenviar. Um agente brilhante quando falhar não custa nada pode se comportar de forma bem diferente quando custa.

Há também um ranking que vale ter em mente. Um site de benchmarks coloca o GPT-5.6 Sol em 12º entre 132 modelos em uso agêntico de ferramentas e tarefas de computador, com nota 68,5/100. Trataríamos esse número com cautela, já que vem de uma página sem data, mas ele combina com o quadro geral: forte, não imbatível e, com certeza, nada decidido.

Nosso veredito

Comemore a partida de Factorio como prova de que os agentes de longo prazo estão chegando. Depois, mude a pergunta. Pare de perguntar “ele consegue terminar?” e comece a perguntar “quanto custa quando ele erra, e com que frequência?”. Boas avaliações de agentes deveriam incluir entradas bagunçadas, nenhum botão de reiniciar, penalidades para ações destrutivas e uma medida de quão bem o agente para e pede ajuda.

Se você está avaliando agentes para trabalho de verdade, teste-os primeiro numa fatia reversível, coloque uma pessoa em tudo o que for irreversível e julgue a taxa de falhas, não a demonstração. O lançamento do foguete é um ótimo trailer. O filme é a tarde de terça-feira em que algo dá errado e ninguém está olhando.