Por que o Google teria avaliado a Mechanize em mais de US$ 1,5 bilhão

Em 2026, o Google teria avaliado as pessoas e a tecnologia da Mechanize em mais de US$ 1,5 bilhão, enquanto a Apple permitiu que desenvolvedores escolhessem o Claude Agent da Anthropic ou o Codex da OpenAI dentro do Xcode 26.3. O Google tratou uma empresa de agentes de programação como um ativo escasso; a Apple tratou modelos de programação como intercambiáveis.

As duas posições podem coexistir porque a programação agêntica entrou numa fase de migração de margens. A geração de código capaz está se espalhando entre fornecedores de modelos, projetos de código aberto e ambientes de desenvolvimento já estabelecidos. À medida que a interface independente perde escassez, lucro e poder se concentram em torno do fornecimento de modelos, da economia de inferência, da distribuição de fluxos de trabalho e dos controles que transformam código gerado em software implantado. Uma categoria criada para reduzir a escassa mão de obra de programação está comoditizando primeiro sua camada de aplicação.

O copilot virou agente antes de o substantivo se consolidar

Ao longo do período de 2023 a 2026, os fornecedores mudaram o verbo do produto antes de concordarem sobre seu limite. Um copilot sugeria; um agente agia. Em março de 2025, Microsoft, OpenAI, Salesforce e outros fornecedores promoviam versões incompatíveis do termo “agente”, e os clientes já se frustravam com a ausência de uma definição comum. A ambiguidade ajudou os fornecedores a ampliar a categoria, de complementação de código para execução de tarefas, mas impediu que a interface se tornasse uma fronteira técnica estável.

O Xcode 26.3 transformou essa instabilidade em poder de distribuição. Ao oferecer suporte ao Claude Agent da Anthropic, ao Codex da OpenAI e à conectividade MCP, a Apple admitiu múltiplos fornecedores em um ambiente de desenvolvimento que ela já controla.

A xAI distribuiu o Grok Code Fast 1 pelo GitHub Copilot, Cursor e Windsurf, permitindo que um modelo de programação transitasse por superfícies de aplicação concorrentes. A Ai2 enfraqueceu ainda mais a escassez de modelos com os modelos SERA de código aberto, de 32 bilhões e 8 bilhões de parâmetros, projetados para se adaptar a bases de código privadas. A Apple controla o ambiente, a xAI fornece um modelo portátil e a Ai2 permite que desenvolvedores adaptem modelos sem uma licença proprietária.

Uma empresa independente de programação não pode presumir que a geração de código pertence exclusivamente à interface onde um desenvolvedor a encontra pela primeira vez. IDEs estabelecidas podem hospedar agentes externos, empresas de modelos podem distribuir por produtos rivais e desenvolvedores de código aberto podem adaptar agentes a repositórios privados. Um fornecedor de aplicações precisa conquistar seu lugar por contexto, orquestração ou controle operacional.

A autonomia coloca a conta de tokens no resultado do produto

Uma complementação de código consome inferência enquanto um desenvolvedor espera. Um agente de longa duração pode inspecionar um repositório, planejar uma tarefa, chamar ferramentas, revisar seu trabalho e repetir o ciclo sem que um humano determine a duração de cada rodada. O fornecedor paga por cada loop, e maior autonomia aumenta o uso de modelos oculto por trás de uma solicitação de usuário.

A Windsurf expôs cedo a consequência. Um relatório descreveu as margens brutas da Windsurf como “muito negativas” e sugeriu que Cursor, Lovable, Replit e outras ferramentas de programação enfrentavam pressão semelhante. O relatório não estabeleceu estruturas de custo idênticas entre essas empresas. Identificou o descompasso compartilhado: uma assinatura limita a receita enquanto um agente continua consumindo um insumo upstream medido.

Documentos para investidores diziam que OpenAI e Anthropic gastavam mais da metade da receita com inferência. Essas empresas controlam seus road maps de modelos, mas os custos de serving ainda restringem sua economia. Fornecedores de aplicações que compram acesso delas herdam tanto o custo quanto a necessidade do fornecedor de recuperá-lo.

Engenheiros da OpenAI teriam encontrado um método para reduzir em mais da metade os custos de inferência. Uma melhora desse porte pode sustentar preços menores, mais etapas de agentes, margens maiores ou alguma combinação dos três, mas o fornecedor do modelo decide quanto do ganho chega às aplicações downstream. O fornecedor da aplicação absorve uma mudança de preço sem controlar sua origem.

