Uma nova estratégia para a inteligência artificial
TÓQUIO -- Em 22 de junho de 2026, a Sakana AI apresentou o Fugu, um serviço de orquestração multiagente que lança uma pergunta provocadora para o setor de tecnologia. O próximo salto na inteligência artificial exige construir um modelo monolítico ainda maior ou um sistema menor e mais inteligente pode alcançar resultados semelhantes simplesmente sabendo a quem recorrer? Fugu, nome inspirado na palavra japonesa para baiacu, representa a aposta da startup de Tóquio na segunda abordagem. Para o mundo exterior, a plataforma se comporta como um único modelo, mas, internamente, coordena uma equipe de sistemas de inteligência artificial especializados de ponta para resolver tarefas complexas.
Conteúdo
O anúncio chega em um momento decisivo para a adoção da IA generativa por empresas. Durante anos, o progresso foi medido sobretudo pela quantidade de parâmetros, pelo poder computacional empregado no treinamento e pela corrida para criar modelos de base cada vez maiores. OpenAI, Anthropic, Google e outras empresas seguiram essa filosofia de expansão com resultados impressionantes, produzindo sistemas capazes de passar em exames da ordem dos advogados, escrever código sofisticado e realizar raciocínios prolongados. No entanto, a concentração dessa capacidade nas mãos de um punhado de provedores americanos criou novas vulnerabilidades. O acesso aos modelos mais poderosos pode mudar da noite para o dia por causa de controles de exportação, mudanças nas políticas corporativas ou disputas geopolíticas, deixando empresas internacionais expostas.
A Sakana AI propõe uma arquitetura alternativa, baseada na inteligência coletiva. Em vez de tentar igualar os laboratórios de ponta treinando um colosso com um trilhão de parâmetros, a empresa desenvolveu um coordenador compacto, estimado em cerca de 7 bilhões de parâmetros, que atua como um delegador central. Quando um usuário envia uma solicitação pela API do Fugu, compatível com os padrões da OpenAI, o sistema analisa a tarefa e responde diretamente ou reúne uma equipe de modelos especializados para executar subtarefas específicas. Em seguida, verifica os resultados e sintetiza uma resposta unificada. Para o desenvolvedor, a experiência é semelhante à de chamar um único modelo de linguagem grande. Nos bastidores, um comitê inteiro de agentes pode ter contribuído para a resposta.
Dificilmente o momento poderia ser mais estratégico. No início de junho, a Anthropic revogou abruptamente o acesso público aos modelos Claude Mythos 5 e Claude Fable 5, após uma ordem de controle de exportação do governo dos Estados Unidos. A decisão repercutiu na comunidade de desenvolvedores, especialmente entre clientes internacionais que haviam estruturado seus fluxos de trabalho em torno desses sistemas. A Sakana AI cita explicitamente essas interrupções como motivação para o projeto do Fugu, posicionando o serviço como uma proteção contra a dependência de um único fornecedor e como um passo rumo ao que chama de soberania em IA.
Fundada em 2023 pelo ex-pesquisador do Google Brain David Ha e por Llion Jones, coautor do seminal artigo de 2017 sobre transformers, Attention Is All You Need, a Sakana AI atraiu atenção e investimentos significativos. Informações divulgadas publicamente indicam que grandes bancos japoneses e a fabricante de chips Nvidia apoiaram uma rodada de financiamento que avaliou a startup em cerca de 30 bilhões de ienes, dando à empresa recursos para competir com rivais muito maiores. Com o Fugu, a empresa pretende provar que a inovação japonesa pode desafiar o paradigma dos modelos de ponta não por copiá-lo, mas por repensar como as capacidades existentes são combinadas.
Por dentro do mecanismo de orquestração
Para entender o Fugu, é preciso olhar além da simplicidade aparente de sua API. Quando um prompt chega, o sistema o encaminha a um modelo central que a Sakana AI descreve como um maestro treinado por aprendizado por reforço. Na maioria dos casos, esse maestro não gera a resposta final. Em vez disso, atua como um encarregado em um canteiro de obras: analisa dinamicamente o tipo de tarefa e distribui partes do trabalho entre os agentes mais adequados disponíveis em um conjunto intercambiável. Esse conjunto inclui modelos de ponta de terceiros, de provedores como OpenAI, Anthropic e Google, além de instâncias recursivas do próprio Fugu para raciocínios aninhados.
