Vinicius Braga
PublisherVinicius Braga trabalha há mais de 20 anos com conteúdo digital. Sempre foi um entusiasta da tecnologia e sempre acreditou que inovação não é só sobre máquinas ou códigos, mas sobre pessoas. No Xataka Brasil, usa suas experiências com mídia digital, dados e inteligência artificial para aproximar o público das grandes transformações do mundo tech e mostrar como o futuro já está acontecendo e pode ser acessado por todos.
E se Claude Code, Codex, Cursor e outros agentes de IA pudessem operar dentro da mesma sessão, trocando contexto entre si sem que o usuário precise copiar e colar nada? Essa foi a pergunta que guiou um dos anúncios mais conceituais do Data + AI Summit 2026, evento anual da Databricks.
A resposta da empresa atende pelo nome de Omnigets. Trata-se de um projeto aberto apresentado por Matei Zaharia, cofundador e diretor de tecnologia da Databricks, que o descreveu como uma camada que fica acima dos agentes atuais.
A aposta por trás do Omnigets é direta. Para a Databricks, o futuro da IA corporativa não será dominado por um único agente nem por um único modelo. Será definido por ecossistemas compostos por vários agentes especializados trabalhando de forma coordenada.
O que a Databricks anunciou com o Omnigets no Data + AI Summit 2026
O Omnigets é descrito pela Databricks como um meta-harness, ou seja, uma camada acima dos harnesses de agentes já existentes. Segundo Matei Zaharia, o projeto foi lançado como código aberto e não exige nenhum banco de dados para funcionar, podendo ser executado em qualquer ambiente.
Na base do Omnigets estão os agentes atuais. Zaharia afirmou que a camada funciona com agentes de codificação e que dois novos foram adicionados poucos dias antes do evento, a pedido dos próprios usuários. O Omnigets também opera com agentes customizados construídos a partir de kits como o OpenAI Agent SDK.
O ponto central da proposta é a padronização. Cada harness é uma peça diferente de software, muitas vezes ajustada para um modelo específico. O Omnigets coloca uma interface comum sobre todos eles, e é essa interface comum que viabiliza colaboração, composição e compartilhamento.
Por que a Databricks acredita em vários agentes, e não em um só
O argumento de Matei Zaharia é que o uso simultâneo de múltiplos agentes está crescendo e que esses agentes precisam de interoperabilidade. Hoje, segundo a Databricks, cada agente vive em seu próprio ambiente isolado.
Esse isolamento gera um custo prático. O usuário é obrigado a copiar e colar contexto entre uma ferramenta e outra para manter o trabalho coerente. A tese da Databricks é que esse modelo não escala quando se passa a usar vários agentes ao mesmo tempo.
O Omnigets nasce dessa leitura. Em vez de eleger um agente vencedor, a Databricks propõe uma camada que faz agentes diferentes conversarem entre si dentro de um espaço comum.
Como o Omnigets coordena Claude Code, Codex e Cursor na mesma sessão
A proposta do Omnigets não é substituir Claude Code, Codex ou Cursor. É coordená-los. Durante a keynote, Matei Zaharia apresentou exemplos concretos de como essa coordenação aparece na prática.
Um desenvolvedor pode iniciar uma tarefa no Claude Code e, com a sessão em andamento, transferir o mesmo trabalho para o Codex sem perder o contexto acumulado. A troca de harness acontece com o agente rodando.
O mesmo trabalho pode ser acessado por diferentes superfícies ao mesmo tempo. Além do terminal nativo de cada agente, o Omnigets expõe a sessão na web, em aplicativo nativo, no celular e via API REST.
A colaboração também se estende a pessoas. Um engenheiro pode convidar um colega para entrar na mesma sessão, conversar com os agentes e comentar arquivos em tempo real. Contexto, histórico, arquivos e comentários passam a ser compartilhados entre humanos e agentes.
A composição multiagente é outro recurso destacado. É possível escrever um arquivo YAML que define um agente usando vários harnesses e modelos em conjunto, o que abre espaço para arranjos em que um supervisor distribui tarefas a diferentes agentes e depois consolida os resultados.
