O que é IA agêntica: a diferença entre um chatbot que responde e um agente que executa

O que você leva deste artigo

• O que define um agente é o laço de agir, observar e replanejar, não a qualidade do modelo.
• Chatbot recebe pergunta e devolve texto; agente recebe objetivo e devolve trabalho feito.
• Erro em agente se acumula: uma decisão errada no passo dois contamina os passos seguintes.
• Autonomia deve ser proporcional ao custo do erro, não ao que a tecnologia permite.
• Ação reversível o agente executa; ação irreversível pede confirmação humana.
• Sem registro de cada passo, um agente que erra é impossível de auditar.

A diferença está no laço, não no modelo

Um chatbot funciona em linha reta: você pergunta, ele responde, acabou. Se a resposta estiver errada, você pergunta de novo. O ciclo é sempre iniciado por você, e o sistema nunca faz nada sozinho.

Um agente funciona em círculo. Ele recebe um objetivo, planeja os passos, executa o primeiro usando alguma ferramenta, olha o que aconteceu, decide se o plano continua valendo, ajusta se não, executa o próximo. Repete até concluir ou desistir.

Essa palavra no meio, olhar o resultado, é a coisa toda. É o que permite ao sistema perceber que a busca não retornou nada e tentar outro termo, que o arquivo estava em outro formato e converter antes, que o cliente já tem cadastro e atualizar em vez de duplicar. Sem esse passo, você tem uma sequência automatizada, que é útil e não é agente.

E aqui está a parte contraintuitiva: o mesmo modelo pode ser as duas coisas. O que muda é o programa em volta. Agente não é um tipo de modelo, é um jeito de organizar o uso dele.

Ninguém compra um agente. Constrói-se o laço em volta de um modelo que a empresa já tem contratado.

As quatro peças que um agente precisa ter

Objetivo. Diferente de uma pergunta, um objetivo descreve um estado final desejado sem dizer como chegar. "Responda essa dúvida" é pergunta. "Organize os pedidos de orçamento de hoje, separe os que faltam informação e peça o que falta" é objetivo.

Ferramentas. Sem alcance ao mundo, o agente só pensa. Ele precisa poder buscar, ler, escrever, chamar sistema, enviar. É aqui que entra o MCP, que padronizou esse alcance e é o motivo de agentes terem ficado viáveis fora de laboratório.

Memória de trabalho. O agente precisa saber o que já tentou, o que deu certo e o que falhou. Sem isso, ele repete o mesmo passo em laço, o que é o modo de falha mais comum e mais caro, porque cada repetição custa dinheiro.

Critério de parada. Quando considerar concluído, quantas tentativas antes de desistir, quando chamar uma pessoa. Um agente sem critério de parada é um gerador de fatura, e essa não é uma frase de efeito: é o modo mais comum de um projeto de IA estourar o orçamento em uma noite.

Onde isso funciona bem hoje

Vale ser específico, porque a distância entre a demonstração e o uso real é grande e a promessa do mercado é generosa demais.

Agentes funcionam bem quando o resultado é verificável e o ambiente é fechado. Programação é o exemplo mais claro: o agente escreve código, roda o teste, vê o erro, corrige, roda de novo. O teste é um juiz objetivo, e o laço tem para onde convergir. É por isso que a categoria mais madura de agente hoje é a de assistente de programação, como o Claude Code.

Funciona bem também em pesquisa e coleta: buscar informação em várias fontes, comparar, montar um resumo com referência. O erro aqui é visível e o custo de errar é baixo, porque uma pessoa lê antes de usar.

E funciona em triagem com etapas: ler as mensagens do dia, classificar, verificar no sistema se aquele cliente existe, montar a resposta para os casos simples e separar os complexos para uma pessoa. É trabalho de rotina, com regra clara e resultado conferível. Triagem, atendimento e follow-up são frentes vizinhas, e estão descritas lado a lado em IA para empresas.

Funciona mal, ainda, em tarefas longas e abertas em ambiente que muda. Quanto mais passos, mais chance de o agente sair do trilho, e a chance não cresce em linha reta: ela se acumula.

O erro que se acumula, e por que ele assusta

Este é o problema estrutural da abordagem, e entendê-lo é o que separa quem implanta com cuidado de quem se machuca.

