Tech & IA

O que é um agente de IA, sem hype: como funciona, exemplos reais e onde ele ainda tropeça

Modelo de linguagem + ferramentas + objetivo: entenda a receita por trás dos agentes de IA, veja exemplos documentados pelas próprias empresas e os limites medidos por pesquisadores.

Robô humanoide Pepper, da SoftBank, ao lado de uma pessoa em uma conferência de tecnologia
Imagem: GeneralAB13, CC BY-SA 4.0

Em menos de dois anos, "agente" virou a palavra favorita de qualquer apresentação de produto de tecnologia. Tem agente para responder e-mail, para programar, para comprar passagem. O exagero no marketing atrapalha, mas por trás dele existe uma ideia técnica bem definida, e vale entender o que ela faz e o que ainda não faz.

A receita: modelo, ferramentas e um objetivo

Um chatbot comum recebe uma pergunta e devolve um texto. Um agente recebe um objetivo e tenta cumpri-lo em várias etapas, escolhendo sozinho o que fazer a cada passo.

A Anthropic, empresa que desenvolve o Claude, publicou em dezembro de 2024 um guia de engenharia que se tornou referência no assunto. Nele, o bloco básico é o que a empresa chama de "LLM aumentado": um modelo de linguagem com acesso a busca de informação, ferramentas (uma calculadora, um terminal, uma API, um navegador) e memória. O próprio modelo gera as buscas, escolhe a ferramenta e decide o que guardar.

O texto também separa duas coisas que costumam ser vendidas com o mesmo nome:

  • Fluxos de trabalho (workflows): o caminho é fixo e escrito por um programador; o modelo só preenche etapas.
  • Agentes: o modelo decide o próprio processo, quantas etapas serão necessárias e quais ferramentas usar.

Na prática, um agente funciona em ciclo: observa a situação, decide uma ação, executa, olha o resultado e recomeça, até concluir ou desistir. A recomendação do guia é quase anti-hype: comece pela solução mais simples e só adicione autonomia quando a tarefa realmente exigir, porque muitas vezes uma única chamada bem feita ao modelo resolve.

Exemplos que existem de verdade

Alguns casos concretos ajudam a tirar o conceito do abstrato:

  • Uso do computador. Em 22 de outubro de 2024, a Anthropic abriu em beta público o recurso de computer use: o Claude 3.5 Sonnet olha capturas de tela, move o cursor, clica e digita, como uma pessoa faria. A empresa chamou o recurso de experimental, admitiu que ele era lento e sujeito a erros, e que ações como rolar a página, arrastar e dar zoom ainda eram difíceis. No teste OSWorld, o modelo acertou 14,9% das tarefas usando só capturas de tela, e 22% quando recebeu mais passos.
  • Programação. O mesmo guia de engenharia cita agentes que resolvem tarefas do SWE-bench, um conjunto de problemas reais de software que exigem editar vários arquivos a partir de uma descrição.
  • Navegador que executa tarefas. Em 28 de janeiro de 2026, o Google lançou em prévia o auto browse no Chrome, para assinantes dos planos AI Pro e AI Ultra nos Estados Unidos. O recurso, baseado no Gemini 3, cumpre tarefas de várias etapas, como comparar preços de hotel em datas diferentes ou preencher formulários, e foi desenhado para parar e pedir confirmação antes de compras ou publicações em redes sociais.

Até onde eles aguentam

Uma das medições mais citadas vem de um estudo de Thomas Kwa e outros 25 autores, publicado no arXiv em março de 2025. Os pesquisadores criaram o "horizonte de tempo de 50%": o tamanho das tarefas, medido pelo tempo que um profissional humano levaria, que um modelo consegue completar com metade de taxa de sucesso.

O resultado: modelos de ponta da época, como o Claude 3.7 Sonnet, tinham horizonte de cerca de 50 minutos, e esse número vinha dobrando aproximadamente a cada sete meses desde 2019, possivelmente mais rápido em 2024. Os próprios autores fazem ressalvas: as tarefas são de software, e não há garantia de que o resultado vale para o trabalho do mundo real.

Traduzindo: um agente pode ir bem numa tarefa de uma hora e ainda falhar metade das vezes nela.

Os limites que ninguém deveria esconder

  • Custo e demora. O guia da Anthropic é direto: agentes trocam latência e custo por desempenho. Mais etapas significam mais chamadas ao modelo.
  • Erros que se acumulam. Como cada passo depende do anterior, um engano no começo pode contaminar todo o resto. Por isso a recomendação é testar exaustivamente em ambientes isolados, com barreiras de proteção.
  • Injeção de instruções (prompt injection). É o risco mais específico dessa tecnologia. A OWASP, organização de referência em segurança de software, descreve a versão indireta: o agente lê uma página ou um arquivo com instruções escondidas e passa a obedecê-las. A entidade afirma que o problema não pode ser totalmente evitado, só mitigado, e recomenda dar ao modelo o mínimo de permissões necessário e exigir aprovação humana para ações de alto risco.

Como olhar para o próximo anúncio

Quando alguém apresentar um "agente", três perguntas resolvem boa parte do hype: quais ferramentas ele realmente pode usar? Quem aprova as ações irreversíveis? E qual é a taxa de acerto medida em tarefas parecidas com a sua? Se a resposta para as três for vaga, provavelmente o que está à venda é um fluxo de trabalho com nome novo.

Fontes

  1. Anthropic – Building effective agents (dez/2024)
  2. Anthropic – Introducing computer use, Claude 3.5 Sonnet e 3.5 Haiku (out/2024)
  3. arXiv – Measuring AI Ability to Complete Long Software Tasks (Kwa et al.)
  4. OWASP GenAI – LLM01: Prompt Injection
  5. Google – Chrome gets new Gemini 3 features, including auto browse (jan/2026)