O Instituto de Tecnologia de Massachusetts (MIT) apresentou o Murakkab, um sistema que otimiza o design e a implantação de workflows multicamadas para aplicações de inteligência artificial. Ao focar em velocidade e eficiência energética, a inovação aborda um dos gargalos críticos do setor: o custo computacional de agentes autônomos que realizam tarefas sequenciais [1]. Murakkab representa um passo estratégico para viabilizar agentes sustentáveis em larga escala.
Murakkab: o novo sistema do MIT que otimiza velocidade e eficiência energética de agentes de IA
Esse avanço dialoga diretamente com as tendências mapeadas pelo Observatório Softex, cuja plataforma Panorama IA reúne indicadores sobre adoção, obstáculos e investimentos no setor [2]. A iniciativa brasileira oferece painéis interativos sobre “Adoção da IA por Tipo de Mercado” e “Tipo de IA por Setor”, revelando um país em estágio heterogêneo de maturidade tecnológica [2].
O funcionamento interno do Murakkab: como ele gerencia workflows multi-etapa de forma inteligente
Modelos de IA cada vez mais complexos consomem energia em escala industrial e operam em cadeias de tarefas que, se mal orquestradas, desperdiçam recursos. O sistema Murakkab, desenvolvido no MIT, otimiza essas cadeias.
Batizado de Murakkab, o sistema foi detalhado em junho de 2025 no artigo “Improving the speed and energy-efficiency of AI agents” [1]. Sua proposta: otimizar o desenho e a execução de workflows multi-etapa — sequências de ações que um agente de IA precisa cumprir para responder a um comando, como pesquisar em bases de dados, cruzar informações e gerar um relatório. Murakkab analisa a estrutura do workflow e redistribui tarefas de maneira inteligente, reduzindo gargalos e eliminando redundâncias. Segundo os pesquisadores do MIT, o resultado é um ganho significativo em velocidade e economia energética, um feito que toca no calcanhar de Aquiles da IA contemporânea: a sustentabilidade computacional.
Enquanto inovações como o Murakkab avançam no front técnico, o ecossistema mais amplo da IA lida com questões de governança, regulação e impacto social. No Brasil, iniciativas como o Panorama IA, plataforma oficial do Observatório Softex, têm se dedicado a mapear esse terreno movediço [2]. A plataforma reúne indicadores qualificados sobre adoção da IA por setor, obstáculos enfrentados por empresas que ainda não utilizam a tecnologia, leis e regulamentações em vigor no país, e formação de profissionais na área. Ao abrir painéis interativos sobre “Adoção da IA por Tipo de Mercado” e “Tipo de IA por Setor”, oferece um retrato granular do uso real da inteligência artificial no Brasil — um contraponto necessário ao brilho das inovações vindas dos grandes centros de pesquisa [2].
O que o Panorama IA revela é um país em estágio heterogêneo de maturidade. Enquanto setores como finanças e tecnologia já operam com IA em escala, outras áreas, como o varejo tradicional e a administração pública, ainda tropeçam em obstáculos de infraestrutura e capacitação. Esse cenário coloca um dilema: como fazer com que sistemas eficientes como o Murakkab cheguem a um espectro mais amplo de aplicações, sem ampliar desigualdades digitais? A discussão sobre regulação e ética, central na agenda global, ganha contornos locais urgentes.
O professor Paulo Roberto Córdova, do IFSC, autor do livro “Inteligência artificial: Entre o fascínio e o medo” (Contexto, 2025), oferece uma lente crítica para esse debate [3]. Com mais de 20 anos de experiência na área, Córdova defende uma relação equilibrada entre inovação tecnológica e responsabilidade social. Ele alerta para os vieses embutidos nos algoritmos, a reprodução de preconceitos históricos e o risco de que a IA, em vez de libertar, aprimore mecanismos de controle e exclusão [3]. Sua perspectiva ressoa diretamente com o trabalho do Murakkab: não basta que um sistema seja rápido e econômico — ele precisa ser confiável, transparente e ético.
O Murakkab, em sua camada técnica, incorpora essa preocupação ao gerenciar workflows de forma otimizada, mas a confiança no sistema depende de um ecossistema mais amplo de regras claras e supervisão. A regulação brasileira, monitorada pelo Panorama IA, e as reflexões de Córdova se encontram com a engenharia do MIT [1][2][3]. O avanço da inteligência artificial não será medido apenas pela potência de seus algoritmos, mas pela capacidade de integrá-los a um tecido social que valorize a equidade, a sustentabilidade e o controle democrático.
