Por muito tempo, os modelos de IA olharam para as imagens como uma pessoa que dá uma olhada rápida em uma foto, captando a ideia geral, mas perdendo os detalhes minúsculos. Eles veem a foto de uma placa de circuito e dizem: "Sim, isso é uma placa de circuito". Mas peça para lerem o número de série em um capacitor minúsculo, e eles frequentemente apenas chutariam. Isso tem sido um grande gargalo, transformando tarefas visuais complexas em um jogo de sorte.
O Gemini Agentic Vision do Google busca mudar isso. É uma forma totalmente nova de pensar sobre como a IA interage com as imagens, transformando a visualização passiva em uma investigação ativa de várias etapas. Este artigo detalha o que é o Gemini Agentic Vision, seus principais recursos, suas limitações atuais e como os princípios por trás dele já estão causando um impacto real no mundo dos negócios.
O que é o Gemini Agentic Vision?
O Gemini Agentic Vision é um novo recurso integrado ao modelo Gemini 3 Flash que repensa completamente como a IA analisa imagens. Em vez de apenas olhar e supor, ele combina raciocínio visual com a capacidade de escrever e executar seu próprio código. Isso permite que ele fundamente suas respostas em evidências reais e verificáveis que encontra dentro da imagem. De acordo com o Google, essa abordagem proporciona um aumento de qualidade consistente de 5 a 10% na maioria dos benchmarks de visão, o que é um avanço significativo.
Em sua essência, tudo isso funciona devido a um loop simples e poderoso.
O loop pensar, agir, observar (think, act, observe)
O segredo por trás do Agentic Vision é um processo de três etapas que permite ao modelo passar de um único olhar superficial para uma investigação iterativa detalhada. É menos como uma olhada rápida e mais como um detetive examinando uma cena de crime.
Veja como funciona:
- Pensar (Think): Primeiro, o modelo analisa a solicitação do usuário e a imagem e elabora um plano. Ele divide o problema em etapas menores e gerenciáveis que pode seguir para encontrar a resposta.
- Agir (Act): Em seguida, ele realmente faz algo. Ele gera e executa código Python para manipular ou analisar a imagem. Isso pode significar cortar (crop) uma área específica para "dar zoom", realizar cálculos sobre os dados que vê ou até mesmo desenhar na imagem para acompanhar as informações.
- Observar (Observe): A imagem recém-alterada (por exemplo, o recorte com zoom) é então inserida de volta no contexto do modelo. Ele analisa a nova evidência e reavalia, decidindo se tem informações suficientes para responder ou se precisa voltar à etapa "Pensar" e cavar mais fundo.
Esse loop continua até que o modelo esteja confiante de que encontrou a resposta correta, tornando todo o processo mais preciso e muito menos dependente de suposições.
Principais recursos e casos de uso do Gemini Agentic Vision
Essa nova abordagem agêntica não é apenas um pequeno ajuste; ela desbloqueia recursos seriamente poderosos que vão muito além de simples descrições de imagens. Vamos mergulhar em alguns dos casos de uso mais interessantes que o Google apresentou.
Zoom dinâmico e inspeção
Você já tentou ler letras miúdas em uma foto borrada? É com isso que a IA tem lidado há anos. O Gemini Agentic Vision resolve isso com o que chama de zoom dinâmico (dynamic zooming).
O modelo agora pode decidir por conta própria "dar zoom" em detalhes minúsculos gerando um código que corta uma parte específica de uma imagem. Isso é fundamental para tarefas que exigem precisão, pois impede que a IA apenas chute quando vê coisas como números de série, texto distante ou padrões intrincados.
Um ótimo exemplo do mundo real é como o PlanCheckSolver.com está usando isso. Eles fornecem plantas de edifícios em alta resolução para o modelo, e ele inspeciona iterativamente diferentes seções, como as bordas do telhado, o posicionamento das janelas e as vigas de suporte, para verificar se estão em conformidade com códigos de obras complexos. Esse simples ato de dar zoom já melhorou a precisão deles em 5%.
