Agentes de IA móveis testados em 65 tarefas do mundo real
Passámos 3 dias a avaliar quatro agentes de IA (DroidRun, Mobile-Agent, AutoDroid e AppAgent) em 65 tarefas do mundo real usando um emulador Android com aplicações como gestão de calendário, criação de contactos, captura de fotografias, gravação de áudio e ficheiros operações.
Veja os resultados do benchmark, incluindo a comparação de desempenho no mundo real, custos e tempos de execução:
Comparação de desempenho dos agentes de IA móveis
DroidRun
Maior taxa de sucesso (43%) com alto custo por tarefa bem-sucedida ($0.075, ~3.225 tokens)
O DroidRun demonstrou o melhor desempenho com uma taxa de sucesso de 43% nas 65 tarefas. Ao examinar apenas as tarefas que todos os agentes concluíram com sucesso, o DroidRun consumiu uma média de 3.225 tokens a um custo de $0.075 por tarefa.
Este consumo substancial de recursos reflete a arquitetura de raciocínio em múltiplas etapas do DroidRun, onde o agente mantém um rastreamento detalhado do estado, gera planos de ação explícitos e fornece explicações para cada decisão. Embora dispendiosa, esta abordagem abrangente proporciona a maior taxa de sucesso no benchmark de agentes de IA móveis.
Mobile-Agent
Desempenho forte (29%) e eficiência de custos ($0.025, ~1.130 tokens)
O Mobile-Agent alcançou a segunda maior taxa de sucesso, de 29%, mantendo uma eficiência de custos razoável. Nas tarefas comumente bem-sucedidas em todos os agentes, o Mobile-Agent teve uma média de $0.025 e 1.130 tokens por tarefa.
Isto representa aproximadamente um terço do custo por tarefa do DroidRun, ao mesmo tempo que alcança cerca de dois terços da sua taxa de sucesso, tornando o Mobile-Agent uma opção atrativa para implementações onde as restrições orçamentais são importantes.
No entanto, a diferença de 14 pontos percentuais na taxa de sucesso sugere que as capacidades de raciocínio adicionais do DroidRun proporcionam um valor significativo para aplicações onde a fiabilidade é mais importante, como nos fluxos de trabalho de saúde ou banca.
AutoDroid
Melhor eficiência de custos (14% de sucesso, $0.017, ~765 tokens), mas eficácia limitada
O AutoDroid demonstrou o menor custo nas tarefas comumente bem-sucedidas, de apenas $0.017 e 765 tokens por tarefa, tornando-o a opção mais económica no benchmark.
No entanto, a sua taxa de sucesso de 14%, menos de metade do desempenho do Mobile-Agent e cerca de um terço do DroidRun, indica que esta vantagem de custo acarreta compromissos significativos em termos de fiabilidade.
Apesar de utilizar uma abordagem baseada em ações semelhante à do DroidRun, a sobrecarga de raciocínio mínima do AutoDroid resulta em poupanças de custos substanciais, mas numa capacidade de conclusão de tarefas limitada.
AppAgent
Pior desempenho (7% de sucesso) com o custo mais elevado ($0.90, ~2.346 tokens)
O AppAgent registou simultaneamente a taxa de sucesso mais baixa, de 7%, e o custo mais elevado nas tarefas comumente bem-sucedidas, de $0.90 e 2.346 tokens por tarefa, doze vezes mais caro do que o DroidRun e mais de cinquenta vezes mais dispendioso do que o AutoDroid.
Esta má relação custo-desempenho advém da abordagem baseada em visão do AppAgent, que processa capturas de ecrã etiquetadas através de LLMs multimodais para cada interação. Cada captura de ecrã enviada para o LLM multimodal consome uma quantidade substancial de tokens de entrada para o processamento de imagem, enquanto as respostas de texto reais (tokens de conclusão) permanecem relativamente modestas.
Isto cria uma distribuição de tokens altamente desequilibrada, onde a sobrecarga do processamento de visão domina o custo sem as correspondentes melhorias na conclusão das tarefas, uma vez que o agente tem dificuldades com os cálculos de coordenadas e a identificação de elementos da interface do utilizador em interfaces móveis.
