Principais destaques
- Uma equipe de IA a partir de um único prompt: o Teamwork Preview organiza agentes responsáveis por planejamento, execução e auditoria de tarefas complexas.
- Mais de 100 páginas em 17 idiomas: uma demonstração da Google concluiu a localização de conteúdos de um site em aproximadamente dois dias, com revisões humanas antes da publicação.
- O trabalho humano muda de função: em vez de produzir cada linha de código ou traduzir cada página, profissionais passam a definir objetivos, orientar os agentes e verificar a qualidade dos resultados.
O Google está testando uma nova forma de desenvolver software no Antigravity: em vez de depender de um único assistente de inteligência artificial, o usuário pode delegar um projeto a uma equipe de agentes especializados, que dividem tarefas, trabalham em paralelo e revisam o resultado uns dos outros.
A proposta é fazer com que projetos complexos avancem por horas, com menos intervenções humanas durante a execução.
🤖 E se você pudesse contratar uma equipe inteira com um único comando?
Imagine pedir a construção de um aplicativo e, em vez de esperar que uma única IA escreva o código do início ao fim, receber uma equipe virtual que organiza o projeto, desenvolve funcionalidades, testa implementações e procura erros antes da entrega.
É essa a ideia por trás do Teamwork Preview, recurso experimental da plataforma de desenvolvimento agêntico Google Antigravity.
O usuário descreve o objetivo em linguagem natural. Um agente líder faz perguntas para esclarecer os requisitos, elabora um plano e distribui o trabalho entre agentes especializados. Enquanto alguns produzem código ou conteúdo, outros assumem a função de auditores, procurando inconsistências e solicitando correções.
A diferença está na coordenação. Não se trata apenas de abrir várias conversas com modelos de IA, mas de organizar uma equipe com responsabilidades distintas e um mecanismo de revisão contínua.
🔎 O detalhe mais importante: o sistema pretende executar ciclos de produção e avaliação durante períodos prolongados, sem exigir que uma pessoa aprove cada pequena etapa.
💡 A mudança de paradigma é esta: em vez de pedir à IA que faça uma tarefa, você passa a coordenar uma equipe de agentes que trabalha para entregar um projeto completo.
🧩 Como funciona a equipe de agentes?
A arquitetura demonstrada pela Google combina diferentes funções para dividir o trabalho e controlar a qualidade.
Define o objetivo, os requisitos e os critérios de qualidade.
Esclarece os requisitos, planeja o trabalho e distribui as tarefas.
Produzem código, traduções, modelos 3D e outros entregáveis.
Comparam os resultados com requisitos e referências, apontando falhas.
Os agentes ajustam o resultado até atender aos critérios definidos, com supervisão humana nos momentos relevantes.
Essa divisão permite que atividades independentes avancem simultaneamente. O agente líder mantém a visão geral, enquanto os demais se concentram em partes específicas do projeto.
Isso também muda o perfil das tarefas que a plataforma pretende executar: quanto mais claro for o objetivo e mais verificável for o resultado, maior a possibilidade de automatizar etapas sem perder o controle sobre a qualidade.
🌎 De 100 páginas a 17 idiomas em dois dias
Uma das demonstrações mais concretas envolveu a localização do próprio site do Anti-gravity.
Nick, funcionário da Google e ex-redator técnico que fala vários idiomas, utilizou a plataforma para traduzir mais de 100 páginas de conteúdo de marketing e documentação técnica para 17 idiomas.
O trabalho começou com uma experiência em espanhol mexicano. A primeira versão era precisa, mas soava mecânica, com construções muito próximas do texto original.
Em vez de aceitar o resultado, Nick forneceu feedback diretamente na plataforma. Depois de três ou quatro rodadas de ajustes, as traduções começaram a soar mais naturais.
✍️ A etapa que fez a diferença: depois de aperfeiçoar o processo para um idioma, o agente líder utilizou esse padrão para distribuir o restante do trabalho entre agentes executores e auditores.
As equipes virtuais trabalharam em paralelo durante horas, processando centenas de páginas. O projeto foi concluído em aproximadamente dois dias, segundo o relato apresentado no material de referência. A estimativa é que o trabalho manual equivalente levaria semanas.
Isso não significa que as traduções ficaram prontas para publicação sem conferência. Revisores humanos que dominavam os idiomas ainda verificaram amostras do conteúdo antes de sua disponibilização.
A economia de tempo veio principalmente da mudança de função: em vez de traduzir tudo manualmente, os profissionais concentraram seus esforços na avaliação e na correção dos resultados.
💻 Mais produtividade, mas sem dispensar a revisão
A proposta também se aplica ao desenvolvimento de software, área em que agentes de IA já escrevem código, corrigem erros e executam testes.
O diferencial do Teamwork Preview é combinar essas atividades em um fluxo coordenado, capaz de continuar trabalhando mesmo quando uma pessoa não está acompanhando cada operação.
