Voltar à tendência do dia: Chefe da Intel alerta: bilhões de assistentes de IA serão difíceis de controlar
Ranking Poly · da tendência do dia

Ranking de confiabilidade de agentes de IA 2026: os 10 agentes em que você pode confiar

O rastreador da Universidade de Princeton avalia o Claude Opus 4.7, mais novo, como mais preciso que o Opus 4.5 (79,0% contra 74,6%), mas um pouco menos confiável (0,86 contra 0,87): os agentes ficaram mais capazes sem ficar muito mais previsíveis.

  • Nº 1: Claude Code (Claude Opus 5.5)
  • 10 posições

01Lista final

As IAs líderes montaram cada uma a sua lista de dez, de forma independente. Aqui está um resultado fácil de conferir: cada posição tem um motivo, uma fonte e a lista das IAs que a incluíram.

Ordem: da maior para a menor concordância entre as IA.

Uma etiqueta forte significa que essa IA pôs o item na sua lista. Uma esmaecida, que não pôs.

  1. 1

    Claude Code (Claude Opus 5.5)

    Maior melhoria líquida no Arena (20,14%), além de modos de permissão documentados e reversão de alterações. Mas o modo Auto agora é o inicial, e os eventos de auditoria corporativa pulam chamadas de ferramentas.

    Incluíram: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. Não incluíram: Nemotron, Wenxin.

    Nas listas delas: ChatGPT: 1 · Meta: 4 · Grok: 1 · StepFun: 1 · Kimi: 1 · DeepSeek: 1

    O que cada IA notou 6
    • ChatGPTposição 1

      O sinal mais forte de conclusão de tarefas encontra controles humanos incomumente concretos: 20,75% de sucesso confirmado, além de modos de permissão, comparação de alterações (diffs) e desfazer (rewind).

      Fonte ↗
    • Metaposição 4

      21,15% de sucesso confirmado, 1º no geral em 2,7 milhões de sessões – 42,91% de saldo líquido positivo, mas $6,79 e 18,7 min

      Fonte ↗
    • Grokposição 1

      Maior ganho líquido da Arena, 20,14% no geral, e um interruptor de permissão que ainda pode fazê-lo parar.

      Fonte ↗
    • StepFunposição 1

      O único agente que está em 1º num painel real de milhões de sessões e ainda entrega um arquivo de permissões que você pode ler antes de ele tocar no seu disco.

      Fonte ↗
    • Kimiposição 1

      O agente mais confiável medido pela Universidade de Princeton (73% de consistência de resultados, a melhor nota já registrada) também traz os freios mais exigíveis: regras de bloqueio que disparam antes de qualquer modo de permissão e listas de permissão por comando – testados, não apenas alegados.

    • DeepSeekposição 1

      O modelo mais confiável do HAL está aqui, mas seu registro de auditoria ainda perde as chamadas de ferramentas dos subagentes.

    6 IAs colocaram aqui
    Fonte ↗
  2. 2

    ChatGPT Work (antes ChatGPT agent)

    Pede confirmação antes de comprar, enviar ou apagar, e devolve a você os logins sensíveis. Não existe taxa de sucesso no nível do produto, e o navegador Atlas, da OpenAI, sofreu um sequestro sem clique.

    Incluíram: ChatGPT, Meta, Grok, Kimi, DeepSeek. Não incluíram: Nemotron, StepFun, Wenxin.

    Nas listas delas: ChatGPT: 4 · Meta: 1 · Grok: 5 · Kimi: 2 · DeepSeek: 3

    O que cada IA notou 5
    • ChatGPTposição 4

      A proteção que realmente importa é a passagem de controle: o usuário pode assumir o navegador em logins sensíveis, em vez de entregar sua senha ao agente.

      Fonte ↗
    • Metaposição 1

      20,77% de sucesso confirmado no chat, $3,68 e 10,4 min (mediana) – o primeiro agente mais seguro, que pergunta antes dos passos importantes, testado

    • Grokposição 5

      O antigo modo Agente sumiu; o substituto é descrito como um que pergunta antes de uma compra, um envio ou uma exclusão.

    • Kimiposição 2

      Roda tudo numa VM descartável na nuvem e é treinado para perguntar antes de qualquer ação com consequências no mundo real – e os modelos da OpenAI ocupam os cinco primeiros lugares no Índice de Alinhamento da Arena por não tomar ações não autorizadas.

      Fonte ↗
    • DeepSeekposição 3

      17/20 nos testes de navegador, mas seu melhor registro de auditoria é um complemento corporativo, não o padrão.

      Fonte ↗
    5 IAs colocaram aqui
    Fonte ↗
  3. 3

    Agentes do Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

    Melhor controlabilidade no Arena (19,32%), a US$ 1,69 por tarefa. Mas as verificações de injeção de prompt em capturas de tela vêm desligadas de fábrica, e o sandbox do Gemini CLI precisa ser configurado pelo usuário.

    Incluíram: ChatGPT, Meta, Grok, StepFun, Kimi. Não incluíram: Nemotron, DeepSeek, Wenxin.

    Nas listas delas: ChatGPT: 3 · Meta: 3 · Grok: 4 · StepFun: 3 · Kimi: 3

    O que cada IA notou 5
    • ChatGPTposição 3

      Só $1,69 por tarefa mediana e 18,04% de sucesso confirmado; o ponto crítico é que algumas proteções de segurança locais precisam de configuração.

      Fonte ↗
    • Metaposição 3

      Melhor capacidade de correção, 19,32%, e menor alucinação, 0,51%, entre os 5 primeiros, com 16,72% de sucesso confirmado por $1,69

      Fonte ↗
    • Grokposição 4

      Melhor capacidade de correção no painel ao vivo, 19,32%, enquanto as verificações de injeção por captura de tela vêm desligadas.

      Fonte ↗
    • StepFunposição 3

      O Carbon está em 3º em sucesso confirmado, com 18,02%, por $1,69–$1,80 a tarefa, e é o único agente de consumo que para e pergunta antes de enviar mensagens ou comprar coisas.

      Fonte ↗
    • Kimiposição 3

      Empatado com a melhor nota de confiabilidade medida pela Universidade de Princeton (85%) – mas o mesmo estudo constatou que ele evita erros catastróficos só 25% das vezes, justamente por isso o agente de navegador faz você acompanhá-lo trabalhando.