Anotação interativa de imagens
Às vezes, para entender algo complexo, você precisa marcá-lo. Você pode circular coisas, desenhar setas ou fazer anotações rápidas. O Gemini Agentic Vision agora pode fazer o mesmo usando código para desenhar diretamente em uma imagem. É como dar à IA um bloco de notas visual para trabalhar seu raciocínio.
Isso ajuda a fundamentar sua lógica no que ela realmente vê, o que reduz drasticamente os erros. Por exemplo, uma falha comum da IA é contar objetos incorretamente em uma imagem cheia. Em uma demonstração, o aplicativo Gemini foi solicitado a contar os dedos de uma mão. Em vez de apenas cuspir um número, ele desenhou uma caixa delimitadora (bounding box) e um rótulo numérico em cada dedo, um por um. Isso torna seu processo transparente e, mais importante, correto. Chega de mãos com seis dedos.
Eles realmente levaram o truque da 'mão' para o lado pessoal, rs.
Matemática visual e plotagem de dados
Analisar uma tabela densa ou um gráfico complicado e tentar extrair insights pode ser difícil tanto para humanos quanto para a IA. O Gemini Agentic Vision agora pode analisar esses dados de uma imagem, usar Python para executar cálculos e até gerar gráficos inteiramente novos para visualizar o que encontrou.
Ao delegar o processamento numérico real para um ambiente de programação, ele evita o problema comum de grandes modelos de linguagem (LLMs) "alucinarem" ou inventarem respostas durante problemas matemáticos de várias etapas. Em um exemplo de aplicativo de demonstração, o modelo recebeu uma tabela de desempenho. Ele extraiu os números brutos, usou código para normalizar os dados e, em seguida, gerou um gráfico de barras com aparência profissional usando Matplotlib para apresentar as descobertas de forma limpa e fácil de entender.
Como começar a usar o Gemini Agentic Vision
Se você é um desenvolvedor ou faz parte de uma equipe ansiosa para experimentar isso, a boa notícia é que o Google tornou o Gemini Agentic Vision bastante acessível por meio de suas principais plataformas de IA.
Disponibilidade da plataforma
Você pode encontrar esse novo recurso em alguns lugares importantes, dependendo do seu perfil:
- Para desenvolvedores: Está disponível na Gemini API através do Google AI Studio e Vertex AI.
- Para consumidores: Está sendo lançado gradualmente no aplicativo Gemini. Você pode acessá-lo escolhendo o modelo "Thinking" (Pensamento).
Se você quiser apenas vê-lo em ação sem escrever nenhum código, pode conferir a demonstração oficial diretamente no Google AI Studio.
Implementação via Gemini API
Para aqueles que desejam construir com ele, colocá-lo em funcionamento é surpreendentemente simples. Tudo o que você precisa fazer é ativar a "Execução de Código" (Code Execution) na configuração de ferramentas ao fazer sua chamada de API.
Aqui está o exemplo de trecho de código Python da documentação para desenvolvedores do Google. Ele mostra como é direto pedir ao modelo para dar zoom em uma imagem.
from google import genai
from google.genai import types
client = genai.Client()
image = types.Part.from_uri(
file_uri="https://goo.gle/instrument-img",
mime_type="image/jpeg",
)
response = client.models.generate_content(
model="gemini-3-flash-preview",
contents=[image, "Zoom into the expression pedals and tell me how many pedals are there?"],
config=types.GenerateContentConfig(
tools=[types.Tool(code_execution=types.ToolCodeExecution)]
),
)
print(response.text)
Como você pode ver, você não precisa dizer a ele como dar o zoom; você apenas habilita a ferramenta, e o modelo descobre o resto.
