O que são agentes de IA, e para onde estão indo

Agente é a palavra do ano no nosso setor, e é usada para quase tudo: um chatbot com nome novo, um script que envia e-mails, a visão de empresas que se administram sozinhas. Isso torna difícil saber o que é real.

Aqui vai a versão simples, com as evidências como estão em outubro de 2026.

O que é um agente

Um agente é um modelo de linguagem que recebe um objetivo, em vez de uma única pergunta. Ele planeja as etapas, usa ferramentas para executá-las, confere cada resultado com o objetivo e segue em frente até o trabalho estar feito ou até precisar de uma pessoa. A Anthropic resume isso em uma linha: um modelo que dirige os próprios processos e o uso de ferramentas ao realizar uma tarefa.

A diferença em relação ao que veio antes é quem decide o próximo passo. Um chatbot responde, e você decide o que fazer com a resposta. Um assistente faz uma coisa que você pede dentro da conversa: um rascunho, um resumo, uma consulta. Um fluxo de trabalho segue um caminho que alguém escreveu de antemão, com um modelo fazendo partes dele. Um agente escolhe o próprio caminho. Com o objetivo de preparar uma proposta, ele lê os últimos e-mails, consulta os preços, redige o documento e pergunta antes de conceder um desconto.

Agêntico é a palavra para a família inteira: sistemas em que um modelo age, e não apenas responde. Um sistema é mais ou menos agêntico conforme quanto do caminho ele escolhe e quanto pode fazer sem perguntar. Isso é decidido pelas pessoas que o constroem e o operam, não pelo modelo.

Como eles funcionam

Quatro partes transformam um modelo em um agente. A primeira são as ferramentas: buscar, ler um arquivo, consultar um banco de dados, escrever em uma agenda, enviar uma mensagem. As ferramentas chegam aos sistemas de uma empresa por meio de conectores, e o padrão comum para eles é o MCP, o Model Context Protocol. A Anthropic o lançou em 2024 e, em dezembro de 2025, o entregou à Agentic AI Foundation, um fundo sob a Linux Foundation que ela criou com a Block e a OpenAI. Na época, já havia mais de 10'000 servidores MCP públicos ativos, e o ChatGPT, o Gemini e o Microsoft Copilot tinham adotado o protocolo.

A segunda é a memória: o que o agente guarda entre as etapas e entre as sessões, para saber o que já fez e como a empresa gosta que as coisas sejam feitas. A terceira é o uso do computador, para sistemas sem conector. O agente olha a tela e depois clica e digita como uma pessoa. Isso é mais lento e mais frágil do que um conector. O Claude Cowork, o agente da Anthropic para trabalho de escritório, recorre primeiro aos conectores e só assume a tela quando precisa.

A quarta é a estrutura em volta do modelo: as instruções, os limites e as verificações que decidem o que ele pode fazer. Trabalhos maiores são divididos entre vários agentes. Um orquestrador planeja, entrega partes a agentes executores que rodam em paralelo e junta os resultados. No sistema de pesquisa da Anthropic, essa configuração superou um agente único em 90,2 por cento em um teste interno de pesquisa, e usou cerca de 15 vezes os tokens de um chat. Compensa para pesquisas amplas, muito menos para trabalhos em que cada etapa depende da anterior.

Onde estão em outubro de 2026

Todos os grandes laboratórios hoje lançam agentes como produtos. Em 29 de setembro, a OpenAI lançou o Dots: agentes no ChatGPT que trabalham, cada um, a partir de um computador próprio na nuvem e continuam avançando rumo a um objetivo entre uma conversa e outra. A Anthropic oferece o Claude Code para software e o Claude Cowork para trabalho de escritório, que atua nas pastas e ferramentas que o usuário escolhe e continua rodando na nuvem quando o laptop é fechado. Em 8 de outubro, o Google Cloud apresentou o agente Gemini, que planeja o trabalho, usa habilidades e ferramentas e se conecta aos sistemas de uma empresa.