Segundo os números internos citados pela Google, equipes que utilizavam o modelo Argon no Anti-gravity aumentaram em mais de 35% o volume de submissões de código produzidas com agentes e reduziram em quase um terço os rollbacks de código.
| Indicador divulgado | Resultado |
|---|---|
| Submissões de código com agentes | Mais de 35% de aumento |
| Rollbacks de código | Redução de quase um terço |
Os dados são números internos relatados pela empresa, não uma avaliação independente. Ainda assim, apontam para uma questão importante: aumentar a quantidade de código produzido não basta se a equipe também precisar gastar mais tempo corrigindo problemas.
A ambição é melhorar as duas pontas, produtividade e confiabilidade.
🏯 A mesma lógica construiu um templo japonês em 3D
O Teamwork Preview não está limitado à programação tradicional.
Em outra demonstração, um produtor criativo da equipe de prototipagem do Google DeepMind utilizou o Gemini 4 Argon no Anti-gravity para criar um complexo de templos japoneses fotorrealistas no Blender.
O processo foi executado por linha de comando, sem depender da interface visual do Blender.
A sequência combinou diferentes ferramentas e agentes:
1️⃣ Planejamento arquitetônico: um agente acionou uma ferramenta para gerar plantas e referências estruturais.
2️⃣ Referências visuais: o modelo de imagens Nano Banana produziu quatro imagens a partir dessas plantas.
3️⃣ Construção e avaliação: agentes produziram imagens renderizadas no Blender, enquanto um orquestrador e um agente crítico comparavam os resultados com as referências e solicitavam revisões.
O processo continuou durante a noite, sem supervisão constante. Em comandos posteriores, a equipe acrescentou animações e efeitos sonoros ambientais gerados proceduralmente.
A demonstração ilustra como a mesma estrutura pode conectar planejamento, geração de referências, execução técnica e avaliação visual em um único fluxo.
🏺 Da programação à arqueologia: os agentes também conectam dados históricos
Outra experiência aplicou o mesmo conceito à reconstrução arqueológica.
Dados brutos de escaneamento LiDAR, fotografias de arquivo e documentos históricos relacionados ao Chaco Canyon, no Novo México, foram utilizados para produzir modelos geométricos 3D e um site interativo.
Com uma integração com o Blender, o projeto também ganhou um recurso funcional de relógio solar, relacionado à história do local como antigo observatório solar.
O exemplo é relevante porque não se resume a gerar uma imagem convincente. O sistema precisa combinar fontes diferentes, transformar dados em objetos tridimensionais e criar uma experiência interativa.
Ao mesmo tempo, a qualidade visual de uma reconstrução não comprova, por si só, sua precisão histórica. Para trabalhos científicos, as interpretações e os modelos precisam continuar sujeitos à validação de especialistas.
⚠️ O que ainda impede uma autonomia completa?
A demonstração do Google revela tanto o potencial quanto as limitações desse modelo de trabalho.
A primeira tradução do projeto de localização parecia artificial. Foi necessário feedback humano antes de expandir a abordagem para os outros idiomas.
Esse detalhe ajuda a entender uma limitação importante: agentes que trabalham em paralelo podem multiplicar a produtividade, mas também podem reproduzir o mesmo erro em várias partes do projeto se os critérios iniciais estiverem equivocados.
O sistema funciona melhor quando há uma maneira objetiva de avaliar a entrega.
| Tipo de tarefa | Como verificar o resultado |
|---|---|
| Desenvolvimento de software | Testes, revisão de código e execução da aplicação |
| Tradução | Revisão linguística e terminológica |
| Modelagem 3D | Comparação visual e validação técnica |
| Reconstrução histórica | Evidências documentais e revisão especializada |
Tarefas subjetivas ou com critérios pouco definidos são mais difíceis de automatizar integralmente. Nesses casos, o julgamento humano continua sendo uma parte central do processo.
🚀 Quem poderá usar o Teamwork Preview?
O recurso está associado à disponibilização do Gemini 4 Argon no Anti-gravity e, nesta fase, é voltado a assinantes do plano Anti-gravity Ultra.
A arquitetura apresentada segue uma tendência mais ampla do desenvolvimento com IA: sair da interação isolada com um chatbot e avançar para sistemas que planejam, executam e verificam projetos compostos por várias etapas.
Ainda não há, no texto fornecido, um limite exato de agentes por tarefa nem métricas independentes que permitam avaliar a eficiência do recurso em diferentes cenários.
O ponto central, porém, está claro: o trabalho de quem utiliza essas ferramentas pode deixar de ser escrever ou produzir cada elemento diretamente e passar a definir o que precisa ser feito, estabelecer padrões de qualidade e decidir quando o resultado está pronto.
A promessa é ambiciosa. Mas, em uma equipe formada por agentes de IA, a pergunta mais importante talvez não seja quantos agentes conseguem trabalhar ao mesmo tempo. É quem garante que todos estão trabalhando na direção certa.