Como funciona a arquitetura do Omnigets: runner e server
A Databricks dividiu o Omnigets em dois blocos centrais. O primeiro é um runner, que envolve o agente, aplica controles de segurança por meio de sandbox e monitora a execução para garantir que tudo siga funcionando.
O segundo bloco é um server opcional. Ao conectar os agentes a esse server, o usuário ganha um histórico central de tudo, um catálogo para compartilhar agentes, configuração centralizada de MCPs e skills, políticas de segurança e compartilhamento de artefatos.
Sobre os dois blocos, o Omnigets entrega uma interface uniforme, independentemente do tipo de agente. Matei Zaharia ressaltou que a camada é de código aberto, dispensa banco de dados e foi pensada para rodar em qualquer lugar.
Segurança contextual e controle de custos, segundo Matei Zaharia
Um dos pontos mais detalhados por Matei Zaharia foi o modelo de controle. A crítica da Databricks é que as ferramentas de agente atuais oferecem apenas permitir, negar ou perguntar ao usuário, regras descritas como estáticas demais.
O Omnigets propõe políticas contextuais, em que as permissões variam conforme o que o agente fez antes. Zaharia deu um exemplo: se o agente leu um documento confidencial, talvez ele não possa mais enviar um e-mail para fora da empresa. Se leu apenas material de marketing público, o envio continua liberado.
Há também políticas de custo. O usuário pode instruir o agente a não gastar mais do que 5 dólares em uma tarefa, por exemplo, e a camada interrompe ou restringe a ação quando o limite é atingido. Para proteger a máquina, a Databricks incluiu ainda um sandbox de sistema operacional flexível.
Omnigets e Agent Bricks: qual é a diferença
Como Omnigets e Agent Bricks convivem no portfólio da Databricks é uma dúvida natural, já que ambos lidam com agentes. A diferença está na função de cada um. O Omnigets atua como camada de orquestração entre agentes. O Agent Bricks é a plataforma onde os agentes são construídos e executados.
O Omnigets concentra suas funções na coordenação. Ele permite colaboração entre agentes e pessoas, faz composição multiagente, compartilha contexto entre ferramentas diferentes e aplica políticas contextuais e de custo. Na prática, é uma camada de orquestração que define como os agentes atuam em conjunto.
Já o Agent Bricks é a plataforma da Databricks onde os agentes são construídos e executados. É ali que o usuário acessa modelos como GPT, Claude, Gemini, Qwen e Grok, e é ali que ficam a memória, a governança, a segurança, a observabilidade e o controle de custos. Funciona como o ambiente corporativo que sustenta os agentes.
A síntese ajuda a entender a relação entre os dois. O Omnigets define como os agentes trabalham juntos. O Agent Bricks define onde eles vivem e como são governados. Pela leitura da Databricks, os produtos são complementares, e não concorrentes.
O que o Omnigets pode significar para o mercado corporativo de IA
O Omnigets chega como uma aposta sobre a direção do mercado, mais do que como um produto fechado. Se a leitura da Databricks estiver correta, o diferencial competitivo deixa de ser ter o melhor agente isolado e passa a ser saber orquestrar vários deles.
Para o cliente corporativo, a promessa é prática: menos retrabalho manual entre ferramentas, mais governança sobre o que cada agente pode fazer e a possibilidade de combinar modelos diferentes em um mesmo fluxo. A escolha pelo código aberto reforça a tese de que interoperabilidade só funciona se qualquer um puder contribuir.
Há, porém, pontos a observar com cautela. O próprio Matei Zaharia classificou o projeto como inicial, e os benefícios descritos no palco ainda não foram testados de forma independente fora do ambiente da demonstração. A adesão dos fornecedores de agentes, o desempenho da troca de harness em produção e a real eficácia das políticas contextuais são questões em aberto. Se a camada vai mesmo se firmar como padrão, será o uso em escala, e não a keynote, que dirá.
Ver 0 Comentários