O que são Agentes de Inteligência Artificial?

O bsb é uma newsletter sobre Tecnologia e como ela transforma a sociedade e vice-versa. Para receber nossos e-mails, basta clicar abaixo:

Oi pessoal! Semana passada não publiquei. Hoje o artigo chega com um dia de atraso. O motivo são ótimas novidades no lado pessoal! Estou feliz.

Quero falar sobre agentes de inteligência artificial. A nuvem puxou o SaaS. O mobile criou a economia dos apps. As redes sociais abriram a Creator Economy. Agentes de IA podem ser a próxima onda: uma camada que não só ajuda, trabalha no nosso lugar. Ela é chamada de Economia dos Agentes.

Agente é um termo repetido no setor, sem consenso. Vamos ao ponto: o que são, como se constroem e onde estão as oportunidades para empreendedores e investidores.

Caso queira, este artigo também tem uma versão em Áudio 🎙️ AQUI → PS: Estou testando versão feita pelo NotebookLM. Feedbacks são bem vindos.

Segue a versão de um minuto:

• O que são: agentes de IA rodam um LLM em loop, percebem o contexto, decidem e agem com ferramentas externas. Criam e reordenam tarefas até cumprir um objetivo. Não são fluxos rígidos.

• O que muda no software: em vez de funções pré-programadas, o agente define a sequência em tempo real, encapsula a complexidade e entrega o resultado. Gera ganho de produtividade, mas traz imprevisão, custo e desafios de manutenção.

• Onde está o valor: o ecossistema se divide em infra, ferramentas e aplicações; a camada de aplicação tende a capturar mais receita. Hoje a precificação ancora na ideia de “substituir gente”, só que com escala o preço converge ao custo marginal. Medir impacto ainda é o calcanhar de Aquiles; novos modelos devem surgir.

• Trabalho e próximos passos: humanos orquestram enxames de agentes e elevam produtividade, com funções novas surgindo. Falta memória persistente, identidade e permissões, padrões de integração, guardrails, consistência nas saídas, web menos hostil, regras claras e custo menor.

O que são Agentes de IA?

A palavra “agente” significa alguém que atua em nome de outra pessoa. Em IA, o termo ficou ambíguo. Há quem chame de “agente” qualquer aplicação avançada. Outros só usam a palavra quando o sistema se aproxima de inteligência artificial geral. Adoto a definição do Matt Schlicht:

“Agentes autônomos são programas, movidos por IA, que ao receberem um objetivo conseguem criar tarefas por conta própria, executá-las, gerar novas tarefas, repriorizar sua lista, concluir a tarefa mais importante e repetir o ciclo até atingir o objetivo.”

Se um software apenas executa um fluxo fixo com regras rígidas, não é agente.

A visão clássica descreve um ciclo: perceber, decidir, agir, atualizar. O sistema observa o mundo (sensores, dados, entradas de usuário), escolhe um passo, executa, aprende com o resultado e repete.

Observar → decidir → agir → atualizar

Por essa lente, o ChatGPT funcionaria como agente: recebe mensagens (percepção em texto) e responde com uma ação comunicativa (o texto de saída). Uma corrente mais rígida exige requisitos de longo prazo: continuidade temporal, aprendizado contínuo, base própria de conhecimento e autonomia em problemas complexos. Nesse crivo, quase nada do que existe hoje qualifica como um agente de IA.

Entre os extremos, há gradações de “agencialidade”, isto é, de autonomia e decisão. Uma definição operacional, usada pela equipe de pesquisa da Anthropic, é simples: um agente roda um LLM em loop, com ferramentas externas.

Dois pontos importam aqui: (1) ele trabalha em múltiplos passos, onde a saída volta como entrada para o próximo raciocínio; (2) ele acessa serviços fora de si, como APIs, bancos de dados ou execução de código. O agente observa o resultado de cada ação, reflete e escolhe o passo seguinte, parando ao atingir o objetivo ou quando julga que a tarefa está encerrada.

