Quando criar um agente de IA (e quando não criar)

Agente de IA virou sinônimo de "IA avançada".

Quando alguém diz que construiu um agente, parece que está falando de algo mais sofisticado, mais poderoso, mais impressionante do que uma pipeline simples.

Essa percepção tem um custo.

Builders criam agentes para problemas que não precisam de agentes. O sistema fica mais caro. Fica mais difícil de entender. Fica mais difícil de corrigir.

E o resultado final não é melhor do que uma boa pipeline teria entregado.

O que é um agente de verdade

Agente é um sistema que percebe o ambiente, decide a próxima ação e executa. Repete esse ciclo até atingir o objetivo.

A palavra central é decide.

Agente não executa uma sequência fixa de passos. Agente escolhe os próximos passos com base no que encontrou até agora.

Isso é autonomia. E autonomia tem uma definição técnica precisa em sistemas de IA:

O agente tem autonomia quando o número de etapas, a ordem das etapas e os recursos que vai usar não podem ser definidos completamente antes de iniciar.

Se você consegue definir tudo antes — não é autonomia. É pipeline.

Os três critérios que justificam um agente

Antes de criar um agente, verifique se pelo menos um desses três critérios está presente.

Critério 1: O caminho emerge durante a execução.

O agente vai precisar de etapas que você não consegue listar com antecedência. O que ele fará na etapa 3 depende do que encontrar na etapa 2.

Pesquisa é o exemplo mais claro. Você não sabe quantas fontes vai consultar antes de começar. Não sabe se a primeira fonte vai ser suficiente. Não sabe se vai precisar refinar a busca.

Critério 2: O agente precisa usar ferramentas de forma adaptativa.

O agente tem acesso a um conjunto de ferramentas — busca, banco de dados, calculadora, API — e decide qual usar dependendo do contexto.

Um agente de análise financeira pode usar a calculadora para alguns números, a API de dados históricos para outros, e a busca para contexto de mercado. A ordem e a combinação dependem do que o dado mostrar.

Critério 3: O objetivo requer múltiplos ciclos de raciocínio.

Para chegar ao resultado, o agente precisa raciocinar, verificar, ajustar, e raciocinar de novo. Uma passagem única não é suficiente.

Auditoria de sistemas é assim. O agente encontra um problema, investiga a causa, encontra outro problema relacionado, decide se vale investigar mais fundo, e assim por diante.

Se nenhum dos três critérios estiver presente — não crie um agente.

Os casos que não justificam um agente

Extração com formato definido.

Se o documento tem um padrão previsível — campos em posições conhecidas, estrutura consistente — código ou IA com schema fixo extraem mais rápido e com mais confiabilidade do que um agente autônomo.

Validação de regras de negócio.

"O prazo está vencido?" "O valor está dentro do limite aprovado?" "O campo obrigatório está preenchido?" São verificações determinísticas. Código valida com precisão de 100%. Agente adiciona variabilidade onde não deveria existir.

Processo repetível com etapas conhecidas.

Se todo pedido de suporte segue o mesmo fluxo — extrair, classificar, buscar histórico, responder — isso é pipeline. Agente não adiciona nada além de custo e imprevisibilidade.

Geração de conteúdo com template.

Criar e-mails, relatórios ou resumos a partir de dados estruturados é uma tarefa de pipeline. Você tem os dados. Você tem o template. IA preenche. Não precisa de autonomia.

O anti-padrão mais comum

Existe um padrão que aparece com frequência em projetos de IA iniciantes.

O builder descobre que pode dar ao modelo uma lista de ferramentas e pedir que ele decida quais usar. O resultado parece impressionante no teste.

Então o builder começa a colocar tudo como agente.

Precisa extrair dados de um PDF? Agente com ferramentas de extração. Precisa classificar e-mails? Agente com ferramentas de classificação. Precisa enviar notificações? Agente que decide quando e como notificar.

Cada um desses casos poderia ser resolvido com pipeline ou código. São etapas definíveis com antecedência. São resultados previsíveis.

O que acontece com o tempo: o custo sobe. A latência aumenta. Os resultados ficam inconsistentes porque o agente toma decisões ligeiramente diferentes em execuções diferentes.

E quando algo dá errado, é difícil saber onde.

O custo real de um agente desnecessário

Token é a unidade básica de texto que o modelo processa — aproximadamente três a quatro caracteres, ou três quartos de uma palavra. Cada chamada de IA tem custo em tokens.

Agentes fazem múltiplas chamadas de IA por execução. Em um agente simples, podem ser três a cinco chamadas. Em um agente mais complexo, dez ou mais.

Uma pipeline que resolve o mesmo problema geralmente faz uma ou duas chamadas de IA. O restante é código.

A diferença de custo por operação pode ser de cinco a dez vezes.

Em um volume baixo, não parece relevante. Em produção, com centenas ou milhares de operações por dia, a diferença se torna significativa.

Além do custo financeiro, há o custo de manutenção. Agentes são mais difíceis de testar. O comportamento varia entre execuções. É mais difícil escrever testes automatizados porque o caminho de execução não é fixo.

O caso que clarifica tudo

Em um projeto de geração de relatórios de desempenho de equipe, a primeira versão usava um agente autônomo.

O agente recebia os dados de desempenho e tinha autonomia para decidir quais métricas destacar, qual narrativa construir e como estruturar o relatório.

O resultado variava bastante. Às vezes o agente destacava métricas corretas. Às vezes enfatizava métricas irrelevantes para o contexto. O gestor precisava revisar cada relatório com atenção.

A reformulação foi simples: pipeline com etapas fixas.

• Etapa 1: calcular métricas (código).
• Etapa 2: comparar com metas (código).
• Etapa 3: identificar destaques positivos e pontos de atenção (IA com critérios definidos).
• Etapa 4: gerar o texto do relatório a partir dos destaques identificados (IA com template).

O resultado foi consistente. O gestor sabia o que esperar. A revisão diminuiu para casos excepcionais.

O agente não foi necessário. A pipeline com IA nas etapas certas resolveu — melhor e mais barato.

Como avaliar antes de criar

Antes de criar qualquer agente, responda quatro perguntas:

As etapas são definíveis antes de executar? Se sim — pipeline.

O resultado tem uma estrutura esperada e previsível? Se sim — pipeline com IA onde necessário.

A tarefa precisa de múltiplos ciclos de raciocínio para chegar ao objetivo? Se não — pipeline.

A ferramenta a ser usada depende do que for encontrado no meio do caminho? Se não — pipeline.

Se as quatro respostas apontam para pipeline — use pipeline.

Se existe uma parte genuinamente emergente e adaptativa — considere um agente para essa parte específica. Não para o sistema inteiro.

Agente como ferramenta especializada

A mudança de perspectiva que ajuda: agente não é a versão evoluída de pipeline.

São ferramentas para trabalhos diferentes.

Pipeline é a ferramenta padrão. Previsível, auditável, de custo controlado. É o que você usa quando sabe o caminho.

Agente é a ferramenta especializada. Autônomo, adaptativo, mas mais caro e menos previsível. É o que você usa quando o caminho emerge durante a execução.

Usar agente como padrão é como usar um bisturi para cortar pão.

Ele corta. Mas não é para isso que foi feito.

A escolha certa não é sobre qual ferramenta parece mais avançada. É sobre qual resolve o problema da forma mais simples, confiável e econômica.

Na maioria dos casos, é pipeline.

Quando não é — aí o agente entra. Com critério. Com escopo definido. Com métricas para avaliar se está adicionando valor real.