Large Action Models: Hype ou Realidade?

Após o lançamento do Rabbit, um dispositivo de IA que pode usar aplicativos móveis, o termo large action models (LAMs) está ganhando popularidade. Esses modelos vão além da conversa, transformando LLMs em "agentes" que podem conectar o mundo isolado e orientado por aplicativos sem exigir que os usuários cliquem em aplicativos ou integrem APIs.

A linha entre o hype e a realidade dos LAMs é tênue, mas, em resumo, LAM é um large language model (LLM) especificamente treinado para executar ações (por exemplo, enviar requisições de API).¹

O que é um large action model (LAM)?

Um Large Action Model (LAM) é um tipo avançado de IA que se baseia em Large Language Models (LLMs), não apenas compreendendo e gerando texto, mas também planejando e executando ações em ambientes do mundo real (digitais ou físicos), permitindo automatizar tarefas e interagir diretamente com sistemas com base na intenção do usuário.

As principais características dos Large Action Models (LAMs) incluem sua capacidade de compreender a intenção do usuário a partir de diferentes entradas (texto, voz, imagens), transformar essa intenção em ações executáveis, planejar e adaptar tarefas passo a passo em ambientes dinâmicos e operar com eficiência por meio da especialização em domínios específicos, permitindo que concluam tarefas complexas do mundo real de forma autônoma.

As principais características dos Large Action Models (LAMs) incluem:

• Interpretação da intenção do usuário: Eles podem compreender solicitações do usuário a partir de texto, voz, imagens ou vídeos, mesmo quando a instrução não é clara ou está implícita.
• Geração de ações: Eles transformam objetivos do usuário em ações concretas em ambientes digitais ou físicos, como usar uma GUI, chamar APIs, controlar robôs ou gerar código.
• Planejamento e adaptação dinâmicos: Eles podem dividir tarefas complexas em etapas menores, seguir um plano e ajustá-lo quando a situação muda ou ocorrem erros.
• Especialização e eficiência: Eles geralmente são criados para tarefas ou ambientes específicos, o que os torna mais precisos e eficientes do que modelos de propósito geral nesse domínio.

Em resumo, os LAMs fazem mais do que compreender a linguagem. Eles conectam a compreensão com a ação e podem realizar tarefas de múltiplas etapas em ambientes do mundo real.

Como funcionam os large action models (LAM)?

Os LAMs interagem com aplicativos por meio de suas interfaces de usuário ou, mais comumente, via APIs. Por exemplo, eles podem processar as imagens e o código de um site ou aplicativo para decidir seus próximos passos e realizar ações.

Fonte: Salesforce²

Isso permite que os LAMs naveguem por interfaces de usuário e de aplicativos. Por exemplo, se a informação existir ou estiver acessível por meio de outro aplicativo, eles a recuperarão desse aplicativo em vez de perguntar ao usuário.

Dentro dos LAMs, tais graus de autonomia e compreensão transformam a IA generativa em um assistente ativo que pode realizar tarefas como:

• administrar plataformas de redes sociais
• obter informações meteorológicas
• fazer reservas
• processar transações financeiras
• conectar-se a dispositivos IoT para permitir que você envie comandos a eles (por exemplo, chamar um Uber)

LAMs e LLMs: Entendendo a diferença

Fonte: Large Action Models: From Inception to Implementation³

Os Large Action Models (LAMs) estendem os Large Language Models (LLMs), compreendendo as solicitações dos usuários e também planejando e executando ações do mundo real, como concluir tarefas em sites, tornando-os mais eficientes, focados em tarefas e práticos para aplicações do mundo real, frequentemente com designs menores e mais especializados.

Embora os LAMs e os large language models compartilhem algumas semelhanças, como sua capacidade de compreender intenções humanas, seus propósitos principais diferem bastante.

Os LAMs são projetados para agir, enquanto os LLMs se destacam no processamento e na geração de linguagem. Enquanto um LLM pode sugerir ideias ou gerar texto com base na sua entrada, um LAM vai além, realizando tarefas de forma autônoma, como marcar consultas, pedir produtos ou preencher formulários.

Large agentic models (LAM): Hype ou realidade?

Embora algumas empresas retratem os LAMs como uma nova arquitetura, as funcionalidades atribuídas a eles já vêm sendo implementadas há algum tempo usando LLM agents.⁴

Além disso, os LLM agentes já vêm realizando tarefas que os LAMs são descritos como capazes de fazer. Os dois conceitos compartilham funcionalidades comuns:

• Análise baseada em contexto
• Prompt engineering
• Utilização de ferramentas
• Raciocínio⁵

Figura: Fluxo de trabalho de um agente de IA baseado em linguagem

Fonte: ICLR⁶

Além disso, os LAMs podem ser descritos como designs de agentes baseados em linguagem, tais como (1) agentes de IA baseados em templates de prompt; (2) agentes de IA com prompts aprendíveis; e (3) large action models (LAMs); afirmando que podemos pensar em um LAM como um LLM especificamente treinado para executar ações humanas a partir de dados.⁷

Exemplos reais de LAM

1. Preenchimento automático de formulários ou planilhas em sites

Um LAM pode reconhecer os campos necessários em um formulário, reunir os dados necessários (por exemplo, endereços, nomes, senhas e números de cartão de crédito) de um banco de dados ou perfil de usuário e inseri-los nos campos adequados.

