Do código à matéria: engenheiro de 21 anos — sobre como grandes modelos ensinarão a IA a mudar o mundo físico
Konstantin Marunchenko, que construiu pipelines corporativos de IA na Echelon, está convencido: para que a IA saia da tela, não são necessários modelos estreitos, mas sim agentes flexíveis, capazes de planejar e controlar processos reais. Ele defende tratar a matéria como código que pode ser "editado", mas alerta: o preço do erro aqui é muito mais alto.

Do código — à mudança do mundo físico
As IAs modernas já escrevem código com confiança, analisam documentos e automatizam a rotina. Mas o próximo passo verdadeiramente ambicioso é ensinar os modelos a impactar objetos reais, e não apenas sistemas digitais. É exatamente assim que o engenheiro de 21 anos, Konstantin Marunchenko, vê o futuro. Sua tese é simples: o ser humano deve poder "editar" a matéria com a mesma naturalidade com que os agentes de codificação editam código de software.

Carreira não convencional: dos jogos à infraestrutura de IA
A história de Konstantin não se parece com o caminho padrão de um graduado de uma universidade especializada. Ele saiu da Ucrânia, conscientemente não foi para a faculdade e começou a programar aos oito anos. Aos doze, fez um curso para adultos; aos quatorze, conseguiu o primeiro emprego; e aos quinze, fundou uma empresa de jogos mobile. A empresa durou quatro anos, gerou receita e tinha funcionários — para um adolescente, foi um curso intensivo de gestão.
A etapa seguinte foi entrar na startup de IA Echelon, onde Konstantin foi um dos primeiros engenheiros. Ele ajudou a criar o núcleo de pipelines corporativos de IA e liderou a integração de empresas. A equipe cresceu ao longo do tempo para doze pessoas e vários contratos corporativos. Mas o principal não são os números, e sim a conclusão que Konstantin tirou dessa experiência: sistemas reais não vêm em um formato ideal e preparado. Sua estrutura precisa ser descoberta, não assumida como pronta.
O histórico em jogos também influenciou sua visão de mundo. Mesmo em jogos mobile, onde tudo parece controlável, o comportamento dos usuários não pode ser previsto antecipadamente. As pessoas agem de forma inesperada, e isso faz com que se trate as previsões com cautela. Se um produto digital já é imprevisível, imagine o mundo físico.
Por que os modelos "estreitos" são insuficientes
Muitos projetos em robótica e automação seguem o caminho de treinar modelos altamente especializados: um para um braço robótico específico, outro para uma determinada máquina, um terceiro para a triagem de peças. Konstantin considera essa abordagem limitada. O mundo físico não é "estreito"; ele é mutável, complexo e constantemente apresenta novas condições.
Uma alternativa flexível podem ser os modelos grandes. Eles são menos previsíveis em tarefas específicas, mas sabem generalizar, transferir conhecimento de uma área para outra e se adaptar ao contexto. E os agentes de codificação mostram como estruturar a interação: o agente não apenas dá uma resposta, mas planeja mudanças, as implementa, verifica o resultado e, se necessário, reverte.
Sistemas que alteram o ambiente físico devem funcionar da mesma forma. A ideia é que a IA ajude o humano a planejar a operação, ajustar parâmetros, testar hipóteses e controlar o processo — enquanto o humano permanece como aquele que toma a decisão final.

Dados reais não perdoam descuidos
O trabalho com pipelines corporativos de IA mostrou outra coisa: dados "sujos" e incerteza são a norma, não a exceção. As empresas raramente fornecem conjuntos de dados limpos e rotulados. O mais comum são registros dispersos, formatos diferentes, fator humano e instruções incompletas. O engenheiro não deve esperar condições ideais, mas sim saber extrair estrutura do caos.
Em software, erros geralmente podem ser corrigidos no próximo commit. No mundo físico, é diferente: mudanças em materiais, recursos, máquinas e no meio ambiente podem ser diretas e irreversíveis. Portanto, tais sistemas devem ser construídos com cuidado especial. O ideal é começar com passos pequenos, testar hipóteses em simulação e só então transferi-las para objetos reais.
Quanto mais poderosa a IA, mais importante é o julgamento humano
O principal paradoxo sobre o qual Konstantin fala é o papel do humano à medida que as ferramentas de IA se fortalecem. Pode parecer que, quanto mais inteligente o modelo, menos necessária é a participação do especialista. Na prática, é o oposto: quanto mais a IA sabe fazer, mais crítico se torna escolher a tarefa certa e verificar se vale a pena resolvê-la.
Em jogos mobile, é fácil lançar um recurso que não agrada ao público e rapidamente obter uma reação negativa. Em sistemas reais, o custo de uma decisão errada é muito maior. Portanto, o futuro que o jovem engenheiro imagina não está ligado apenas à aceleração do desenvolvimento, mas também a uma gestão de mudanças mais precisa e responsável. A IA pode se tornar não um ditador, mas um parceiro: ela planeja, ajusta, testa e controla, mas o humano mantém a palavra final.

Talvez, em breve, escrever um prompt se assemelhe menos a uma solicitação a um chatbot e mais a um projeto de mudança futura. O importante é desenvolver uma cultura de cautela antes que essas ferramentas comecem a ser usadas em massa na produção, na energia e no ambiente urbano. O mundo físico é importante demais para permitir que os modelos aprendam com ele por tentativa e erro.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
OpenCollab: coordenação programável de agentes, ambiente de execução controlado e métrica de cumprimento das regras
O framework reúne a definição da estrutura de interação entre agentes, um ambiente comum para experimentos e o rastreamento detalhado de eventos, enquanto a métrica Adherence, introduzida agora, reflete o quanto a execução real corresponde ao esquema declarado. Nos benchmarks, a configuração Duo alcança um novo patamar de SOTA, enquanto a variante de agente único se destaca pelo menor consumo de tokens.
11 novembro 2026
Toollery: seleção de ferramentas para agentes LLM entre dezenas de milhares de opções sem fine-tuning
A Toollery cria um índice de pesquisa com base nas descrições de competências e ferramentas e, a cada consulta, transmite ao modelo apenas um conjunto limitado de candidatos. Em testes com bibliotecas de dezenas de milhares de funções, a abordagem permite manter a qualidade da seleção com um top-K fixo, embora o efeito final dependa do perfil de carga e do cache do fornecedor.
11 novembro 2026
WILSON: integração de ampliações e lâminas de pacientes para análise anatomopatológica e elaboração de laudos
O preprint apresenta o WILSON — um modelo de visão e linguagem que codifica imagens de lâminas inteiras e séries de preparações de um mesmo paciente em diferentes ampliações, em vez de apenas uma lâmina «melhor». Sem ajuste fino para a tarefa, supera modelos especializados e maiores para lâminas em várias métricas, com uma carga computacional substancialmente menor, e as suas descrições diagnósticas receberam avaliações mais elevadas dos patologistas.
11 novembro 2026