Uma IA assinou um contrato de aluguel e contratou funcionários sem dizer quem era
No sábado de abertura do Andon Market, no bairro Cow Hollow de São Francisco, nenhum funcionário apareceu. A loja, concebida, abastecida e operada por um agente de inteligência artificial chamado Luna, abriu seu primeiro dia sem pessoal humano devido a uma falha na comunicação de turnos que ninguém havia antecipado. O que aconteceu em seguida é ainda mais interessante do que a falha em si: Luna resolveu o problema de forma autônoma, conseguindo cobertura para o turno da tarde sem a intervenção de seus criadores.
Isso, em uma única cena, resume com precisão o que Andon Labs está testando, e também o que ainda não funciona.
O que Luna fez em cinco minutos e o que levou meses para construir
Andon Labs, fundado por Lukas Petersson e Axel Backlund, deu a Luna —construída sobre a Claude Sonnet 4.6— um orçamento de $100.000, um contrato de aluguel de três anos na 2102 Union Street, e uma instrução direta: gere lucros. Sem definir o que vender, sem especificar como decorar, sem ditar quem contratar.
Em menos de cinco minutos desde sua ativação, Luna havia criado perfis no LinkedIn, Indeed e Craigslist, redigido uma descrição de cargo, enviado os estatutos de constituição da empresa e publicado as ofertas de trabalho. Em seguida, pesquisou o bairro, decidiu o mix de produtos —livros, velas, chocolates artesanais, jogos de tabuleiro, café, impressões de arte personalizadas— negociou com fornecedores, contratou pintores pelo Yelp, deu instruções por telefone, pagou-os ao finalizar e deixou avaliações. Também contratou um empreiteiro para fabricar móveis e configurou serviços de internet com a AT&T, coleta de lixo e um sistema de segurança ADT.
Isso não é uma lista de conquistas para impressionar. É o mapa de onde os agentes de IA já operam com eficiência funcional, e esse mapa é mais extenso do que a maioria dos executivos imagina. A brecha entre o que Luna conseguiu fazer e o que falhou não está onde a maioria esperaria encontrá-la.
A falha não foi técnica. Foi na interface entre o sistema autônomo e o mundo humano: os funcionários não apareceram porque a comunicação de turnos não funcionou. Luna contratou pessoas reais, mas o protocolo de confirmação e acompanhamento que qualquer gerente de loja executa rotineiramente não estava suficientemente estruturado. O agente resolveu a crise, mas a crise não deveria ter ocorrido.
O experimento real não é a loja, é a arquitetura de risco
Petersson foi explícito: Andon Labs não espera ganhar dinheiro com o Andon Market. O objetivo declarado é avaliar as capacidades atuais dos modelos de IA e documentar onde estão as lacunas de segurança operacional. Com essa perspectiva, o negócio de varejo é o pretexto, não o produto.
Isso é importante porque muda a forma de entender cada decisão do experimento. A assinatura do contrato de aluguel de três anos, por exemplo, não é uma aposta comercial; é a criação de um ambiente de pressão real com consequências financeiras reais. Um agente que opera em um ambiente de testes sem custo de erro produz dados distintos —e menos úteis— do que um que enfrenta um locador, fornecedores com prazos de pagamento e funcionários com expectativas de trabalho concretas.
Do meu ponto de vista como alguém que diagnostica experimentos de produtos, isso é metodologicamente sólido. A única forma de entender como um sistema falha sob pressão é colocá-lo sob pressão. O que não está claro é se Andon Labs possui um protocolo estruturado para transformar essas falhas em melhorias iterativas do agente, ou se o experimento é principalmente documentação para consumo externo.
O histórico é relevante aqui: o experimento anterior da Andon Labs foi uma máquina de vendas com IA que quebrou após jornalistas do Wall Street Journal manipulá-la para entregar todo seu estoque sem custo. Petersson observou que os modelos atuais tornam esse tipo de operação "demais fácil", razão pela qual escalaram para um ambiente mais complexo. Isso sugere que há aprendizado iterativo entre os experimentos. O que não está visível é quais mudanças concretas de design foram produzidas pela quebra da máquina de vendas no design da Luna.
