Quase todas as grandes revoluções tecnológicas começam resolvendo um problema específico e, pouco tempo depois, passam a resolver problemas que originalmente sequer haviam sido imaginados. O computador eletrônico nasceu para realizar cálculos matemáticos. A internet foi concebida para conectar centros de pesquisa. Os smartphones surgiram como telefones mais sofisticados. Em todos esses casos, a utilização prática rapidamente ultrapassou o propósito inicial.
Com os grandes modelos de linguagem parece estar acontecendo exatamente o mesmo fenômeno.
Quando o ChatGPT foi apresentado ao público, a principal surpresa não foi sua capacidade de produzir respostas corretas, mas a naturalidade da conversa. Pela primeira vez, milhões de pessoas sentiram que estavam dialogando com um computador capaz de compreender contexto, adaptar o tom da resposta, interpretar ambiguidades e construir raciocínios relativamente sofisticados. Durante meses, praticamente toda a atenção da indústria concentrou-se na qualidade da interação conversacional. A corrida tecnológica passou a ser medida por métricas como fluidez textual, velocidade de resposta, precisão factual e tamanho dos modelos.
Existe uma lembrança pessoal que ilustra perfeitamente o impacto que senti ao utilizar os atuais modelos de Inteligência Artificial. Em 1986, assisti ao filme Star Trek IV: A Volta para Casa. Em uma das cenas mais marcantes, o engenheiro Montgomery Scott tenta utilizar um computador Macintosh para se comunicar com outro sistema. Naturalmente, ele começa falando com a máquina, como faria em sua própria época. Diante da falta de resposta, recebe um mouse e, sem compreender aquela tecnologia do século XX, aproxima o pequeno dispositivo da boca e continua tentando conversar com ele. A cena, construída para provocar humor, transmitia uma ideia fascinante: no futuro, conversar naturalmente com computadores seria algo tão comum quanto conversar com outra pessoa.
Naquele momento, aquilo parecia pura ficção científica. Eu já trabalhava com tecnologia e imaginava que talvez nunca testemunhasse uma experiência semelhante. Quase quatro décadas depois, ao utilizar o ChatGPT pela primeira vez, imediatamente me lembrei daquela cena. Pela primeira vez, eu realmente estava dialogando com um computador capaz de compreender contexto, interpretar ambiguidades, adaptar o tom das respostas e construir raciocínios suficientemente sofisticados para tornar a conversa surpreendentemente natural.
Acredito que esse tenha sido o aspecto mais revolucionário da Inteligência Artificial Generativa. Não foi apenas sua capacidade de responder perguntas corretamente, mas a sensação de que a barreira histórica entre o ser humano e a máquina começava, finalmente, a desaparecer. Durante meses, praticamente toda a atenção da indústria concentrou-se na qualidade dessa interação conversacional. A corrida tecnológica passou a ser medida pela fluidez do diálogo, pela precisão das respostas, pela velocidade de processamento e pela capacidade dos modelos compreenderem linguagem natural. Pela primeira vez, a conversa deixou de ser um sonho da ficção científica para tornar-se uma realidade acessível a milhões de pessoas.
Entretanto, dentro dos próprios laboratórios que desenvolviam esses sistemas, uma questão começou a ganhar importância: seria realmente necessário manter a Inteligência Artificial confinada ao espaço da conversa?
A pergunta parece simples, mas representa uma mudança conceitual profunda. Conversar é apenas uma forma de interação entre humanos e computadores. A conversa, por si só, não produz resultados concretos. Ela transmite conhecimento, esclarece dúvidas, oferece recomendações e auxilia na tomada de decisões, mas continua dependendo da ação humana para transformar informação em execução.
Imagine um diretor de marketing que solicita a um chatbot uma campanha para o lançamento de um novo produto. O sistema poderá elaborar um excelente plano de comunicação, sugerir slogans, definir o público-alvo, indicar canais de divulgação e até produzir textos publicitários. No entanto, caberá ao usuário acessar plataformas de anúncios, configurar campanhas, segmentar audiências, publicar conteúdos, acompanhar métricas e ajustar estratégias ao longo do tempo. O chatbot participa do planejamento, mas permanece distante da execução.
Agora imagine o mesmo cenário utilizando um agente inteligente.
Nesse caso, o profissional poderia simplesmente estabelecer um objetivo: "Lançar uma campanha nacional para este produto durante os próximos trinta dias, priorizando consumidores entre vinte e cinco e quarenta anos e mantendo o orçamento abaixo de determinado limite."
A partir desse comando, o agente poderia consultar o histórico de campanhas anteriores, analisar indicadores de desempenho, pesquisar tendências de mercado, produzir diferentes versões de anúncios, criar peças para redes sociais, configurar campanhas em plataformas digitais, monitorar taxas de conversão diariamente, redistribuir investimentos entre canais, gerar relatórios executivos semanais e sugerir alterações sempre que os resultados estivessem abaixo do esperado.
