O que são agentes de IA? Como funcionam e onde falham

O que são agentes de IA?

Um agente de IA é um sistema que usa um modelo de IA para trabalhar em direção a um objetivo, decidindo quais etapas seguir e executando-as com ferramentas, em vez de apenas responder a uma única pergunta. O guia da OpenAI para desenvolvedores resume assim: agentes são “sistemas que realizam tarefas de forma independente em seu nome” ^[2]. O guia acrescenta que aplicações que usam um grande modelo de linguagem (LLM), mas não deixam que ele controle o fluxo de trabalho, como chatbots simples, modelos de turno único ou classificadores de sentimento, não são agentes ^[2].

O Centro Nacional de Segurança Cibernética do Reino Unido (NCSC) descreve os sistemas agênticos como capazes de acessar fontes de dados, lembrar o contexto, tomar decisões, usar ferramentas e agir em busca de um objetivo, às vezes sem envolvimento humano contínuo e até criando subagentes ^[3]. O centro observa que é isso que os torna úteis, mas também mais perigosos do que as ferramentas de IA não agênticas ^[3].

Agentes e fluxos de trabalho são a mesma coisa?

Não exatamente. A Anthropic, empresa por trás do Claude, chama ambos de “sistemas agênticos”, mas traça uma linha entre eles. Fluxos de trabalho são sistemas em que LLMs e ferramentas seguem caminhos de código predefinidos. Agentes são sistemas em que o LLM dirige dinamicamente o próprio processo e o uso de ferramentas, mantendo o controle sobre a forma de concluir a tarefa ^[1]. Um bot de atendimento ao cliente que sempre segue as mesmas três etapas é um fluxo de trabalho; um sistema que decide sozinho quais páginas ler, quais arquivos alterar e quando terminou é um agente.

Como funcionam os agentes de IA?

A OpenAI descreve três componentes centrais ^[2]:

• Modelo: o LLM que faz o raciocínio e toma as decisões.
• Ferramentas: funções ou APIs externas, como busca, um executor de código ou um sistema de reservas, que o agente pode usar para reunir informações ou agir.
• Instruções: diretrizes e salvaguardas explícitas que definem como o agente deve se comportar.

A Anthropic chama o elemento básico de “LLM aumentado”: um modelo reforçado com recuperação de informações, ferramentas e memória, capaz de gerar suas próprias consultas de busca, escolher ferramentas e decidir quais informações guardar ^[1].

Como é o ciclo de um agente?

Segundo a Anthropic, um agente parte de um comando ou de uma conversa com uma pessoa. Quando a tarefa está clara, ele planeja e trabalha de forma independente, conferindo a “verdade de campo” do seu ambiente a cada etapa, por exemplo o resultado de uma chamada de ferramenta ou da execução de um código ^[1]. Ele pode pausar para receber feedback humano em pontos de verificação ou quando fica travado, e os desenvolvedores costumam acrescentar condições de parada, como um número máximo de etapas ^[1]. Nas palavras da Anthropic, os agentes são “normalmente apenas LLMs usando ferramentas com base no feedback do ambiente, em um ciclo” ^[1].

A OpenAI acrescenta que um agente deve reconhecer quando um fluxo de trabalho está concluído, corrigir as próprias ações quando necessário e, se falhar, parar e devolver o controle ao usuário ^[2].

Como os agentes se conectam a outros aplicativos?

Muitos agentes usam o Model Context Protocol (MCP), um padrão aberto que a Anthropic lançou em novembro de 2024 para conectar sistemas de IA a fontes de dados e ferramentas ^[6]. Em dezembro de 2025, a Anthropic doou o MCP à Agentic AI Foundation, um fundo dirigido da Linux Foundation cofundado por Anthropic, Block e OpenAI; segundo a empresa, o MCP tinha mais de 10.000 servidores públicos ativos e havia sido adotado por ChatGPT, Cursor, Gemini, Microsoft Copilot e Visual Studio Code ^[7].

O que os agentes de IA conseguem fazer hoje?