Vídeo: Preenchimento automático de formulários ou planilhas com LAM

2. Conclusão de transações online

Um LAM pode trabalhar com botões, links e menus suspensos. Ele também pode inserir texto específico em campos de texto e barras de pesquisa. É exatamente isso que envolve pedir pizza online: preencher formulários de texto, clicar em botões e selecionar opções de menu.

Vídeo: HyperWriteAI Assistant Studio usando o navegador para fazer um pedido online

Fonte: HyperWriteAI⁹

3. Resolução de solicitações de atendimento ao cliente de ponta a ponta

Um Large Action Model (LAM) pode lidar com uma solicitação completa do cliente do início ao fim, compreendendo o objetivo do usuário, decidindo as etapas necessárias e executando-as em vários sistemas (como CRM, faturamento e plataformas de suporte).

O Genesys Cloud Agentic Virtual Agent é um exemplo deste caso de uso: ele pode entender o problema de um cliente (por exemplo, um problema de faturamento), determinar o que precisa ser feito e concluir as ações necessárias, como verificar dados da conta, atualizar registros ou acionar processos de serviço, sem intervenção humana.¹⁰

Em vez de fornecer respostas, o sistema conclui a tarefa por si mesmo, interagindo com diferentes ferramentas e fluxos de trabalho, reduzindo a necessidade de explicações repetidas ou acompanhamentos manuais.

4. Condução autônoma e tomada de decisão

Um Large Action Model (LAM) pode impulsionar sistemas autônomos interpretando entradas do mundo real, raciocinando sobre situações e executando ações em tempo real.

O Alpamayo da NVIDIA usa modelos de Visão-Linguagem-Ação para processar vídeo de câmera, compreender o ambiente de condução, raciocinar sobre o que está acontecendo e gerar ações de condução, como esterçar, frear ou acelerar.¹¹

Em vez de seguir regras fixas, o sistema decide o que fazer com base no contexto (por exemplo, tráfego, obstáculos, condições da estrada) e explica seu raciocínio, permitindo uma condução autônoma mais segura e transparente.

5. Execução de tarefas pessoais em aplicativos do dia a dia

Um Large Action Model (LAM) pode transformar o objetivo de um usuário em ações concretas em várias ferramentas, concluindo tarefas sem instruções passo a passo. Por exemplo, sistemas de IA agêntica como o OpenClaw usam princípios semelhantes: eles podem gerenciar e-mails, calendários e reservas de viagem planejando etapas e executando-as de forma autônoma. Enquanto o OpenClaw representa um sistema completo de IA agêntica, os LAMs fornecem o núcleo de execução de ações que permite que tais sistemas realizem fluxos de trabalho de múltiplas etapas de forma confiável.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Tecnologias em LAMs

Um LAM pode utilizar as seguintes técnicas:

• Conexões: Conectar-se a vários aplicativos e APIs.
• Abordagem neuro-simbólica: A programação neuro-simbólica é um método que permite aos LAMs combinar redes neurais treinadas em grandes conjuntos de dados com capacidades integradas de raciocínio lógico simbólico. Isso permite que eles identifiquem padrões e também compreendam o raciocínio subjacente, tornando-os mais adaptáveis e capazes de tomar decisões significativas com base no "porquê" das solicitações do usuário.
• Abstração de instruções: Criar instruções que fornecem abstração modular e hierárquica para modelagem por meio de uma interface.
• Modelagem humana direta: Identificar a intenção, os hábitos e as rotinas do usuário em vários aplicativos para desenvolver um modelo de ação.
• Raciocínio de tarefas: Analisar as relações entre tarefas, identificando dependências e determinando a ordem ideal de execução. Isso garante que as tarefas pré-requisitos sejam concluídas antes que as dependentes comecem. Isso permite que o LAM aprimore os fluxos de trabalho com base em interações passadas.
• Aprendizado contínuo: Os LAMs executam tarefas e também melhoram seu desempenho por meio do aprendizado contínuo. Por exemplo, um LAM poderia gerenciar consultas de clientes sobre pedidos, devoluções e informações de produtos. Ele se tornaria mais hábil em resolver problemas rapidamente, chegando até a prever e abordar possíveis problemas antes que os clientes entrem em contato.

