VOIX propõe nova ponte entre sites e agentes de IA

Pesquisadores da TU Darmstadt apresentaram o framework VOIX, uma proposta que pode redesenhar o futuro da navegação com IA. Em vez de obrigar modelos a “ver” e inferir ações a partir de interfaces visuais complexas, o VOIX sugere que os sites declarem explicitamente as ações disponíveis por meio de dois novos elementos HTML, <tool> e <context>. A ideia central é simples, e ao mesmo tempo radical: fazer com que agentes de IA entendam a web a partir de dados estruturados, e não de imagens ou capturas de tela.

Entenda como os novos elementos funcionam

O elemento <tool> lista ações por nome, parâmetros e descrição, enquanto o <context> fornece ao agente informações atualizadas sobre o estado da aplicação. Por exemplo, uma lista de tarefas pode incluir um elemento <tool name=”add_task”> que define parâmetros como title e priority, e se conecta à lógica do aplicativo via JavaScript. Assim, quando um agente instrui a inclusão de uma tarefa, ele chama essa ferramenta diretamente, sem precisar procurar por campos de entrada ou botões, o que torna a interação mais estável e previsível.

Separa responsabilidades e melhora privacidade

A arquitetura do VOIX divide responsabilidades entre o site, um agente do navegador e o provedor de inferência. O site declara suas funções, o agente do navegador media entre site e IA, e o provedor decide as ações a partir dos dados estruturados. Essa configuração evita que agentes tentem inferir possibilidades a partir de interfaces desenhadas para humanos, um processo considerado pelos autores como “frágil, ineficiente e inseguro”. Na prática, o agente do navegador pode enviar as conversas dos usuários diretamente ao provedor de LLM, mantendo o site fora do circuito, e dessa forma os agentes veem apenas os dados explicitamente divulgados, em vez da página inteira. Além disso, o VOIX roda no lado do cliente, o que evita que proprietários de sites arquem com custos de inferência de LLM.

Velocidade e usabilidade que chamam a atenção

Em testes práticos, o VOIX obteve ganhos expressivos de desempenho. Segundo os resultados, o VOIX concluiu tarefas em apenas 0,91 a 14,38 segundos, enquanto agentes convencionais levaram de 4,25 segundos a mais de 21 minutos. Em um exemplo concreto, ao rotacionar um triângulo verde em 90 graus, o VOIX realizou a ação em um segundo, enquanto o Perplexity Comet precisou de noventa segundos. Agentes baseados em visão gastam tempo analisando capturas de tela, tentando adivinhar a ação correta e verificando resultados, com algumas tarefas complexas falhando completamente. Para avaliar usabilidade, a equipe promoveu um hackathon de três dias com 16 desenvolvedores, em que seis equipes criaram diferentes aplicativos usando o framework. Os resultados mostraram uma usabilidade robusta, com pontuação na Escala de Usabilidade do Sistema atingindo 72,34, acima da média da indústria, que é de 68, e os desenvolvedores avaliaram positivamente compreensão e desempenho do sistema.

Desafios para adoção e o papel dos desenvolvedores

Apesar dos ganhos, os pesquisadores apontam desafios para uso em cenários reais. Em bases de código legadas ou muito extensas, as declarações do VOIX podem ficar fora de sincronia com a interface do usuário. Além disso, desenvolvedores precisarão repensar sua abordagem, definindo ações específicas para agentes e decidindo quais ferramentas disponibilizar no site. Encontrar o equilíbrio entre funções básicas e comandos mais complexos baseados em intenções segue sendo um desafio importante.

Empresas como OpenAI e Perplexity imaginam um futuro no qual chatbots e navegadores de IA atuem como portais primários para a web, cuidando de tudo, desde reservas até compras, sem APIs customizadas. No entanto, na prática, modelos de linguagem ainda têm dificuldade com a complexidade dos sites modernos, e a injeção de comandos segue sendo uma ameaça. Tornar o futuro da navegação com IA uma realidade prática pode exigir novos padrões que apresentem informações dos sites de maneira que modelos de linguagem as compreendam de forma confiável.

Iniciativas como llms.txt e servidores MCP mostram que a indústria está preparada para mudanças, e o VOIX surge como uma proposta concreta para integrar novos padrões à web. Para que esse futuro se concretize, será preciso que desenvolvedores, fornecedores de navegadores e provedores de IA coordenem especificações, priorizem segurança e considerem privacidade desde o desenho, e que a comunidade web avalie benefícios e riscos dessa transição.

O debate sobre o futuro da navegação com IA já começou, e soluções como o VOIX mostram que a transformação passa menos por treinar modelos mais potentes, e mais por reorganizar como sites expõem intenções e estados para agentes automatizados.