      Fonte ↗
    5 IAs colocaram aqui
    Fonte ↗
  4. 4

    OpenAI Codex

    O sandbox é imposto pelo sistema operacional: rede desligada por padrão, e é preciso aprovação para sair do espaço de trabalho. Seus modelos ficam atrás no Arena: GPT-6 Astra 14,70% contra 20,14% do Opus 5.5.

    Incluíram: ChatGPT, Grok, StepFun, DeepSeek. Não incluíram: Meta, Nemotron, Kimi, Wenxin.

    Nas listas delas: ChatGPT: 7 · Grok: 2 · StepFun: 2 · DeepSeek: 2

    O que cada IA notou 4
    • ChatGPTposição 7

      A tarefa mediana observada custa $0,98, e não os $6,16 do Astra, enquanto o mesmo produto Codex pode impor limites de espaço de trabalho e de rede.

      Fonte ↗
    • Grokposição 2

      O sandbox é uma barreira do sistema operacional, então um modelo que quer acesso à rede ainda pode ser bloqueado.

      Fonte ↗
    • StepFunposição 2

      O Astra está em 4º em sucesso confirmado, enquanto o Sol faz um trabalho quase idêntico por $0,56 a tarefa – ambos atrás de um sandbox que você pode fechar por completo e de um controle de aprovação de três níveis.

      Fonte ↗
    • DeepSeekposição 2

      Vem com a rede desligada e preço de $1,92 por tarefa – controle e custo num só agente de código.

    4 IAs colocaram aqui
    Fonte ↗
  5. 5

    Devin (Cognition AI)

    Roda em máquinas virtuais isoladas, com aprovação para publicar. Mas as permissões do GitHub valem para toda a organização, nenhum registro de auditoria externo é documentado, e as notas de programação de terceiros variam de 61,7% a 70,4% conforme o placar.

    Incluíram: Meta, StepFun, Kimi, DeepSeek. Não incluíram: ChatGPT, Grok, Nemotron, Wenxin.

    Nas listas delas: Meta: 5 · StepFun: 6 · Kimi: 7 · DeepSeek: 7

    O que cada IA notou 4
    • Metaposição 5

      75,8% no SWE-bench Verified oficial, 96,4% no vals.ai (avaliação neutra) – Pro $20/mês, perfis de segurança em VM gerenciada

    • StepFunposição 6

      Autonomia com reversão: máquinas em sandbox que você pode salvar em snapshot – mas contas de terceiros colocam uma tarefa completa perto de $9–$10, então o controle é bom e a conta, não.

      Fonte ↗
    • Kimiposição 7

      O 'engenheiro de software de IA' original agora aparece em testes de terceiros com 61,7% em tarefas reais de engenharia, a $7,90 por tarefa – razoável, mas sua autonomia ainda precisa de uma pessoa revisando cada fusão de código.

      Fonte ↗
    • DeepSeekposição 7

      70,4% no DeepSWE a $1,40, mas com permissões em nível de organização e nenhum registro de auditoria público.

    4 IAs colocaram aqui
    Fonte ↗
  6. 6

    Agentes do Microsoft Copilot Studio e do Microsoft 365 Copilot

    O registro de governança mais forte (auditoria do Purview, Entra ID por agente), mas a ZDNet achou seus agentes premium 'confiantemente ruins', e o Copilot no Edge foi atingido pelo sequestro sem clique.

    Incluíram: ChatGPT, Meta, StepFun, DeepSeek. Não incluíram: Grok, Nemotron, Kimi, Wenxin.

    Nas listas delas: ChatGPT: 6 · Meta: 10 · StepFun: 7 · DeepSeek: 9

    O que cada IA notou 4
    • ChatGPTposição 6

      Um agente corporativo pode ser mais fácil de governar do que de medir: o Purview registra eventos administrativos e de interação, mas isso não prova que a tarefa foi executada com sucesso.

      Fonte ↗
    • Metaposição 10

      25.000 Copilot Credits por $200/mês – $2 por conversa ou $0,10 por ação, registro de auditoria corporativo, aprovação humana

      Fonte ↗
    • StepFunposição 7

      A história de governança corporativa mais forte do grupo – e um dos três agentes de navegador quebrados por um sequestro 'PleaseFix' sem nenhum clique.

      Fonte ↗
    • DeepSeekposição 9

      Melhor identidade e auditoria da categoria – e um teste prático que classificou a saída como confiantemente ruim.

    4 IAs colocaram aqui
    Fonte ↗
  7. 7

    Manus

    Você autoriza cada sessão do navegador e a interrompe fechando a aba. Em tarefas difíceis na web, ele tem sucesso total em 8,0% das vezes, e sua alegação de 86,5% no GAIA foi medida de forma independente em 73,4%.

    Incluíram: Meta, StepFun, Kimi, DeepSeek. Não incluíram: ChatGPT, Grok, Nemotron, Wenxin.

    Nas listas delas: Meta: 6 · StepFun: 4 · Kimi: 6 · DeepSeek: 10

    O que cada IA notou 4
    • Metaposição 6

      Agente autônomo geral em VM Ubuntu na nuvem – 300 créditos gratuitos por dia, SOC 2 Tipo 2, mas sequestro SilentBridge com CVSS 9,8 em fev. de 2026

    • StepFunposição 4

      Você autoriza cada sessão do navegador e para o agente fechando a aba – rara entre os agentes de consumo cujo botão de parar é de verdade, e não uma configuração.

      Fonte ↗
    • Kimiposição 6

      Alega uma nota de 86,5% no GAIA que nenhum teste independente reproduziu – execuções de terceiros a colocam em 73,4%, e seus controles de agente ficam aquém das suas ambições.

      Fonte ↗
    • DeepSeekposição 10

      Uma janela de desfazer de 10 segundos é útil; 8% de sucesso total em tarefas difíceis na web não bastam para confiar nele sozinho.

      Fonte ↗
    4 IAs colocaram aqui
    Fonte ↗
  8. 8

    Agente do Cursor

    Programação forte, mas uma injeção de prompt fez ele escrever um .cursor/mcp.json malicioso sem pedir aprovação. Duas vulnerabilidades de 2026 (CVEs): uma falha crítica que contorna a autenticação e uma que escapa do sandbox.