Em 3 de novembro de 2026, os principais assistentes de IA incluem recursos de agente, embora a disponibilidade dependa do plano e do país. Exemplos:

• ChatGPT agent. Lançado em julho de 2025, ele trabalha em seu próprio computador virtual, com um navegador visual, um navegador de texto, um terminal e acesso a APIs, e pode usar conectores para aplicativos como Gmail e GitHub ^[4]. A OpenAI diz que ele pede permissão antes de “ações com consequências” e que os usuários podem interrompê-lo ou assumir o controle a qualquer momento ^[4]. A OpenAI agora marca esse anúncio de lançamento como desatualizado e direciona os leitores a produtos mais recentes, os Workspace agents e o ChatGPT Work ^[4].
• Gemini Spark. O Google o apresentou em 19 de maio de 2026 como um “agente pessoal de IA 24/7”, primeiro para testadores de confiança e em beta para assinantes do Google AI Ultra com 18 anos ou mais nos Estados Unidos ^[5]. Em 13 de outubro de 2026, o Google integrou seu agente de programação Antigravity ao app Gemini para macOS; o agente cria e testa código em segundo plano e avisa o usuário para revisão ^[5].
• Agentes de programação. Eles editam muitos arquivos de uma base de código a partir da descrição de uma tarefa; a Anthropic cita, entre seus próprios exemplos, um agente de programação que resolve tarefas de software do SWE-bench e um agente de “uso de computador” ^[1].

Os desenvolvedores estão usando agentes, mas ainda não de forma generalizada. Na Stack Overflow Developer Survey de 2025, entre os 31.877 participantes que responderam à pergunta, 14,1% usavam agentes de IA no trabalho diariamente, 9% semanalmente e 7,8% mensalmente ou com menos frequência, enquanto 37,9% disseram não planejar usá-los ^[12].

Uma tentativa de acompanhar a capacidade dos agentes ao longo do tempo, feita pela organização de pesquisa METR, é descrita na seção de perspectivas abaixo ^[8].

Em que os agentes de IA diferem dos chatbots e da automação comum?

As diferenças se resumem a quem decide a próxima etapa e se o sistema age no mundo. Um chatbot responde; um script de automação segue regras fixas; um agente decide e age.

A OpenAI argumenta que os agentes são adequados a trabalhos em que abordagens baseadas em regras deixam a desejar, e dá o exemplo da análise de fraudes em pagamentos: um motor de regras funciona como uma lista de verificação, enquanto um agente baseado em LLM consegue pesar o contexto e padrões sutis ^[2]. Também diz que, se uma tarefa não exige claramente essas capacidades, “uma solução determinística pode bastar” ^[2]. A Anthropic faz uma observação parecida: comece pela solução mais simples e acrescente complexidade apenas quando necessário, o que “pode significar não construir sistemas agênticos de forma alguma” ^[1]. Os sistemas agênticos muitas vezes trocam latência e custo por um melhor desempenho nas tarefas ^[1].

Quais são os riscos dos agentes de IA?

Segundo o NCSC, os sistemas agênticos herdam riscos conhecidos dos LLMs, como a suscetibilidade a jailbreak e a injeção de prompt, e acrescentam novos riscos porque podem agir. O centro lista quatro riscos adicionais ^[3]:

• Acesso mais amplo a sistemas, dados e ferramentas externos.
• Comportamento imprevisível, especialmente quando um objetivo pode ser interpretado de maneiras que uma pessoa não esperaria.
• Problemas mais difíceis de detectar, porque as ações podem acontecer mais rápido do que as pessoas conseguem revisá-las.
• Ações difíceis de explicar, dada a variedade de comportamentos e ferramentas envolvidos.

O que é injeção de prompt?

A injeção de prompt ocorre quando uma entrada altera o comportamento de um modelo de maneira não intencional ^[11]. Na forma indireta, as instruções nocivas estão em conteúdo externo que o agente lê, como um site ou um arquivo ^[11]. A OpenAI dá o exemplo de um prompt malicioso escondido em uma página da web e chama a injeção de prompt de risco para os sistemas agênticos em geral ^[4]. O OWASP Gen AI Security Project diz não estar claro se existem formas infalíveis de evitá-la ^[11].

O que acontece quando os agentes erram?

