Agentes de IA: a inteligência artificial que deixa de só responder e passa a fazer

Qual a diferença entre um agente de IA e um chatbot?

A diferença entre um agente de IA e um chatbot está em quem faz o trabalho depois da resposta. O chatbot sugere o texto do e-mail e você copia, cola e envia. O agente redige, consulta o histórico do cliente, envia e registra o envio, decidindo a ordem das etapas conforme o que encontra.

Um exemplo do dia a dia ajuda. Peça a um assistente de conversa "quais clientes estão com boleto vencido há mais de 30 dias?" e ele vai explicar como montar esse filtro na sua planilha. Peça a mesma coisa a um agente com acesso ao sistema financeiro e ele devolve a lista, separa quem já foi cobrado e prepara a mensagem de quem ainda não foi.

Isso não quer dizer que o agente seja "mais inteligente". Em geral, ele usa o mesmo tipo de modelo de linguagem que o chatbot (o motor que entende e escreve texto). O que muda é o que está ligado em volta do modelo: acesso a ferramentas, permissão para agir e um laço que repete "planejar, fazer, conferir" até a tarefa acabar.

Por que os agentes são chamados de a próxima evolução da inteligência artificial?

Os agentes de IA são chamados de próxima evolução porque representam o terceiro degrau de uma escada que as empresas já subiram duas vezes: primeiro, automações que seguem regras fixas; depois, assistentes que entendem linguagem e respondem; agora, sistemas que entendem a tarefa e a executam em várias etapas.

Cada degrau resolveu o limite do anterior. A automação por regra é confiável, mas quebra quando a entrada foge do padrão: um pedido escrito de um jeito diferente, um PDF com outro leiaute. O assistente lida bem com essa variação, mas para na resposta, e alguém ainda precisa transformá-la em ação. O agente junta as duas coisas: lida com a variação e age.

Há uma medida que ajuda a ver por que o assunto ganhou tanta atenção. O instituto de pesquisa METR acompanha o tamanho das tarefas que agentes de IA conseguem concluir, medido pelo tempo que um especialista humano levaria para fazê-las. Na publicação de março de 2025, esse tamanho vinha dobrando a cada cerca de 7 meses nos seis anos anteriores (METR, 19/03/2025). O próprio instituto avisa, na página, que esse número foi superado por medições posteriores.

O painel atualizado do METR, revisado em 08/09/2026, cita um agente baseado no GPT-5 com horizonte de cerca de 2 horas e 17 minutos: a duração de tarefa em que ele acerta metade das vezes (METR, Time Horizons). "Metade das vezes" é a parte que a manchete costuma omitir, e é sobre ela que fala a seção de riscos mais abaixo.

Como um agente de IA funciona por dentro?

Um agente de IA funciona como um modelo de linguagem colocado dentro de um laço: ele recebe o objetivo, escolhe uma ferramenta, observa o resultado e decide o próximo passo, repetindo até concluir ou até bater num limite definido. As ferramentas são o que dá ao agente acesso ao mundo, como sistemas, arquivos e mensagens.

Daqui em diante o texto entra na parte técnica. Na prática, um agente tem cinco peças:

1. O modelo, que interpreta a tarefa e decide o que fazer. É a peça trocável: o mesmo agente pode rodar sobre modelos de fornecedores diferentes.
2. As ferramentas, chamadas que o modelo pode disparar: consultar uma API (a porta de entrada que um sistema oferece para outros programas), ler uma planilha, enviar uma mensagem. O protocolo MCP virou o padrão mais comum para ligar essas ferramentas ao modelo.
3. O contexto, ou memória de trabalho: as instruções, o histórico da tarefa e os documentos que o agente consulta. Contexto ruim produz decisão ruim, por melhor que seja o modelo.
4. O laço de controle, que define quantas tentativas o agente tem, quando ele para e quando pede ajuda a uma pessoa.
5. As permissões, o que ele pode ler e, sobretudo, o que pode alterar. É a peça que separa um experimento de um risco.

A Anthropic, que desenvolve os modelos Claude, faz uma distinção útil para quem vai construir. Fluxo de trabalho (workflow) é o sistema em que o modelo e as ferramentas seguem um caminho definido em código; agente é o sistema em que o próprio modelo decide o caminho. A recomendação da empresa é começar pela solução mais simples possível e só acrescentar complexidade quando ela for necessária, porque agentes trocam velocidade e custo por desempenho na tarefa e trazem o risco de erros que se acumulam ao longo das etapas (Anthropic, Building effective agents, 19/12/2024).

Essa distinção importa porque grande parte do que é vendido como agente é, na verdade, um fluxo com um modelo de linguagem em uma das etapas. Não há nada de errado nisso. Para a maioria das tarefas repetitivas de uma empresa, o fluxo é a escolha melhor, e a tabela abaixo mostra por quê.

O que um agente de IA já consegue fazer numa empresa?

Um agente de IA já consegue executar, numa empresa, tarefas de várias etapas que dependem de ler texto variado e consultar mais de um sistema: triar mensagens e encaminhar cada uma para o setor certo, montar um relatório juntando dados de fontes diferentes, conferir pedidos contra o estoque ou pesquisar e resumir documentos.

O ponto em comum desses casos é que o resultado pode ser conferido. Um relatório pode ser comparado com os números de origem; uma triagem pode ser auditada por amostra. É aí que o agente rende mais: onde o erro aparece rápido e custa pouco para corrigir.