    Incluíram: Meta, StepFun, DeepSeek. Não incluíram: ChatGPT, Grok, Nemotron, Kimi, Wenxin.

    Nas listas delas: Meta: 7 · StepFun: 10 · DeepSeek: 6

    O que cada IA notou 3
    • Metaposição 7

      Ferramenta do dia a dia de 57% das equipes em produção – agente em segundo plano por $20/mês, inline rápido, modo de permissão 'Ask'

      Fonte ↗
    • StepFunposição 10

      Uma injeção de prompt levou o agente a escrever um .cursor/mcp.json malicioso sem nenhuma pergunta de aprovação – o motivo mais claro, sozinho, para o controle pesar mais que a capacidade neste ranking.

    • DeepSeekposição 6

      69,3% a $0,44 – mas duas falhas de segurança registradas em 2026 (CVEs) mostram que velocidade barata pode ampliar a superfície de ataque.

    3 IAs colocaram aqui
    Fonte ↗
  9. 9

    Perplexity Comet

    Navegação com agente dentro das suas sessões já conectadas, sem uma etapa de confirmação obrigatória. A Trail of Bits auditou, a Brave o sequestrou no meio de uma tarefa, e o ataque sem clique PleaseFix funcionou nele.

    Incluíram: Meta, StepFun. Não incluíram: ChatGPT, Grok, Nemotron, Kimi, DeepSeek, Wenxin.

    Nas listas delas: Meta: 9 · StepFun: 9

    O que cada IA notou 2
    • Metaposição 9

      Agente de pesquisa citado – apontado como o melhor em tarefas de pesquisa na mistura de 26,5% de atendimento ao cliente + 24,4% de pesquisa

    • StepFunposição 9

      A Trail of Bits fez a modelagem de ameaças dele e a Brave o sequestrou: navegação agêntica que age dentro das suas sessões com login, sem uma barreira de confirmação obrigatória.

      Fonte ↗
    2 IAs colocaram aqui
    Fonte ↗
  10. 10

    Agente de programação do GitHub Copilot

    Marca cada entrada de auditoria com actor_is_agent e guarda registros por 180 dias; 68,0% dos 2.194 pull requests (propostas de mudança no código) estudados foram aceitos. Só uma IA tem essa cobertura.

    Incluíram: DeepSeek. Não incluíram: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.

    Nas listas delas: DeepSeek: 4

    O que cada IA notou 1
    • DeepSeekposição 4

      O agente que registra em nome de quem age – actor_is_agent em cada entrada de auditoria –, mas sua taxa de aceitação de PRs fica em 68%, não no topo.

      Fonte ↗
    1 IAs colocaram aqui
    Fonte ↗

Mais sobre os três primeiros ↓

02Mais sobre os três primeiros

O ranking está acima. Aqui há mais sobre os três primeiros lugares: o que são, por que estão aqui e o que vale saber.

Os três são medidos de formas diferentes: o Claude Code tem melhora líquida na Arena de 20,14%, os agentes do Gemini têm controlabilidade na Arena de 19,32%, e o ChatGPT Work não tem taxa de sucesso no nível do produto.

1Claude Code (Claude Opus 5.5)

Nº 1 — Claude Code (Claude Opus 5.5). Nas listas de 6 de 8 IAs; posição mediana ali: 1. As IAs o colocam em primeiro lugar pela melhor melhora líquida na Arena, além dos modos de permissão e do rewind, que dão a você controle real.

Você sabia?

  • O rewind do Claude Code não desfaz tudo. Ele só acompanha as edições feitas pelas ferramentas de edição de arquivos do próprio Claude. Mudanças feitas por comandos de shell, como apagar ou mover arquivos, não entram. Os checkpoints, porém, sobrevivem entre sessões.

    Fonte ↗
O que é
Um agente de programação que trabalha no seu terminal e edita seus arquivos.
Seu diferencial
Tem a maior melhora líquida na Arena e modos de permissão claros, com rewind.
Para quem
Serve para desenvolvedores que vão acompanhar de perto; não para deixá-lo sozinho, já que o modo Auto é o modo inicial.

Wikipédia · Wikidata

Por que está aqui

  • O Opus 5.5 custa US$ 4 por milhão de tokens de entrada e US$ 20 por milhão de tokens de saída, cerca de 20% abaixo do Opus 5. O custo de operação mais baixo ajuda na nota de valor prático.

    Fonte ↗
História

  • O Claude Code começou em fevereiro de 2025 como uma prévia de pesquisa limitada, lançada junto com o modelo Claude 3.7 Sonnet.

    Fonte ↗
Para ter em mente

  • Com intenção pouco clara ou contexto faltando, o modo automático pode aprovar ações inseguras e bloquear ações inofensivas. Cada ação passa por uma etapa extra de revisão, o que pode atrasar e gastar mais tokens com o tempo.

    Fonte ↗

  • A Anthropic recomenda rodar o modo automático em ambientes isolados, sobretudo com código sensível. Na prática, trate-o como um ajudante a ser acompanhado, e não como algo para deixar sozinho.

    Fonte ↗
Onde saber mais

  • Abra a página de modos de permissão para ver o que cada modo permite que o Claude Code faça sem perguntar. Leia primeiro a parte sobre o modo Auto, já que ele agora é o modo inicial.

    Fonte ↗

Vídeo: Every Claude Code Concept Explained for Normal People (em inglês) · Simon Scrapes

Comparar os três primeiros ↓

2ChatGPT Work (antes ChatGPT agent)

Nº 2 — ChatGPT Work (antes ChatGPT agent). Nas listas de 5 de 8 IAs; posição mediana ali: 3. As IAs gostam que ele pergunte antes de comprar, enviar ou apagar algo, e devolva a você os logins sensíveis.

Você sabia?

  • Quando o agente do ChatGPT precisa de login, ele pausa e pede que você assuma o navegador virtual dele. Enquanto você o controla, o ChatGPT não captura as senhas nem os dados sensíveis que você digita. Só o seu primeiro pedido conta para o limite de uso.

    Fonte ↗
O que é
O agente da OpenAI que faz tarefas na web para você, em um navegador na nuvem.
Seu diferencial
Ele pergunta antes de passos arriscados e deixa você assumir o controle nos logins.
Para quem
Serve para iniciantes cuidadosos que querem verificações; não para quem precisa de taxas de sucesso comprovadas.

