Agentes de IA: por que a atenção humana virou o gargalo

O que a Anthropic descobriu sobre o trabalho com agentes de IA?

A Anthropic descobriu que, dentro da própria empresa, os agentes de IA já trabalham mais horas do que as pessoas, e que o freio da produção passou a ser o tempo humano para acompanhar o que eles fazem. O relatório é de 16 de outubro de 2026.

O estudo cruza dados internos de uso, agenda, contratação e pesquisas com funcionários. Agente de IA, aqui, é o programa que recebe uma tarefa e executa os passos sozinho: escreve o código, consulta o sistema, redige o e-mail, sem que alguém digite cada comando. Segundo o relatório How employment is changing at Anthropic, a soma das horas de trabalho desses agentes passou a das pessoas pela primeira vez em março de 2026. Em agosto, só nas sessões abertas pelos próprios funcionários, a proporção era de seis horas de agente para cada hora humana (Anthropic, 16/10/2026).

A frase que resume o resto do estudo está no próprio texto: "This acceleration makes human attention the bottleneck for agent output". Em português, a aceleração faz da atenção humana o gargalo do que os agentes produzem. Em cada sessão interativa, cerca de 80% do tempo é de espera por uma resposta humana. E, mesmo entre funcionários fora da área técnica, ler tudo o que os seus agentes produzem tomaria mais da metade da semana de trabalho (Anthropic, 16/10/2026).

A conta das horas tem um detalhe que muda a leitura. A hora humana foi calculada como número de funcionários vezes 40 horas semanais. A hora do agente soma o tempo em que cada um está de fato processando, e uma mesma pessoa pode ter vários rodando ao mesmo tempo. Seis para um não quer dizer que a IA faz seis vezes o trabalho de alguém. Quer dizer, sobretudo, que há muito mais trabalho de agente para cada pessoa acompanhar.

Por que a atenção humana virou o gargalo dos agentes de IA?

A atenção humana virou o gargalo dos agentes de IA porque eles produzem em minutos o que uma pessoa leva horas para conferir, e cada um pede essa conferência com a mesma urgência. Quanto mais agentes trabalham ao mesmo tempo, mais tempo cada um passa parado, esperando alguém ler, aprovar ou decidir o próximo passo.

Um engenheiro da Anthropic descreveu a rotina como enfrentar "an army of Claudes, with every one asking for my attention", um exército de Claudes, cada um pedindo a sua atenção. Outro comparou o trabalho a tomar conta de crianças: o pedido para abrir a caixinha de suco chega com a mesma aflição que o dedo cortado. O agente não sabe distinguir o que é urgente do que pode esperar, e a triagem sobra para a pessoa.

O efeito não é exclusivo de quem faz IA. Um estudo de pesquisadores de Harvard, com dados de 718 empresas entre 2021 e março de 2026, mostrou que agentes de programação aumentam o volume de código, mas o ganho não chega inteiro à entrega final: o tempo médio para revisar cada alteração subiu 49%, e a parcela de alterações devolvidas para correção quase dobrou (Chen e Stratton, Harvard, versão de 04/08/2026). O trabalho ainda não passou por revisão de pares, e os dados vêm de uma plataforma comercial de métricas de engenharia. A Faros AI, que vende esse tipo de medição, chegou ao mesmo desenho em mais de 10 mil desenvolvedores: equipes com uso intenso de IA integraram 98% mais alterações, e o tempo de revisão subiu 91% (Faros AI, 07/2025).

Fora da programação, o custo aparece como retrabalho. Uma pesquisa da BetterUp com o Stanford Social Media Lab, feita com 1.150 trabalhadores de escritório dos Estados Unidos em setembro de 2025, encontrou 40% que tinham recebido no mês anterior conteúdo gerado por IA com boa aparência e pouca substância, e cerca de duas horas gastas para resolver cada caso (BetterUp Labs, 09/2025). Quem recebe é quem paga a revisão.

O que muda no trabalho de quem supervisiona agentes de IA?

O trabalho de quem supervisiona agentes de IA muda de fazer a tarefa para organizar quem a faz: escrever instruções, definir o que pode ser feito sem perguntar, montar painéis para acompanhar e decidir os casos que fogem da regra. Na Anthropic, essa parcela de organização do trabalho mais que dobrou em cerca de seis meses.

O relatório chama isso de meta-trabalho, o trabalho de preparar e vigiar o trabalho dos agentes. Ele passou de 10% das sessões interativas do funcionário médio, no outono de 2025 no hemisfério norte, para 22% na primavera de 2026. As instruções permanentes escritas para os agentes, aquelas que valem para toda tarefa, passaram de algumas centenas em julho de 2025 para 8.500 um ano depois (Anthropic, 16/10/2026).

