Reconhecer um objeto numa fotografia e realizar uma tarefa num software são duas coisas diferentes. O GPT-6.1 Terra procura aproximá-las. Para avaliar esta proposta da OpenAI, a pergunta certa não é se o modelo «compreende o mundo», mas o que recebe, o que pode fazer e quem verifica o resultado.
Na sua ficha técnica, a OpenAI apresenta o Terra como um modelo de raciocínio visual, utilização do computador e redação. Entre os usos mencionados estão a comparação de fotografias com um catálogo, a interpretação de desenhos técnicos e a realização de ações nos ecrãs de uma aplicação. São capacidades anunciadas pelo fornecedor, não resultados de um teste realizado pela nossa redação.
Ler uma imagem não chega para concluir uma tarefa
Consideremos um exemplo hipotético: uma empresa quer encontrar, no seu catálogo, a referência correspondente a uma fotografia enviada por um cliente. O primeiro passo consiste em descrever o objeto. O segundo exige comparar as referências disponíveis. O terceiro pode implicar abrir uma ficha e preparar uma resposta.
Estas etapas não têm o mesmo critério de sucesso. Uma descrição plausível pode continuar a ser demasiado vaga para identificar o produto certo. Um objeto semelhante pode pertencer a outra gama. Por fim, uma referência exata pode ser registada na pasta errada. O resultado útil é, portanto, a correspondência verificada, e não apenas um comentário convincente sobre a imagem.
É na articulação entre perceção e ação que reside o interesse do Terra. O leitor ganha em separar as duas promessas: interpretar melhor os elementos visíveis e encadear melhor as operações. Um progresso numa delas não comprova automaticamente a fiabilidade da outra.
O que a API recebe realmente
A documentação indica entradas de texto e visuais, com saídas de texto. Não prevê suporte direto a áudio ou vídeo pelo modelo. Esta precisão evita um equívoco: uma demonstração relacionada com um filme não significa necessariamente que um ficheiro de vídeo seja analisado diretamente enquanto tal.
No seu artigo de 27 de outubro, o Clubic descreve, entre outros exemplos, um trabalho de restauro de animação que passa pela análise de imagens da sequência. O meio de comunicação salienta também que as intervenções nos softwares pressupõem acessos autorizados. É, por isso, necessário analisar o conjunto do sistema: modelo, documentos fornecidos, ferramentas e aplicação utilizada.
Uma imagem de entrada pode ser uma fotografia, um desenho ou uma captura de ecrã. Isso não torna estes documentos equivalentes. Uma fotografia mostra uma aparência; uma planta representa convenções, dimensões e, por vezes, várias vistas. Uma captura de ecrã mostra o estado de uma interface num dado momento. Para avaliar um assistente, é necessário manter estas diferenças, em vez de agrupar todos os exercícios sob uma única designação de «visão».
Do modelo ao agente: a etapa decisiva das ferramentas
Um modelo torna-se útil num processo quando recebe os meios para executar as ações esperadas. No caso do Terra, a OpenAI esclarece que as chamadas a ferramentas são feitas através da Responses API. Esta interface permite a uma aplicação ligar o raciocínio às funções que disponibiliza.
No nosso exemplo do catálogo, o acesso de leitura pode ser suficiente para procurar uma referência. Alterar uma encomenda seria uma responsabilidade diferente. Mesmo que a mesma IA intervenha nos dois casos, as consequências são distintas. A conceção do serviço deve, por isso, definir as ações permitidas, as informações necessárias e os momentos em que é preciso fazer uma verificação.
Esta distinção oferece um critério concreto para analisar uma demonstração. Foi obtida uma sugestão, um ficheiro utilizável ou uma alteração efetiva no software? O trabalho continua correto quando se abre o resultado? Estas perguntas são mais importantes do que uma animação rápida de janelas ou uma resposta confiante.
Como comparar sem nos deixarmos impressionar
O guia da OpenAI recomenda, na migração do GPT-5.6 Terra, comparar os modelos com imagens e processos representativos, usando o mesmo nível de esforço de raciocínio. Esta recomendação é útil: alterar simultaneamente os documentos, as ferramentas e as definições dificulta atribuir uma melhoria ao novo modelo.
Para uma avaliação no terreno, consideraríamos três níveis. Primeiro, a exatidão do resultado: a referência, as dimensões ou o conteúdo pedido estão corretos? Depois, a execução: as operações previstas foram realmente concluídas? Por último, a recuperação: quando falta uma informação, o assistente assinala a incerteza em vez de completar o processo ao acaso?
É também necessário incluir as correções humanas no tempo medido. Um primeiro resultado rápido, seguido de uma longa reparação, não representa necessariamente um ganho. Por outro lado, pedir um esclarecimento pode ser a decisão certa se evitar uma ação errada. Estes são critérios de avaliação, não erros que tenhamos detetado no Terra.
O que já podemos concluir e o que falta testar
O Terra propõe uma especialização interessante para tarefas em que uma informação visual tem de dar origem a trabalho informático. A documentação permite delimitar o seu âmbito; não basta, porém, para garantir resultados em todas as profissões.
Uma equipa que queira avaliá-lo faria bem em começar por um processo representativo cujo resultado esperado já conheça e, depois, introduzir casos menos claros: imagem ambígua, referência inexistente ou etapa impossível. Este percurso mostraria tanto aquilo que a ferramenta consegue fazer como a forma de expor os seus limites.
O progresso pretendido é muito concreto: obter um resultado utilizável com menos correções, mantendo o controlo das ações. É nesta escala que uma promessa de raciocínio visual se transforma num serviço e merece ser avaliada.
Fotografia ilustrativa: um posto de trabalho com dois ecrãs; não se trata de uma demonstração do Terra.
