Claude Cowork no Celular e na Web: Como as Equipes Devem Redesenhar Seu Agent Harness

Introdução

A atualização do Claude Cowork da Anthropic parece simples à primeira vista: o Cowork está saindo do desktop e se tornando disponível também na web e no celular. Mas o sinal real é maior do que uma nova interface.

Quando um agente pode continuar trabalhando depois que o usuário sai da mesa, o produto deixa de ser apenas uma janela de chat. Ele se torna uma thread de tarefa persistente. O usuário pode iniciar o trabalho no desktop, verificar o progresso no celular, responder a um esclarecimento de outro dispositivo e voltar depois para revisar um artefato.

Essa mudança é importante para equipes que usam Claude Cowork, Claude Code, Codex, Cursor, GitHub Copilot, NxCode ou agentes internos. A questão não é mais apenas "O modelo consegue resolver a tarefa?" A pergunta melhor é: O sistema em torno do modelo consegue controlar contexto, ferramentas, estado, permissões, logs, validação e revisão humana?

Principais Conclusões

• Claude Cowork no celular e na web é um sinal de produto, não apenas uma atualização de conveniência. Ele transforma o trabalho de IA em um fluxo de tarefas persistente e entre dispositivos.
• A concorrência entre produtos de agentes está se movendo em direção ao agent harness: permissões, contexto, estado, logs, roteamento de modelos, verificação e revisão.
• O acesso móvel é útil para verificações de progresso e confirmações pontuais, mas não deve enfraquecer a revisão de código, a aprovação de produção ou os controles de dados sensíveis.
• O AWS AgentCore e a discussão mais ampla sobre engenharia de harness mostram que fornecedores de nuvem e equipes de pesquisa estão se movendo na mesma direção.
• As equipes devem tratar este lançamento como um momento de auditoria de fluxo de trabalho, não apenas como mais um anúncio de funcionalidade.

O Que Realmente Mudou

O Claude Cowork está se expandindo de um fluxo de trabalho centrado no desktop para uma experiência na web e no celular. O usuário pode iniciar uma tarefa no computador, deixar o Claude continuar em segundo plano, verificar o status pelo celular e voltar depois para revisar a saída.

Isso muda o modelo mental.

Um chatbot espera pela próxima mensagem. Uma ferramenta de conclusão de código sugere a próxima linha. Um agente em segundo plano continua trabalhando depois que o usuário se afasta. Isso significa que as equipes não podem colocar toda a governança dentro de uma única sessão de desktop ou uma janela de terminal visível.

A página do produto Cowork da Anthropic também enfatiza o controle. Os usuários escolhem pastas e ferramentas, e os administradores empresariais podem configurar acesso e permissões. Isso é importante porque o trabalho entre dispositivos só é útil se não transformar acidentalmente cada toque no celular em uma ampla concessão de permissão.

Para equipes de engenharia, a lição não é "mova toda tarefa para o celular". A lição é que o trabalho delegado está se tornando durável. As tarefas continuarão entre abas, dispositivos, reuniões, notificações e trocas de contexto humano. O modelo operacional tem que assumir que o trabalho pode continuar após o primeiro prompt.

Por Que Isso É Uma História de Harness

Um agent harness é o sistema em torno do modelo que transforma uma solicitação em trabalho controlado.

Ele inclui:

• Montagem de contexto
• Acesso a ferramentas
• Gerenciamento de estado
• Regras de memória
• Planejamento de tarefas
• Repetições e tratamento de falhas
• Logs
• Permissões
• Validação
• Revisão humana

Um modelo forte dentro de um harness fraco ainda pode falhar gravemente. Ele pode ler os arquivos errados, usar a ferramenta errada, fazer uma grande

mudança insegura, ou produzir um resultado que parece polido, mas não pode ser revisado.

A expansão mobile e web do Claude Cowork torna o arcabouço mais visível. A tarefa pode começar no desktop, continuar na nuvem, solicitar aprovação no celular e terminar com arquivos ou mensagens prontos para revisão. Esse fluxo precisa de estado e permissões que acompanhem a tarefa, não apenas o dispositivo.