A Cognition vinculou desempenho de produto à infraestrutura quando disponibilizou o SWE-1.5 na Windsurf por meio de uma parceria com a Cerebras, alegando velocidades de até 13 vezes as do Claude Sonnet 4.5. Velocidade por si só não estabelece um custo menor de serving. A integração ainda mostra por que a infraestrutura pertence à arquitetura do produto: o modelo e seu hardware determinam conjuntamente quanto trabalho autônomo uma empresa pode entregar antes que a latência ou a despesa comprometa a experiência.

A precificação da programação agêntica já superou o assento convencional de software. Um assento aproxima o número de pessoas com acesso; não mede subagentes acionados, ferramentas chamadas ou ciclos de inferência consumidos. Os fornecedores querem cobrar por uma tarefa útil, enquanto seus fornecedores ainda lhes faturam em tokens, tempo de computação e termos contratuais.

Um patch só ganha valor quando uma organização o aceita

Equipes de engenharia já separam o modelo do domínio de negócio das responsabilidades de interface, banco de dados, validação e rede que fazem um sistema operar. A programação agêntica herda a mesma separação. Um modelo pode produzir um patch plausível sem saber quem pode aprová-lo, quais testes precisam passar, quais convenções de repositório se aplicam ou qual processo de implantação responde pelo resultado.

As Automations da Cursor foram além da caixa de prompt ao permitir que uma alteração na base de código, uma mensagem no Slack ou um temporizador acionassem um agente. A Anthropic ampliou a execução em outra direção quando o Claude Code adicionou fluxos de trabalho dinâmicos capazes de executar centenas de subagentes em paralelo para tarefas como migrações de frameworks. Esses produtos aceitam gatilhos, coordenam trabalho e persistem ao longo de um processo de engenharia mais amplo.

O processo mais amplo atribui responsabilidades distintas. O estado do repositório informa ao agente o que existe. Sistemas de colaboração dizem por que o trabalho começou. Testes e revisão estabelecem se a alteração é aceitável. Permissões definem em que o agente pode mexer. Um processo de release determina se o código aceito chega aos usuários. Produtos que condensam essas responsabilidades em uma única transcrição de chat fazem a interface parecer mais simples ao ocultar o sistema que assume o risco.

A revisão humana permanece parte desse sistema mesmo à medida que os modelos melhoram. O revisor detecta erros e fornece responsabilidade pela implantação, vinculando uma pessoa identificada ou um processo governado a uma alteração em produção. Um agente autônomo pode ampliar a quantidade de trabalho sob revisão, mas não pode fazer a responsabilidade de uma organização desaparecer.

Gatilhos, permissões, revisão e release formam o plano de controle do fluxo de trabalho agêntico. À medida que patches gerados ficam mais baratos, as empresas que governam essas camadas controlam quando os agentes agem e quando o código entra em produção.

A infraestrutura neutra termina na fronteira do fornecedor

A Cursor construiu uma defesa prática contra a dependência de modelos ao direcionar trabalho entre fornecedores. Essa defesa foi testada após a aquisição da Cursor pela SpaceX. A OpenAI disse que pretendia encerrar gradualmente seu contrato de fornecimento à Cursor, com uma data proposta de interrupção em 12 de novembro de 2026, porque não podia confiar que a SpaceX usaria a tecnologia dentro de seus termos de serviço.

O cofundador da Cursor, Michael Truell, disse que a OpenAI representava apenas 5% do tráfego da Cursor e que a Cursor confiava que a OpenAI permaneceria como infraestrutura neutra. A participação de 5% mostra que o roteamento entre múltiplos modelos pode limitar fortemente a exposição operacional a um fornecedor. A Cursor não precisava da OpenAI para a maior parte do tráfego.

A relação comercial ainda importava para a OpenAI. A Cursor estava entre os cinco maiores clientes da OpenAI no início de 2026, e a OpenAI estimava que a parceria poderia gerar mais de US$ 1 bilhão em receita anualizada. A participação da Cursor no tráfego e a estimativa de receita da OpenAI podem coexistir porque tráfego não é receita: fornecedores cobram preços diferentes, modelos atendem cargas de trabalho distintas e uma minoria das solicitações pode ter peso econômico desproporcional.

O roteamento entre múltiplos modelos dá à Apple e à Cursor poder de negociação, mas cada dono de plataforma ainda controla a admissão e cada fornecedor de modelo controla o acesso. Um contrato permanece confiável apenas enquanto propriedade, termos e alinhamentos competitivos forem aceitáveis para ambos os lados. No caso da Cursor, uma data proposta — 12 de novembro de 2026 — tornou-se o endereço do risco.