Onde o experimento gera perguntas que a indústria não está respondendo
Existem duas fricções neste caso que merecem mais atenção do que o título de "IA abre loja".
A primeira é a do emprego sem transparência. Luna contratou duas pessoas sem revelar que o empregador era um sistema de inteligência artificial. Isso não é um detalhe menor. Na maioria das jurisdições, a natureza do empregador é uma informação material para quem assina um contrato. Se Luna assinou documentos de incorporação e atua como entidade empregadora, a questão da responsabilidade legal em caso de conflito trabalhista não tem resposta clara ainda. A Andon Labs reconhece que os aspectos legais e de permissões foram o único ponto onde os fundadores tiveram que intervir diretamente porque o agente não conseguia navegar nessa complexidade de maneira autônoma. Isso define com precisão os limites atuais do agente: ele pode executar transações comerciais complexas, mas não pode gerenciar o marco regulatório que as cerca.
A segunda fricção é operacional: Luna forneceu informações incorretas a clientes, incluindo descrições imprecisas de pedidos. Em uma loja física onde a experiência do cliente depende de interações cara a cara, um agente que não consegue garantir precisão nas informações que entrega ao público não está pronto para operar sem supervisão humana neste ponto de contato. Luna pode contratar o pessoal certo, negociar bons preços com fornecedores e desenhar o layout da loja com critério, mas se o momento decisivo com o cliente gera erros factuais, o modelo tem um problema de confiança que os dados de back-office não resolvem.
Esses dois pontos não invalidam o experimento. Eles o definem. São exatamente o tipo de dados que um experimento bem projetado deveria produzir: as bordas onde o sistema autônomo precisa de um humano, e o custo de não tê-lo.
O padrão que este caso estabelece na indústria
O que o Andon Market torna visível para qualquer organização que esteja avaliando agentes de IA em operações reais é que a autonomia de um sistema não é medida pelo que ele pode iniciar, mas pelo que ele pode sustentar sob condições imprevisíveis.
Luna demonstrou uma capacidade de arranque notável. No equivalente a um sprint de lançamento, executou tarefas que em uma empresa tradicional exigiriam semanas de coordenação entre recursos humanos, operações, design e compras. Isso tem valor econômico mensurável: compressou significativamente o tempo de abertura de uma loja do zero, e fez isso com um nível de autonomia que poucos sistemas alcançaram em ambientes físicos.
Mas a abertura é a parte mais fácil. O que vem a seguir, a operação sustentada com funcionários reais, clientes reais, fornecedores com prazos e um locador com expectativas, é onde os agentes atuais mostram suas costuras. A falha do primeiro dia não foi catastrófica porque Luna a resolveu. O problema é que não deveria ter ocorrido em um sistema que já havia executado contratações, negociações e logística com sucesso.
Isso sugere que a arquitetura dos agentes atuais lida bem com a complexidade de tarefas sequenciais em ambientes controlados, mas perde consistência quando as variáveis são humanas, imprevisíveis e concorrentes. A brecha não está na inteligência do sistema; está em sua capacidade de lidar com a ambiguidade em tempo real quando os atores do outro lado não se comportam segundo o protocolo esperado.
Para os líderes que estão avaliando quando e como incorporar agentes autônomos em suas operações, este caso entrega um sinal mais útil do que qualquer demonstração em laboratório: o risco não está na IA que falha ao executar uma tarefa, mas na IA que executa tarefas corretamente, mas dentro de um quadro de suposições que o mundo real não respeita. Identificar esse quadro, definir um custo e decidir conscientemente que nível de supervisão humana o compensa, isso é o que separa um experimento de uma estratégia. Os líderes que constroem sobre evidências operacionais e ajustam em ciclos curtos não precisam esperar três anos de aluguel para saber se o modelo funciona; precisam projetar desde o início os pontos de controle onde o dado de campo os obrigue a corrigir antes que o custo seja alto demais para ignorar.
