O Instituto de Tecnologia de Massachusetts (MIT) apresentou, em junho de 2026, o Murakkab, um sistema que otimiza o design e a implantação dos workflows multietapa que sustentam aplicações de inteligência artificial [1]. Desenvolvido por pesquisadores do MIT e da Microsoft, ele ataca um dos gargalos críticos do setor: o desperdício de computação, energia e dinheiro em agentes que encadeiam vários modelos e ferramentas para cumprir uma tarefa [1]. O Murakkab representa um passo na direção de agentes sustentáveis em larga escala.
O que é o Murakkab e qual problema ele resolve
O nome vem de uma palavra em urdu que significa "uma composição de coisas" [1]. É uma boa descrição dos chamados workflows agênticos: sistemas de software movidos a IA que encadeiam múltiplos modelos e ferramentas externas para responder a um comando [1].
Hoje, o desenho e a implantação desses workflows costumam ser fixos e fragmentados. O desenvolvedor precisa decidir de antemão quais agentes, modelos e ferramentas usar, em que ordem, em que hardware e com qual equilíbrio entre custo e velocidade. Já o data center na nuvem enxerga o workflow como uma caixa-preta e não consegue alocar o hardware da melhor forma [1]. "É muito fácil superdimensionar recursos, desperdiçando energia e dinheiro", resume o autor principal, Gohar Chaudhry, estudante de pós-graduação em engenharia elétrica e ciência da computação do MIT [1].
O trabalho tem também como autores Adam Belay, professor associado do MIT e membro do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL), e Ricardo Bianchini, da Microsoft Azure, autor sênior, além de outros pesquisadores da Microsoft [1].
Como o sistema funciona
O Murakkab separa o que o desenvolvedor quer do modo como isso será executado. Em vez de especificar cada componente, o desenvolvedor descreve a intenção em termos de alto nível. O sistema escolhe os modelos e ferramentas mais adequados entre os já existentes e decide quais etapas rodam em sequência e quais podem rodar em paralelo [1].
Na implantação, o Murakkab configura os componentes para atender às restrições do usuário, por exemplo priorizar a precisão sem estourar um limite de latência. Ele escolhe de forma adaptativa a alocação de hardware e o cronograma de execução e gera um workflow pronto para rodar [1]. As configurações são ajustadas ao longo do tempo conforme as prioridades, como minimizar custo ou maximizar velocidade. "Se um novo modelo ou acelerador de GPU sair amanhã, o desenvolvedor não precisa se preocupar com isso", afirma Chaudhry [1].
Outro ganho é a visão de conjunto: o provedor de nuvem passa a enxergar várias cargas de trabalho ao mesmo tempo e pode compartilhar recursos computacionais de forma mais eficiente, sem violar as restrições de cada usuário [1]. Um exemplo de aplicação citado pelos pesquisadores é um sistema de perguntas e respostas sobre vídeos, que extrai quadros-chave, gera uma transcrição e responde às dúvidas do usuário [1].
Resultados: menos computação, energia e custo
Os pesquisadores testaram o Murakkab em diferentes workflows agênticos de perguntas e respostas sobre vídeo e de geração de código. O sistema atendeu aos requisitos dos usuários usando apenas cerca de 35% da computação exigida por outros métodos, consumiu cerca de 27% da energia e teve menos de 25% do custo [1].
Em um dos casos, o sistema reduziu o consumo de energia de um workflow em mais de uma ordem de grandeza, com queda de apenas cerca de 2% na precisão para o cliente [1]. O Murakkab também encontrou uma configuração inesperadamente boa para o modelo que seleciona os quadros nos vídeos [1]. O texto do MIT não informa um percentual de aceleração; o ganho de velocidade aparece como a capacidade de cumprir os limites de latência definidos pelo usuário gastando muito menos recursos [1].
Por que a eficiência importa
Para Chaudhry, os workflows agênticos estão ficando muito complicados e rapidamente se tornando a espinha dorsal do que os provedores de nuvem fazem, e o consumo de energia é uma preocupação central [1]. "Há muito potencial para tornar esses workflows mais eficientes, para que consumam bem menos energia, mas precisamos pensar nisso na escala das grandes plataformas de nuvem", diz ele [1].
A discussão interessa também ao Brasil, onde a plataforma Panorama IA, do Observatório Softex, acompanha a adoção da inteligência artificial por tipo de mercado e por setor, os obstáculos das empresas que ainda não usam a tecnologia, o investimento anual no setor e as leis e regulamentações de IA no país [2]. Quanto menor o custo de rodar agentes, maior a chance de que eles cheguem a empresas e setores que hoje ficam de fora.
Implicações práticas e limitações
O Murakkab atua na orquestração das tarefas: ele não cria modelos novos, e sim escolhe, combina e posiciona os existentes [1]. Por isso, sua eficácia depende da integração com as plataformas de nuvem, e os próprios autores destacam que o tema precisa ser pensado na escala dos grandes provedores [1]. Os resultados divulgados se referem a workflows de vídeo e de geração de código; a equipe pretende estender o sistema a workflows mais complexos e a clusters computacionais maiores [1]. O artigo científico, "Murakkab: Resource-Efficient Agentic Workflow Orchestration in Cloud Platforms", será apresentado no USENIX Symposium on Operating Systems Design and Implementation (OSDI) [1]. A pesquisa teve apoio parcial da Semiconductor Research Corporation e da agência americana DARPA [1].
Há ainda questões em aberto. Automatizar a escolha de modelos e configurações pode tornar mais difícil auditar as etapas intermediárias de um agente, e a troca entre economia de energia e precisão, como no caso da queda de 2%, precisa ser transparente para quem usa o sistema. Além disso, ao tornar agentes mais baratos, a eficiência pode estimular usos superficiais da IA em vez de soluções estruturantes.
Conclusão
O Murakkab mostra que boa parte do custo dos agentes de IA está na forma como eles são montados e implantados, e não só no tamanho dos modelos. Ao delegar ao sistema a escolha de modelos, ferramentas e hardware, os pesquisadores do MIT e da Microsoft conseguiram resultados com uma fração da computação, da energia e do custo [1]. Se a abordagem se confirmar em escala, a eficiência poderá ser tão estratégica quanto a potência dos modelos.
Referências
[1] ZEWE, Adam. "Improving the speed and energy-efficiency of AI agents". MIT News, 25 jun. 2026. Disponível em: https://news.mit.edu/2026/improving-ai-agent-speed-and-energy-efficiency-0625
[2] Observatório Softex. "Panorama IA". Disponível em: https://observatorio.softex.br/panoramaia/