Agentes de navegador falham por falta de interface adequada, e não por limitações do modelo

Apesar dos recentes avanços em modelos de linguagem, agentes de inteligência artificial voltados para navegação web continuam apresentando falhas em fluxos de trabalho básicos. A tendência atual no setor tem sido resolver essas limitações por meio de melhorias nos próprios modelos, como visão mais aguçada, contextos mais longos e planejamento mais inteligente. No entanto, a análise do mercado indica que o principal gargalo de desempenho não está na capacidade cognitiva do modelo, mas na interface que o conecta ao navegador.

Segundo o engenheiro de machine learning Kushan Raj, da ARK, o desenvolvimento de agentes de navegador exige foco em três pilares fundamentais: o que o modelo enxerga, o que ele pode executar e o que ele aprende com o processo. Raj, que também atua como engenheiro fundador na Sarvam AI onde construiu uma stack de IA de voz em tempo real, defende que a solução passa pela construção de um runtime adequado para esses agentes.

Em vez de fornecer um descarregamento bruto de dados da página para o modelo, a abordagem sugerida envolve uma representação compacta do estado da página. Além disso, as ações executadas pelo agente devem contar com identificadores estáveis e rápidos, evitando a ineficiência de um único clique por chamada. O terceiro ponto crítico é a substituição de um sistema de avaliação binário de sucesso ou falha ao final da tarefa por um mecanismo de feedback passo a passo durante a execução.

Testes iniciais demonstraram que a alteração isolada dessa interface de interação foi suficiente para que um mesmo modelo passasse de um estado de confusão para a execução correta de múltiplas etapas, mesmo em páginas web consideradas hostis. A evidência sugere que otimizar o estado do navegador oferecido ao modelo atua como uma alavanca de desempenho muito mais eficaz do que a simples substituição por uma base de inteligência artificial mais robusta.