O Murakkab representa a busca por sistemas de IA mais enxutos, rápidos e energeticamente responsáveis. Enquanto players globais como Google, Meta e OpenAI competem por modelos maiores, iniciativas como a do MIT mostram que o futuro da inteligência artificial pode ser desenhado com eficiência e propósito.
Decomposição e coordenação de tarefas: os mecanismos específicos que reduzem o consumo computacional
O verdadeiro gargalo do setor de IA é o consumo computacional. Murakkab propõe otimizar a decomposição e a coordenação de tarefas em workflows multi-etapa, reduzindo de forma mensurável a carga computacional sem sacrificar a qualidade dos resultados [1].
Sua inovação reside em um mecanismo específico de orquestração: em vez de executar cada etapa de um agente de IA de maneira sequencial e isolada, o sistema fragmenta as instruções em subtarefas interdependentes e as coordena dinamicamente, eliminando processamentos redundantes e realocando recursos conforme a demanda momentânea. O impacto prático, segundo o post do MIT [1], é uma aceleração significativa aliada a uma queda drástica no gasto energético — um avanço que responde às pressões do mercado por eficiência.
No Brasil, o Observatório Softex mostra que a adoção de IA esbarra em obstáculos estruturais, e um deles é o custo computacional. Os painéis interativos do Panorama IA [2] indicam que empresas que não utilizam IA citam falta de infraestrutura e elevado investimento como barreiras principais. Sistemas como o Murakkab representam um caminho concreto para democratizar o acesso à inteligência artificial, especialmente em economias emergentes onde otimização é sinônimo de viabilidade.
A regulação e a ética ganham contornos mais nítidos quando a tecnologia se torna acessível. O livro de Paulo Roberto Córdova, Inteligência artificial: Entre o fascínio e o medo, levanta questões de vieses e reprodução de preconceitos que emergem quando modelos são treinados e executados sem supervisão adequada [3]. A decomposição eficiente de tarefas, como propõe o Murakkab, permite que desenvolvedores insiram pontos de verificação éticos em cada etapa do workflow — um controle granular que se perde em sistemas monolíticos. A coordenação entre subtarefas pode ser projetada para mitigar vieses, desde que haja intenção regulatória para isso.
Players globais e locais competem para reduzir o custo por inferência. O Murakkab [1] exemplifica uma direção técnica que, combinada com políticas públicas de incentivo à inovação — como as sugeridas nos policy briefs do Softex [2] —, pode reposicionar países inteiros na cadeia de valor da IA. A eficiência computacional torna-se um pilar estratégico de competitividade.
A sociedade observa a tecnologia sob o dilema do fascínio e do medo [3]. A coordenação de tarefas, quando bem executada, não apenas economiza energia: cria margem para que agentes de IA funcionem em dispositivos comuns, fora dos data centers gigantescos. Isso amplia o alcance social da inteligência artificial, mas também exige que os mecanismos de controle estejam embutidos no código, não apenas em cartas de princípios.
O cenário energético da IA: por que otimizar pipelines multi-etapa é uma demanda urgente
Modelos cada vez maiores demandam quilowatts-hora na ordem de cidades de médio porte; avanços em eficiência computacional reverberam na viabilidade econômica e ambiental da tecnologia. O Murakkab, do MIT [1], otimiza workflows multi-etapa — pipelines usados por assistentes virtuais, sistemas de recomendação e agentes autônomos. A inovação chega em meio a um movimento global que busca equilibrar o apetite da IA com os limites planetários e financeiros.
Murakkab analisa o fluxo completo do pipeline — desde a entrada de dados até a inferência final — e identifica gargalos de processamento e consumo energético. A promessa é reduzir drasticamente o tempo de execução e o gasto elétrico de agentes que dependem de múltiplos modelos trabalhando em cadeia. Sem essa otimização, o custo operacional pode inviabilizar projetos inteiros.
Grandes players, governos e organismos multilaterais investem em IA. Dados do Observatório Softex indicam investimento anual global em trajetória ascendente [2]. O Panorama IA revela que a adoção da inteligência artificial por tipo de mercado e setor econômico já ultrapassou a fase experimental, consolidando-se como ferramenta estratégica em áreas como saúde, finanças, agronegócio e manufatura [2]. Esse crescimento acelerado traz uma conta energética que pesa no balanço das organizações.
