Agentes de IA do Gemini continuam trabalhando depois que você se desconecta

Os agentes de IA do Gemini agora podem receber uma tarefa com várias etapas, continuar trabalhando depois que você se desconecta e preservar, nos servidores do Google, o código, os arquivos, os pacotes instalados e as conexões com ferramentas remotas. A atualização de julho de 2026 do Gemini Managed Agents reúne os quatro recursos que tornam esse fluxo viável: execução em segundo plano, conexão direta com servidores MCP remotos, chamadas de funções personalizadas e renovação de credenciais sem precisar reconstruir o ambiente.

Na prática, muda a forma de enxergar o produto. Em vez de manter uma aba de chatbot aberta, é como entregar uma ordem de serviço a um profissional na nuvem e voltar apenas quando o resultado estiver pronto.

O que são os agentes de IA gerenciados do Gemini

Gemini Managed Agents são workers temporários na nuvem, cada um com seu próprio ambiente Linux. Uma única chamada pela Interactions API do Google provisiona esse ambiente e permite que o agente raciocine sobre uma tarefa, execute Bash, Python ou Node.js, instale pacotes, gerencie arquivos, pesquise na web e repita o processo até chegar a um resultado.

O worker padrão é o agente Antigravity, do Google, atualmente identificado como antigravity-preview-05-2026 e baseado no Gemini 3.5 Flash. A Interactions API chegou à disponibilidade geral em junho de 2026, mas Managed Agents e seus ambientes continuam em prévia pública.

Dois IDs guardam tipos diferentes de memória:

• previous_interaction_id funciona como a pasta do trabalho. Ele preserva a conversa, a linha de raciocínio e o histórico de uso das ferramentas.
• environment_id é a chave da oficina. Ele reabre o mesmo sistema de arquivos, os pacotes instalados e o estado do repositório.

É possível manter um sem o outro. Reutilize apenas o ID do ambiente para começar uma conversa nova no mesmo workspace, ou envie os dois IDs para retomar o mesmo trabalho exatamente de onde parou. A compactação automática de contexto começa por volta de 135,000 tokens, permitindo que sessões longas descartem detalhes antigos antes de atingir o limite de contexto.

O resultado fica entre os agentes de IA voltados ao consumidor que a maioria das equipes já conhece e uma infraestrutura que normalmente teria de ser montada internamente. O Google opera o loop do modelo e o sandbox. A lógica do produto, as permissões, as regras de aprovação, o monitoramento e a experiência do usuário continuam sob sua responsabilidade.

Como funciona o fluxo, sem complicação

O novo fluxo tem seis partes:

1. Crie ou reabra um workspace. Use environment: "remote" para iniciar um sandbox novo, informe um ID de ambiente para reutilizar um existente ou forneça uma configuração completa, incluindo repositórios de origem e regras de rede.
2. Libere apenas as ferramentas necessárias. Dentro do ambiente, o agente pode executar código, usar a Pesquisa Google, ler URLs e acessar o sistema de arquivos. Um servidor MCP remoto atua como um conector padronizado para ferramentas externas. Ele precisa de um nome em letras minúsculas, uma URL e transporte Streamable HTTP. Também é possível limitar quais ferramentas desse servidor ficam disponíveis para o agente.
3. Coloque o trabalho em segundo plano. Defina background: true. A API devolve imediatamente um ID de interação, sem depender de uma conexão HTTP frágil durante toda a execução. Tarefas em segundo plano exigem store: true, que já é o padrão.
4. Acompanhe sem manter a conexão aberta. Consulte periodicamente a interação ou acompanhe seus eventos por streaming. Se o stream cair, reconecte usando o último event_id e continue dali. O trabalho pode estar em andamento, aguardando uma ação, concluído, com falha ou cancelado.
5. Mantenha ações empresariais sensíveis dentro da sua aplicação. As ferramentas nativas do sandbox rodam no lado do Google. Uma função personalizada pausa a interação em requires_action; nesse ponto, sua aplicação pode validar a solicitação, pedir aprovação humana, executar a lógica de negócio local e devolver o resultado.
6. Continue mesmo depois da conclusão. Uma nova solicitação pode usar o ID da interação concluída junto com o ID do ambiente. Se um token de acesso expirar, envie o mesmo ID de ambiente com uma nova configuração de rede. As regras novas substituem as anteriores, enquanto arquivos, pacotes e repositórios clonados permanecem no lugar.