E se existem muitas pessoas tentando construir empresas de agentes? A resposta é sim, vide a tabela abaixo:

A Inovação dos Agentes

Com a definição em mãos, dá para entender o que os torna distintos do software tradicional. Durante muito tempo, programas foram caixas fechadas: faziam só o que o código previa. A internet abriu outro caminho com APIs, formas padronizadas de um sistema chamar funções de outro pela rede. Isso revolucionou o software: tarefas antes isoladas passaram a ocorrer em coordenação entre serviços distribuídos. As APIs transformaram o software numa tapeçaria interconectada.

Agentes de IA apontam outro salto. A “função” chamada não precisa estar pronta no catálogo. O que fazer pode ser decidido em tempo real por um modelo. Por exemplo, em vez de acionar “calcular frete”, você descreve a tarefa em português e o agente descobre a sequência: buscar dados, filtrar uma tabela, redigir um texto, enviar um e-mail. Ele encapsula toda a complexidade e devolve apenas o resultado.

No atendimento ao cliente, por exemplo, o modelo de software tradicional exige dezenas de scripts e regras para cobrir cada tipo de pedido. Um agente, com poucas instruções e acesso a ferramentas (ex: consultar o banco de pedidos, registrar reembolso via API), resolve infinitas solicitações sem que cada passo tenha sido mapeado à mão. O que demandava desenvolvedores prevendo casos, passa a usar IA improvisando dentro de limites definidos.

Perfeito? Não. Agentes substituem parte do software baseado em regras, mas trazem uma série de desafios, que cubro adiante.

Como os Agentes são Construídos

Debaixo do capô, um agente roda um loop com um LLM no centro, cercado por memória, ferramentas e um maestro que mantém tudo coeso.

O ciclo opera da seguinte forma: o agente recebe uma entrada, combina com contexto e memória, formula um prompt e envia ao LLM. A saída pode ser resposta ou ação, como consultar uma base ou executar um cálculo. O resultado volta ao modelo. O processo se repete até o fim da tarefa.

Agentes acessam APIs e serviços externos. Protocolos como MCP já oferecem conexões padronizadas a apps como Salesforce ou Slack.

O LLM é o cérebro. As ferramentas funcionam como braços e olhos. O maestro é o código que costura tudo: gerencia prompts, interpreta saídas, lida com erros e decide quando encerrar. Construir um agente pede raciocínio em múltiplos passos, memória, ferramentas e engenharia.

Isso exige ciência de dados (modelo), engenharia de software (integração e código) e UX (interações úteis e claras).

Diferentes Tipos de Agentes

“Agente de IA” é guarda-chuva. Como “software”, que vai de um app de bolso a um sistema de mainframe, existe variedade de formatos e propósitos. Uma pesquisa publicada pelo The Information descreve sete tipos que já aparecem no mercado, desde agentes invisíveis que automatizam bastidores até assistentes pessoais digitais visíveis para o usuário final.

Cadeia de Valor

O mercado de agentes tende a lembrar nuvem.

Nela, surgiram três blocos:

• Infraestrutura: AWS, Google Cloud, Azure.

• Ferramentas: Datadog, Snowflake.

• Aplicações/SaaS: Salesforce, TOTVS e milhares de soluções.

A categoria de aplicação foi a que gerou a maior quantidade de empresas com faturamento bilionário. Hoje a atenção recai sobre data centers e modelos. Isso faz sentido em um novo ciclo tecnológico: infra capta os primeiros ganhos. Lembrem que a Cisco foi a empresa mais valiosa do mundo na época da bolha da internet.

Criação e Captura de Valor

Ouço com frequência que muita gente só usa a palavra “agente” para sinalizar substituição de trabalho humano. Essa narrativa traz duas vantagens. Primeiro, amplia o mercado endereçável, já que gastos com pessoas são múltiplas vezes maior que o com software por múltiplos. Segundo, ancora preço. Ao posicionar o agente como “funcionário digital”, fica mais fácil precificar.

Um vendedor diria: “Você está trocando um empregado com salário anual de R$ 50 mil por um agente de R$ 30 mil. Sem contar a economia com INSS, FGTS e férias. Uma pechincha.”