Do ponto de vista regulatório, o cenário também se movimenta. O Brasil avança na construção de um marco legal para a IA, com leis e regulamentações em discussão que buscam conciliar inovação com transparência, segurança e sustentabilidade [2]. A pressão por eficiência energética não vem apenas de custos operacionais, mas também de exigências éticas e ambientais em contratos, editais e políticas públicas. O livro do professor Paulo Roberto Córdova, Inteligência artificial: Entre o fascínio e o medo [3], sintetiza esse dilema ao apontar que a tecnologia carrega vieses, reproduz preconceitos e demanda uma reflexão profunda sobre seus impactos sociais — incluindo a pegada ecológica de sua operação.
O debate sobre eficiência energética em IA não é apenas técnico. Toca em questões de soberania tecnológica, competitividade industrial e responsabilidade socioambiental. Países que dominarem estratégias de otimização de pipelines multi-etapa — como o Murakkab exemplifica [1] — terão vantagem competitiva em um mercado onde cada watt economizado pode ser traduzido em escala, agilidade e licença social para operar. Ao mesmo tempo, a ausência de regras claras e de indicadores confiáveis sobre consumo energético pode levar a uma disseminação irresponsável da tecnologia, com consequências imprevisíveis para o meio ambiente e para a confiança pública.
Plataformas como o Panorama IA [2] cumprem um papel estratégico ao oferecer dados qualificados sobre adoção, obstáculos e investimentos, permitindo que empresas e formuladores de políticas tomem decisões informadas. Falta traduzir esse diagnóstico em soluções práticas de engenharia de software e hardware, como o Murakkab começa a fazer. A otimização de pipelines multi-etapa não é apenas uma questão de desempenho — é condição para que a IA escale de forma sustentável, sem comprometer os recursos das próximas gerações.
Cada avanço na redução do consumo energético representa um passo concreto em direção a uma IA mais democrática, acessível e responsável.
Implicações práticas e limitações do Murakkab para adoção em larga escala
O Murakkab [1] otimiza workflows multistep de agentes de IA. A promessa de reduzir o consumo computacional sem sacrificar desempenho poderia viabilizar aplicações antes inviáveis economicamente — especialmente em setores como saúde, finanças e logística, onde cadeias de decisão complexas exigem múltiplas etapas de raciocínio. No entanto, a adoção em larga escala esbarra em limitações estruturais.
Em primeiro lugar, o Murakkab opera no nível da orquestração de tarefas, não nos modelos de base. Sua eficácia depende da integração com infraestruturas de hardware e software heterogêneas entre empresas e países. Dados do Observatório Softex indicam que os principais obstáculos para empresas que não usam IA incluem falta de conhecimento técnico e custos de implementação [2] — barreiras que o
Murakkab, isoladamente, não resolve. Além disso, a otimização de workflows pode amplificar vieses se as etapas intermediárias não forem auditadas, ecoando preocupações éticas apontadas por Paulo Roberto Córdova, que alerta para a reprodução de preconceitos em sistemas automatizados [3].
Outro ponto crítico é a regulação. Enquanto o Murakkab acelera a execução de agentes autônomos, o arcabouço jurídico brasileiro ainda engatinha: o Panorama IA registra leis e regulamentações em fase inicial [2], sem diretrizes claras para responsabilização quando um agente com múltiplas etapas tomar decisões equivocadas. Sem governança proporcional à complexidade dos sistemas, a adoção em escala corre o risco de gerar passivos éticos e legais.
Por fim, o próprio sucesso do Murakkab cria um paradoxo: ao tornar agentes mais rápidos e baratos, pode incentivar usos superficiais da IA em detrimento de soluções estruturantes. O equilíbrio entre inovação técnica e maturidade institucional definirá se a promessa do MIT [1] se concretiza como ganho real de produtividade ou apenas mais um ciclo de hype tecnológico.
Referências
[1] Improving the speed and energy-efficiency of AI agents. Disponível em: https://news.mit.edu/2026/improving-ai-agent-speed-and-energy-efficiency-0625
[2] MIT News. "Improving the speed and energy-efficiency of AI agents". Junho de 2025. — Artigo que apresenta o sistema Murakkab, descrevendo sua abordagem para otimizar workflows multi-etapa.
[3] Observatório Softex. Panorama IA. — Plataforma que reúne indicadores sobre adoção, obstáculos, investimentos e regulação da inteligência artificial no Brasil. Disponível em: https://observatorio.softex.br/panoramaia/.
[4] Córdova, Paulo Roberto. Inteligência artificial: Entre o fascínio e o medo. Contexto, 2025. — Livro que discute vieses, preconceitos e impactos sociais da IA, oferecendo uma perspectiva crítica sobre a inovação tecnológica.