O workspace é durável, mas não permanente. Após 15 minutos de inatividade, ele para e gera um snapshot; pode ser retomado por sete dias desde a última atividade e, depois disso, é excluído. Hoje, cada ambiente oferece quatro núcleos de CPU e 16 GB de memória.

Os sete casos de uso com retorno mais evidente

A ordem abaixo considera o quanto os novos recursos eliminam diretamente um gargalo operacional caro.

1. Equipes de software revisando pull requests gerados por IA

Uma equipe de produto que recebe um fluxo constante de código escrito por máquinas pode iniciar uma tarefa em segundo plano para cada pull request. O agente abre o repositório, analisa o diff, instala o projeto, executa os testes, rastreia uma falha entre arquivos e prepara uma revisão com logs e uma correção sugerida. A conexão com GitHub ou GitLab pode ser feita via MCP remoto, enquanto o comentário final ou a alteração no código permanece protegido por uma função de aprovação personalizada.

O ganho não está em produzir mais um comentário genérico de revisão. Trata-se de entregar uma primeira análise sustentada por evidências de execução, pronta antes mesmo que um engenheiro sênior abra o pull request. Isso faz diferença à medida que a programação assíncrona se torna parte do trabalho cotidiano, tendência já visível nos agentes de programação móveis e em segundo plano.

2. Equipes financeiras e de dados produzindo relatórios operacionais recorrentes

Quando os CSVs mais recentes chegam, um analista de operações pode iniciar um worker, conectá-lo a um data warehouse via MCP e deixá-lo limpar os dados, executar análises em Python, criar gráficos e salvar os arquivos de trabalho em um único ambiente. Se um token de curta duração do warehouse expirar, a aplicação fornece outro sem obrigar o agente a reinstalar sua stack ou recriar arquivos intermediários.

O benefício é a continuidade. Em vez de transferir dados repetidamente entre notebook, planilha, ferramenta de gráficos e janela de chat, o analista revisa um único relatório consolidado com todos os arquivos de apoio.

3. Equipes de confiabilidade investigando incidentes

Um engenheiro de plantão pode conectar o agente a um servidor MCP de observabilidade e a um conector de controle de versão, pedindo que ele relacione um pico de latência a implantações, logs e commits recentes. A análise segue em segundo plano enquanto o engenheiro cuida do incidente ao vivo. No workspace, o agente pode montar uma linha do tempo, listar causas prováveis e criar scripts de diagnóstico.

O ganho é reunir evidências mais rapidamente sob pressão. Ainda assim, qualquer correção em produção deve exigir autorização humana explícita. Um worker capaz de usar ferramentas ajuda durante um incidente; um worker sem supervisão e com credenciais amplas de produção é apenas o próximo incidente esperando para acontecer.

4. Equipes de segurança reunindo evidências de auditoria

Ao preparar uma revisão de acessos, um responsável por compliance pode restringir o sandbox a domínios aprovados, injetar credenciais somente leitura pelo proxy de saída do Google e deixar o agente coletar registros de políticas, configurações de repositórios e históricos de alterações. Como as credenciais entram pela camada de rede, elas não ficam salvas em arquivos do sandbox nem em variáveis de ambiente.

O resultado é um pacote de evidências reproduzível, em vez de uma semana tirando screenshots e copiando conteúdo. A aplicação ainda precisa manter sua própria trilha de auditoria e seu processo de aprovação, pois Managed Agents não são um produto completo de compliance.

5. Investidores e equipes de compras conduzindo diligências

Uma pequena equipe de investimentos pode entregar a um worker em segundo plano um briefing de pesquisa bem delimitado: mapear um mercado, comparar afirmações de fornecedores, examinar um repositório, fazer cálculos e elaborar um memorando com links para as fontes. Como arquivos e scripts continuam disponíveis para perguntas posteriores, a segunda rodada serve para contestar premissas, não para remontar todo o ambiente de pesquisa.