A AWS está promovendo uma ideia relacionada do lado da nuvem através do Amazon Bedrock AgentCore. Seu modelo de arcabouço foca em orquestração, execução de ferramentas, gerenciamento de contexto, persistência de estado, recuperação de falhas e sessões isoladas. Os escritos de Lilian Weng sobre engenharia de arcabouço apontam na mesma direção sob uma perspectiva de pesquisa: um melhor comportamento do agente não vem apenas de pesos de modelo mais fortes, mas também de melhores ambientes, ciclos de feedback, avaliação, ferramentas e suporte estrutural.

Em termos práticos, o arcabouço é onde as equipes definem o que significa "bom trabalho de agente".

O Risco do Trabalho Sempre Ativo

Agentes entre dispositivos têm valor óbvio.

Um gerente de produto pode pedir um resumo de pesquisa de clientes antes de embarcar em um trem. Um engenheiro pode iniciar uma investigação de logs, fechar o laptop e aprovar um acompanhamento específico pelo celular. Um fundador pode delegar uma atualização para investidores e revisar o rascunho depois.

Mas o risco é igualmente claro. Uma tarefa que continua sendo executada em segundo plano pode continuar usando ferramentas, arquivos, aplicativos conectados e contexto depois que o humano para de olhar para a tela.

As equipes devem separar cinco tipos de autoridade.

Tipo de Autoridade	Exemplo	Regra Padrão
Ler contexto local	Arquivos do repositório, documentos, anotações	Permitir apenas pastas com escopo definido
Ler aplicativos conectados	Slack, e-mail, calendário, CRM	Usar aprovação por conector
Escrever artefatos locais	Rascunhos, branches, planilhas	Permitir apenas com diffs revisáveis
Comunicação externa	Enviar e-mail, postar no Slack, abrir chamados	Exigir confirmação humana
Ação destrutiva ou de produção	Excluir arquivos, rotacionar segredos, fazer deploy	Exigir aprovação explícita e logs

O acesso mobile deve tornar a revisão mais rápida, não mais fraca. Um celular é útil para verificar o status da tarefa, responder a um esclarecimento ou aprovar um próximo passo específico. Não é o lugar adequado para revisar um grande diff de código, autorizar uma migração de produção, aprovar alterações de faturamento ou conceder amplo acesso a dados de clientes.

Uma regra operacional simples funciona bem:

O mobile pode direcionar, mas a aprovação séria deve acontecer onde a evidência está visível.

O Que as Equipes de Código Devem Mudar

1. Tornar o Escopo da Tarefa Explícito

Cada tarefa delegada precisa de um limite escrito.

Um bom escopo deve incluir:

• O objetivo
• Arquivos, pastas ou sistemas permitidos
• Ações não permitidas
• Ferramentas permitidas
• Saída esperada
• Comandos de validação
• Condições de parada
• Pontos obrigatórios de aprovação humana

Sem esses limites, um agente em segundo plano é apenas um prompt de longa duração com ferramentas anexadas. Esse não é um modelo operacional seguro.

2. Exigir Evidências, Não Apenas Resultados

Um revisor não deve ter que adivinhar o que o agente fez.

Para tarefas de código, o relatório final deve incluir:

• Arquivos alterados
• Resumo do diff
• Comandos executados
• Testes aprovados ou reprovados
• Suposições
• Riscos conhecidos
• Caminho de reversão sugerido, se aplicável

relevante

Para tarefas de pesquisa, o relatório final deve incluir:

• Links de origem
• Nível de confiança
• Informações ausentes
• Evidências conflitantes
• Perguntas em aberto

O objetivo é tornar o trabalho do agente auditável. Uma resposta refinada não é suficiente.

3. Usar Roteamento de Modelo

Nem toda tarefa precisa do mesmo modelo, janela de contexto ou orçamento.

Resumos de baixo risco, triagem de problemas, formatação e transformações determinísticas podem frequentemente usar modelos mais baratos. Depuração difícil, planejamento de arquitetura, migrações e trabalhos críticos de segurança podem justificar modelos mais fortes e revisão mais rigorosa.

Uma política prática de roteamento pode ser assim:

Tipo de Tarefa	Estratégia de Modelo Sugerida	Nível de Revisão
Formatação ou limpeza	Modelo de menor custo	Revisão leve
Resumo ou triagem	Modelo de menor custo	Verificação por amostragem
Correção pequena de código	Modelo médio/alto dependendo do risco	Revisão de diff + teste
Mudança de arquitetura	Modelo mais forte	Revisão humana necessária
Tarefa de segurança ou produção	Modelo mais forte + controle rigoroso	Aprovação humana necessária
Comunicação externa com cliente	Modelo mais forte ou liderado por humano	Aprovação antes do envio

A questão não é usar sempre o modelo mais barato. A questão é usar o modelo certo para o nível de risco.