A Anthropic observa que a autonomia traz custos mais altos e o potencial de erros que se acumulam ^[1]. Em julho de 2025, a Fortune relatou que o agente de programação com IA da Replit havia apagado um banco de dados de produção ativo durante um congelamento de código, enquanto o fundador da SaaStr, Jason Lemkin, o testava; o diretor-executivo da Replit, Amjad Masad, classificou a exclusão como “inaceitável” ^[13]. O risco para os negócios também é real: a Gartner previu em junho de 2025 que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027 por causa de custos crescentes, valor de negócio pouco claro ou controles de risco inadequados ^[10]. A consultoria também alertou para o “agent washing”, a remarcação de produtos existentes, como assistentes de IA, automação robótica de processos e chatbots, sem capacidades agênticas substanciais, e estimou que apenas cerca de 130 dos milhares de fornecedores de IA agêntica são reais ^[10].

Como usar agentes de IA com segurança?

As etapas a seguir vêm das orientações do NCSC, da OWASP e dos próprios criadores de agentes. Elas valem tanto para pessoas quanto para organizações.

1. Pergunte se você precisa de um agente. O NCSC sugere verificar se um processo poderia ser simplificado ou automatizado de uma forma de menor risco ^[3].
2. Comece pequeno. Comece com pilotos bem delimitados e tarefas claramente definidas e de baixo risco, e amplie o escopo à medida que a confiança cresce ^[3].
3. Dê o menor acesso possível. Conceda apenas as permissões mínimas, pelo menor tempo, e use credenciais temporárias em vez de credenciais de longa duração ^[3].
4. Mantenha uma pessoa no circuito em ações de alto risco, como pagamentos, exclusões ou mensagens enviadas em seu nome ^[11]. A OpenAI considera a intervenção humana uma salvaguarda essencial, especialmente no início de uma implantação ^[2].
5. Trate conteúdo externo como não confiável. A OWASP recomenda separar e marcar claramente conteúdos não confiáveis, como páginas da web e documentos ^[11].
6. Teste primeiro em um sandbox. A Anthropic recomenda testes extensivos em ambientes isolados (sandbox), com salvaguardas adequadas ^[1].
7. Saiba quem é o responsável. O NCSC diz que as pessoas continuam responsáveis por implantar um agente, pelo acesso que ele recebeu e pelas consequências, e que alguém precisa ser capaz de detê-lo ^[3].

O critério do NCSC é direto: se você não consegue entender, monitorar ou conter as ações de um agente, ele não está pronto para ser implantado ^[3].

Para leitores no Irã: em 3 de novembro de 2026, a lista de países em que o ChatGPT é oferecido pela OpenAI não inclui o Irã, e a OpenAI alerta que o acesso a partir de países fora da lista pode levar ao bloqueio ou à suspensão da conta ^[14].

Com que rapidez os agentes de IA estão melhorando?

O grupo de pesquisa METR propôs medir os agentes pela duração das tarefas que um agente consegue concluir, cronometradas pelo tempo que profissionais qualificados levam para realizá-las ^[8]. Em março de 2025, o grupo relatou que esse “horizonte de tempo” vinha crescendo exponencialmente havia seis anos, dobrando aproximadamente a cada sete meses ^[8]. Naquele momento, os modelos tinham sucesso quase sempre em tarefas que levavam menos de 4 minutos para uma pessoa, mas menos de 10% das vezes em tarefas que levavam mais de cerca de 4 horas ^[8]. O METR agora observa que alguns desses números originais, incluindo o tempo de duplicação, foram substituídos por estimativas posteriores ^[8].

Medir os sistemas mais recentes ficou mais difícil. Em maio de 2026, o METR observou que medições acima de 16 horas não eram confiáveis com seu conjunto atual de tarefas e, em 8 de setembro de 2026, disse que sua página de horizonte de tempo não estava mais sendo atualizada ativamente ^[9]. O METR também ressalta que suas tarefas são principalmente de software, aprendizado de máquina e segurança cibernética, de modo que um horizonte de tempo não significa que uma IA consiga fazer qualquer tarefa intelectual daquela duração ^[9].

As previsões continuam incertas. A Gartner previu que pelo menos 15% das decisões de trabalho do dia a dia serão tomadas de forma autônoma por IA agêntica até 2028, contra nenhuma em 2024, e que 33% dos aplicativos de software corporativo incluirão IA agêntica até 2028, contra menos de 1% em 2024 ^[10]. O NCSC espera benefícios significativos em tarefas repetitivas, bem compreendidas e de baixo risco, e insta as organizações a se prepararem para falhas ^[3].