Essa captura aspiracional empurra preços acima do custo real de tecnologia. A OpenAI sinalizou a intenção de cobrar na casa de US$ 20 mil por mês por agentes de pesquisa de ponta, apresentados como equivalentes a um pesquisador PhD em tempo integral.

Existe, contudo, um contrapeso econômico. No longo prazo, preço tende ao custo marginal. E esse custo, em IA, cai com avanço técnico e escala. Por exemplo, o tradutor de idiomas automático que ontem era serviço caro, hoje aparece embutido e quase sem custo visível.

Cobrar pela substituição direta, por exemplo 60% do salário humano, funciona no início do mercado. Com maturidade e competição, os preços se aproximam do custo de computação somado à margem. O tamanho da margem depende da defensibilidade.

A melhor prática recomenda cobrar pelo valor gerado, não pelos insumos. Aí surge um problema: poucas empresas medem com precisão o valor criado pelos agentes atuais. Qual o ganho de produtividade? Quantos erros a menos? Quantas vendas a mais? Muitos projetos ainda rodam em beta, os casos de uso mudam e quase ninguém consegue afirmar “esta solução gerou X em resultado”.

Forma-se uma lacuna entre preço cobrado e valor comprovado. Isso nos leva a um período de ineficiência. Competição tende a reduzir preços. Novos modelos devem surgir: marketplaces de agentes pagos por tarefa; agentes internos com repasse de custo no serviço; pacotes híbridos. A captura de valor segue em movimento.

A Economia dos Agentes Se agentes mudam como trabalhamos e geramos valor, nasce uma nova economia. Pense em três fases:

1. Humano + Ferramenta. A tecnologia amplia força e velocidade, de modo estático. O computador acelera planilhas em relação ao papel. Produtividade cresce de forma linear com o número de pessoas.

2. Humano + Máquina Assistente. Entram multiplicadores. Um programador com copiloto de código entrega 2 a 3 vezes mais funcionalidade. Uma central de atendimento com bots de triagem atende muito mais clientes sem contratar na mesma proporção. A máquina assume parte do trabalho sob supervisão humana. O ganho econômico aparece na forma de redução de custo marginal por tarefa adicional

3. Humano + Rede de Máquinas. O próximo passo. Uma pessoa gerencia dezenas de agentes atuando em paralelo. Esse gestor entrega o resultado de um time inteiro ao coordenar trabalhadores velozes e incansáveis. A produtividade por cabeça dispara, iniciando uma era de superalavancagem do trabalho humano. Tarefas administrativas, criativas e operacionais se reconfiguram. Um profissional de marketing, com um enxame de agentes, roda campanhas que antes pediam um departamento: um gera textos, outro cria imagens, outro analisa métricas, outro ajusta anúncios.

A habilidade central muda para orquestração: definir objetivos, combinar saídas, cuidar da qualidade. De artesão individual para diretor de fábrica com robôs cognitivos.

Daí surge o conceito de “enxames de agentes”: times que colaboram, competem, negociam e trocam recursos com pouca intervenção humana. Por que competir? Imagine agentes representando interesses distintos dentro da empresa, um focado em custo e outro em qualidade. Eles discutem trade-offs e chegam a um plano equilibrado. Disputas são úteis: dois agentes propõem soluções de design e um terceiro, ou um humano, escolhe a vencedora. Trocas de recursos incluem informação (um agente descobre um dado relevante e repassa para os demais) e acesso a ferramentas escassas (imagine vários agentes querendo usar uma impressora 3D simultaneamente, precisando agendar a ordem de uso).

Isso soa futurista, mas pesquisas em sistemas multiagentes e economia de algoritmos já exploram tais dinâmicas há décadas em contexto acadêmico. A diferença agora é termos hardware e software capaz de implementar essas ideias em escala.

Empresas podem operar 24/7 um batalhão de agentes atendendo clientes, pesquisando, monitorando sistemas. Um grupo pequeno de humanos supervisiona a estratégia.

Agentes vão substituir humanos?

Convém lembrar: um agente não tem intenção própria. Não possui “vontade” nem objetivos finais. Ele não “quer” trabalhar. Agentes serve, a pessoas e organizações, que definem metas e limites. É extensão automatizada do nosso alcance cognitivo e operacional.