A diferença entre os dois cenários é evidente. No primeiro, a IA responde. No segundo, a IA trabalha.Essa distinção ajuda a compreender por que tantos pesquisadores passaram a utilizar o termo Agentic AI. A palavra "agente" não foi escolhida por acaso. Na ciência da computação, um agente é tradicionalmente definido como uma entidade capaz de perceber seu ambiente, tomar decisões e executar ações para alcançar determinados objetivos. Essa definição foi amplamente discutida por Stuart Russell e Peter Norvig em Artificial Intelligence: A Modern Approach, obra considerada uma das principais referências da área. Embora os agentes inteligentes descritos no livro fossem muito diferentes dos modelos atuais baseados em linguagem, o princípio permanece surpreendentemente atual:
Inteligência não consiste apenas em responder corretamente, mas em agir de maneira racional para atingir um objetivo.Sob essa perspectiva, um chatbot pode ser entendido como um excelente mecanismo de comunicação, enquanto um agente representa um mecanismo de execução.
Essa diferença talvez explique por que empresas como OpenAI, Anthropic, Google DeepMind e Microsoft passaram a direcionar parte significativa de seus investimentos para sistemas capazes de utilizar ferramentas externas. Em vez de limitar seus modelos ao processamento de linguagem, essas organizações passaram a conectá-los a navegadores, ambientes de programação, bancos de dados, aplicações corporativas e serviços distribuídos na internet.
O objetivo deixou de ser apenas produzir melhores respostas. Passou a ser permitir que a Inteligência Artificial realizasse trabalho útil.Na prática, isso significa que um modelo de linguagem deixa de funcionar como um sistema isolado e passa a ocupar a posição central de uma arquitetura muito mais ampla. Ao redor dele surgem mecanismos responsáveis pelo planejamento das atividades, armazenamento de memória, acesso a documentos, consulta a APIs, utilização de softwares especializados e avaliação contínua dos resultados obtidos.
Essa arquitetura aproxima a IA de algo que, durante décadas, pertenceu quase exclusivamente ao universo da ficção científica: assistentes capazes de executar tarefas complexas mediante instruções relativamente simples.
Naturalmente, existe uma diferença importante entre ficção e realidade. Os agentes atuais não possuem consciência, desejos ou intenção própria.
Eles continuam sendo sistemas estatísticos altamente sofisticados, cuja atuação depende integralmente dos objetivos definidos por seres humanos. A autonomia de que tanto se fala refere-se à execução de etapas intermediárias, e não à capacidade de decidir quais objetivos perseguir.
Essa distinção é essencial porque evita um dos erros mais frequentes na cobertura jornalística sobre Inteligência Artificial: atribuir características humanas a sistemas que continuam operando exclusivamente dentro dos limites estabelecidos por sua arquitetura e pelas permissões concedidas pelo usuário.
Mesmo assim, seria um equívoco minimizar o impacto dessa mudança.
A introdução de planejamento, memória persistente e utilização de ferramentas altera profundamente a natureza dos sistemas de IA. Em vez de produzir respostas isoladas, eles passam a construir sequências de ações. Cada resultado obtido influencia a decisão seguinte. O agente observa o progresso da tarefa, identifica obstáculos, revisa estratégias e adapta seu comportamento de acordo com as informações disponíveis.
Esse ciclo aproxima a IA de conceitos clássicos da teoria do controle e da pesquisa operacional, áreas nas quais sistemas inteligentes monitoram continuamente o ambiente para corrigir desvios e otimizar resultados. A diferença é que, agora, essas capacidades passam a ser mediadas por modelos de linguagem capazes de interpretar instruções humanas de forma muito mais flexível.
A evolução torna-se ainda mais significativa quando múltiplos agentes passam a colaborar entre si.Nos últimos anos, pesquisadores começaram a explorar arquiteturas conhecidas como Multi-Agent Systems, nas quais diferentes agentes especializados cooperam para resolver problemas complexos. Em vez de concentrar todas as responsabilidades em um único modelo gigantesco, cada agente assume funções específicas. Um pode atuar como pesquisador, outro como analista financeiro, um terceiro como programador e um quarto como responsável pelo controle de qualidade. Um agente supervisor distribui tarefas, consolida resultados e verifica se os objetivos globais foram alcançados.
Esse conceito deixou de ser apenas teoria para mim quando passei a construir meus próprios agentes especializados. Sempre que inicio um novo projeto, em vez de solicitar uma única análise a um modelo generalista, procuro reproduzir exatamente a lógica de uma equipe multidisciplinar. Faço com que diferentes agentes examinem o mesmo problema sob perspectivas distintas e, em seguida, confronto suas análises antes de tomar qualquer decisão.
