Loops no futuro da inteligência artificial: como agentes estão redefinindo o desenvolvimento de código
No último dia 15, Boris Cherny, criador do Claude Code, participou do evento @Scale promovido pela Meta. Durante a palestra, uma pergunta surpreendente ecoou entre os espectadores: “Loops são a próxima onda de hype ou realmente têm aplicação prática?”
Cherny respondeu com sinceridade: “Sim, são reais.” Segundo ele, o avanço tecnológico está passando por uma transformação significativa. “Há dois anos, escrevíamos o código manualmente. Começamos a migrar para agentes que geram o código e agora estamos no estágio em que agentes ativam outros agentes para criar soluções”, explicou. Para ele, esse avanço é tão relevante quanto à transição do código fonte para agentes independentes.
Funcionamento dos loops em ambientes de IA
Durante sua fala (em torno do minuto 32 no vídeo disponível no YouTube), Cherny detalhou como os loops funcionam em seu dia a dia. Um agente monitora constantemente oportunidades para melhorar a arquitetura do código, enquanto outro busca padrões repetitivos que podem ser simplificados. Ambos enviam notificações de alteração automática — e não param de operar enquanto o projeto evolui.
Essa abordagem não é totalmente nova. Loops recursivos, já ensinados em cursos básicos de programação, seguem um princípio semelhante: funções que se chamam repetidamente até atingir uma condição específica. No entanto, nos sistemas de IA, o controle do ciclo pode ser mais flexível, com subagentes decidindo quando interromper a operação.
Exemplo prático: o Ralph Loop
Entre as estratégias mais populares está o chamado “Ralph Loop”, inspirado no personagem Ralph Wiggum. Essa técnica envolve que o modelo revise constantemente o progresso feito e verifique se o objetivo foi alcançado. A ideia é evitar que algoritmos fiquem presos em tarefas sem fim, garantindo que a execução termine quando necessário.
Outra perspectiva é ver os loops como parte de uma tendência maior: aumentar a capacidade computacional durante a execução. Pesquisadores da OpenAI, como Noam Brown, já destacaram que modelos modernos podem resolver praticamente qualquer problema se forem alimentados com recursos suficientes. Isso vale especialmente para tarefas complexas, como otimização de código — onde pequenos ajustes contínuos podem levar a grandes melhorias.
Desafios e custos associados
A aplicação desse conceito, porém, tem seus desafios. Loops agentes consomem tokens em quantidade muito maior do que os chatbots tradicionais — e como o objetivo é manter os processos ativos constantemente, não há limites claros de gastos. Essa realidade pode ser vantajosa para empresas como a Anthropic, que depende da venda de tokens, mas para outras organizações pode representar um custo elevado.
Apesar disso, Cherny destaca que, com o controle adequado sobre recursos e monitoramento de possíveis falhas (como desvio de modelos), os benefícios podem causar os investimentos. A chave, segundo ele, está em alinhar a tecnologia aos objetivos específicos de cada projeto.
Com informações do Techcrunch
