Investigadores da Universidade Shanghai Jiao Tong e do conglomerado de tecnologia chinês Tencent afirmam ter construído um agente de IA que usa o tempo de silêncio entre conversas para prever o que os utilizadores podem perguntar a seguir — e preparar as respostas antes que perguntem.
O sistema, denominado ProAct, funciona de forma diferente da maioria dos agentes de IA que esperam que os utilizadores façam uma pergunta antes de responder. Em vez disso, o ProAct usa o tempo de inatividade entre as mensagens para rever conversas passadas e informações guardadas do utilizador, depois prepara informações úteis em segundo plano antes que a próxima pergunta chegue.
“Embora os agentes de IA demonstrem capacidades notáveis em raciocínio e uso de ferramentas, eles permanecem fundamentalmente reativos: calculam respostas apenas após prompts explícitos do utilizador”, escreveram os investigadores. “Este paradigma ignora uma oportunidade crítica: o tempo ocioso entre interações é largamente desperdiçado, deixando os agentes incapazes de se prepararem para futuras necessidades do utilizador.”
O sistema funciona em várias etapas. A primeira, denominada Previsão de Estado Futuro (Future-State Prediction), prevê prováveis perguntas de acompanhamento, analisando conversas passadas, preferências do utilizador e informações em falta.
A segunda etapa, denominada Aquisição em Tempo Ocioso (Idle-Time Acquisition), decide quais dessas previsões valem a pena investigar com base na relevância, tempo e quão útil a nova informação pode ser.
Um sistema separado decide então se apresenta a informação preparada, guarda-a para mais tarde ou armazena-a até ser necessária, criando um sistema de “ciclo fechado” projetado para antecipar e responder às necessidades do utilizador.
“Após cada interação em primeiro plano, o agente atualiza a sua memória, prevê possíveis necessidades futuras, aloca computação de tempo ocioso a candidatos valiosos e decide como a preparação resultante deve ser tratada”, escreveram. “Esta formulação liga a previsão, aquisição e entrega a uma única política, em vez de tratar a computação de tempo ocioso como uma pesquisa em segundo plano irrestrita.”
De acordo com os investigadores, o ProAct foi testado em 200 simulações em 40 domínios, incluindo planeamento financeiro, gestão de lançamentos de software e cibersegurança. Segundo o artigo, o sistema reduziu os turnos de conversação em 14,8% e cortou os pedidos de acompanhamento em 11,7%. Numa comparação usando um benchmark chamado ProActEval, o ProAct antecipou 703 necessidades previsíveis do utilizador contra 32 para o sistema anterior. Os investigadores também relataram uma redução de 28,1% nas alucinações.
A pesquisa surge à medida que os agentes de IA autónomos se espalham pela indústria tecnológica, com projetos como OpenClaw e Hermes Agent a fornecer assistentes de IA persistentes que podem lidar com tarefas mais longas e independentes — como codificação, agendamento, pesquisa e automação de fluxo de trabalho — com menos intervenção humana direta.
O estudo também surge depois de outros investigadores terem alertado este mês que os agentes de IA podem completar tarefas perigosas sem compreender as consequências.
“Como o Senhor Magoo, estes agentes avançam em direção a um objetivo sem compreender totalmente as consequências das suas ações”, disse o autor principal Erfan Shayegani, um estudante de doutoramento da UC Riverside, num comunicado. “Estes agentes podem ser extremamente úteis, mas precisamos de salvaguardas porque às vezes podem priorizar alcançar o objetivo em detrimento da compreensão do quadro geral.”
Os investigadores reconheceram que o estudo ProAct tinha várias limitações, incluindo o facto de, em 3% dos casos, o sistema piorou as respostas ao trazer informações irrelevantes. O artigo também afirmava que qualquer versão do mundo real exigiria proteções de privacidade, porque o sistema analisa constantemente conversas e armazena dados do utilizador.
“A nossa análise de orçamento mostra ainda que orçamentos maiores de Aquisição em Tempo Ocioso aumentam o custo dos tokens ativos e produzem retornos decrescentes”, escreveram, “portanto, a computação proativa é um compromisso de ponto de operação, em vez de algo a ser maximizado.”