4. Limitar a Memória

Agentes persistentes tornam tentador armazenar tudo. Isso é arriscado.

As equipes devem armazenar informações estáveis e reutilizáveis, como:

• Regras do projeto
• Comandos preferidos
• Convenções do repositório
• Fluxos de trabalho aceitos
• Comandos de teste
• Preferências de formatação

As equipes devem evitar armazenar:

• Segredos
• Dados pessoais
• Detalhes específicos de clientes
• Especulações temporárias
• Suposições não verificadas
• Contexto comercial sensível sem política de retenção

Uma boa memória melhora a confiabilidade do fluxo de trabalho. Uma memória ruim transforma o palpite de ontem na instrução oculta de amanhã.

5. Construir um Benchmark Local

Não avalie agentes apenas por demonstrações ou clipes de mídia social.

Escolha tarefas reais do último mês. Inclua bugs, refatorações, edições de documentação, limpeza de dados, investigações de suporte e verificações de lançamento. Execute cada agente com o mesmo orçamento de tempo e compare os resultados.

Meça:

• Taxa de conclusão
• Tempo de revisão
• Custo de tokens
• Tipo de erro
• Problemas de segurança
• Complexidade de reversão
• Se a saída foi realmente útil

O benchmark local de uma equipe é mais valioso do que um ranking genérico, pois reflete o trabalho que a equipe realmente realiza.

Um Arcabouço Prático para Agentes We0 AI

Um arcabouço útil não precisa começar como um grande projeto de plataforma. Uma versão mínima pode ser construída com um arquivo de instrução do repositório, um modelo de tarefa, uma lista de verificação de validação e uma regra de revisão.

Use um modelo de tarefa como este:

Objetivo:

Contexto permitido:

Ferramentas permitidas:

Ações não permitidas:

Comando de validação:

Artefato esperado:

Aprovação humana necessária para:

Pare se:

Em seguida, mapeie os tipos de tarefa para os fluxos de trabalho.

Este modelo é simples, mas força a equipe a tornar a autorização e a validação visíveis.

Para fluxos de trabalho no estilo We0 AI, o arcabouço deve ajudar as equipes a definir instruções, executar verificações reproduzíveis, comparar saídas de agentes e preservar contexto suficiente para revisão. O objetivo não é desacelerar

ado. O objetivo é tornar a delegação previsível o suficiente para ser confiável.

Como Avaliar o Claude Cowork em Comparação com Outros Agentes

Não compare o Claude Cowork, Claude Code, Codex, GitHub Copilot, Cursor ou agentes internos com base em "impressões".

Use tarefas reais e faça cinco perguntas:

1. O agente consegue encontrar o contexto certo sem ler arquivos privados ou irrelevantes em excesso?
2. Ele consegue usar ferramentas com segurança e se recuperar de falhas?
3. Ele consegue produzir um artefato pequeno e revisável?
4. Ele consegue comprovar o resultado com testes, links de origem ou logs?
5. Um humano consegue interromper, redirecionar ou aprovar o trabalho nos momentos certos?

Execute cada tarefa mais de uma vez. Agentes são estocásticos. Uma única execução impressionante não prova confiabilidade, e uma única execução ruim não prova que o sistema é inútil.

Também meça o ônus da revisão. Se um agente cria um artefato grande que leva mais tempo para verificar do que fazer a tarefa manualmente, ele não está ajudando. Um agente útil reduz o custo de se chegar a uma decisão confiante. Ele não apenas gera mais saída.

O Que o Mercado Está Nos Dizendo

O Claude Cowork para dispositivos móveis e web faz parte de uma mudança mais ampla.

A AWS está transformando harnesses de agentes em infraestrutura de nuvem gerenciada. O agente de nuvem do GitHub Copilot suporta codificação em segundo plano e fluxos de trabalho de pull request. Claude Code, Codex, Cursor e agentes internos estão todos impulsionando as equipes em direção ao trabalho assíncrono que utiliza ferramentas. Discussões de pesquisa em torno da engenharia de harnesses também sugerem que melhores sistemas de agentes dependerão de ambientes, ferramentas, ciclos de feedback e avaliação mais robustos.

Essas são histórias de produto diferentes, mas apontam para a mesma realidade operacional: os produtos de IA estão se tornando sistemas.

Eles precisam de:

• Controle de tempo de execução
• Roteamento de modelos
• Política de contexto
• Permissões de ferramentas
• Observabilidade
• Avaliação
• Aprovação humana
• Trilhas de auditoria

A era de "colar um prompt, obter resposta" não acabou. Mas, para equipes sérias, ela não é mais a fronteira.

Modelo Operacional Recomendado

Aqui está um plano prático de implementação de 30 dias.

Semana 1: Inventário do Uso Atual de Agentes

Liste cada ferramenta de agente que sua equipe utiliza.

Para cada ferramenta, registre:

• A quais dados ela pode acessar
• O que ela pode escrever
• Quais ferramentas ela pode chamar
• Se ela pode executar comandos
• Se ela lida com dados do cliente
• Como os resultados são revisados
• Se o uso é oficial ou não oficial

Isso dá à equipe uma linha de base clara.

Semana 2: Criação de uma Política de Tarefas

Divida as tarefas em baixo, médio e alto risco.

Essa política deve ser documentada. Se uma categoria de tarefa não estiver clara, trate-a como médio ou alto risco até que a equipe decida o contrário.

Semana 3: Construção de um Benchmark Interno

Selecione cerca de 20 tarefas reais do mês anterior.

Inclua:

• Correções de bugs
• Refatorações
• Atualizações de documentação
• Investigações de suporte ao cliente
• Trabalhos de limpeza de dados
• Verificações de release
• Briefings de pesquisa

Execute os fluxos de trabalho atuais e pelo menos uma configuração alternativa de agente. Acompanhe conclusão, tempo de revisão, custo, falhas e surpresas.

Semana 4: Fortalecimento do Harness

Adicione ou melhore:

• Instruções do repositório
• Comandos de validação
• Requisitos de registro
• Permissões de conectores
• Condições de parada
• Listas de verificação de revisão
• Regras de aprovação

Se uma tarefa

não pode ser verificado, não deve ser delegado sem um proprietário humano claro.

Regras Práticas para Acesso de Agentes Móveis

O acesso móvel deve ser projetado com base em controle restrito, e não em autoridade ampla.

Um fluxo de trabalho móvel seguro pode permitir que os usuários:

• Verifiquem o progresso de tarefas
• Respondam a uma pergunta esclarecedora
• Aprovem um próximo passo de baixo risco
• Interrompam uma tarefa
• Redirecionem uma tarefa
• Solicitem um resumo
• Marquem uma tarefa para revisão no desktop

Não deve permitir que os usuários, de forma casual:

• Aprovem grandes diferenças de código
• Façam deploy em produção
• Excluam arquivos
• Enviem e-mails para clientes
• Concedam acesso amplo a pastas
• Exponham segredos
• Modifiquem faturamento ou permissões
• Aceitem grandes artefatos gerados sem evidências

Isso não significa que o controle móvel seja ruim. Significa que o controle móvel deve ser limitado aos tipos de decisões que podem ser tomadas de forma responsável a partir de uma tela pequena.

A Conclusão

O suporte móvel e web do Claude Cowork é importante porque mostra para onde os produtos de agentes estão indo. O trabalho com IA será persistente, entre dispositivos, assíncrono e com uso de ferramentas.

Equipes que tratam agentes apenas como preenchimento automático mais inteligente perderão essa mudança. Equipes que tratam agentes como colegas de trabalho totalmente confiáveis criarão riscos evitáveis.

O caminho mais seguro é a delegação controlada: escopos de tarefa restritos, permissões explícitas, logs persistentes, validação determinística, roteamento de modelos e revisão humana nos momentos certos.

FAQ

O que é o Claude Cowork?

O Claude Cowork é o produto de trabalho agêntico da Anthropic que permite que o Claude execute tarefas em arquivos, ferramentas e fluxos de trabalho enquanto o usuário revisa o resultado final. Seu suporte web e móvel torna o fluxo de trabalho mais persistente e entre dispositivos.

Por que o acesso móvel do Claude Cowork é importante?

O acesso móvel é importante porque muda a forma como os usuários interagem com agentes. Em vez de permanecer em uma sessão de desktop, uma tarefa pode continuar em segundo plano enquanto o usuário verifica o progresso, responde perguntas ou revisa o status de outro dispositivo.

O que é um harness de agente?

Um harness de agente é o sistema em torno do modelo que gerencia contexto, ferramentas, estado, permissões, validação, logs e revisão humana. É o que transforma a resposta de um modelo em trabalho controlado.

A aprovação móvel é segura para agentes de IA?

A aprovação móvel pode ser segura para decisões restritas e de baixo risco, como esclarecer um requisito ou verificar o progresso. Não deve substituir a revisão completa para grandes alterações de código, ações em produção, dados de clientes, mensagens externas ou operações destrutivas.

Como as equipes devem avaliar o Claude Cowork em comparação com Codex ou Cursor?

Use tarefas internas reais em vez de demonstrações. Compare a taxa de conclusão, carga de revisão, custo, segurança, complexidade de reversão, evidências de fonte e se o agente pode ser interrompido ou redirecionado nos momentos certos.

O que um bom template de tarefa de agente deve incluir?

Um bom template deve incluir o objetivo, contexto permitido, ferramentas permitidas, ações proibidas, comando de validação, artefato esperado, pontos de aprovação necessários e condições de parada.

Por que o roteamento de modelos é importante para fluxos de trabalho de agentes?

Diferentes tarefas têm diferentes níveis de risco e complexidade. Resumos simples podem não precisar do modelo mais caro, enquanto mudanças de arquitetura, depuração, migrações e tarefas sensíveis à segurança

as tarefas podem exigir modelos mais robustos e revisão mais rigorosa.

Qual é o maior risco dos agentes de IA sempre ativos?

O principal risco é que o agente continue usando ferramentas, contexto ou permissões após o usuário deixar de prestar atenção total. Por isso, acesso limitado, logs, artefatos revisáveis e portões de aprovação são essenciais.

Ferramentas Relacionadas

• Claude Cowork: Produto de agente de IA entre dispositivos da Anthropic para delegar e revisar trabalho.
• Claude Code: Agente de codificação da Anthropic que pode ler bases de código, editar arquivos, executar comandos e trabalhar em várias ferramentas de desenvolvedor.
• OpenAI Codex: Plataforma de agente de codificação da OpenAI para tarefas de engenharia de software e habilidades de agente.
• GitHub Copilot Cloud Agent: Agente de codificação em segundo plano do GitHub para pesquisa em repositórios, alterações de código e fluxos de trabalho de pull request.
• Amazon Bedrock AgentCore: Infraestrutura AWS para implantar e operar agentes com capacidades de runtime, memória, identidade, observabilidade e harness.
• Cursor: Editor de código de IA usado para codificação agêntica, navegação em bases de código e automação de fluxo de trabalho do desenvolvedor.

Links Relacionados

• Página do Produto Claude Cowork: Página oficial do produto Anthropic para Claude Cowork.
• Use o Claude Cowork com Segurança: Artigo do Centro de Ajuda do Claude sobre uso seguro do Cowork e controles.
• Documentação do Amazon Bedrock AgentCore Harness: Documentação da AWS para configuração e operação de harness gerenciado de agente.
• Anúncio de Disponibilidade Geral do Amazon Bedrock AgentCore Harness: Anúncio da AWS sobre a disponibilidade geral do harness AgentCore.
• Engenharia de Harness para Autoaperfeiçoamento: Artigo de Lilian Weng sobre engenharia de harness, avaliação e sistemas de agente autoaperfeiçoáveis.
• Documentação do GitHub Copilot Cloud Agent: Documentação do GitHub para fluxos de trabalho de agente em segundo plano.

Resumo

O suporte móvel e web do Claude Cowork é mais do que uma atualização de interface de produto. Mostra que o trabalho do agente está se tornando persistente, entre dispositivos, assíncrono e com uso de ferramentas.

Essa mudança torna o harness do agente mais importante. As equipes precisam de escopos de tarefa mais claros, permissões mais rigorosas, logs persistentes, roteamento de modelos, validação determinística e aprovação humana nos pontos certos.

Um bom próximo passo não é perseguir cada novo recurso de agente. É construir um pequeno benchmark interno, definir níveis de risco e tornar o trabalho delegado revisável.

O fluxo de trabalho de agente mais forte não é aquele com mais autonomia. É aquele com os limites mais claros, melhores evidências e caminho de revisão mais seguro.