O uso de IA em si já é comum nas empresas pequenas brasileiras. Pesquisa do Sebrae com 7.182 entrevistados, feita entre março e maio de 2026, encontrou 52% dos donos de pequenos negócios usando IA nas duas semanas anteriores à entrevista (Agência Sebrae). A pesquisa não separa assistentes de agentes, e a maior parte desse uso, pelo que se vê no mercado, ainda é de conversa: escrever texto, tirar dúvida, resumir. O salto para o agente é o salto de dar à IA acesso aos sistemas, e é nele que o trabalho de verdade começa.

Quais são os riscos de deixar um agente de IA agir sozinho?

Os riscos de deixar um agente de IA agir sozinho vêm de três lados: ele erra com mais frequência do que parece numa demonstração, os erros se acumulam ao longo das etapas e ele pode ser enganado por instruções escondidas no que lê. Os três crescem com as permissões que recebe.

Ele é menos confiável do que a demonstração sugere. Um teste acadêmico de 2024 simulou agentes atendendo clientes de uma loja e de uma companhia aérea, seguindo as regras de cada empresa. O melhor agente da época resolveu menos de 50% das tarefas, e, quando a mesma tarefa era repetida oito vezes, acertou todas as oito em menos de 25% dos casos do varejo (τ-bench, 17/06/2024). Os modelos melhoraram desde então, mas a lição do método continua: o que importa numa empresa não é se o agente acerta uma vez, e sim se acerta sempre.

Os erros se somam. Uma tarefa de dez etapas em que cada etapa sai certa quase sempre ainda termina errada com frequência, porque basta uma etapa falhar para o resultado final falhar. É o acúmulo de erros de que fala o texto da Anthropic citado acima.

Ele pode ser manipulado pelo que lê. Um agente que lê e-mails, documentos ou páginas da internet pode encontrar ali instruções escritas por terceiros, como uma linha pedindo para ignorar as regras anteriores e enviar este arquivo para tal endereço. Essa técnica se chama injeção de instruções (prompt injection). A fundação OWASP, referência em segurança de software, publicou em 09/12/2025 uma lista própria dos dez riscos mais críticos de aplicações com agentes de IA (OWASP Top 10 for Agentic Applications), separada da lista que já existia para modelos de linguagem.

Na prática, os três riscos têm a mesma resposta: dar ao agente o mínimo de permissão que a tarefa exige, manter uma pessoa aprovando as ações que têm consequência (enviar a cliente, pagar, apagar) e registrar tudo o que ele fez. Quando a decisão automatizada envolve dados pessoais e afeta alguém, a LGPD garante ao titular o direito de pedir revisão dessa decisão (Lei 13.709/2018, art. 20).

O que costuma aparecer na prática, nos projetos de automação que a VT Sávio acompanha, é a permissão que nasce larga demais "só para o teste" e nunca é reduzida. O agente funciona, o piloto vira produção e o acesso de escrita a todo o sistema fica lá. A correção é barata se feita antes: listar o que o agente precisa alterar, dar só isso e deixar o resto como leitura. Quando nem essa lista dá para escrever, a tarefa ainda não está clara o bastante para ser entregue a um agente.

Quando um agente de IA não vale a pena?

Um agente de IA não vale a pena quando a tarefa segue sempre o mesmo caminho, quando o erro é caro e difícil de perceber ou quando o processo não está definido nem para quem o executa. Nesses casos, um fluxo automatizado simples ou a arrumação do processo resolve melhor e por menos.

O primeiro caso é o mais comum. Emitir a mesma cobrança todo mês, copiar dados de um formulário para o sistema, avisar o cliente quando o pedido sai: isso é automação por regra ou, no máximo, um fluxo com IA numa etapa. Um agente aqui só acrescenta custo e imprevisibilidade.

O segundo caso pede cautela, não proibição. Onde o erro custa caro, como em pagamento, contrato ou cálculo fiscal, o agente pode preparar o trabalho, mas a decisão fica com uma pessoa.

O terceiro é o menos óbvio. Se cada funcionário faz a tarefa de um jeito, o agente vai aprender um desses jeitos, ou nenhum. A VT Sávio mapeia o processo antes de propor qualquer automação, e por um motivo prático: esse mapeamento costuma mostrar que parte do problema se resolve sem IA nenhuma.

O que ainda não dá para afirmar sobre os agentes de IA?

Ainda não dá para afirmar quanto tempo vai durar a melhora rápida dos agentes, quantos projetos atuais vão chegar à produção nem como a lei brasileira vai tratá-los. As medições existentes têm margem larga, as previsões de mercado são de consultorias e a regulação de IA no Brasil continua em tramitação.

Sobre o ritmo de melhora, o METR registra na própria página que medições acima de 16 horas são pouco confiáveis com o conjunto de tarefas atual (METR, Time Horizons). Ou seja, os agentes mais capazes já estão perto do limite do que a régua consegue medir.

Sobre o mercado, a consultoria Gartner previu em junho de 2025 que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custo crescente, valor de negócio pouco claro ou controle de risco insuficiente. Na mesma análise, estimou que só cerca de 130 dos milhares de fornecedores que se dizem de "IA agêntica" oferecem agentes de fato; o resto renomeou assistentes, chatbots e robôs de automação, prática que ela chamou de agent washing (Gartner, 25/06/2025). É previsão, não medição, mas serve de filtro: antes de comprar, vale perguntar ao fornecedor o que o produto decide sozinho.

Sobre a lei, o marco legal da IA, o PL 2338/2023, foi aprovado no Senado e, na consulta de 26/10/2026, constava na Câmara como "Aguardando Parecer". Enquanto não houver lei específica, valem a LGPD, o Código de Defesa do Consumidor e as regras de cada setor.