Exemplos de large action models

O termo LAM abrange uma mistura de produtos de consumo, modelos focados em ação e sistemas de pesquisa que tentam transformar a intenção do usuário em ações de software.

• Rabbit R1: A Rabbit comercializa o R1 com base em sua ideia de LAM, e seus materiais oficiais agora direcionam os usuários para recursos como o LAM Playground e o modo de ensino para tarefas em sites. Ao mesmo tempo, as primeiras avaliações foram altamente críticas; o The Verge classificou o dispositivo como "inacabado" e "inútil", e disse que havia poucas evidências de um LAM funcionando de forma confiável no produto no lançamento.
• Adept ACT-1: A Adept descreveu o ACT-1 como um "modelo de fundação para ações" treinado para usar ferramentas de software, APIs e aplicativos web. Ele é melhor compreendido como um sistema avançado de agente orientado a ações, em vez de uma categoria de IA totalmente separada por si só.
• Salesforce xLAM: A Salesforce lançou o xLAM como uma família de modelos otimizados para chamada de funções e agentes de IA, e posteriormente o expandiu com suporte mais robusto a múltiplos turnos. Isso torna o xLAM um dos exemplos oficiais mais claros de uma família de modelos do tipo LAM.
• Microsoft TaskMatrix.IA: O TaskMatrix.IA é um artigo de visão da Microsoft Research que propõe conectar modelos de fundação com milhões de APIs para concluir tarefas. Por ser estruturado como uma visão de pesquisa e artigo de posicionamento, é melhor descrito como um framework acadêmico do tipo LAM do que como um produto implantável.

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and PhD., Ezgi Arslan,},
  title  = {{Large Action Models: Hype ou Realidade?}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/large-action-models}},
  note   = {AIMultiple. Acessado em 1 Julho 2026}
}

Links de referência

1.

SuperAGI/SAM · Hugging Face

2.

Salesforce/xLAM-1b-fc-r · Hugging Face

3.

[2412.10047] Large Action Models: From Inception to Implementation

4.

Language-based AI Agents and Large Action Models (LAMs) | Juan Carlos Niebles

5.

What Are Large Action Models (LAMs)? - How Do They Work in 2026

Trinetix | Globally Trusted Digital Partner

6.

[2210.03629] ReAct: Synergizing Reasoning and Acting in Language Models

7.

[2402.15506] AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning

8.

UiPath joins Large Action Model Race - YouTube

9.

Matt Shumer on X: "Today, we’re unveiling Personal Assistant - @HyperWriteAI's groundbreaking AI agent that can use a web browser like a human. One agent to rule them all. It’s time to reimagine the way we interact with the internet. https://t.c

10.

Genesys unveils industry’s first Agentic virtual agent powered by LAMs for enterprise CX – Intelligent CIO Europe

11.

Sawyer Merritt on X: "NEWS: NVIDIA just announced Alpamayo, what CEO Jensen Huang calls the world’s first thinking, reasoning autonomous vehicle AI, launching on U.S. roads later this year, starting with the Mercedes CLA. Jensen: "It's trai

Cem Dilmegani

Analista Principal

Siga-nos

Cem tem sido o analista principal do AIMultiple desde 2017. O AIMultiple informa centenas de milhares de empresas (de acordo com o similarWeb), incluindo 60% das empresas da Fortune 500 todos os meses.

O trabalho de Cem foi citado por publicações globais de destaque, incluindo Business Insider, Forbes, Washington Post, empresas globais como Deloitte, HPE e ONGs como o Fórum Econômico Mundial e organizações supranacionais como a Comissão Europeia.

Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas em suas decisões de tecnologia na McKinsey & Company e na Altman Solon por mais de uma década. Ele também publicou um relatório da McKinsey sobre digitalização.

Ele liderou a estratégia de tecnologia e aquisições de uma empresa de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de tecnologia profunda Hypatos, que alcançou uma receita recorrente anual de 7 dígitos e uma avaliação de 9 dígitos partindo do zero em 2 anos. O trabalho de Cem na Hypatos foi coberto por publicações de tecnologia de destaque como TechCrunch e Business Insider.

Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou na Universidade Bogazici como engenheiro de computação e possui um MBA pela Columbia Business School.

Ver perfil completo

Pesquisado por

Ezgi Arslan, PhD.

Analista da Indústria

Siga-nos

Ezgi possui um PhD em Administração de Empresas com especialização em finanças e atua como Analista da Indústria na AIMultiple. Ela impulsiona pesquisas e insights na interseção de tecnologia e negócios, com expertise abrangendo sustentabilidade, análises de pesquisas e sentimento, aplicações de agentes de IA em finanças, otimização de mecanismos de resposta, gerenciamento de firewall e tecnologias de procurement.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário