O que é um agente de IA e quando vale a pena usar um

Um agente de IA é um sistema em que o modelo decide, a cada passo, o que fazer em seguida: que ferramenta usar, o que consultar, quando parar. Quem escolhe o caminho é o modelo, e não um roteiro escrito de antemão.

A Anthropic faz a distinção de forma útil. Chama de sistemas agênticos tudo o que usa um modelo com ferramentas, e separa dois tipos pela pergunta de quem dirige. Em um workflow, modelo e ferramentas são orquestrados por caminhos de código definidos antes. Em um agente, o modelo dirige o próprio processo e o uso das ferramentas, mantendo o controle sobre como cumpre a tarefa.

Pela régua da Anthropic, uma boa parte do que o mercado vende como “agente” é workflow: o modelo escreve, resume ou classifica, mas a ordem das etapas está no código. Isso não é defeito. Como se verá abaixo, é frequentemente a escolha certa.

1. 01

   Chatbot

   Responde. Recebe uma pergunta e devolve texto, sem executar nada no mundo. Se ganhar acesso a uma base de documentos, vira um chatbot com RAG, e continua só respondendo.

2. 02

   Automação ou workflow

   Executa um caminho fixo. Pode usar um modelo em algum passo, mas a sequência foi desenhada por uma pessoa e é previsível.

3. 03

   Agente

   Escolhe o caminho. Dada uma meta, decide os passos, usa ferramentas, olha o resultado e decide de novo, até concluir ou parar.

A fronteira é a mesma pergunta nos três casos: quem decidiu o próximo passo, a pessoa que desenhou o sistema ou o modelo durante a execução?

Por baixo, o agente é um modelo com três reforços, que a Anthropic chama de LLM aumentado: a capacidade de buscar informação (como no RAG), de usar ferramentas (que o MCP padroniza) e de guardar memória. Sobre isso corre um ciclo:

1. 01

   Começa com um pedido

   Uma instrução ou uma conversa com a pessoa, até a tarefa estar clara.

2. 02

   Planeja e age

   O modelo escolhe uma ferramenta e a aciona, por exemplo buscar um dado, rodar um código, abrir um sistema.

3. 03

   Lê o resultado do ambiente

   A cada passo o agente precisa de uma verdade externa, como o retorno da ferramenta ou o resultado de um teste, para saber se avançou.

4. 04

   Para quando termina, ou antes

   Pode pausar para pedir a opinião de uma pessoa em pontos de parada ou diante de um bloqueio, e a implementação costuma ter um limite de iterações.

A Anthropic resume: agentes são tipicamente modelos usando ferramentas com base no retorno do ambiente, em um ciclo. A parte difícil quase nunca está no ciclo, que cabe em poucas linhas. Está no que o cerca: as ferramentas bem descritas e o conjunto de peças que a Anthropic chama de harness, tema do guia sobre o harness de agente.

O conselho da Anthropic é contraintuitivo para quem acabou de se entusiasmar: procurar a solução mais simples possível e só aumentar a complexidade quando for preciso, o que pode significar não construir um sistema agêntico. Para muitas aplicações, otimizar uma única chamada ao modelo, com recuperação de documentos e exemplos, já basta.

Workflow, quando o caminho é conhecido

Workflows dão previsibilidade e consistência para tarefas bem definidas. Se você sabe descrever as etapas, escreva-as.

Agente, quando o caminho não é conhecido

Agentes servem a problemas abertos, em que é difícil ou impossível prever o número de passos e não dá para fixar um caminho no código. O preço está no texto da própria Anthropic: a autonomia traz custo maior e risco de erros que se acumulam, e por isso ela recomenda testes extensos em ambiente isolado e guardrails adequados. Os dois exemplos que dá têm em comum o que importa. Atendimento ao cliente tem metas claras de resolução e ações que o sistema consegue executar. Programação tem resultado que testes automáticos verificam, e mesmo assim a revisão humana segue necessária.

Desmontado até o osso, um agente é uma decisão sobre quem decide. Ao trocar o workflow por um agente, a empresa abre mão de um caminho que uma pessoa desenhou e revisou. Cada passo que o modelo escolhe por conta própria é um passo que ninguém desenhou, e que alguém precisa poder conferir depois. A autonomia compra flexibilidade e cobra verificação.

É a mesma conta que evals mede com o pass^k, e por isso quem constrói agentes sérios mede a tarefa inteira, não o passo. E explica por que o ganho vem de encurtar o caminho, e não de dar mais liberdade: um agente com menos passos entre o pedido e o resultado erra menos, e a parte previsível da tarefa pode ser um workflow, deixando o agente só para o trecho em que o caminho é de fato imprevisível.

A decisão tem também um lado de responsabilidade, que o termo “agente” esconde. Quando o modelo age, alguém responde pelo que ele fez, com que limite de gasto e com que permissão. É o que os Insights sobre agentes sem alçada, sobre quem responde por uma equipe de agentes e sobre quem confere o que o agente lançou desenvolvem, e é o que os guardrails tornam concreto: permissão mínima, aprovação antes da ação irreversível, monitoramento.