A base teórica desse comportamento vem de dois artigos de pesquisa apresentados na Conferência Internacional sobre Representações de Aprendizado de 2026: Trinity: An Evolved LLM Coordinator e Learning to Orchestrate Agents in Natural Language with the Conductor. O Trinity apresenta uma estrutura de computação evolutiva na qual o coordenador central cria e modifica estruturas de agentes em tempo real, atribuindo-lhes funções como Thinker, Worker ou Verifier conforme as exigências da tarefa. Os Thinkers analisam os requisitos, os Workers executam cálculos específicos e os Verifiers verificam a consistência e a precisão dos resultados.
O Conductor desenvolve essa abordagem usando aprendizado por reforço profundo para treinar o coordenador na arte de delegar em linguagem natural. Com treinamento extensivo, o pequeno modelo central aprende quando delegar e quando responder diretamente, como os agentes devem se comunicar entre si e como combinar resultados diferentes em um produto final coerente. O resultado não é um fluxo de trabalho predeterminado, mas um sistema adaptativo que descobre estratégias de coordenação pela experiência. Essa distinção importa porque permite que o Fugu lide com tipos de tarefa inéditos, que seus criadores talvez não tenham previsto explicitamente, em vez de ficar limitado a procedimentos rígidos.
Do ponto de vista da engenharia, um dos aspectos mais intrigantes do Fugu é sua capacidade recursiva. O orquestrador pode encaminhar subtarefas de volta para si mesmo, criando cadeias de raciocínio em várias camadas para problemas que exigem análise prolongada. Isso significa que o coordenador de 7 bilhões de parâmetros pode gerenciar fluxos de trabalho de complexidade arbitrária sem possuir, por conta própria, o conhecimento enciclopédico armazenado nos centenas de bilhões de parâmetros dos modelos de base de ponta. Ele compensa o tamanho menor com uma inteligência organizacional superior, conceito que desafia a suposição predominante de que maior é sempre melhor.
Benchmarks e testes beta
A Sakana AI acompanhou o lançamento do Fugu com uma série ousada de alegações de desempenho. No SWE-Bench Pro, benchmark amplamente respeitado que testa a capacidade de um sistema de IA de localizar e corrigir erros em repositórios reais de software, o Fugu Ultra teria alcançado 73,7 pontos. Segundo avaliações divulgadas pela empresa, o resultado supera os 69,2 do Claude 4.8 Opus e os 58,6 do GPT-5.5. Entre as outras pontuações divulgadas estão 95,5 no GPQA-Diamond, teste de perguntas e respostas em nível de pós-graduação criado para resistir a buscas simples na web; 93,2 no LiveCodeBench; 82,1 no TerminalBench 2.1, que avalia capacidades de administração de sistemas; e 50,0 no Humanity's Last Exam, um teste de raciocínio notoriamente difícil.
A verificação independente desses números ainda é limitada, e o setor de IA tem um longo histórico de resultados em benchmarks difíceis de reproduzir em ambientes de produção. As condições de teste, as técnicas de engenharia de prompt e o número de tentativas permitidas podem influenciar as pontuações. Ainda assim, a variedade de áreas abrangidas pelos relatórios da empresa sugere que a abordagem de orquestração é, no mínimo, competitiva com modelos monolíticos de ponta e, em certos domínios, pode até ser superior.
Mais revelador do que os benchmarks talvez seja o retorno de quase 500 participantes do teste beta, que usaram o Fugu durante um período prolongado de prévia focado em fluxos de trabalho longos e complexos. No desenvolvimento de software, os participantes relataram que o Fugu Ultra é excepcionalmente minucioso nas revisões de código. Um engenheiro que participou do beta disse à Sakana AI que, enquanto os modelos convencionais costumavam apontar cerca de três problemas em determinada base de código, o Fugu identificou mais de vinte, com explicações detalhadas e etapas para corrigi-los.
Para revisão de código, o Fugu Ultra é melhor que o GPT-5.5. Ele dá respostas abrangentes e encontra os bugs que os outros deixam passar. Virou o modelo que uso em todas as minhas revisões.
Além da programação, equipes de cibersegurança usaram o Fugu Ultra para automatizar ciclos completos de testes de invasão. Um operador humano definiria o escopo, e o mecanismo de orquestração executaria o reconhecimento, testaria vulnerabilidades de XSS e injeção de SQL, analisaria mecanismos de autenticação e elaboraria um relatório final com evidências e procedimentos exatos para repetir os testes. Os participantes do beta confirmaram que o sistema respeitou rigorosamente seus parâmetros operacionais, evitando ações destrutivas sem deixar de ser minucioso. Executivos de empresas também destacaram a estabilidade de personalidade, observando que o Fugu manteve identidade e foco consistentes ao longo de sessões prolongadas, enquanto outros modelos frequentemente sofriam degradação de contexto.