Comparação do tempo de execução dos agentes de IA móveis
Na única tarefa que todos os agentes concluíram com sucesso, o AutoDroid foi o mais rápido, com 57 segundos, seguido de perto pelo Mobile-Agent, com 66 segundos. O DroidRun concluiu a tarefa em 78 segundos, demonstrando que a sua arquitetura de raciocínio em múltiplas etapas ainda permite uma execução eficiente, apesar do maior consumo de tokens.
O AppAgent exibiu uma latência significativamente maior, de 180 segundos, devido à sua abordagem baseada em visão, que exige um extenso processamento de capturas de ecrã através de LLMs multimodais para cada interação.
Pode consultar a nossa metodologia de benchmark aqui.
Visão geral dos agentes de IA móveis
DroidRun
O DroidRun é uma framework de código aberto que cria agentes de IA nativos para dispositivos móveis, capazes de controlar autonomamente aplicações e telemóveis. É uma framework fundamental que converte interfaces de utilizador em dados estruturados com os quais os modelos de linguagem de grande dimensão podem interagir, permitindo uma automatização complexa diretamente nos dispositivos móveis.
Veja-o em ação:
AutoDroid
O AutoDroid é um sistema de automatização de tarefas móveis concebido para executar tarefas arbitrárias em qualquer aplicação Android sem configuração manual. Aproveita o raciocínio de senso comum de modelos de linguagem de grande dimensão, como o GPT‑4 e o Vicuna, combinado com uma análise automatizada específica da aplicação.
O AutoDroid introduz uma representação da interface do utilizador com reconhecimento de funcionalidades para ligar as interfaces das aplicações aos LLMs, utiliza a injeção de memória baseada em exploração para ensinar ao modelo comportamentos específicos da aplicação e inclui otimização de consultas para reduzir os custos de inferência. Avaliado num benchmark de 158 tarefas, alcançou 90.9% de precisão nas ações e 71.3% de sucesso nas tarefas, superando as linhas de base que usam apenas o GPT‑4.1
Mobile-Agent
O repositório GitHub X-PLUG/MobileAgent é a implementação oficial do Mobile-Agent, uma framework de agente de IA concebida para controlar autonomamente aplicações móveis através da perceção e raciocínio sobre as suas representações visuais da interface do utilizador.
Este projeto é do grupo X-PLUG da Universidade Tsinghua e foi apresentado no ICLR 2024, com o objetivo de expandir os limites dos agentes móveis através da utilização de aprendizagem multimodal, particularmente a perceção visual e o seguimento de instruções. Veja o vídeo para o ver em ação.
AppAgent
O repositório GitHub TencentQQGYLab/AppAgent é um projeto de investigação de código aberto do QQG Y-Lab da Tencent. Apresenta o AppAgent, uma framework de agente de IA móvel concebida para operar e raciocinar autonomamente através de aplicações Android sem código escrito por humanos para cada aplicação individual.
Fonte: AppAgent2
Tecno EllaClaw
A Tecno integrou a tecnologia OpenClaw no seu assistente de IA Ella, designando a combinação como "EllaClaw".3
O EllaClaw é executado no HIOS, que é o sistema operativo móvel baseado em Android da Tecno, e é fornecido com duas funcionalidades iniciais: um Resumo Inteligente de SMS que assinala mensagens importantes, como notificações bancárias e faturas, e uma Agenda Diária que compila eventos do calendário, meteorologia e notícias num resumo diário.
O sistema utiliza memória persistente para aprender as preferências do utilizador e está a ser lançado em versão beta em dispositivos Tecno selecionados, começando pelo topo de gama Camon 50 Ultra.4
Samsung Galaxy S26
A série Galaxy S26 introduziu uma configuração multi-agente que permite aos utilizadores alternar entre três assistentes de IA:5
- Bixby, renovado para utilizar a assistência do Perplexity para controlo do dispositivo em linguagem natural, como ajustar as definições para evitar o tempo limite do ecrã enquanto visualiza conteúdo.
- Google Gemini, com uma nova funcionalidade beta para execução de tarefas em segundo plano, como reservar viagens ou voltar a pedir refeições enquanto o utilizador continua outras atividades no telemóvel.
- Perplexity, integrado ao nível do sistema através da sua Sonar API, disponível em aplicações nativas, incluindo Notas, Calendário e Galeria, e invocável em modo mãos-gratuito através de uma frase de despertar ou do premir do botão lateral.
