Construindo automação web confiável com APIs de agentes estilo Operator
O Operator da OpenAI foi lançado em janeiro de 2025 e imediatamente mudou a conversa sobre automação web. Em vez de seletores CSS frágeis e consultas XPath, você podia apontar uma IA para um site e dizer "faça minhas compras." Funcionava — às vezes. O desafio sempre foi torná-lo confiável o suficiente para sistemas de produção.
Passei seis semanas construindo um pipeline de automação estilo Operator para as ferramentas internas de um cliente. Processamos cerca de 12.000 interações de página em 400 workflows diferentes.
A arquitetura central: três camadas
Cada sistema estilo Operator pronto para produção que vi usa uma arquitetura de três camadas.
Camada 1: Controle do navegador. É a fundação — uma instância de navegador headless ou headed que o agente pode comandar. Playwright se tornou a escolha dominante aqui. A capacidade chave não é apenas clicar e digitar — é ler o estado da página de volta ao agente em um formato estruturado.
Camada 2: Raciocínio do agente. É o LLM que interpreta o estado da página, decide qual ação tomar e gera o próximo comando. GPT-4o e Claude 3.5 Sonnet são as escolhas mais comuns no início de 2026.
Camada 3: Orquestração e recuperação. É a cola que a maioria dos tutoriais pula. Lida com lógica de retry, gerenciamento de checkpoints, classificação de erros e escalação human-in-the-loop.
Extração do estado da página
A confiabilidade de todo o sistema depende de uma coisa: o agente pode perceber com precisão o estado atual da página?
Após nosso pipeline de filtragem, uma página típica se reduz de 500 para cerca de 60-80 elementos acionáveis. O consumo de tokens cai cerca de 70%, e a precisão do agente melhora de cerca de 72% para 91%.
Recuperação de erros
Construímos um sistema de recuperação de três níveis:
Nível 1: retry automático (~60% dos erros). Estratégias simples como esperar 2 segundos, fazer scroll para tornar um elemento visível ou fechar um banner de cookies.
Nível 2: recuperação guiada pelo agente (~30% dos erros). O estado do erro é alimentado de volta ao LLM com contexto. O agente propõe uma abordagem alternativa.
Nível 3: escalação humana (~10% dos erros). O sistema salva checkpoint, gera um relatório detalhado com capturas de tela e notifica um operador humano.
Em produção, nosso pipeline alcança uma taxa de conclusão autônoma de 89% em workflows complexos de múltiplos passos.
A realidade do custo de tokens
Vamos falar de dinheiro. Em um workflow típico de múltiplos passos (8-12 ações), consumimos aproximadamente 8.000-15.000 tokens de entrada e 500-1.000 de saída por tarefa. Apenas os custos de LLM são cerca de $0,08-0,15 por tarefa.
Reduzimos custos em 40% com duas estratégias: modelo mais barato para passos simples e cache de snapshots de estado da página.
Checklist de deploy em produção
- Gerenciamento de pool de navegador com instâncias reutilizáveis
- Medidas anti-detecção: plugins stealth, rotação de user agents
- Persistência de checkpoints com Redis
- Rate limiting por domínio
- Monitoramento de custos desde o primeiro dia
A automação estilo Operator é poderosa mas não é varinha mágica. A taxa autônoma de 89% parece boa até você perceber que em um workflow de 12 passos, uma taxa de falha de 11% significa que aproximadamente 73% das tarefas são concluídas sem intervenção humana (0,89^12). Ainda é bom — muito melhor que a automação tradicional em páginas não estruturadas — mas não é "configurar e esquecer."