Toda vez que um time decide dar mais autonomia para um agente de IA, a primeira pergunta que aparece é qual modelo usar. Na maioria das vezes essa é a pergunta errada.
A Anthropic mediu isso no relatório de junho de 2026 do Economic Index, chamado "Cadences". Comparando o mesmo modelo, Sonnet, rodando em dois produtos diferentes (chat ou Cowork de um lado, Claude Code do outro), a diferença de autonomia entre as duas superfícies ficou em 0,26 ponto numa escala de 1 a 5. Olhando todas as conversas, sem isolar o modelo, o gap sobe para 0,37 ponto. Em tarefas de geração de código e script, especificamente, chega a 0,53 ponto.
O número vem de uma pesquisa com 9.700 participantes, cruzada com dados reais de uso entre meados de maio e início de junho de 2026.
Isso inverte a lógica que a maioria segue quando quer que a IA resolva mais coisa sozinha. A gente troca de modelo achando que autonomia é propriedade do cérebro por trás da IA. O relatório mostra que autonomia é, antes de tudo, propriedade do produto construído em volta do modelo.
Tem um exemplo no próprio relatório que ilustra isso melhor que qualquer gráfico. A conversa mediana de chat ou Cowork que produz um post de blog tem 13 rodadas de ida e volta entre pessoa e IA. A sessão mediana do Claude Code que produz o mesmo post de blog tem um prompt só.
Mesmo modelo. Resultado parecido no fim. Autonomia completamente diferente no meio do caminho, porque a superfície é outra: uma obriga revisão a cada rodada, a outra deixa o agente decidir os passos intermediários sozinho e só volta para a pessoa quando termina.
| Comparação | Diferença de autonomia (escala 1 a 5) |
|---|---|
| Claude Code vs. chat/Cowork, todas as tarefas | 0,37 ponto |
| Claude Code vs. chat/Cowork, mesmo modelo (Sonnet) | 0,26 ponto |
| Claude Code vs. chat/Cowork, geração de código e script | 0,53 ponto |
A ferramenta que a pessoa escolhe explica mais da autonomia do que o modelo escolhido por trás dela.
Por que isso muda a conta de orçamento
Empresa que quer "mais autonomia" costuma pensar em trocar de modelo pequeno para modelo grande, ou de um fornecedor para outro. Faz sentido gastar mais achando que um modelo maior aguenta decidir mais coisa sozinho.
O que o dado da Anthropic sugere é diferente: a variável que realmente move a autonomia é se a tarefa roda dentro de um chat que pede aprovação a cada passo, ou dentro de um agente com ferramentas, memória de sessão e loop próprio de execução. Trocar de superfície muda mais o comportamento do agente do que trocar de modelo por trás dela.
Na prática, a diferença entre as duas superfícies costuma se resumir a isto:
chat: usuário escreve -> IA responde -> usuário lê, ajusta, aprova -> repete
agente: usuário define a tarefa e o limite -> IA roda ferramentas, decide os passos, só volta quando termina ou trava
O chat mantém uma pessoa no meio de cada passo. O agente mantém a pessoa só nas pontas. É essa diferença de arquitetura, não o tamanho do modelo, que o relatório está medindo.
Isso bate com o que a gente vê montando piloto de IA em operação real. O gargalo raramente é a inteligência do modelo escolhido. É quantas vezes um humano precisa aprovar antes do agente terminar a tarefa. Reduzir esse número de aprovações costuma valer mais do que subir de tier de modelo, e não exige renegociar contrato com fornecedor de IA.
Mais autonomia de produto não é sempre a meta
Existe uma parte contrária, e ela também importa. Um relatório anterior do mesmo Economic Index mostrou que usuário mais experiente de Claude tende a dar menos autonomia total para o modelo, não mais, conforme usa a ferramenta há mais tempo. Ele itera com mais cuidado e mira tarefa de valor mais alto.
Dar autonomia de produto não é o mesmo que abrir mão de revisão. Quem tem mais prática tende a manter ponto de controle nas tarefas que realmente importam, mesmo usando uma ferramenta que permite rodar sozinha do início ao fim.
O que fazer na segunda de manhã
Antes de orçar upgrade de modelo para resolver um problema de autonomia, olhe para o fluxo primeiro. Pergunte: esse agente está preso num chat que exige aprovação linha a linha, ou ele tem ferramenta, contexto e permissão para terminar a tarefa sozinho e só voltar para a pessoa no fim? Na maioria dos casos, migrar de superfície resolve mais rápido e custa menos do que trocar de modelo. Na Overflow, essa decisão de superfície entra no diagnóstico técnico antes de qualquer piloto de IA virar produção.