O Perplexity foi inicialmente lançado com a frase de despertar "Hey, Plex", mas uma atualização de software posterior alterou-a para "Hey, Perplexity" para evitar confusão com o serviço de streaming de media Plex.6
Google Gemini Intelligence e Android 17
A Google anunciou o Gemini Intelligence, um conjunto de funcionalidades cuja capacidade principal é a execução de tarefas em várias etapas e entre aplicações com aprovação do utilizador.7
Os casos de uso demonstrados incluem a identificação de ingredientes a partir de um vídeo de culinária do YouTube e a sua encomenda automática, a reserva de uma aula de spinning e a extração de um programa de estudos do Gmail para preencher um carrinho de compras com os livros necessários.
Estas capacidades agentivas serão lançadas primeiro na série Samsung Galaxy S26 e nos Google Pixel 10 e Pixel 10 Pro, através da aplicação Gemini, com um lançamento posterior previsto para relógios, automóveis, óculos e computadores portáteis. A parte no dispositivo requer hardware capaz de executar os modelos Gemini Nano, sendo que a Google especifica pelo menos 12GB de RAM e processadores qualificados como requisitos mínimos.8
O responsável pelo Android, Sameer Samat, descreveu o Android 17 como o ponto de inflexão em que a plataforma passa "de um sistema operativo para um sistema inteligente", e observou que o Android 17 marcará "o ponto em que as primeiras capacidades agentivas começam a ser implementadas de forma mais ampla", inicialmente com suporte limitado a aplicações.9
AGI, Inc. e Qualcomm
A AGI, Inc. anunciou uma colaboração com a Qualcomm para levar o seu agente móvel no dispositivo, AGI-0, aos dispositivos com Snapdragon.10
O AGI-0 é executado localmente, utiliza modelos de visão-linguagem-ação para ver o ecrã e atuar em qualquer aplicação sem necessitar de integrações específicas da aplicação, e dá ênfase à privacidade, mantendo o processamento de dados no dispositivo em vez de o encaminhar através de APIs na cloud.
Funcionalidades dos agentes de IA móveis
Tratamento de comandos orientado por objetivos
Os utilizadores especificam o que pretendem que seja feito (“Reservar uma viagem para o aeroporto”), e o agente decide quais as aplicações a abrir, que ações tomar e em que ordem. Não é pedido ao utilizador que traduza o objetivo em toques e deslizes individuais.
LLM-suportado raciocínio
Os agentes de IA móveis baseiam-se em modelos de linguagem de grande dimensão para identificar a intenção do utilizador a partir de pedidos em linguagem natural, interpretar o conteúdo no ecrã, gerar planos de ação passo a passo e adaptar-se quando a interface do utilizador muda entre estados da aplicação, como ecrãs de carregamento, pop-ups de diálogo ou transições de navegação.
Controlo estruturado e nativo de aplicações
Em vez de extrair pixéis do ecrã, os agentes de IA móveis extraem hierarquias estruturadas da interface do utilizador, normalmente árvores baseadas em XML que descrevem botões, campos e outros elementos interativos, e atuam diretamente sobre esses elementos. O DroidRun, por exemplo, utiliza as APIs de Acessibilidade do Android para ler e atuar sobre elementos reais da interface do utilizador, em vez de adivinhar coordenadas a partir de uma captura de ecrã.
Execução na cloud e no dispositivo para agentes de IA móveis
Os agentes baseados na cloud ligam-se aos modelos através de chamadas API. Gerem bem o raciocínio complexo, mas exigem a transmissão de dados do ecrã e do contexto do utilizador para servidores externos, levantando preocupações de privacidade para aplicações sensíveis. O desempenho também depende de uma conectividade de rede estável.
Os agentes no dispositivo executam modelos diretamente no hardware móvel, mantendo todos os dados localmente. Isto elimina os riscos de transmissão e permite a funcionalidade offline. As NPUs e GPUs móveis atuais limitam o tamanho do modelo, o que pode reduzir a precisão em tarefas que exigem um raciocínio mais profundo ou janelas de contexto mais longas.
As arquiteturas híbridas combinam ambas as abordagens. Modelos leves no dispositivo tratam das tarefas de rotina e da classificação inicial da intenção, enquanto as operações complexas são encaminhadas para LLMs na cloud. O Apple Intelligence e o Gemini Nano seguem este padrão, processando pedidos simples localmente e escalando quando necessário.