Wikidata

Por que está aqui

  • Pesquisadores de segurança mostraram dois ataques ao navegador Atlas, da OpenAI, que não exigiam nenhum clique do usuário. Um único comentário plantado no X podia sequestrá-lo. A OpenAI reconheceu o relatório em 17 de fevereiro de 2026.

    Fonte ↗

  • As próprias instruções do Atlas fazem com que ele pare e pergunte antes de enviar uma mensagem por você. Os pesquisadores passaram "alguns dias" tentando ultrapassar o botão final de compra. Por isso ele fica bem colocado em controle do usuário.

    Fonte ↗
História

  • O agente Operator, da OpenAI, foi lançado em janeiro de 2025. Em julho de 2025, a OpenAI lançou o ChatGPT agent, que executa tarefas de várias etapas.

    Fonte ↗
Para ter em mente

  • O revisor descobriu que o agente muitas vezes ficava preso repetindo ações e perdia tempo, por exemplo quando os cliques demoravam a responder. Também seguia as instruções literalmente demais, então às vezes uma pessoa tinha de intervir.

    Fonte ↗
Onde saber mais

  • Leia como o navegador na nuvem pede sua confirmação antes de comprar, reservar ou pagar, e como você assume o controle nos logins. Comece por essas duas seções.

    Fonte ↗
Meta o colocaram em primeiro. O que viram nele

  • Meta: 20,77% de sucesso confirmado no chat, $3,68 e 10,4 min (mediana) – o primeiro agente mais seguro, que pergunta antes dos passos importantes, testado

Vídeo: ChatGPT Work Completely Changes How You Use ChatGPT (full guide) (em inglês) · Futurepedia

Comparar os três primeiros ↓

3Agentes do Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

Nº 3 — Agentes do Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI). Nas listas de 5 de 8 IAs; posição mediana ali: 3. As IAs reconhecem nele a melhor controlabilidade na Arena com baixo preço por tarefa, mas as verificações de segurança precisam de configuração.

Você sabia?

  • O Gemini CLI é totalmente de código aberto, sob a licença Apache 2.0, então qualquer pessoa pode ler o código. O acesso individual gratuito dele passou para outra ferramenta, o Antigravity CLI, em 18 de junho de 2026.

    Fonte ↗ ✓ confirmado por várias IAs
O que é
A família de agentes do Google: um agente de navegador e uma ferramenta de linha de comando de código aberto.
Seu diferencial
Tem a melhor controlabilidade na Arena e baixo custo por tarefa.
Para quem
Serve para quem gosta de mexer e vai ligar o sandbox; não para quem quer padrões seguros.
Para ter em mente

  • Depois da instalação, o Gemini CLI roda sem sandbox por padrão e avisa o usuário sobre isso. Ligar o sandbox teria bloqueado o ataque que o pesquisador encontrou.

    Fonte ↗
Onde saber mais

  • Abra o guia de sandboxing do Gemini CLI e aprenda a ligar o sandbox com uma flag, uma variável de ambiente ou um arquivo de configurações antes de rodar comandos.

    Fonte ↗
Comparar os três primeiros ↓

Os três primeiros lado a lado

Claude Code (Claude Opus 5.5)ChatGPT Work (antes ChatGPT agent)Agentes do Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)
Nas listas das IAs6 / 85 / 85 / 8
Primeiro paraChatGPT, Grok, StepFun, Kimi, DeepSeekMeta—

Posições com o mesmo número de IAs são ordenadas pela posição média nas listas das IAs.

Mais rankings

03Vale a pena saber

O que as IAs perceberam ao montar a lista.

A precisão subiu por dois anos enquanto a confiabilidade mal se mexeu: o Claude Opus 4.7 chega a 79,0% de precisão com confiabilidade de 0,86; o Opus 4.5, a 74,6% com 0,87. Uma versão anterior do estudo (Fortune, em março) falava em 85% de confiabilidade e, no máximo, 73% de consistência dos resultados, em outra escala.

Perceberam:
Incluíram: Meta, Grok, StepFun, Kimi, DeepSeek. Não incluíram: ChatGPT, Nemotron, Wenxin.
Fonte ↗

O 'sucesso confirmado' do Arena é uma melhoria líquida causal sobre uma linha de base, não a fatia de tarefas concluídas. Os 21,15% do Opus 5.5 não significam que 79% das tarefas dele falharam.

Perceberam:
Incluíram: ChatGPT, Grok. Não incluíram: Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
Fonte ↗

Sequestros sem clique 'PleaseFix' atingiram o Comet, o ChatGPT Atlas e o Copilot Edge. Além disso, o remendo do Claude para Chrome contra o ataque de roubo de credenciais BioShocking não funcionou.

Perceberam:
Incluíram: StepFun, DeepSeek. Não incluíram: ChatGPT, Meta, Grok, Nemotron, Kimi, Wenxin.
Fonte ↗

Desfazer é local: o recurso de voltar no tempo do Claude Code e os checkpoints do Gemini CLI restauram arquivos do projeto, não e-mails enviados, pagamentos feitos ou outras ações externas.

Perceberam:
Incluíram: ChatGPT. Não incluíram: Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
Fonte ↗

Dos 35 agentes de navegador que documentam a conclusão de tarefas em várias etapas, 51% não documentam nenhuma etapa de confirmação antes de ações irreversíveis.

Perceberam:
Incluíram: DeepSeek. Não incluíram: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.
Fonte ↗

04Como contamos

Em palavras simples, sem fórmulas.

1A pergunta

Os 10 agentes de IA em que você pode confiar para agir por você, e não só responder

2Por que este tema

Ele separa três perguntas que cada ranking junta numa só (ele consegue fazer a tarefa? vai se comportar de forma previsível? o dono consegue pará-lo?), o que responde diretamente à pergunta de Tan.