Dois níveis, uma API
A Sakana AI está comercializando o Fugu em dois níveis distintos, ambos acessíveis por um único endpoint de API compatível com os padrões da OpenAI. O modelo padrão do Fugu é otimizado para tarefas de produção com baixa latência, como chatbots interativos, assistência de programação ao vivo e ferramentas de revisão de código como o Codex. Ele equilibra desempenho e velocidade, sendo adequado para aplicações em que os usuários esperam respostas quase instantâneas. Para organizações sujeitas a regras rigorosas de governança de dados ou privacidade, o nível padrão permite excluir manualmente agentes específicos do conjunto de roteamento. Esse recurso permite que as equipes de conformidade impeçam que dados sensíveis cheguem a determinados provedores terceirizados sem abandonar por completo a estrutura de orquestração.
O Fugu Ultra ocupa o nível premium. Ele foi projetado para oferecer a máxima qualidade de resposta em tarefas complexas e exigentes, que requerem raciocínio profundo em várias etapas. Entre elas estão a reprodução de artigos acadêmicos, investigações de patentes, fluxos de trabalho avançados de ciência de dados e auditorias de segurança exaustivas. O Ultra coordena um conjunto mais amplo e fixo de agentes especializados, o que significa que não há opção para excluir agentes. A contrapartida é maior latência e maior consumo de tokens, mas a Sakana AI argumenta que os ganhos de precisão justificam o custo em aplicações de missão crítica. O identificador atual do modelo nesse nível é fugu-ultra-20260615.
Os preços refletem a diferença entre os dois produtos. O Fugu Ultra custa US$ 5 por milhão de tokens de entrada e US$ 30 por milhão de tokens de saída, com tarifas dobradas para contextos com mais de 272.000 tokens. Os planos de assinatura variam de US$ 20 a US$ 200 por mês, e a Sakana AI está oferecendo aos assinantes que aderirem antes do fim de julho de 2026 um segundo mês grátis no nível escolhido. O uso de tokens e os custos correspondentes são informados por solicitação, permitindo que as equipes financeiras e de engenharia acompanhem os gastos em tempo real. Vale destacar que o serviço ainda não está disponível na União Europeia nem no Espaço Econômico Europeu enquanto a empresa trabalha para adequar suas operações ao Regulamento Geral sobre a Proteção de Dados, uma lacuna que limita o alcance global da plataforma no lançamento.
A geopolítica do roteamento de modelos
A proposta comercial do Fugu vai além da arquitetura técnica e entra no campo da gestão de riscos geopolíticos. A cadeia de suprimentos moderna da IA é altamente concentrada. Um pequeno número de empresas americanas controla o acesso aos modelos de base mais capazes, e suas decisões estão cada vez mais sujeitas à supervisão governamental. Quando os Estados Unidos impuseram controles de exportação aos modelos Fable e Mythos da Anthropic, em junho de 2026, o episódio serviu de alerta para empresas de fora dos EUA que haviam estruturado fluxos de trabalho essenciais em torno de um único provedor. Da noite para o dia, o acesso desapareceu, e as equipes de compras não tinham uma alternativa imediata.
A Sakana AI apresenta o Fugu como uma apólice contra exatamente esse cenário. Como o orquestrador pode redirecionar dinamicamente as tarefas para evitar provedores indisponíveis ou sujeitos a restrições, a empresa argumenta que os clientes ganham resiliência sem sacrificar capacidade. Se os modelos da Anthropic ficarem inacessíveis, o Fugu transfere a carga de trabalho para OpenAI, Google ou alternativas disponíveis abertamente. Se um novo modelo chegar ao mercado e se destacar em uma tarefa específica, a Sakana AI afirma que poderá incorporá-lo ao conjunto sem obrigar os clientes a reescrever suas aplicações para usar uma nova API. Essa arquitetura intercambiável representa uma forma mais concreta de soberania em IA do que muitas das discussões abstratas sobre políticas que circulam atualmente nos meios de tecnologia.
Para empresas e instituições governamentais japonesas, a proposta tem especial apelo. O Japão definiu a capacidade doméstica em IA como prioridade estratégica, e confiar inteiramente em plataformas americanas de ponta traz preocupações econômicas e de segurança nacional. Um fornecedor sediado em Tóquio, que ofereça suporte local, opções regionais de tratamento de dados e uma filosofia técnica alternativa, oferece uma narrativa convincente para compradores que buscam diversificar seus portfólios de tecnologia. A base de investidores da Sakana AI, que inclui importantes instituições financeiras japonesas, reforça esse posicionamento.