Riscos de segurança e privacidade nos agentes de IA móveis
As mesmas capacidades que tornam os agentes de IA móveis úteis também criam novas superfícies de ataque:
- Exposição do conteúdo ecrã: Os agentes podem transmitir palavras-passe, mensagens e dados financeiros para LLMs na cloud para processamento.
- Fuga de credenciais: Os fluxos de trabalho de início de sessão automático podem expor involuntariamente palavras-passe guardadas e tokens de autenticação.
- Retenção de dados pouco clara: Muitos fornecedores de agentes não publicam durante quanto tempo as capturas de ecrã, os registos de ações e as gravações de ecrã são retidos, ou se são utilizados para treinar modelos futuros.
- Risco de injeção de prompts: O conteúdo malicioso de uma aplicação pode manipular o comportamento do agente através de texto da interface do utilizador criado para o efeito, como um rótulo de botão falso que diz "Ignorar instruções anteriores".
As mitigações abrangem toda a pilha:
- Processamento no dispositivo mantém os dados sensíveis do ecrã completamente fora dos servidores externos, sendo o controlo mais forte quando o tamanho do modelo o permite.
- Eliminação de informações de identificação pessoal (PII) deteta e remove automaticamente dados como nomes, números de telefone e IDs de conta antes de qualquer chamada API na cloud.
- Limites de permissões restringem o âmbito do serviço de acessibilidade do agente para que este não possa ler ou atuar dentro de categorias específicas de aplicações, como banca, saúde ou mensagens.
- Políticas transparentes dos fornecedores significam a publicação de períodos de retenção, jurisdições de processamento e declarações explícitas sobre a utilização de dados de treino, em vez de linguagem genérica de privacidade.
Adicionar como fonte preferencialPorque é que o desempenho difere entre os agentes de IA móveis
As diferenças observadas resultam principalmente de escolhas arquitetónicas e métodos de interação.
DroidRun dá prioridade à fiabilidade através do raciocínio em várias etapas, do planeamento explícito e do rastreamento do estado. Isto melhora o sucesso das tarefas, mas aumenta o uso de tokens e o custo.
Mobile-Agent equilibra o desempenho e a eficiência. O seu raciocínio mais leve e a compreensão visual reduzem o custo, mantendo taxas de sucesso moderadas, tornando-o adequado para casos de uso sensíveis ao orçamento.
AutoDroid concentra-se na execução baseada em ações com uma sobrecarga de raciocínio mínima. Isto resulta no menor custo e nos tempos de execução mais rápidos, mas também limita a sua capacidade de lidar com tarefas complexas ou ambíguas.
AppAgent depende fortemente da interação baseada em visão utilizando LLMs multimodais. O processamento frequente de capturas de ecrã aumenta a latência e o custo, enquanto os desafios de coordenadas da interface do utilizador reduzem o sucesso das tarefas.
Metodologia do benchmark dos agentes de IA móveis
Realizámos uma avaliação de benchmark para avaliar o desempenho de agentes de IA móveis a operar no sistema operativo Android em tarefas do mundo real. Utilizámos a framework AndroidWorld e testámos todos os agentes nas mesmas tarefas padrão.
Framework AndroidWorld
O AndroidWorld é uma plataforma de benchmark de código aberto desenvolvida especificamente pela Google Research para avaliar agentes móveis. Esta plataforma tem como objetivo medir o desempenho de agentes que trabalham em aplicações Android reais através de tarefas padronizadas.
A característica mais importante do AndroidWorld é que utiliza aplicações Android reais em vez de ambientes de teste artificiais e pode avaliar automaticamente o desempenho dos agentes. Utilizámos 65 tarefas neste estudo. Estas tarefas abrangem cenários de utilização diária de dispositivos móveis, como gestão de calendário, adição de contactos, gravação de voz, tirar fotografias e operações de ficheiros.
Configuração do ambiente
Configuração do sistema: Para configurar o ambiente de benchmark, instalámos primeiro o Android Studio no sistema operativo Windows 11 e configurámos o Emulador Android oficial da Google.
Configuração do dispositivo virtual: Criámos um dispositivo virtual a simular um Pixel 6. As especificações deste dispositivo virtual foram definidas como sistema operativo Android 13 (Nível API 33), resolução 1080×2400, 8GB de RAM e 20GB de espaço de armazenamento.
Configuração do emulador: Para integrar o emulador com o AndroidWorld, configurámos a porta gRPC como 8554, porque o AndroidWorld comunica com o emulador através desta porta.