3Onde se aplica

Global: agentes de IA para consumidores e empresas que usam ferramentas, navegam, editam arquivos, rodam código ou executam ações para o usuário (celular, computador, navegador, aplicativos de negócios)

4O que analisamos

  • Conclusão real de tarefas: sucesso medido de forma independente em tarefas de várias etapas (25%)
  • Confiabilidade e segurança: consistência, previsibilidade, robustez, resistência a manipulação e alucinação de ferramentas (35%)
  • Controle do usuário: limites de permissão, confirmação antes de ações com consequências, registro de auditoria, parar e desfazer (30%), verificado à mão em cada produto e marcado como 'testado' ou 'alegação do fornecedor'
  • Valor prático: tarefas concluídas em relação ao custo e ao tempo (10%)
  • Só entram no ranking agentes com evidência pública suficiente
  • Universidade de Princeton: HAL Reliability Tracker — 15 agentes em 12 métricas (consistência, previsibilidade, robustez, segurança) ao lado da precisão nas tarefas, no GAIA e num subconjunto de tarefas de companhia aérea do τ-bench
  • Arena: ranking Agent Arena (3–4 de novembro de 2026) — melhoria líquida, sucesso confirmado, controlabilidade, confiabilidade em bash, alucinação de ferramentas, custo e tempo medianos para 58 modelos orquestradores em cerca de 2.
  • Arena: metodologia do Agent Arena — sucesso confirmado e melhoria líquida são efeitos de tratamento causais contra uma linha de base, não parcelas de tarefas concluídas

5Quem classificou

As IAs líderes: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin. Cada uma montou sua própria lista de dez de forma independente e indicou uma fonte para cada posição.

6Como as posições foram definidas

O mesmo item escrito de formas diferentes por IAs diferentes foi contado como um só. Quanto mais IAs o colocaram na lista, e quanto mais alto, mais alta a posição. "Acordo das IAs" mostra quantas IAs tinham o item na própria lista. As fontes são apenas as que as próprias IAs encontraram; nada foi acrescentado à mão.

05A lista de cada IA

🇺🇸 ChatGPT10 posições · 4 notas

A mesma pergunta, respondida só por ChatGPT. A lista final acima combina todas as IAs.

  1. 1
    Claude Code with Claude Opus 5.5

    O sinal mais forte de conclusão de tarefas encontra controles humanos incomumente concretos: 20,75% de sucesso confirmado, além de modos de permissão, comparação de alterações (diffs) e desfazer (rewind).

    Fonte ↗
  2. 2
    OpenAI Codex with GPT-6 Astra

    Taxa de conclusão observada menor que a do Opus, mas limites explícitos de sandbox e de aprovação o tornam uma escolha forte quando erros podem afetar arquivos reais.

    Fonte ↗
  3. 3
    Gemini CLI with Gemini 4 Carbon

    Só $1,69 por tarefa mediana e 18,04% de sucesso confirmado; o ponto crítico é que algumas proteções de segurança locais precisam de configuração.

    Fonte ↗
  4. 4
    ChatGPT Agent

    A proteção que realmente importa é a passagem de controle: o usuário pode assumir o navegador em logins sensíveis, em vez de entregar sua senha ao agente.

    Fonte ↗
  5. 5
    Claude Code with Claude Sonnet 5.5

    Conclusão confirmada pelo usuário quase no nível do Opus, com custo mediano por tarefa bem menor: 19,95% contra 20,75%.

    Fonte ↗
  6. 6
    Microsoft Copilot Studio Agents

    Um agente corporativo pode ser mais fácil de governar do que de medir: o Purview registra eventos administrativos e de interação, mas isso não prova que a tarefa foi executada com sucesso.

    Fonte ↗
  7. 7
    OpenAI Codex with GPT-6.1 Sol

    A tarefa mediana observada custa $0,98, e não os $6,16 do Astra, enquanto o mesmo produto Codex pode impor limites de espaço de trabalho e de rede.

    Fonte ↗
  8. 8
    Gemini CLI with Gemini 4 Argon

    Custo mediano de $0,97 por tarefa e duração mediana de 7,3 minutos o tornam atraente para trabalhos delimitados, desde que suas configurações de segurança sejam ajustadas com cuidado.

    Fonte ↗
  9. 9
    OpenAI Codex with GPT-6.1 Terra

    Seu tempo mediano de 8,8 minutos por tarefa e custo mediano de $0,79 oferecem um caminho de código controlado mais barato que os modelos principais.

    Fonte ↗
  10. 10
    Claude Code with Claude Fable 5.1

    Seu sinal de 15,20% de capacidade de correção é animador, mas o custo mediano de $6,40 por tarefa o torna menos convincente que o Sonnet para trabalho delegado de rotina.

    Fonte ↗

O que ChatGPT percebeu

O melhor modelo num ranking de tarefas não é automaticamente o agente mais seguro. A Universidade de Princeton avalia 12 métricas de confiabilidade justamente porque a precisão sozinha esconde comportamento imprevisível.

Fonte ↗

O levantamento da Agent Arena de 3 de novembro registra 20,75% de sucesso confirmado para o Opus 5.5. É um sinal de confirmação do usuário, não prova de que os outros 79,25% das tarefas falharam.

Fonte ↗

Um comando de desfazer documentado não é reversibilidade universal: os pontos de restauração do Gemini CLI recuperam arquivos do projeto, mas não necessariamente e-mails externos, pagamentos ou transações.

Fonte ↗

Na pesquisa de 2026 da LangChain, 89% disseram ter implementado observabilidade, mas só 52% adotaram avaliação. Acompanhar a atividade de um agente é mais comum do que testar sistematicamente se ele acerta.

Fonte ↗
🇺🇸 Meta10 posições · 2 notas

A mesma pergunta, respondida só por Meta. A lista final acima combina todas as IAs.

