Perplexity usa GPT-6 Astra para operar sistemas de ponta a ponta

Notícia
Negócios
12/09/2026

A OpenAI divulgou um estudo de caso que detalha como a Perplexity, motor de respostas baseado em inteligência artificial, passou a usar o GPT-6 Astra em tarefas de ponta a ponta: da redação de comunicações à alteração de sistemas reais e ao monitoramento de softwares em produção. O relato se apoia nas observações de Johnny Ho, cofundador e diretor de estratégia da Perplexity, para quem a nova geração de modelos mudou o grau de autonomia que a empresa se sente confortável em conceder à tecnologia. O material foi publicado pela própria OpenAI.

Da busca à operação de sistemas reais

A Perplexity nasceu como um mecanismo de respostas e tem na precisão o seu eixo central. Segundo Ho, a capacidade de processar grandes volumes de informação é decisiva: quanto melhor o modelo fica em escrever código, melhor fica também o buscador, porque ele consegue produzir programas mais eficientes para varrer a web e bases internas e resumir o resultado de forma concisa. Esse encadeamento é estratégico. A qualidade das respostas que o usuário vê depende diretamente da qualidade do código que sustenta a busca, a indexação e a sumarização, de modo que qualquer avanço na geração de software se propaga para o produto final.

O salto descrito agora, porém, não está apenas na qualidade do texto ou do código. Para o executivo, o desafio real é transportar esses ganhos informacionais para sistemas do mundo real — algo que, segundo ele, se tornou viável com o GPT-6 Astra. A diferença em relação ao passado é que as gerações anteriores não conseguiam redigir comunicações, editar sistemas em operação e acompanhar o software de produção com o mesmo grau de confiança.

O modelo assume a tarefa de testar

Um dos usos que Ho considera mais valiosos é o teste de código. Com pouco tempo para validar aplicações manualmente, ele pede ao GPT-6 Astra que construa um pequeno programa de testes ao redor de uma aplicação. O modelo então simula as respostas realistas que outro serviço enviaria — uma API de modelo de linguagem ou um conector, por exemplo.

Ao ocupar o lugar desses serviços, ele verifica como a aplicação reage e percorre o fluxo de trabalho do começo ao fim, sem depender de integrações externas reais. O efeito prático é uma mudança na forma de trabalhar: a Perplexity afirma confiar ao modelo sistemas completos de ponta a ponta e checar o que ele produziu com muito menos frequência do que fazia com gerações anteriores.

Por que isso importa

O caso ajuda a medir onde está a fronteira comercial dos modelos de linguagem em 2026. Não se trata mais de gerar texto plausível ou trechos de código isolados, e sim de entregar a um modelo a responsabilidade sobre comunicação externa, mudanças em software e vigilância de sistemas em produção — funções que, até recentemente, exigiam revisão humana constante. A redução da frequência de checagem é o dado mais relevante do relato, porque indica que a confiança operacional, e não apenas a capacidade bruta, virou critério de adoção.

Para empresas que constroem produtos sobre IA, isso desloca o esforço: menos tempo conferindo cada saída e mais tempo desenhando limites, testes e salvaguardas que tornem essa delegação segura. Também explica por que fornecedores de modelos vêm publicando estudos de caso com clientes — a exemplo do trabalho da Cognition com o Devin —, já que a disputa deixou de ser apenas sobre benchmarks e passou a envolver quem consegue operar sistemas críticos com menos supervisão.

Vale notar que o relato é divulgado pela própria OpenAI e descreve a experiência de um parceiro, sem trazer números de desempenho, métricas de erro ou comparações quantitativas entre gerações. A adoção descrita depende de um arranjo específico: modelos usados como substitutos de serviços externos em ambiente de teste, o que reduz o risco antes que qualquer alteração chegue à produção. É essa combinação entre software que muda a si mesmo e monitoramento contínuo que a Perplexity apresenta como o novo patamar de uso.