Configuração do ambiente Python: Para preparar o ambiente Python, criámos um novo ambiente conda com Python 3.11 utilizando o Miniconda. Depois de clonar o repositório AndroidWorld do GitHub, instalámos todas as dependências utilizando o pip. Um dos passos mais críticos do AndroidWorld é o processo de configuração do emulador.
O comando de configuração demorou aproximadamente 45 a 60 minutos. Durante este processo, o AndroidWorld instalou automaticamente todas as aplicações Android a testar no emulador.
Criação de dados de estado inicial: Criou dados de estado inicial para cada aplicação, por exemplo, adicionou alguns eventos à aplicação de calendário, adicionou contactos à aplicação de contactos e adicionou um podcast chamado "banana" à aplicação de podcasts. Também guardou instantâneos para cada tarefa, para que cada tarefa possa começar a partir de um estado inicial limpo.
Integrações de agentes
AutoDroid
Integração do AutoDroid: Para integrar o AutoDroid, começámos por clonar o repositório do GitHub e instalámos os pacotes Python necessários. A principal funcionalidade do AutoDroid é identificar elementos da interface do utilizador através da análise de XML e concluir tarefas com uma abordagem baseada em ações.
O agente atribui um número de índice a cada elemento clicável ou focável no ecrã e recebe comandos do LLM, como "tap(5)" ou "text('hello')".
Wrapper do AutoDroid: Para a integração com o AndroidWorld, criámos uma classe wrapper chamada autodroid_agent.py. Este wrapper realiza as configurações necessárias no método de inicialização do AutoDroid, converte o objetivo da tarefa proveniente do AndroidWorld num formato de prompt que o AutoDroid pode interpretar e transforma as ações geradas pelo AutoDroid em comandos ADB reais, utilizando as funções execute_adb_call do AndroidWorld.
Fluxo de execução: No método step do AutoDroid, o agente tira primeiro uma captura de ecrã e um dump XML do ecrã, analisa os elementos da interface do utilizador, envia esta informação para o LLM e executa ações de toque, deslize ou introdução de texto de acordo com a resposta recebida.
DroidRun
Integração do DroidRun: Seguimos um processo de integração semelhante para o DroidRun. Depois de clonar o repositório DroidRun do GitHub, instalámos as dependências listadas no ficheiro requirements.txt.
A estrutura arquitetónica do DroidRun é mais complexa porque tem um sistema de raciocínio em várias etapas e de rastreamento do estado. O DroidRun pode explicar não só o que vai fazer em cada etapa, mas também porquê, e pode utilizar os resultados das etapas anteriores na etapa seguinte.
Wrapper do DroidRun: Criámos o wrapper droidrun_agent.py para a integração com o AndroidWorld. A parte mais importante neste wrapper foi tornar a classe CodeActAgent do próprio DroidRun compatível com a interface de agente base do AndroidWorld.
Processo de execução: Quando chamámos o método execute_task do DroidRun, o agente passa por uma fase de planeamento da tarefa, depois executa cada passo e avalia os resultados. Adaptámos este processo ao modelo de execução passo a passo do AndroidWorld. Também implementámos as ferramentas utilizadas pelo DroidRun (tap_by_index, start_app, list_packages, etc.) com os comandos ADB do AndroidWorld.
AppAgent
Integração do AppAgent: A integração do AppAgent foi diferente das outras porque utiliza uma abordagem baseada em visão. Depois de clonar o repositório AppAgent, integrámos os ficheiros Python da pasta scripts no AndroidWorld.
Abordagem baseada em visão: O princípio de funcionamento do AppAgent é o seguinte: primeiro, tira uma captura de ecrã, depois calcula as caixas delimitadoras dos elementos da interface do utilizador, desenha essas caixas na captura de ecrã, atribui um número a cada uma e envia esta captura de ecrã etiquetada para um LLM multimodal. O LLM determina visualmente qual o elemento que deve ser clicado.
Configuração do wrapper: O passo mais importante na integração do AppAgent foi redirecionar a parte que comunica com o dispositivo Android utilizando o módulo and_controller.py do AppAgent para o emulador do AndroidWorld. No wrapper appagent_agent.py, reimplementámos os métodos get_screenshot e get_xml do AppAgent para funcionarem com as APIs do AndroidWorld. Também tornámos o ficheiro model.py do AppAgent, que utiliza o formato OpenAI API, compatível com a OpenRouter API.