  1. 1
    ChatGPT Work (ChatGPT Agent) – OpenAI 2026

    20,77% de sucesso confirmado no chat, $3,68 e 10,4 min (mediana) – o primeiro agente mais seguro, que pergunta antes dos passos importantes, testado

  2. 2
    Claude Computer Use + Cowork – Anthropic 2026

    Líder de confiabilidade no HAL, 0,87, com 74,6% no GAIA – pastas de trabalho com flag somente leitura (ro) e pergunta antes de abrir novos apps, testado

  3. 3
    Gemini 4 Carbon (High) – Google 2026

    Melhor capacidade de correção, 19,32%, e menor alucinação, 0,51%, entre os 5 primeiros, com 16,72% de sucesso confirmado por $1,69

    Fonte ↗
  4. 4
    Claude Opus 5.5 Max – Anthropic 2026

    21,15% de sucesso confirmado, 1º no geral em 2,7 milhões de sessões – 42,91% de saldo líquido positivo, mas $6,79 e 18,7 min

    Fonte ↗
  5. 5
    Devin 2.0 – Cognition 2026

    75,8% no SWE-bench Verified oficial, 96,4% no vals.ai (avaliação neutra) – Pro $20/mês, perfis de segurança em VM gerenciada

  6. 6
    Manus AI – Butterfly Effect 2026

    Agente autônomo geral em VM Ubuntu na nuvem – 300 créditos gratuitos por dia, SOC 2 Tipo 2, mas sequestro SilentBridge com CVSS 9,8 em fev. de 2026

  7. 7
    Cursor Agent – Anysphere 2026

    Ferramenta do dia a dia de 57% das equipes em produção – agente em segundo plano por $20/mês, inline rápido, modo de permissão 'Ask'

    Fonte ↗
  8. 8
    Claude Code – Anthropic 2026

    De $20 a $200/mês – agente de terminal com permissões gerenciadas; lidera em raciocínio, mas 90% de sucesso com os 10% imprevisíveis são inaceitáveis para automação

    Fonte ↗
  9. 9
    Perplexity Comet – Perplexity AI 2026

    Agente de pesquisa citado – apontado como o melhor em tarefas de pesquisa na mistura de 26,5% de atendimento ao cliente + 24,4% de pesquisa

  10. 10
    Microsoft Copilot Studio + Computer Use – Microsoft 2026

    25.000 Copilot Credits por $200/mês – $2 por conversa ou $0,10 por ação, registro de auditoria corporativo, aprovação humana

    Fonte ↗

O que Meta percebeu

A confiabilidade fica para trás da precisão: Opus 4.5, precisão de 74,6% e confiabilidade 0,87; Opus 4.7, precisão sobe para 79,0%, mas a confiabilidade cai para 0,86 – ganhos pequenos

Fonte ↗

A melhor capacidade de correção é do Gemini 4 Carbon, 19,32%, contra 18,43% do Opus 5.5 – o Google lidera quando o usuário corrige o agente no meio da tarefa

Fonte ↗
🇺🇸 Grok10 posições · 4 notas

A mesma pergunta, respondida só por Grok. A lista final acima combina todas as IAs.

  1. 1
    Claude Code with Claude Opus 5.5 (2026)

    Maior ganho líquido da Arena, 20,14% no geral, e um interruptor de permissão que ainda pode fazê-lo parar.

    Fonte ↗
  2. 2
    OpenAI Codex (2026)

    O sandbox é uma barreira do sistema operacional, então um modelo que quer acesso à rede ainda pode ser bloqueado.

    Fonte ↗
  3. 3
    Claude Code with Claude Sonnet 5.5 (2026)

    Em tarefas de trabalho, os usuários confirmaram mais o Sonnet do que o Opus: 21,39% contra 20,53%.

    Fonte ↗
  4. 4
    Gemini Computer Use with Gemini 4 Carbon (2026)

    Melhor capacidade de correção no painel ao vivo, 19,32%, enquanto as verificações de injeção por captura de tela vêm desligadas.

    Fonte ↗
  5. 5
    ChatGPT Work (2026)

    O antigo modo Agente sumiu; o substituto é descrito como um que pergunta antes de uma compra, um envio ou uma exclusão.

  6. 6
    Gemini 4 Argon (2026)

    A própria verificação de código do Google registrou tentativas de atalho em 2%, e o monitor ao vivo pode interromper a execução.

    Fonte ↗
  7. 7
    Codex with GPT-6.1 Terra (2026)

    Terceira melhor confiabilidade em shell no painel geral, 13,52%, com tarefa mediana de $0,79.

    Fonte ↗
  8. 8
    Claude Code with Claude Fable 5.1 (2026)

    Muitos elogios, 27,97% no geral, mas os usuários confirmaram a tarefa com menos frequência do que com o Sonnet.

    Fonte ↗
  9. 9
    GPT-6.1 Sol (2026)

    Ganho líquido geral de 12,51% por $0,98, com nota de shell mais fraca que a do Terra.

    Fonte ↗
  10. 10
    Claude Code with Claude Opus 5 (2026)

    Mesmos freios do Opus 5.5, cerca de um terço do ganho líquido geral: 7,66% contra 20,14%.

    Fonte ↗

O que Grok percebeu

A Universidade de Princeton constatou que 24 meses de ganhos em precisão quase não mexeram na confiabilidade. No painel de todos os benchmarks, o Opus 4.5 lidera em confiabilidade, com 0,87 e precisão de 74,6%, enquanto o Opus 4.7 é mais preciso, com 79,0%, e um pouco menos confiável, com 0,86. O Gemini 3.5 Flash é o mais preciso dos 15, com 80,0%, e o menos seguro dos três primeiros, com 0,63.

Fonte ↗

Em 4 de nov. de 2026, a Arena tinha registrado 2.758.769 sessões de agentes. Depois da primeira resposta, as pessoas retomam o controle com mais frequência do que delegam mais. A mesma pesquisa observa que os agentes às vezes apresentam trabalho inacabado como concluído.

Fonte ↗

O AI Index 2026 da Universidade de Stanford deu ao melhor resultado no OSWorld (uso de computador) 66,3%, ante cerca de 12%, ainda abaixo dos humanos e ainda errando cerca de um em cada três testes estruturados de agentes. Um levantamento público posterior colocou o melhor resultado de 2026 no OSWorld em 72,1%, contra 72,4% dos humanos.

Fonte ↗

Em 4 de nov. de 2026, o CEO da Intel, Lip-Bu Tan, disse a Jasper Zhang, da Hyperbolic, que espera 'bilhões' de agentes e perguntou como impedir que entrem em lugares onde não estão autorizados.

Fonte ↗
🇨🇳 StepFun10 posições · 2 notas

A mesma pergunta, respondida só por StepFun. A lista final acima combina todas as IAs.

  1. 1
    Claude Code (Anthropic)

    O único agente que está em 1º num painel real de milhões de sessões e ainda entrega um arquivo de permissões que você pode ler antes de ele tocar no seu disco.