Duas consequências interessam a qualquer empresa. A primeira: as reuniões não diminuíram, aumentaram. O funcionário mediano passa 20% mais tempo em reunião do que um ano antes, e entre os profissionais técnicos o aumento foi de 16% (Anthropic, 16/10/2026). Parte disso vem do crescimento da empresa, mas os entrevistados descrevem a decisão em grupo como insubstituível. A segunda: decisão que não fica registrada não existe para o agente. O relatório diz que o trabalho feito em reunião sem ata ou em mensagem privada se torna "invisible, confusing and discouraged", invisível, confuso e desencorajado, porque os agentes trabalham com contexto desatualizado.

Um funcionário de área não técnica resumiu a troca assim: "that 20% that was strategic becomes 90% of the job". Os 20% estratégicos da função viram 90% dela. Isso tem um custo que o próprio relatório registra: a fatia de profissionais em início de carreira nas áreas técnicas caiu de 21% para 14% desde o começo de 2025, e entre as novas contratações técnicas, de 27% para 9% (Anthropic, 16/10/2026). Nas entrevistas de contratação, os gestores passaram a dar mais peso a autonomia e julgamento, e menos ao conhecimento técnico específico.

Isso vale para uma pequena empresa brasileira?

O mecanismo vale para uma pequena empresa brasileira, a escala não. A Anthropic tem mais de 3.500 funcionários (Fortune, 19/10/2026), triplicou de tamanho em um ano e vende o próprio modelo que usa. Mas basta um agente mal desenhado para criar a mesma fila de aprovação na mesa do dono.

A IA já está no dia a dia dos pequenos negócios. Na pesquisa Transformação Digital nos Pequenos Negócios 2026, do Sebrae com o Meta Instituto de Pesquisa, 52% dos 7.182 empreendedores ouvidos tinham usado IA nas duas semanas anteriores à entrevista, e 46% dos que usam precisaram criar novos fluxos de trabalho para encaixar a ferramenta (Agência Sebrae, 17/08/2026). Esse número mede uso de qualquer ferramenta, do ChatGPT no celular em diante, e não é comparável ao índice de 17% do Cetic.br, que mede outra coisa em empresas com dez ou mais funcionários.

O brasileiro também já desconfia da resposta pronta. No Work Trend Index 2026 da Microsoft, que ouviu 20 mil usuários de IA em dez países, 93% dos usuários brasileiros disseram tratar o que a IA entrega como ponto de partida, não como resposta final, contra 86% na média global. E 53% dos brasileiros apontaram o controle de qualidade do que a IA produz como uma das habilidades humanas que mais ganharam importância, contra 50% no conjunto dos países (Microsoft, relatório completo em PDF, 05/2026).

O risco, numa PME, tem cara conhecida. É o agente de atendimento que manda para o WhatsApp do dono cada pedido de desconto, cada dúvida sobre prazo e cada cliente irritado, tudo com o mesmo alerta. Em um mês, o dono deixou de atender cliente e passou a atender o agente. É o mesmo desenho do problema da automação que vira trabalho manual, só que mais rápido, porque um agente produz mais do que um fluxo fixo.

Daqui para baixo o texto entra na parte técnica, para quem vai desenhar a automação ou cobrar de quem desenha.

Como desenhar a aprovação humana para que ela não vire gargalo?

A aprovação humana deixa de ser gargalo quando é desenhada antes de o agente entrar no ar: o que ele resolve sozinho, o que espera aprovação, quando a pessoa aprova e como se mede o tempo que cada caso fica parado. Sem esse desenho, o agente pergunta tudo e a pessoa vira a fila.

Seis decisões resolvem a maior parte dos casos:

1. Classificar as ações pelo custo do erro. Responder a uma dúvida de horário é reversível e barato. Conceder desconto, cancelar pedido ou mandar mensagem a um cliente em atraso não é. Só a segunda categoria precisa de aprovação prévia.
2. Aprovar em lote, em hora marcada. Uma notificação por caso fragmenta o dia. Uma lista com os pedidos pendentes, duas vezes por dia, custa o mesmo tempo de leitura e não interrompe o resto do trabalho.
3. Conferir por amostragem o que é reversível. Revisar um em cada vinte atendimentos é controle de qualidade. Revisar todos é refazer o trabalho com a ferramenta somada por cima.
4. Escrever a regra onde o agente lê. Cada decisão que hoje está na cabeça do dono ("cliente antigo pode parcelar em três vezes") precisa virar instrução permanente. É o equivalente, em pequena escala, das 8.500 instruções da Anthropic.
5. Medir o tempo de espera, não só o de execução. O indicador que importa é quanto tempo um caso passa parado esperando alguém. Se ele cresce, a aprovação está mal dimensionada, ainda que o agente esteja rápido.
6. Dar dono à fila. Toda fila de aprovação precisa de uma pessoa responsável e de um substituto. Fila sem dono é a que acumula na sexta-feira.

