Pine Computer corta custo de tokens para agentes de IA
Pine AI lança o Pine Computer, runtime em nuvem que troca telas por eventos para baratear agentes de IA, mas ainda conclui menos tarefas que o Claude Code.
Sistema troca capturas de tela por eventos do sistema operacional, mas conclui menos tarefas inteiras que o Claude Code.
A startup Pine AI anunciou o lançamento do Pine Computer, um ambiente na nuvem construído especificamente para que agentes de inteligência artificial naveguem na web, usem o terminal e editem arquivos. O anúncio foi feito pelo blog oficial da empresa e detalhado em testes independentes divulgados pelo portal TestingCatalog no início de outubro. Em vez de obrigar o modelo a analisar imagens estáticas da tela a cada clique, a plataforma avisa a IA apenas quando uma janela ou página muda.
Primeiro: o que é o Pine Computer e seu runtime para agentes
Imagine uma pessoa tentando usar um computador vendada, recebendo fotos tiradas por celular a cada dois segundos para adivinhar onde está o cursor do mouse. É exatamente assim que funcionam os agentes atuais que operam computadores: o modelo de linguagem recebe capturas de tela pesadas, tenta ler os pixels e calcula coordenadas para clicar.
Um runtime para agentes é o ambiente de execução onde esse programa vive. No caso do Pine Computer, o sistema operacional conversa diretamente com o modelo de inteligência artificial por dados estruturados, usando uma lógica inspirada no mecanismo epoll do Linux, que notifica o sistema apenas quando há algo novo para processar. A analogia do celular deixa de valer porque a máquina virtual não precisa renderizar gráficos para olhos humanos; ela simplesmente entrega uma lista de eventos de texto para o modelo.
O que o anúncio traz
A Pine AI apresentou a plataforma voltada a empresas e desenvolvedores de software. O grande apelo está no corte de despesas de computação e na velocidade de resposta. No SaaS-Bench v1.1, um teste padronizado com 106 tarefas de negócios espalhadas por 23 programas, a configuração do Pine Computer com o modelo GPT-5.6 Luna completou 78,3% dos checkpoints intermediários, superando os 74,3% obtidos pelo Claude Code rodando com o modelo Opus 5.
Segundo dados fornecidos pela empresa e disponibilizados no repositório Hugging Face, a economia em tokens de texto foi expressiva. Cada tarefa longa custou em média 1,02 dólar em chamadas de modelo, contra 26,50 dólares no Opus 5 e 20,50 dólares no GPT-5.6 Sol com Codex. Em execuções demoradas, o sistema rodou entre duas e cinco vezes mais rápido.
Para a segurança, a startup isolou cada máquina virtual em contêineres individuais com chaves de criptografia controladas pelo cliente. O sistema também permite que um operador humano assuma o controle da tela em tempo real para resolver senhas, autenticações de dois fatores e testes de verificação, devolvendo o comando para a máquina em seguida.
O que ainda não funciona (limites e custos)
Apesar do ganho em etapas intermediárias, o sistema expõe uma limitação prática importante: ele fechou menos tarefas completas de ponta a ponta. A taxa de resolução integral do Pine Computer parou em 27,4%, enquanto o Claude Code com Opus 5 alcançou 31,1%. Ou seja, o agente avança bem pelos passos do processo, mas ainda tropeça no momento de entregar o trabalho concluído.
Há também lacunas nos custos e na transparência. O valor divulgado de cerca de um dólar por tarefa cobre unicamente as chamadas de API do modelo de linguagem, deixando de fora a tarifa pelo tempo de uso da máquina virtual na nuvem da Pine, que ainda não foi revelada. Além disso, a empresa ainda não liberou o código-fonte dos módulos de isolamento de segurança nem permite que os clientes usem chaves de API próprias de outros provedores. No momento, o produto funciona em beta fechado e atende apenas convidados de uma lista de espera corporativa.
O que muda para quem acompanha IA
O projeto da Pine AI mostra uma mudança de direção no uso de computadores por software autônomo. Durante meses, o esforço da indústria se concentrou em treinar redes neurais gigantescas para enxergar telas humanas e decodificar interfaces visuais. A proposta aqui inverte a lógica: redesenhar o sistema operacional para atender as necessidades de uma máquina.
O desafio agora é saber se a eficiência estruturada consegue bater a capacidade bruta de raciocínio dos modelos líderes. Cortar o custo de tokens em mais de vinte vezes viabiliza testes mais longos, mas a tecnologia só terá impacto no mercado quando conseguir terminar o que começou sem travar no último passo.