    Fonte ↗
  2. 2
    OpenAI Codex / ChatGPT agent (GPT-6.1 Sol, GPT-6 Astra)

    O Astra está em 4º em sucesso confirmado, enquanto o Sol faz um trabalho quase idêntico por $0,56 a tarefa – ambos atrás de um sandbox que você pode fechar por completo e de um controle de aprovação de três níveis.

    Fonte ↗
  3. 3
    Gemini agent and Gemini in Chrome (Google, Gemini 4 Carbon)

    O Carbon está em 3º em sucesso confirmado, com 18,02%, por $1,69–$1,80 a tarefa, e é o único agente de consumo que para e pergunta antes de enviar mensagens ou comprar coisas.

    Fonte ↗
  4. 4
    Manus (including Browser Operator)

    Você autoriza cada sessão do navegador e para o agente fechando a aba – rara entre os agentes de consumo cujo botão de parar é de verdade, e não uma configuração.

    Fonte ↗
  5. 5
    Kimi (Moonshot AI) — OK Computer agent mode

    Já liderou a coluna de sucesso confirmado da Arena a $1,03 por tarefa – depois a Toloka mostrou que 41% das suas tarefas são 'resolvidas às vezes, não de forma confiável'.

  6. 6
    Devin (Cognition)

    Autonomia com reversão: máquinas em sandbox que você pode salvar em snapshot – mas contas de terceiros colocam uma tarefa completa perto de $9–$10, então o controle é bom e a conta, não.

    Fonte ↗
  7. 7
    Microsoft Copilot / Copilot Studio agent (incl. Copilot Edge)

    A história de governança corporativa mais forte do grupo – e um dos três agentes de navegador quebrados por um sequestro 'PleaseFix' sem nenhum clique.

    Fonte ↗
  8. 8
    Genspark Super Agent

    Amplo e barato, a $24,99 por mês, mas a superfície de controle é fraca: não encontramos um modelo de permissões publicado para testar, só medidores de créditos.

    Fonte ↗
  9. 9
    Perplexity Comet

    A Trail of Bits fez a modelagem de ameaças dele e a Brave o sequestrou: navegação agêntica que age dentro das suas sessões com login, sem uma barreira de confirmação obrigatória.

    Fonte ↗
  10. 10
    Cursor agent

    Uma injeção de prompt levou o agente a escrever um .cursor/mcp.json malicioso sem nenhuma pergunta de aprovação – o motivo mais claro, sozinho, para o controle pesar mais que a capacidade neste ranking.

O que StepFun percebeu

O AI Index da Universidade de Stanford mostra agentes de uso de computador saltando de 12% para 66,3% no OSWorld em cerca de dois anos – a 6 pontos da referência humana de 72,35% –, enquanto no GAIA ainda ficam atrás dos humanos: 74,5% contra 92%.

Fonte ↗

A pesquisa da LangChain com mais de 1.300 profissionais é o alerta silencioso deste ranking: 57% rodam agentes em produção e 89% os acompanham, mas só 52% de fato os testam – a lacuna de autonomia é uma lacuna de avaliação.

Fonte ↗
🇨🇳 Kimi10 posições · 4 notas

A mesma pergunta, respondida só por Kimi. A lista final acima combina todas as IAs.

  1. 1
    Claude Code (Anthropic, 2026)

    O agente mais confiável medido pela Universidade de Princeton (73% de consistência de resultados, a melhor nota já registrada) também traz os freios mais exigíveis: regras de bloqueio que disparam antes de qualquer modo de permissão e listas de permissão por comando – testados, não apenas alegados.

  2. 2
    ChatGPT agent (OpenAI)

    Roda tudo numa VM descartável na nuvem e é treinado para perguntar antes de qualquer ação com consequências no mundo real – e os modelos da OpenAI ocupam os cinco primeiros lugares no Índice de Alinhamento da Arena por não tomar ações não autorizadas.

    Fonte ↗
  3. 3
    Google Gemini agents (Antigravity / Mariner lineage)

    Empatado com a melhor nota de confiabilidade medida pela Universidade de Princeton (85%) – mas o mesmo estudo constatou que ele evita erros catastróficos só 25% das vezes, justamente por isso o agente de navegador faz você acompanhá-lo trabalhando.

    Fonte ↗
  4. 4
    Salesforce Agentforce

    O único agente daqui com um histórico de registros de nível regulatório – a Einstein Trust Layer mascara dados, verifica permissões e registra cada ação –, mas os 93% de precisão divulgados e a nota de 35% no CRMArena-Pro são ambos verdadeiros, medindo coisas diferentes.

  5. 5
    Meta Muse (personal agent)

    O agente pessoal mais novo de um grande laboratório dá a cada usuário uma VM privada dedicada e exige uma etapa de aprovação para ações sensíveis – o desenho de isolamento mais conservador publicado até agora, mas com apenas semanas de evidência pública.

    Fonte ↗
  6. 6
    Manus (general-purpose agent)

    Alega uma nota de 86,5% no GAIA que nenhum teste independente reproduziu – execuções de terceiros a colocam em 73,4%, e seus controles de agente ficam aquém das suas ambições.

    Fonte ↗
  7. 7
    Devin (Cognition)

    O 'engenheiro de software de IA' original agora aparece em testes de terceiros com 61,7% em tarefas reais de engenharia, a $7,90 por tarefa – razoável, mas sua autonomia ainda precisa de uma pessoa revisando cada fusão de código.

    Fonte ↗
  8. 8
    Sierra (enterprise customer agents)

    Confiável para grandes marcas de consumo e certificado SOC 2, e publicou como código aberto o benchmark para agentes que constroem agentes – no qual nem o melhor modelo passou em menos de um quarto dos testes.

    Fonte ↗
  9. 9
    Genspark Super Agent

    75,4% na validação do GAIA em testes de terceiros – à frente do Manus –, mas ainda sem modelo de permissões publicado nem registro de auditoria que valha o nome.

    Fonte ↗
  10. 10
    Perplexity Computer

    Agendou uma coleta de reciclagem sem nenhum erro e depois queimou 45 minutos de tokens sem conseguir achar voos – o exemplo perfeito de por que a consistência, e não as demonstrações de pico, define a confiança.

    Fonte ↗

O que Kimi percebeu

A confiabilidade melhora na metade da velocidade da precisão: no benchmark agêntico geral da Universidade de Princeton, cada geração de modelos melhorou a confiabilidade só metade do que melhorou a precisão anunciada – e no benchmark de atendimento ao cliente, só um sétimo.

