Task Management Como a IA funciona: TM × mercado
Objetivo: entender de onde vem a “inteligência” nos aplicativos de tarefas — se é do próprio app, se você contrata uma LLM (OpenAI, Anthropic…) e configura, ou se conecta um assistente — e por que o TM segue um caminho diferente dos concorrentes.
Os quatro modelos de IA no mercado
| Modelo | Onde a IA roda | Você contrata LLM? | Exemplos |
|---|---|---|---|
| 1. Embutida (fornecedor) | No servidor do app | Não — vem na assinatura / add-on | Notion, Todoist, ClickUp, TickTick, Asana, Motion |
| 2. Traga sua chave (BYOK) | No app, com a sua chave | Sim — você paga o provedor direto | Ferramentas de dev (Cursor, Warp), plugins do Obsidian |
| 3. MCP | No seu assistente, que opera o app | Você já paga o ChatGPT/Claude | Todoist, ClickUp, Notion, Asana (MCP oficial) |
| 4. Plataforma de agentes | Em agentes externos conectados por API | O agente traz o modelo | TM |
Modelo 1 — IA embutida, paga pelo fornecedor (o mais comum)
É como funciona na maioria dos concorrentes. A “inteligência” roda no servidor do fornecedor; por baixo, eles usam uma LLM de terceiros (OpenAI, Anthropic, ou via AWS Bedrock / Google Vertex — o Todoist, por exemplo, processa o conteúdo das tarefas via Bedrock/Vertex).
- Você não contrata nada, não vê o modelo e não configura chave — só liga o recurso e usa.
- Paga pelo uso na assinatura: um plano superior ou um add-on de IA (ex.: ClickUp Brain, por usuário/mês).
Modelo 2 — Traga sua própria chave (BYOK)
Você cola a sua chave da OpenAI/Anthropic/OpenRouter e o app chama a LLM com ela; você paga o provedor direto, por token. É comum em ferramentas de desenvolvedor e apps power-user, mas raro nos gerenciadores de tarefas comerciais.
- Vantagem: controle de custo (sem markup), escolha do modelo, e os dados vão pela sua conta.
- Desvantagem: exige ter conta na OpenAI/Anthropic e configurar.
Modelo 3 — MCP: conectar o seu assistente
Tendência de 2026: o app expõe um servidor MCP (Model Context Protocol) e você conecta o assistente que já usa (Claude, ChatGPT) para ele enxergar e operar o app. Aqui a inteligência é sua; o app apenas se deixa operar por fora. Todoist, ClickUp, Notion e Asana já têm MCP oficial; TickTick, via comunidade.
Como o TM faz — agentes como usuários
O TM não embute nenhuma LLM. Ele foi construído como um “sistema operacional para agentes de IA”: a inteligência mora fora do TM, num agente (a Suzi) que se conecta pela API — com act-as (opera no contexto de um agente), tenant isolado por agente, webhooks assinados e idempotência de escrita.
| Aspecto | Concorrentes (modelo 1) | TM (modelo 4) |
|---|---|---|
| Onde a IA roda | No servidor do fornecedor | Num agente externo (você escolhe o modelo) |
| Você contrata LLM? | Não — pago na assinatura | O agente contrata (Claude, GPT, ou próprio) |
| Configura chave no app? | Não | Não — você conecta um agente, não uma chave |
| O que a IA é | Um “chatzinho” embutido | Um usuário de primeira classe: cria, atribui, comenta e age 24/7, com trilha e isolamento |
A Suzi é exatamente isso: um agente (rodando num Claude) conectado ao seu tenant. Ela não é “uma IA dentro do TM” — é um operador que fala com o TM como você fala. Por isso o TM é agnóstico de modelo: quem quiser traz o próprio agente (com o próprio modelo, na própria infra) e ele opera o sistema com as mesmas regras de segurança.
O que isso significa na prática
- Você não “configura uma LLM” dentro do TM. Você conecta um agente; o modelo e o custo da IA ficam do lado dele.
- Escolha e custo sob controle: troca-se o modelo do agente sem mexer no TM; nada fica preso ao app.
- Escala: não é uma IA — é uma frota de agentes trabalhando como usuários, cada um no seu escopo isolado.