Ao longo dos últimos meses desenvolvi agentes com especializações bastante específicas. Tenho um dedicado à análise financeira, outro focado em marketing, um terceiro voltado à estratégia empresarial e um quarto, que apelidei de Elon, inspirado na forma de pensar grandes modelos de negócios e inovação. Quando estou avaliando um novo empreendimento, submeto o projeto a cada um desses especialistas virtuais, solicitando que analisem pontos fortes, riscos, oportunidades e fragilidades de acordo com suas respectivas áreas de conhecimento. Em seguida, consolido essas diferentes perspectivas em uma visão única e muito mais abrangente do negócio.
Na prática, esse processo se aproxima bastante da dinâmica de uma reunião executiva. Em vez de ouvir apenas um especialista, obtenho análises complementares produzidas sob diferentes óticas, muitas vezes revelando conflitos, riscos ou oportunidades que dificilmente apareceriam em uma avaliação única.
Embora a coordenação desse processo ainda seja realizada por mim, a experiência reforçou minha convicção de que o futuro da Inteligência Artificial não estará em um único modelo gigantesco capaz de responder a tudo, mas em ecossistemas compostos por agentes especializados que colaboram entre si para resolver problemas complexos.
Essa vivência também mudou minha maneira de enxergar a IA. Deixei de vê-la apenas como uma ferramenta de consulta e passei a utilizá-la como uma equipe de especialistas digitais, cada um contribuindo dentro de sua área de competência. Em muitos projetos, a maior riqueza não está na resposta de um único agente, mas no debate técnico que surge quando diferentes perspectivas são comparadas antes da decisão final. Talvez seja exatamente essa a principal promessa dos sistemas multiagentes:
Não substituir o pensamento humano, mas ampliar significativamente nossa capacidade de analisar problemas complexos sob múltiplos pontos de vista.Essa abordagem reproduz, em certa medida, a lógica de funcionamento das próprias organizações humanas. Empresas bem-sucedidas dificilmente dependem de um único profissional capaz de realizar todas as atividades. Elas distribuem responsabilidades entre especialistas que colaboram continuamente. Ao aplicar esse princípio à Inteligência Artificial, os pesquisadores descobriram que múltiplos agentes frequentemente apresentam desempenho superior ao de um único sistema tentando resolver sozinho problemas altamente complexos.
Embora essa arquitetura ainda esteja em processo de amadurecimento, seus primeiros resultados já despertam enorme interesse no setor corporativo. Organizações deixam de imaginar a IA como um simples chatbot disponível em uma página da internet e passam a concebê-la como uma força de trabalho digital composta por diferentes especialistas virtuais, capazes de executar processos durante vinte e quatro horas por dia, supervisionando continuamente indicadores e interagindo com diversos sistemas de informação.
É justamente nesse ponto que surge uma das perguntas mais importantes deste artigo. Se um agente pode pesquisar, escrever, programar, consultar bancos de dados, acessar aplicações empresariais, enviar mensagens, produzir relatórios e tomar decisões intermediárias ao longo de um processo, quais atividades permanecerão exclusivamente humanas?
Responder a essa questão exige cautela. Ao longo da história, praticamente todas as grandes revoluções tecnológicas provocaram previsões extremas. Durante a Revolução Industrial, muitos acreditavam que as máquinas eliminariam completamente o trabalho humano. Décadas depois, a informatização também foi apresentada como o fim de inúmeras profissões. Embora essas transformações tenham, de fato, substituído determinadas ocupações, também criaram atividades completamente novas, muitas das quais eram inimagináveis antes da mudança tecnológica.
Com a IA agêntica, o cenário provavelmente será semelhante. Algumas funções repetitivas tenderão a ser automatizadas de forma crescente. Outras serão profundamente transformadas. Ao mesmo tempo, surgirão novas profissões relacionadas ao desenho, supervisão, auditoria, integração e governança de agentes inteligentes.
Existe uma obra de ficção científica que acompanho há muitos anos e que frequentemente me vem à mente quando reflito sobre esse futuro. Trata-se de Perry Rhodan, considerada a mais longa série de ficção científica já publicada no mundo, iniciada na Alemanha em 1961 e que continua sendo produzida até os dias atuais. A saga descreve uma civilização humana milhares de anos à frente da nossa, na qual robôs, inteligências artificiais, computadores conscientes e sistemas autônomos fazem parte do cotidiano da sociedade de forma tão natural quanto hoje utilizamos smartphones ou a internet.
Entre os inúmeros elementos dessa obra, sempre me chamou a atenção uma profissão em particular: o Psicólogo de Robôs. Quando li essas histórias pela primeira vez, ainda na juventude, a ideia parecia apenas uma curiosidade típica da ficção científica. Afinal, por que uma sociedade precisaria de um psicólogo para robôs? Hoje, no entanto, essa ideia já não me parece tão distante da realidade.