Isso quer dizer que um agente não consegue substituir um humano por completo.

Até o presente momento, as ferramentas e agentes de IAs não estão gerando grandes cortes de funcionários. Hoje, o que surge com mais força é outra dinâmica: menos contratações líquidas em algumas funções, já que equipes atuais produzem mais com ajuda de IA.

Eu acredito que o futuro mais provável é de uma força de trabalho habilitada. A analogia com eletricidade ajuda. Quando a energia chegou às fábricas, cada operário passou a controlar várias máquinas e a produção saltou. Aqui, cada profissional do conhecimento passará a controlar várias “máquinas cognitivas”. Humanos seguem no centro, definindo o que tem valor. As máquinas fazem a parte repetitiva e exaustiva.

O que falta para chegar lá

As possibilidades são grandes, mas ainda há barreiras técnicas, práticas e culturais:

• Memória persistente. Agentes úteis no longo prazo pedem identidade consistente, histórico confiável e conquista de confiança. Hoje, muitas interações lembram uma conversa com alguém com amnésia de curto prazo.

• Segurança. Faltam padrões de autenticação e autorização específicos para agentes. Precisamos de identidade digital que diga quem representa quem e com quais permissões. Sem isso, o risco fica alto.

• Padrões de integração. MCP ajuda, só que o ecossistema ainda carece de consenso. Integrar um agente a cada novo app costuma exigir trabalho dedicado.

• Contenção. Dar autonomia a agentes significa que eles podem fazer besteiras em alta velocidade se algo sair do controle. Guardrails eficazes viram item de primeira ordem.

• Confiabilidade das saídas. Empresas querem consistência. Software tradicional entrega isso. Agentes não. Nisso eles são parecidos com humanos. Um agente de suporte não pode brilhar num dia e escorregar no seguinte por variação estocástica. Técnicas de alinhamento e camadas de validação precisam evoluir.

• Internet hostil. A web não foi desenhada para navegação autônoma. Muitos sites bloqueiam tráfego automatizado. Grandes plataformas querem usuários, não robôs extraindo dados.

• Marco legal. Se um agente comete erro, quem responde? Fabricante, operador ou ninguém?

• Custo. Em algum ponto, toda a cadeia de IA precisa entregar lucro e margem saudável.

Um Novo Mundo se Abre

Como fica a vida na Economia dos Agentes? O horizonte visível não aponta demissões em massa por agentes. O que aparece é reorganização de tarefas. Parte do trabalho muda de natureza. Menos execução repetitiva, mais supervisão de agentes e análise estratégica. Novas funções surgem: gestor de enxame, auditor de decisões, treinador de agentes virtuais. E seguem em alta vagas para engenheiros e designers que constroem e refinam agentes.

Sociedade e empresas terão de se ajustar. Capacitação da força de trabalho, modelos educacionais e práticas de gestão vão migrar. Portanto, falta aprimorar técnicas de alinhamento dos modelos (para que respeitem sempre certas normas) e/ou incorporar camadas de validação das saídas. A produtividade tende a subir muito.

O caminho até lá mistura ganhos e ruídos, com debates sobre emprego, renda e propósito num mundo com agentes abundantes. A história sugere um desfecho conhecido: tecnologia vira normal. Entra no tecido econômico, impulsiona crescimento e distribui custos e benefícios ao longo do tempo.

A Economia dos Agentes é a economia da colaboração ampliada: humanos e máquinas inteligentes em múltiplas configurações.

Não é substituição da humanidade. É mais uma etapa de alinhamento entre capital humano e tecnológico. Vencem os que melhor orquestram esse novo arranjo de trabalho, tirando proveito do coro de agentes sem perder de vista a melodia principal: os objetivos humanos.

Grande abraço,

Edu

DISCLAIMER: essa newsletter não é recomendação de investimentos. Seu propósito é puramente de entretenimento e não constitui aconselhamento financeiro ou solicitação para comprar ou vender qualquer ativo. Faça a sua própria pesquisa. Todas as opiniões e visões são pessoais do próprio autor e não constituem a visão institucional de nenhuma empresa da qual ele seja sócio, colaborador ou investidor.