O ganho é aprofundar a análise sem prender a sessão do navegador de um analista. Há uma limitação importante: hoje, o Antigravity aceita entradas de texto e imagem, mas não de áudio, vídeo ou documentos. Portanto, fluxos centrados em documentos precisam de uma etapa externa de extração.

6. Agências executando auditorias repetíveis para clientes

Uma agência de analytics ou desenvolvimento pode criar um ambiente separado para cada auditoria, conectar somente os sistemas aprovados daquele cliente e colocar verificações demoradas em filas independentes. Um workspace pode conter um site clonado e scripts de desempenho; outro, uma exportação de campanha e código de geração de relatórios.

O benefício está no isolamento e na repetibilidade. Durante a janela de sete dias, a equipe preserva exatamente o mesmo estado de trabalho para uma análise posterior, sem misturar arquivos ou credenciais de clientes diferentes.

7. Equipes de back office resolvendo casos complexos

Uma operação de seguros, logística ou suporte pode usar um worker gerenciado para reunir o histórico de um caso em vários sistemas, verificar regras de políticas, calcular opções e preparar a próxima ação. Ferramentas MCP remotas fornecem acesso de leitura, enquanto funções personalizadas reservam reembolsos, mudanças em contas ou decisões sobre sinistros para uma lógica validada pela aplicação e para aprovação humana.

O ganho é manter um único workspace do caso ao atravessar vários sistemas. Isso é especialmente útil quando a investigação leva minutos e não cabe em uma automação simples de gatilho e ação.

Três produtos que vale a pena construir

O recurso bruto é amplo. Os produtos vendáveis são específicos, mensuráveis e cercados por controles de confiança.

1. A aposta mais forte: um guardião de repositórios que comprova cada descoberta

Crie um aplicativo para GitHub ou GitLab destinado a equipes que precisam de algo além de comentários sobre o diff. A cada pull request, ele executa o projeto em um workspace isolado, reproduz possíveis problemas, anexa logs, rascunha uma correção e aguarda uma pessoa antes de alterar o código.

A demanda é concreta. Segundo estimativa da DataForSEO, há cerca de 1,300 buscas mensais nos EUA por “AI code review”, com CPC de $46.65. “AI code review tools” soma aproximadamente 590 buscas mensais e registra alta anual de 85% no conjunto atual de palavras-chave. Os compradores já pagam por isso: a CodeRabbit oferece planos de $24 a $48 por usuário ao mês na cobrança anual, enquanto a Greptile cobra $30 por licença ao mês.

A menor versão comercializável precisa de uma integração com controle de versão, um arquivo de instruções do repositório, um executor de testes em segundo plano, uma página de resultados com as evidências brutas e uma ação de aprovação para publicar a revisão ou abrir uma correção. Não comece tentando atender a todas as linguagens. Escolha um ecossistema no qual testes sejam comuns e a preparação do ambiente de execução seja previsível.

O obstáculo é um mercado concorrido, além da falta de confiança. Entre as perguntas encontradas nas buscas estão “How does AI code review work?” e “Is the AI code safe?”. A vantagem defensável não virá do acesso ao Gemini, mas de um conjunto de avaliações em expansão, regras específicas por repositório, baixa incidência de falsos positivos e evidências que permitam conferir cada descoberta.

2. Um agente de fechamento recorrente de dados para uma equipe operacional

Crie um worker que transforme os dados semanais ou mensais de uma empresa em um relatório conciliado, mantendo o código de análise e os arquivos intermediários junto ao resultado. Equipes de operações, receita e finanças pagam porque essa tarefa se repete e os erros ficam visíveis.

A DataForSEO estima 3,600 buscas mensais nos EUA por “AI for data analysis”, uma consulta comercial com CPC de $41.92. A expressão mais específica “AI agent for data analysis” recebe cerca de 320 buscas mensais e tem dificuldade de palavra-chave 2 no conjunto atual, sinal de uma oportunidade de aquisição ainda aberta, apesar da concorrência no mercado mais amplo.

