Toda vez que você abre o Instagram ou o Facebook, um modelo de ML — um sistema matemático treinado em montanhas de dados — decide quais anúncios você vê e quanto os anunciantes pagam. Essa máquina invisível imprime pra Meta aproximadamente $160 bilhões por ano. Por trás dela, um exército de engenheiros vive ajustando modelos de ranking: roda experimentos, testa ideias, debugga crashes, repete. Tedioso. Caro. Lento.

O problema? Cada modelo precisa de uns dois engenheiros dedicados só pra continuar melhorando. Escala isso pra dezenas de modelos e você tá queimando headcount em trabalho repetitivo de peão que segue o mesmo padrão toda santa vez.

Em 17 de março de 2026, o blog de engenharia da Meta publicou discretamente detalhes sobre o REA — o Ranking Engineer Agent. Não é um chatbot. Não é um autocomplete de código. É um agente de IA autônomo que executa o ciclo completo de machine learning — o processo inteiro de hipótese a modelo treinado — pra ranking de ads. Ele gera ideias, lança jobs de treinamento, debugga falhas quando as coisas explodem, e itera nos resultados. Por dias. Por semanas. Sem um humano tocar no teclado.

O REA roda em cima do Confucius, o framework interno de agentes da Meta (pense: o sistema operacional que mantém o agente vivo e organizado). O truque principal é o que a Meta chama de "mecanismo de hibernação e despertar." Quando um job de treinamento começa e leva horas ou dias pra terminar, o REA se desliga. Quando o job completa, ele acorda, lê os resultados e decide o que fazer em seguida. Isso não é um chatbot fingindo que lembra da conversa de ontem. É um agente com persistência real — a capacidade de sobreviver a reboots, crashes e workflows de várias semanas.

O cérebro funciona em duas trilhas simultaneamente. Primeiro, um banco de dados de insights históricos — cada experimento passado, o que moveu métricas, o que flopou. Segundo, um agente de pesquisa que lê papers de ML de ponta e encontra configurações que nenhum engenheiro humano pensaria em tentar só pela experiência. O REA combina os dois em propostas de experimentos e então executa em três fases: Validação (testa ideias individuais em paralelo), Combinação (junta as vencedoras, procura sinergias inesperadas) e Exploração (dobra a aposta nas melhores candidatas). O agente estima custos de GPU — o preço de rodar cálculos em hardware especializado — antes de cada fase e para quando o orçamento acaba. Nada de conta de cloud descontrolada.

Engenheiros humanos ainda existem nesse loop, mas o trabalho deles mudou. Eles definem a direção estratégica, aprovam orçamentos e revisam as propostas do REA nos checkpoints.

Os números do primeiro deploy em produção em seis modelos: o REA dobrou a precisão média dos modelos em relação ao baseline. Três engenheiros usando o REA entregaram propostas de melhoria pra oito modelos — trabalho que antes precisava de dezesseis engenheiros. Engenheiros individuais passaram de produzir uma proposta de melhoria pra cinco no mesmo período. Isso não é "IA te ajuda a codar mais rápido." Isso é "IA faz a engenharia enquanto você assiste."

Mas vamos falar de tradeoffs. A Meta construiu um agente de IA que melhora o sistema de IA que gera quase toda a receita da Meta. A recursão — IA otimizando IA que gera dinheiro — é real e um pouco perturbadora. E isso evidencia o abismo entre demos de agentes e agentes em produção. A maioria dos frameworks de agentes — o scaffolding que desenvolvedores usam pra construir agentes de IA — colapsa depois de uma única sessão. O REA roda por semanas. A maioria dos agentes alucina quando encontra erros. O REA debugga falhas de treinamento e tenta de novo. O padrão de hibernar-e-acordar é a inovação chata mas crítica: um agente que não sobrevive a um restart do servidor é um brinquedo.

Se você tá construindo agentes de IA ou avaliando eles pro seu time, a lição não é sobre inteligência. O problema difícil nunca foi "fazer a IA inteligente." Foi "fazer a IA funcionar de terça a sexta sem alguém tomando conta." O REA resolve isso com hibernação deliberada e wakeup estruturado — não mantendo um processo vivo pra sempre.

A Meta acabou de provar que agentes autônomos conseguem fazer engenharia sustentada, de várias semanas, no sistema que financia a empresa inteira. Não numa demo. Não num benchmark. Em produção, na máquina de ads de $160 bilhões. A IA faz engenharia da IA agora. E os engenheiros que costumavam fazer esse trabalho? Foram promovidos a supervisores — quer tenham pedido ou não.