Mobile-Agent (M3A)
Integração do Mobile-Agent (M3A): A integração do M3A foi o processo mais abrangente porque funciona totalmente com base em visão e possui um sistema de análise da interface do utilizador muito detalhado. Depois de clonar o repositório M3A, instalámos também a framework de interação Android Mobile-Env, porque o M3A depende desta framework.
Análise em várias etapas: O princípio de funcionamento do M3A baseia-se na divisão do ecrã em grelhas, na análise de cada grelha separadamente e na realização de um planeamento em várias etapas. Durante a criação do wrapper m3a_agent.py, precisámos de integrar o sistema de ambiente do próprio M3A com o ambiente do AndroidWorld. Normalmente, o M3A utiliza o seu próprio Mobile-Env, mas redirecionámo-lo para o env do AndroidWorld.
Múltiplas chamadas a LLMs: Observámos que o M3A faz várias chamadas a LLMs em cada passo (como planeamento, seleção de ações, verificação) e tornámo-las compatíveis com os limites de passos do AndroidWorld.
Procedimento de teste e recolha de dados
Fluxo de teste: O procedimento de teste para cada agente funcionou da seguinte forma: Primeiro, iniciámos o emulador com um instantâneo limpo. Depois de o emulador estar totalmente aberto, executámos o run.py do AndroidWorld. Executámos 65 tarefas sequencialmente para cada agente e utilizámos o Claude 4.5 Sonnet para todos os agentes.
Execução da tarefa: O AndroidWorld executou automaticamente os seguintes passos para cada tarefa: carregar o estado inicial da tarefa, iniciar o agente, enviar o objetivo da tarefa para o agente, acompanhar os passos do agente, parar quando o número máximo de passos é atingido ou quando o agente diz "tarefa concluída", e verificar se a tarefa foi bem-sucedida.
Critérios de sucesso: O sistema de avaliação de tarefas do AndroidWorld inclui critérios de sucesso predefinidos. Por exemplo, para a tarefa "Adicionar contacto com o nome John Doe", o AndroidWorld consulta a base de dados de contactos para confirmar que o contacto foi adicionado.
Para tarefas de calendário, verifica na base de dados se o evento foi criado com a data, hora, título e descrição corretos. No final de cada execução de tarefa, o AndroidWorld forneceu-nos o tempo de execução e o estado de sucesso (Verdadeiro/Falso). Estes dados foram automaticamente registados e utilizados para análise.
Recolha de dados: Depois de concluir todo o benchmark, identificámos a tarefa que todos os agentes concluíram com sucesso. Cada uma dessas tarefas foi então executada 10 vezes por cada agente, e o tempo médio de execução, o custo e o consumo de tokens foram calculados para obter métricas de desempenho mais fiáveis.
Perguntas frequentes
Os agentes de IA móveis são sistemas de software que interagem de forma autónoma com os utilizadores e as aplicações móveis, utilizando entradas em linguagem natural e raciocínio orientado por objetivos para concluir tarefas em nome dos utilizadores. Ao contrário das ferramentas de automatização tradicionais ou dos primeiros assistentes pessoais, estes agentes são alimentados por IA. Alguns dos seus casos de uso incluem:
Automatização de QA móvel sem scripts de teste
Automatização de fluxos de trabalho móveis, como o carregamento de documentos de identificação ou a alteração de definições de perfil
Assistentes de IA que operam aplicações para pessoas com deficiência visual, idosos ou qualquer outra pessoa.
Tarefas gerais diárias, como criar eventos no calendário ou até mesmo concluir lições do Duolingo.
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},
title = {{Agentes de IA móveis testados em 65 tarefas do mundo real}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/mobile-ai-agent}},
note = {AIMultiple. Acessado em 9 Junho 2026}
}Links de referência
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.
A seguir, leia
Etsy Scrapers: Benchmarked Top 4 APIs
Arquivo da web APIs: 4 principais fornecedores testados e comparados
Top 5 Raspadores da Home Depot Avaliados e Comparados
Scraping no eBay: Comparação dos 6 Principais Provedores
Os 6 principais raspadores da Apple App Store: Bright Data, SerpAPI & Zyte
Top 5 APIs de Coleta de Anúncios de Vagas Comparadas API
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.