A consolidação recompensa sistemas e absorve componentes

A Mechanize torna visível o processo de seleção, embora seu status exija precisão. Perfis no LinkedIn indicavam que ex-integrantes da Mechanize, incluindo o cofundador Tamay Besiroglu, haviam passado a trabalhar na DeepMind com foco em midtraining. Reportagens descreveram um acordo de talento e tecnologia do Google avaliado em mais de US$ 1,5 bilhão, que daria ao Google pessoas e tecnologia sem exigir que a Mechanize permanecesse uma empresa de aplicação independente.

Em 12 de setembro de 2026, as quatro alegações de aquisição envolvendo Google e Mechanize continuavam sem confirmação. As movimentações no LinkedIn sustentam relatos de que pessoas mudaram de organização, mas não confirmam todos os termos da transação. A Mechanize ilustra a estrutura sem resolver a papelada: um dono de plataforma pode valorar o talento e a tecnologia de uma empresa de programação mais alto dentro de seu próprio sistema de modelos, infraestrutura e distribuição do que como outra interface independente.

A Cognition oferece a evidência mais forte contra tratar a absorção como o único destino. A empresa adquiriu a Windsurf, lançou seus próprios modelos de programação e fez parceria com a Cerebras para serving. Em setembro de 2026, a Cognition captou US$ 2 bilhões a uma avaliação de US$ 48 bilhões e disse que sua receita anualizada havia subido de US$ 492 milhões em maio para quase US$ 900 milhões. Uma empresa independente de agentes de programação ainda pode acumular capital, clientes e poder de negociação ao integrar mais do sistema em torno do agente.

Cognition e Google ocupam posições diferentes, mas ambos internalizam dependências. O Google combina pesquisa de modelos, infraestrutura e ampla distribuição, e o acordo reportado com a Mechanize acrescentaria pessoas e tecnologia especializadas. A Cognition combina uma superfície de aplicação, as operações adquiridas da Windsurf, modelos proprietários de programação e uma parceria de infraestrutura. A Apple assume uma terceira posição: é dona do ambiente de desenvolvimento enquanto preserva a concorrência entre fornecedores de modelos.

Empresas que controlam menos camadas podem sobreviver como complementos, especialmente quando detêm contexto distinto de repositório ou distribuição de fluxo de trabalho. Sua exposição aumenta quando um fornecedor de modelos pode reproduzir a interface, uma IDE pode incorporar agentes concorrentes ou os custos de inferência consomem a diferença entre a receita de assinaturas e a despesa com modelos. A consolidação separa ativos conforme outra empresa precise do produto, do fluxo de trabalho, do modelo, dos clientes ou das pessoas.

Empresas agora podem medir a rota, não a demonstração

Líderes de engenharia podem avaliar sistemas de programação pelo caminho completo percorrido por uma alteração. O modelo precisa gerar código funcional. O fornecedor também precisa revelar seus fornecedores e sua curva de custo; acesso ao repositório e gatilhos; coordenação de subagentes; e o ponto em que a aprovação humana se vincula. Uma pontuação de benchmark responde apenas à primeira pergunta.

As organizações podem substituir linhas de código geradas por alterações aceitas em produção como métrica operacional. O volume gerado recompensa o agente por produzir mais texto. Alteração aceita contabiliza adequação ao repositório, resultados de testes, carga de revisão e autorização organizacional. Um agente que cria dez patches e deixa nove para humanos rejeitarem transferiu trabalho escasso para a revisão.

Equipes de compras podem exigir que fornecedores revelem o tráfego por modelo, direitos de rescisão e planos de substituição. A Cursor limitava a OpenAI a 5% do tráfego, mas a OpenAI ainda podia programar uma saída quando propriedade e termos mudaram. Compradores podem inspecionar essa exposição diretamente em vez de presumir que uma API permanecerá neutra porque se comportou de forma neutra ontem.

O acordo reportado de mais de US$ 1,5 bilhão entre Google e Mechanize atribui valor a pessoas e tecnologia escassas; o desenho do Xcode da Apple permite que desenvolvedores troquem de fornecedor de modelos. Entre essas posições está a fábrica: eventos de repositório, servidores de inferência, contratos de modelos, etapas de revisão e a mão identificada que permite que um patch atravesse a porta da produção.