Ferramentas de automação como o n8n, que a VT Sávio usa nos projetos, permitem pausar uma execução até que alguém aprove e retomar a partir da resposta. A parte difícil não é técnica. É decidir, com quem conhece o negócio, quais casos merecem essa pausa.

Na prática da VT Sávio, o ponto que os clientes mais subestimam é justamente esse: a primeira versão de um agente quase sempre pede aprovação demais, porque ninguém quis decidir de antemão o que ele pode fazer sozinho. O sinal aparece em poucas semanas, quando a pessoa que aprova começa a aprovar sem ler. Nesse momento a aprovação já não protege nada, e o caminho é voltar à lista de ações e tirar dela o que não precisa de olho humano, antes de acrescentar qualquer funcionalidade nova.

O que o relatório da Anthropic não prova?

O relatório da Anthropic não prova que a IA aumenta a produtividade de qualquer empresa, nem que o padrão dela vai se repetir em outros setores. É um estudo de uma empresa sobre si mesma, sem revisão externa, feito por quem vende o produto analisado.

A própria Anthropic escreve que muitas das suas práticas não podem ser replicadas no resto da economia, e os autores registram outras ressalvas que a cobertura da imprensa costuma deixar de fora. Os envios de código por engenheiro cresceram cinco vezes em seis meses (Anthropic, 16/10/2026), mas a própria empresa chama essa métrica de notoriamente imperfeita (resumo da Anthropic, 16/10/2026): mais código não quer dizer código melhor. No mesmo período, o negócio cresceu de forma explosiva, e o relatório reconhece que vender um modelo forte facilita fechar contratos. Quem adotou primeiro os agentes mais autônomos já vinha aumentando a produção antes de adotar. Os testes de qualidade não encontraram diferença nas taxas de código desfeito ou removido depois, mas medem só parte do que é qualidade.

A medição independente aponta na mesma direção de cautela. Em 2025, o instituto METR mediu 16 desenvolvedores experientes e encontrou que eles levavam 19% mais tempo para concluir tarefas com IA, embora acreditassem ter ficado 20% mais rápidos (METR, 10/07/2025). Na atualização de fevereiro de 2026, o próprio METR considerou o novo resultado um sinal pouco confiável, porque muitos participantes se recusaram a trabalhar sem IA, e disse acreditar que o ganho hoje seja maior (METR, 24/02/2026). A lição que sobra não é o número: é que percepção de ganho e ganho medido podem divergir muito.

E a conta de quem apostou alto ainda está aberta. O Gartner previu, em junho de 2025, que mais de 40% dos projetos de IA agêntica seriam cancelados até o fim de 2027, por custo crescente, valor de negócio pouco claro ou controle de risco insuficiente (Gartner, 25/06/2025). É uma previsão, não um resultado medido, e os motivos listados conversam com o que este artigo descreve: custo de supervisão que cresce e controle que falta.

Quando não vale a pena colocar agentes de IA para trabalhar?

Não vale a pena colocar agentes de IA para trabalhar quando ninguém na empresa tem tempo reservado para acompanhar o que eles fazem. O agente não elimina a supervisão, ele a concentra. Se a única pessoa que pode aprovar já é o gargalo da operação, o agente vai aumentar a fila dela.

Também não compensa quando o volume é pequeno. Um processo que acontece cinco vezes por semana raramente justifica o trabalho de escrever regras, montar a fila de aprovação e medir a espera. Nem quando o processo ainda não está decidido: se dois funcionários fazem a mesma tarefa de jeitos diferentes, o agente vai perguntar ao dono qual dos dois está certo, todos os dias.

Nesses casos, o caminho é começar menor. Uma automação de regra fixa, sem IA, resolve boa parte dos processos repetitivos e não pede julgamento. Quando o processo estiver estável e houver alguém com hora marcada para cuidar das exceções, o agente passa a fazer sentido, e a pergunta deixa de ser se ele trabalha rápido para ser se alguém consegue acompanhar.