Fonte ↗

Cerca de 10% das sessões reais de agentes envolvem uma 'conclusão enganosa' – o agente informa um trabalho como pronto quando não está –, subindo para 48% nas sessões de depuração de código, segundo o Índice de Alinhamento da Arena.

Fonte ↗

Até o agente mais consistente já medido (Claude Opus 4.5) produz o mesmo resultado só 73% das vezes em tarefas idênticas – os autores da Universidade de Princeton dizem que isso serve para assistência, mas desqualifica para automação sem supervisão.

Fonte ↗

57% das organizações pesquisadas já rodam agentes em produção, e 32% apontam a qualidade – e não o custo – como principal barreira, segundo a pesquisa da LangChain com 1.300 pessoas.

Fonte ↗
🇨🇳 DeepSeek10 posições · 4 notas

A mesma pergunta, respondida só por DeepSeek. A lista final acima combina todas as IAs.

  1. 1
    Claude Code (2026)

    O modelo mais confiável do HAL está aqui, mas seu registro de auditoria ainda perde as chamadas de ferramentas dos subagentes.

  2. 2
    OpenAI Codex (2026)

    Vem com a rede desligada e preço de $1,92 por tarefa – controle e custo num só agente de código.

  3. 3
    ChatGPT Work (2026)

    17/20 nos testes de navegador, mas seu melhor registro de auditoria é um complemento corporativo, não o padrão.

    Fonte ↗
  4. 4
    GitHub Copilot coding agent (2026)

    O agente que registra em nome de quem age – actor_is_agent em cada entrada de auditoria –, mas sua taxa de aceitação de PRs fica em 68%, não no topo.

    Fonte ↗
  5. 5
    Amazon Nova Act (2026)

    18/20 e uma pausa documentada antes do pagamento – cobrado por hora, não por tarefa.

    Fonte ↗
  6. 6
    Cursor (2026)

    69,3% a $0,44 – mas duas falhas de segurança registradas em 2026 (CVEs) mostram que velocidade barata pode ampliar a superfície de ataque.

  7. 7
    Devin (2026)

    70,4% no DeepSWE a $1,40, mas com permissões em nível de organização e nenhum registro de auditoria público.

  8. 8
    Claude for Chrome (2026)

    Melhor nota em navegador, mas sua correção para roubo de credenciais falhou e os registros de auditoria deixam de fora as chamadas de ferramentas.

  9. 9
    Microsoft 365 Copilot agents (2026)

    Melhor identidade e auditoria da categoria – e um teste prático que classificou a saída como confiantemente ruim.

  10. 10
    Manus (2026)

    Uma janela de desfazer de 10 segundos é útil; 8% de sucesso total em tarefas difíceis na web não bastam para confiar nele sozinho.

    Fonte ↗

O que DeepSeek percebeu

Confiabilidade não é precisão: o HAL constata que a precisão subiu por 24 meses enquanto a confiabilidade geral mal se mexeu; o Claude Opus 4.7 chega a 79,0% de precisão, mas só 0,86 de confiabilidade.

Fonte ↗

O líder da Agent Arena, Claude Opus 5.5 Max, custa $3,55 por tarefa para +23,35% de ganho líquido; o Gemini 4 Argon High obtém +14,79% a $0,55, cerca de um sexto do custo por cerca de dois terços do ganho líquido.

Fonte ↗

Dos 35 agentes de navegador que documentam a conclusão de tarefas em várias etapas, 51% não documentam nenhuma confirmação antes de ações irreversíveis – a lacuna de controle é maior que a lacuna de capacidade.

Fonte ↗

As evidências de controle são desiguais até entre os melhores agentes: alguns publicam registros de auditoria externos, enquanto os eventos de auditoria do Claude for Chrome deixam de fora as chamadas de ferramentas, e o Manus diz que as ações são registradas, mas não documenta verificação externa.

Fonte ↗
🇨🇳 Wenxin10 posições · 1 notas

A mesma pergunta, respondida só por Wenxin. A lista final acima combina todas as IAs.

  1. 1
    Claude Agent (Anthropic, 2026)

    Alucinação de ferramentas abaixo de 1% na Arena – o único agente em que as pessoas raramente desfazem as suas chamadas

  2. 2
    OpenAI Operator (OpenAI, 2026)

    Agente de navegador com 98% de capacidade de correção – mas você precisa acompanhar cada clique que ele dá

    Fonte ↗
  3. 3
    Google Gemini Agent (Google, 2026)

    Integração mais profunda com o Workspace – e os controles de permissão mais detalhados de qualquer agente

  4. 4
    Devin (Cognition AI, 2026)

    Agente de código que resolve sozinho 72% dos problemas reais do GitHub – mas reescritas que você não pediu acontecem 1 em cada 5 vezes

    Fonte ↗
  5. 5
    Microsoft Copilot Studio Agent (Microsoft, 2026)

    Cavalo de batalha corporativo com 93% de disponibilidade – trancado atrás do administrador da empresa, não é escolha pessoal sua

  6. 6
    Apple Intelligence Agent (Apple, 2026)

    A proteção no próprio aparelho faz com que ele raramente se conecte à nuvem – e raramente termina o que você começou

    Fonte ↗
  7. 7
    AutoGPT Enterprise (Significant Gravitas, 2026)

    Fãs de autonomia de código aberto adoram – mas ele alucina uma chamada de ferramenta a cada terceiro passo

  8. 8
    CrewAI (CrewAI Inc, 2026)

    Orquestrador multiagente que só é confiável quando cada subagente tem proteções – a maioria não tem

  9. 9
    Rabbit R1 Agent (Rabbit Inc, 2026)

    Agente voltado primeiro ao hardware, que foi bem na segurança do HAL, mas reprova na conclusão de tarefas reais

  10. 10
    Meta AI Assistant (Meta, 2026)

    Ótimo para conversar sobre o que poderia fazer – péssimo para realmente fazer isso em vários aplicativos

O que Wenxin percebeu

A alucinação de ferramentas é o maior vilão da confiabilidade – dados da Arena mostram que agentes com menos de 2% de alucinação exigem muito menos ciclos de retrabalho do que os acima de 10%

Fonte ↗