Não é uma expressão de marketing. É uma função real.
No Code with Claude SF, em 6 de maio, a Anthropic anunciou uma nova capacidade para o Claude Managed Agents chamada Dreaming. Depois que um agente termina uma tarefa, ele pode usar períodos ociosos para revisar conversas anteriores, extrair padrões que não percebeu durante a execução e transformá-los em memória de longo prazo. Na próxima tarefa parecida, seu comportamento pode mudar.
Em termos simples, muitos agentes de IA antes concluíam uma tarefa e começavam a próxima quase do zero. Com Dreaming, o intervalo entre trabalhos deixa de ser desperdiçado. O agente reflete, resume e atualiza sua própria base de memória.
A própria Anthropic usa uma analogia próxima à de uma pessoa revisando o dia depois do trabalho.
O que o Dreaming faz na prática
Tecnicamente, Dreaming é um processo agendado, não algo que o agente faz enquanto está trabalhando. Ele é acionado quando o agente está ocioso, percorre conversas passadas e a memória existente, e procura três tipos principais de sinal.
- Erros repetidos, como um agente que falha cinco vezes na mesma classe de consulta SQL em uma semana. Em uma sessão isolada, isso pode passar despercebido; ao comparar várias sessões, o padrão aparece.
- Fluxos de trabalho consolidados, isto é, caminhos que repetidamente levaram ao sucesso em tarefas semelhantes.
- Preferências de equipe, incluindo convenções de nomenclatura, estilo de código e formatos de relatório compartilhados por vários agentes.
Depois da extração, o sistema de memória não apenas acumula conteúdo. Ele é reestruturado. A Anthropic resume assim no blog: "Memory lets each agent capture what it learns as it works. Dreaming refines that memory between sessions."
O agente aprende durante o trabalho e depois digere esse aprendizado. Essa divisão em duas camadas é o que diferencia Dreaming de um RAG tradicional ou de uma janela de contexto maior.
Os desenvolvedores têm duas formas de controlar as atualizações do Dreaming. Podem permitir que ele escreva novas memórias automaticamente ou exigir revisão humana antes que cada descoberta entre em vigor. A primeira opção combina com agentes sem supervisão; a segunda é mais adequada a fluxos corporativos que precisam de auditoria.
Dreaming está atualmente em research preview.
Outcomes entrega também o critério de aceitação à IA
Junto com Dreaming, a Anthropic apresentou Outcomes, voltado a outro problema: ajudar o agente a decidir se o trabalho ficou bom o suficiente.
O funcionamento é direto. O desenvolvedor escreve uma rubric, ou seja, critérios que definem sucesso. O sistema então executa um agente avaliador separado, em seu próprio contexto. Se o resultado não atingir o padrão, o avaliador aponta problemas específicos e o agente original tenta novamente.
O ponto essencial é que o avaliador tem um contexto separado. Não é o agente corrigindo a própria prova, algo que quase sempre tende a passar. Um contexto limpo ajuda a encontrar falhas sem o viés de o agente reinterpretar o padrão a seu favor.
Segundo a Anthropic, testes internos mostraram que Outcomes elevou a taxa de sucesso das tarefas em até 10 pontos percentuais em relação a um prompt loop padrão, com ganhos maiores nas tarefas mais difíceis. Em geração de arquivos, a qualidade de docx melhorou 8,4% e a de pptx, 10,1%.
Dez pontos em um benchmark não são pouco. É um ganho próximo ao que muitas equipes esperam ao trocar de geração de modelo. Aqui, a melhora veio de um mecanismo de colaboração, não de um novo modelo.
Outcomes está em public beta.
Orquestração multiagente: de operador individual a equipe
O terceiro lançamento é Multi-agent Orchestration. Ele não é tão disruptivo conceitualmente quanto Dreaming, mas tem valor prático evidente.
A função permite que um lead agent distribua trabalho para vários specialist agents. Cada specialist pode usar um modelo, um prompt e um conjunto de ferramentas diferentes. Todo o progresso fica rastreável no Claude Console.
O exemplo da Anthropic é uma investigação de incidente. Um lead agent envia quatro subagentes para verificar histórico de deployment, error log, metrics e support ticket. Quando os quatro terminam, o lead agent combina os resultados e chega a uma conclusão.
Essa arquitetura segue a mesma lógica do sistema interno de Code Review da Anthropic: vários reviewers trabalham em paralelo e um verifier separado faz a checagem final. Agora a empresa empacota esse padrão como produto para clientes.
Por que o conjunto é maior do que um anúncio de recursos
Vistos em conjunto, os três recursos formam um loop claro. Dreaming permite que agentes melhorem entre tarefas, Outcomes permite que avaliem o próprio resultado, e Multi-agent Orchestration permite que coordenem colegas.
É um ciclo de autoaprendizado: trabalhar, ser avaliado, revisar, atualizar memória e trabalhar de novo. A intervenção humana não precisa estar em todos os passos.
Por isso o Code with Claude SF chamou atenção mesmo sem um novo modelo. A ambição da Anthropic aqui é maior do que um lançamento incremental do tipo Opus 4.8.
Os ganhos de benchmark dos modelos estão ficando mais difíceis e caros. Conseguir mais 5% a 10% a cada geração exige cada vez mais esforço. Mas a capacidade de trabalho dos agentes não depende apenas do modelo. Ela também pode melhorar por mecanismos de coordenação e experiência acumulada. Se um aprendizado de intervalo como Dreaming funcionar bem em produção, a Anthropic terá uma rota de aceleração que não depende só de forçar scaling laws.
O risco também é real. Um agente que escreve sua própria memória pode cristalizar conclusões erradas. A Anthropic oferece revisão humana, mas ainda será preciso ver, com meses de operação, se clientes corporativos aceitarão atualizações de memória totalmente automáticas.
Dreaming deve virar padrão na próxima geração de agentes? Provavelmente. Memory, da OpenAI, e Personal Context, do Google, já avançam na direção de memórias personalizadas. A Anthropic, porém, está deslocando a ideia das preferências do usuário para a capacidade de trabalho do agente. Se essa abstração se firmar, concorrentes terão de responder.
O Code with Claude SF também trouxe outros números: os 23.000 engenheiros do Mercado Libre têm uma meta de 90% de autonomia de código até o terceiro trimestre de 2026; o limite de cinco horas do Claude Code dobrou; o volume de chamadas de API cresceu 17 vezes em relação ao ano anterior.
Mas o sinal mais importante não está nesses números. Está no fato de que agentes começam a aprender a melhorar sozinhos.
Fontes: Anthropic is letting Claude agents 'dream' so they don't sleep on the job (SiliconANGLE); New in Claude Managed Agents: dreaming, outcomes, and multiagent orchestration (SD Times); CocoLoop; Live blog: Code w/ Claude 2026 (Simon Willison)