O que funciona com confiabilidade é o trabalho com um fim claro e uma verificação rápida. O software lidera: nos dados da Anthropic de fevereiro, a engenharia de software respondia por quase metade das chamadas de ferramentas na sua API pública, enquanto áreas como atendimento ao cliente, vendas e finanças respondiam, cada uma, por uma pequena porcentagem, no máximo. O uso do computador melhorou rápido. Na versão verificada do OSWorld, um benchmark de tarefas cotidianas no computador, o melhor agente marcou 85 por cento em junho de 2026, contra 42 por cento um ano antes e cerca de 72 por cento das pessoas nas mesmas tarefas. A mesma análise, da Andreessen Horowitz, acrescenta o outro lado: 85 por cento ainda significa que 15 tarefas em cada 100 falharam, e uma tarefa que uma pessoa conclui em dois a três minutos pode levar de oito a dez para um agente.

O que ainda não funciona é a duração, o julgamento e a segurança. O METR, que avalia agentes pelo tempo que as tarefas levariam para uma pessoa, alerta que seu número principal não é licença para delegar: ele marca as tarefas que os agentes concluem na metade das vezes, e alguns trabalhos exigem 98 por cento de sucesso antes de valer a pena automatizá-los. Os agentes também continuam frágeis quando o trabalho sai do roteiro. E a injeção de prompt, instruções escondidas em uma página ou em um e-mail que um agente lê e segue, continua sem solução. A OpenAI escreveu em dezembro de 2025 que, assim como os golpes na web, é improvável que ela um dia seja totalmente resolvida.

O que isso significa para uma empresa

Nem toda tarefa precisa de um agente. Onde o caminho é conhecido, um fluxo de trabalho é mais barato e mais previsível. Um agente compensa o custo onde o caminho muda de caso para caso: pesquisa, uma solicitação de suporte incomum, a preparação de uma proposta. Muitos bons sistemas são, na maior parte, fluxo de trabalho, com um agente em uma ou duas etapas que exigem julgamento.

Onde um agente faz o trabalho, decida o que ele pode tocar. Dê a ele o acesso mais restrito que a tarefa exige e defina cada ação em um de três estados, os que a Anthropic oferece no Claude: sempre permitida, exige aprovação ou bloqueada. Coloque as aprovações antes de qualquer coisa que não possa ser desfeita: o pagamento, o e-mail que sai da empresa, a página publicada. Construa-as nas ferramentas, não só no prompt. Uma instrução pode ser contornada na conversa. Uma permissão que não existe, não.

Depois, torne o trabalho rastreável. Execute cada escrita em nome da pessoa que a pediu e mantenha um registro de cada etapa: o que o agente leu, qual ferramenta chamou, o que alterou. O Twin, o cérebro de IA que construímos para empresas, funciona assim: limites, aprovações e permissões por função, e cada etapa registrada.

Para onde isso vai

A direção é constante. Pela estimativa de longo prazo do METR, a duração das tarefas que os agentes conseguem concluir dobra a cada seis a sete meses. A cautela do METR vale aqui também: dobrar o horizonte não dobra o que pode ser delegado, porque as falhas ficam mais complexas e mais caras.

A infraestrutura também está se assentando. O MCP agora fica em uma fundação neutra apoiada pelos grandes laboratórios, então um mesmo conector pode servir agentes de fornecedores diferentes, e uma empresa que conecta seus sistemas uma vez não fica presa a um único modelo.

Nossa linha diz isso em três frases curtas: Liderado por pessoas. Movido por IA. Depois, autônomo. Agora, as pessoas trazem a ideia, a experiência e o gosto, a IA faz a produção, e as pessoas revisam e dão o toque final. Em seguida vem o agêntico: os agentes fazem a maior parte do trabalho, e as pessoas definem a direção e dão o sim final. Depois disso, tudo autônomo: as pessoas intervêm onde escolherem. Cada produto da crue avança por essa linha, uma etapa de cada vez.

O Helm é para onde a linha leva: nossa visão de uma empresa inteira administrada pelo fundador com agentes. Está em desenvolvimento. Mesmo ali, uma pessoa define a direção e responde pelo resultado. Autônomo vai significar mais trabalho feito sem perguntar. Não vai significar que ninguém é responsável.