Naturalmente, não estamos falando de robôs que possuam emoções ou consciência, mas de profissionais especializados em compreender, supervisionar, corrigir e aperfeiçoar o comportamento de sistemas inteligentes cada vez mais complexos. À medida que agentes de IA passam a tomar decisões, interagir entre si, utilizar ferramentas externas e executar processos críticos, surgirá a necessidade de especialistas capazes de analisar seu comportamento, identificar desvios, ajustar objetivos, revisar processos de tomada de decisão e garantir que esses sistemas permaneçam alinhados aos interesses humanos.
Talvez o nome dessa profissão não seja exatamente "Psicólogo de Robôs". Poderemos chamá-la de arquiteto de agentes, auditor de IA, engenheiro de comportamento algorítmico (esse é o meu favorito), especialista em governança de agentes ou qualquer outra denominação que ainda nem imaginamos. O ponto central, porém, permanece o mesmo:
Muitas das profissões da próxima década ainda não existem, assim como diversas ocupações atuais eram inimagináveis antes da popularização da internet. Sempre que releio Perry Rhodan, tenho a impressão de que algumas das ideias que pareciam pura ficção começam, lentamente, a aproximar-se do nosso cotidiano.
A diferença é que, desta vez, a automação não incide apenas sobre tarefas físicas ou rotineiras. Ela começa a alcançar atividades intelectuais que, até recentemente, eram consideradas exclusivas de profissionais altamente qualificados.
É exatamente essa mudança que explica por que tantos economistas, cientistas da computação e consultorias estratégicas passaram a tratar os Agentes de IA como uma possível mudança de paradigma, e não apenas como mais uma evolução dos chatbots. Se essa hipótese estiver correta, a verdadeira inovação da próxima década não será construir modelos capazes de conversar melhor com os seres humanos.
Será construir sistemas capazes de colaborar efetivamente com eles na execução do trabalho intelectual.Essa perspectiva, entretanto, conduz inevitavelmente a uma nova questão. Para que um agente possa atuar com segurança em ambientes corporativos, financeiros, jurídicos ou médicos, ele precisará acessar informações sensíveis, interagir com múltiplos sistemas e tomar decisões em contextos altamente complexos. Isso exige uma arquitetura tecnológica muito mais sofisticada do que aquela utilizada pelos primeiros chatbots.
É justamente essa arquitetura, baseada em memória persistente, planejamento hierárquico, utilização de ferramentas, protocolos de interoperabilidade e mecanismos de supervisão, que será analisada na próxima parte deste artigo. Antes de discutir o impacto econômico dos Agentes de IA, é necessário compreender como eles efetivamente funcionam e por que sua construção representa um dos maiores desafios da engenharia de software contemporânea.
Referências Bibliográficas
Livros
-
Russell, S.; Norvig, P. Artificial Intelligence: A Modern Approach. 4. ed. Pearson, 2021.
-
Russell, S. Human Compatible: Artificial Intelligence and the Problem of Control. Viking, 2019.
-
Mollick, E. Co-Intelligence: Living and Working with AI. Portfolio, 2024.
-
Brynjolfsson, E.; McAfee, A. The Second Machine Age. W. W. Norton, 2014.
-
Brynjolfsson, E.; McAfee, A. Machine, Platform, Crowd. W. W. Norton, 2017.
Artigos Científicos
-
Vaswani, A. et al. Attention Is All You Need. NeurIPS, 2017.
-
OpenAI et al. The Shift to Agentic AI: Evidence from Codex. arXiv, 2026.
-
The AI Agent Index. arXiv, 2025.
-
The 2025 AI Agent Index: Documenting Technical and Safety Features of Deployed Agentic AI Systems. arXiv, 2026.
-
Making Sense of AI Agents Hype: Adoption, Architectures, and Takeaways from Practitioners. arXiv, 2026.
Relatórios Técnicos
-
McKinsey & Company. Seizing the Agentic AI Advantage.
-
McKinsey & Company. The State of AI.
-
Gartner. Hype Cycle for Agentic AI.
-
World Economic Forum. The Future of Jobs Report 2025.
-
Stanford University. AI Index Report 2025.
Documentação Técnica
-
OpenAI Research.
-
Anthropic Research.
-
Google DeepMind Research.
-
Microsoft Research AI.
-
NVIDIA AI Research.
-
Anthropic. Model Context Protocol (MCP).
Links das Fontes
-
https://www.mckinsey.com/capabilities/quantumblack/our-insights/seizing-the-agentic-ai-advantage
-
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
-
https://www.weforum.org/reports/the-future-of-jobs-report-2025