Ainda assim, é justificável manter o ceticismo. O conjunto de agentes do Fugu continua fortemente dependente justamente dos gigantes americanos que afirma contornar. O sistema não consegue oferecer resultados no nível dos modelos de ponta se o acesso às APIs de GPT, Claude e Gemini for totalmente interrompido. A verdadeira independência exigiria um ecossistema robusto de modelos domésticos ou disponíveis abertamente, capazes de igualar esses sistemas, e esse ecossistema ainda não existe em grande escala. Críticos também observam que o Fugu é um serviço comercial proprietário, e não uma estrutura aberta, o que significa que os clientes trocam a dependência de um fornecedor pela dependência de outro, ainda que com um modelo de negócios diferente.
O que o lançamento significa para o desenvolvimento da IA
Se as alegações de desempenho do Fugu resistirem ao escrutínio externo contínuo, as consequências para a pesquisa em inteligência artificial podem ser significativas. Durante quase uma década, o setor seguiu a hipótese de escalabilidade: mais parâmetros, mais dados e mais poder computacional geram melhores resultados. Essa filosofia produziu sistemas realmente impressionantes, mas também criou barreiras de entrada tão altas que apenas as empresas e os governos mais ricos podem participar. Treinar um modelo de base de ponta custa centenas de milhões de dólares e exige hardware especializado, que também está sujeito a restrições de exportação.
O Fugu aponta para outro caminho. Ele sugere que um modelo relativamente pequeno, treinado especificamente para coordenar em vez de acumular conhecimento enciclopédico, pode render acima do esperado ao usar os recursos existentes de forma inteligente. Isso desloca o cenário competitivo da capacidade bruta de treinamento para a engenhosidade arquitetônica e a eficiência da orquestração. Também democratiza o acesso à IA de alto desempenho, no sentido de que uma ferramenta de roteamento bem projetada pode, em tese, ser criada por organizações com orçamentos muito menores do que os necessários para treinar do zero modelos da classe GPT.
A comunidade de pesquisa há muito explora sistemas multiagentes e misturas de especialistas, mas o Fugu representa uma das primeiras implementações comerciais de destaque apresentadas como alternativa direta aos modelos monolíticos de ponta. Seu sucesso ou fracasso provavelmente influenciará a decisão de investidores de capital de risco e empresas sobre direcionar recursos para tecnologias de orquestração e coordenação, em vez de investir exclusivamente na expansão dos modelos de base. O retorno do beta já sugere que certos fluxos de trabalho empresariais, especialmente os que envolvem tarefas de longa duração, como revisão de código e auditoria de segurança, podem ser mais bem atendidos por sistemas distribuídos do que por modelos acionados em uma única chamada.
É claro que a abordagem também envolve concessões. As complexas etapas de raciocínio multiagente podem aumentar a latência e tornar o Fugu inadequado para aplicações que exigem respostas em milissegundos. Tarefas de alta intensidade também consomem cotas computacionais significativas, e a falta de transparência da lógica de roteamento significa que os usuários nem sempre sabem qual modelo subjacente tratou seus dados, o que complica os esforços de conformidade em setores regulados. A Sakana AI reconheceu essas limitações, mas argumenta que, para uma ampla gama de cargas de trabalho analíticas e de engenharia, os benefícios superam os custos.
Principais pontos
- A Sakana AI lançou o Fugu, um serviço de orquestração multiagente que distribui tarefas entre um conjunto intercambiável de modelos de IA de ponta por meio de uma única API compatível com os padrões da OpenAI.
- O sistema usa um modelo coordenador compacto, com cerca de 7 bilhões de parâmetros, em vez de um enorme modelo de base monolítico, e se apoia nas pesquisas dos artigos Trinity e Conductor, da Sakana AI.
- O Fugu Ultra reivindica pontuações competitivas nos benchmarks SWE-Bench Pro, GPQA-Diamond, LiveCodeBench e outros testes, em comparação com sistemas líderes como GPT-5.5 e Claude Opus 4.8.
- Há dois níveis disponíveis: o Fugu padrão, para tarefas de produção com baixa latência e controles manuais de conformidade para excluir agentes, e o Fugu Ultra, para raciocínios complexos com um conjunto fixo e mais amplo de agentes.
- O lançamento mira empresas que buscam resiliência contra a dependência de fornecedores e interrupções causadas por controles de exportação, embora o serviço continue dependente das APIs de modelos de ponta americanos.
- O Fugu está disponível no mundo todo, exceto na UE e no EEE, onde a conformidade com o GDPR ainda está pendente; o preço do Ultra começa em US$ 5 por milhão de tokens de entrada e US$ 30 por milhão de tokens de saída.