O MVP exige um agendador externo ou gatilho de chegada de arquivo, um conector de warehouse, um destino em planilha, um modelo fixo de relatório, um registro de execuções e uma tela de conciliação. A ressalva, sem rodeios, é a confiabilidade do resultado. O Antigravity não oferece saídas estruturadas; tabelas e totais importantes precisam passar por validação determinística antes da entrega.

3. Um executor vertical de fluxos com aprovações de verdade

Crie um produto para apenas um tipo de caso, como onboarding de fornecedores, triagem de sinistros ou coleta de evidências de segurança. Ele busca contexto por duas ou três conexões MCP, realiza a análise demorada em segundo plano e recorre a funções personalizadas nas poucas ações que exigem validação ou aprovação.

A DataForSEO estima 1,000 buscas mensais nos EUA por “AI workflow automation”, uma consulta de intenção comercial com CPC de $49.51. “AI workflow automation platform” acrescenta cerca de 260 buscas mensais e registra alta anual de 320% no conjunto atual. As pessoas perguntam explicitamente: “How can I automate my workflows using AI?”.

O MVP é composto por uma fila, um fluxo muito bem definido, duas integrações, uma caixa de entrada para aprovações e um registro completo de cada execução. O risco é cair na armadilha da plataforma horizontal. Se a primeira versão prometer automatizar qualquer processo, o trabalho com conectores e casos extremos engolirá o produto. Primeiro, vença em um único processo caro.

O que os agentes de IA gerenciados não resolvem

A execução gerenciada reduz o trabalho de infraestrutura, mas não elimina os riscos operacionais nem os riscos de produto.

A renovação de credenciais também exige uma leitura precisa. O Google preserva o ambiente quando sua aplicação fornece regras de rede novas e um token atualizado. O agente não cria nem rotaciona esse token por conta própria.

Minha avaliação: use esse recurso em tarefas delimitadas, com critérios claros de conclusão, artefatos verificáveis, permissões restritas e pontos de aprovação. Não coloque um agente em prévia para administrar a produção sem limites. A própria orientação do Google é revisar código gerado, transformações de dados, mudanças de configuração e ações externas antes de confiar nelas.

O que é automação de processos com IA?

É um fluxo no qual um modelo interpreta o contexto e escolhe entre ferramentas, em vez de apenas seguir uma sequência fixa de gatilhos. Gemini Managed Agents acrescenta um workspace hospedado e execução em segundo plano, mas sua aplicação ainda define permissões, gatilhos, validações e aprovações.

Como automatizar processos com IA?

Comece por uma tarefa delimitada, com entrada clara, resultado verificável e poucas conexões com ferramentas. Execute a análise em segundo plano, restrinja o acesso de leitura e deixe toda ação irreversível atrás de uma função personalizada ou aprovação humana.

Qual é um exemplo de fluxo de automação com IA?

Um guardião de pull requests é um bom exemplo: ele recebe um pull request novo, abre o repositório em um sandbox, instala dependências, executa testes, analisa falhas, rascunha uma revisão e espera por aprovação antes de publicar ou modificar o código.

Como funciona a revisão de código com IA?

O revisor lê uma alteração de código com o contexto do repositório, procura defeitos ou violações de políticas e propõe observações. Um agente gerenciado vai além ao executar o projeto e anexar logs ou resultados de testes, mas uma pessoa ainda deve avaliar se a descoberta corresponde à intenção real do produto.

Código gerado por IA é seguro?

Não por padrão. Um sandbox limita o local em que o código é executado, mas a segurança também depende do código, das permissões das ferramentas, das regras de rede, das credenciais, dos testes e da revisão humana. Trate a saída do agente como uma contribuição não confiável até que passe pelas verificações normais.

Se quiser projetar um desses workers para os seus sistemas, suas permissões e suas regras de aprovação, conheça o serviço de desenvolvimento de agentes de IA.