Limitações atuais do Gemini Agentic Vision e o futuro da IA agêntica
Embora o Gemini Agentic Vision seja um enorme passo à frente, ainda estamos nos primeiros dias. É importante saber o que ele ainda não pode fazer e ver como isso se encaixa na tendência mais ampla de IA agêntica que já está mudando a forma como as empresas operam.
O que vem a seguir para o Gemini Agentic Vision
O Google tem sido transparente sobre as limitações atuais e no que estão trabalhando a seguir, conforme detalhado em seu anúncio:
- Comportamentos implícitos: No momento, o recurso de zoom é bastante intuitivo, mas outras ações, como rotacionar uma imagem ou realizar matemática visual, geralmente precisam de um comando direto do usuário. O objetivo do Google é tornar todos esses comportamentos totalmente implícitos, para que o modelo saiba exatamente o que fazer.
- Expansão de ferramentas: O conjunto de ferramentas atual está focado em manipulação de imagem e análise de dados, mas o Google planeja adicionar mais ferramentas, como busca na web e busca reversa de imagens, para torná-lo ainda mais poderoso.
- Disponibilidade de modelos: Este recurso é atualmente exclusivo do Gemini 3 Flash, mas o plano é levá-lo para outros tamanhos de modelos Gemini no futuro.
Aplicando princípios agênticos aos fluxos de trabalho de negócios
O loop "pensar, agir, observar" é um conceito fundamental que se estende além da análise de imagens. É o princípio central por trás de agentes de IA eficazes em vários contextos de negócios, desde a análise de documentos até o gerenciamento de tickets de suporte ao cliente. Uma IA projetada para atendimento ao cliente, por exemplo, segue um processo semelhante. Ela deve primeiro pensar ao ler um ticket de suporte para entender o problema. Depois, precisa agir usando ferramentas integradas, como procurar um pedido no Shopify ou marcar um ticket no Zendesk. Finalmente, deve observar o resultado para confirmar que a ação foi bem-sucedida antes de enviar uma resposta. Enquanto os desenvolvedores podem usar os blocos de construção de tecnologias como o Gemini Agentic Vision para criar soluções personalizadas, algumas plataformas oferecem agentes de IA pré-construídos que aplicam esses mesmos princípios. Por exemplo, um sistema como o eesel AI se integra com ferramentas como Zendesk, Shopify e Confluence, seguindo instruções em linguagem natural para resolver problemas de forma autônoma.
Preços do Gemini 3 Flash para o Gemini Agentic Vision
É importante lembrar que o Gemini Agentic Vision é um recurso do modelo Gemini 3 Flash. O acesso a ele está sujeito aos preços padrão da API para esse modelo, que você pode encontrar na página oficial de preços do Vertex AI.
Aqui está um resumo rápido de como isso funciona:
| Modelo | Tipo | Preço por 1M de tokens |
|---|---|---|
| Gemini 3 Flash Preview | Entrada (texto, imagem, vídeo) | $0,50 |
| Saída de texto (resposta e raciocínio) | $3,00 |
Para ver esses recursos demonstrados em um formato mais visual, confira esta análise profunda sobre como o Agentic Vision funciona e o que ele significa para o futuro da IA.
A mudança para agentes ativos
O Gemini Agentic Vision marca uma grande mudança na IA. Estamos nos afastando de modelos que apenas descrevem passivamente o que veem e indo em direção a agentes ativos que podem investigar, manipular e realmente raciocinar sobre informações visuais. Não se trata apenas de tornar a IA melhor em olhar fotos; faz parte de uma tendência muito maior em direção a sistemas agênticos que podem usar ferramentas para resolver problemas complexos de várias etapas em qualquer função de negócios.
Embora os desenvolvedores possam começar a construir com esses novos e poderosos recursos hoje, as empresas não precisam esperar para colocar esses princípios em prática. Você pode aproveitar sistemas agênticos prontos para uso agora mesmo. Para ver como um colega de equipe de IA pode lidar autonomamente com seu atendimento ao cliente e outros fluxos de trabalho de negócios, experimente o eesel AI gratuitamente.