Num chatbot, um erro é um erro: a resposta saiu ruim, você percebe e pergunta de novo. Num agente, o erro do passo dois vira a entrada do passo três. O sistema segue trabalhando em cima de uma premissa errada, com toda a confiança do mundo, e o resultado final pode estar completamente fora sem nenhum sinal de alerta pelo caminho.

Faça a conta com números fáceis. Se cada passo tem 95% de chance de sair certo, o que é bastante bom, uma tarefa de vinte passos tem cerca de 36% de chance de terminar inteira sem erro. Uma sequência de passos muito confiáveis produz um resultado pouco confiável. Não é pessimismo, é multiplicação.

A consequência de projeto é direta e é a mais importante deste artigo: prefira agentes curtos e encadeados por você a um agente longo e autônomo. Cinco tarefas de quatro passos, cada uma com verificação no fim, é muito mais confiável do que uma tarefa de vinte passos. E quando falha, você sabe exatamente onde.

Autonomia proporcional ao custo do erro

A pergunta que decide o desenho não é o que a tecnologia consegue fazer. É o que acontece se der errado, e quem paga a conta.

Existe uma escada de autonomia, e ela é simples de aplicar. No degrau mais baixo, o agente só sugere e uma pessoa executa. No seguinte, ele executa e a pessoa confirma antes. Depois, ele executa sozinho e avisa depois. No topo, ele executa e ninguém olha, exceto em relatório.

A regra prática que evita quase todo problema: ação reversível o agente faz sozinho; ação irreversível pede autorização. Criar um rascunho, classificar, marcar como lido, montar uma proposta, tudo isso é reversível. Enviar para o cliente, apagar, emitir nota, pagar, cancelar pedido, não é.

A tentação de subir logo ao topo é grande, porque é lá que está a economia de tempo mais visível. Mas a economia é assimétrica: você ganha minutos por execução e pode perder um cliente numa. Subir um degrau por vez, depois de semanas de registro mostrando que o degrau anterior está confiável, é lento e é o que funciona.

• Sugere e a pessoa executa: risco zero, ganho de tempo já real.
• Executa com confirmação: bom para o que é repetitivo e visível.
• Executa e avisa: só depois de o registro mostrar semanas sem erro.
• Executa sem supervisão: apenas para ação reversível, barata e de baixo impacto.

O que precisa existir antes de ligar

Registro de tudo. Cada passo, cada ferramenta chamada, cada resultado, cada decisão. Sem isso, quando o agente fizer algo estranho, ninguém vai conseguir reconstruir o que aconteceu, e o sistema vira uma caixa que às vezes erra sem explicação. Esse registro é o item que mais se lamenta não ter tido.

Teto de custo e de tentativa. Máximo de passos por tarefa, máximo de chamadas por hora, máximo de gasto por dia. Um agente em laço não avisa que está em laço: ele parece ocupado. O teto é o que transforma um susto em um incidente pequeno.

Permissão mínima. Cada ferramenta com a menor credencial que resolve. Leitura separada de escrita. Nada de uma credencial administrativa única porque era mais fácil de configurar.

Desconfiança do que volta. Conteúdo devolvido por uma ferramenta pode conter texto endereçado ao modelo, tentando redirecionar o comportamento. Isso não é hipótese teórica: é o vetor de ataque mais estudado nesse tipo de sistema. Resultado de ferramenta é dado, nunca instrução.

Por onde uma empresa começa

A recomendação honesta é começar pelo que parece pouco ambicioso, porque é o que sobrevive ao primeiro mês.

Escolha uma tarefa que a sua equipe faz várias vezes por dia, que tem regra clara, cujo resultado dá para conferir em segundos e cujo erro é barato. Triagem de mensagem, preenchimento de ficha a partir de texto solto, primeira resposta de orçamento com dados que já estão no sistema.

Rode em modo sugestão por duas ou três semanas, com registro. Meça duas coisas: quantas vezes a sugestão foi aceita sem alteração e quanto tempo economizou. Se a taxa de aceitação estiver alta e estável, suba um degrau. Se estiver instável, o problema não é de autonomia, é da tarefa ou da instrução.

O erro mais comum é começar pelo atendimento ao cliente com autonomia total, porque é o que aparece nas demonstrações. É justamente o pior lugar para começar: o erro é público, o custo é a relação com o cliente e a variedade de situações é máxima.

Se você quer definir qual tarefa da sua operação é a candidata certa e qual degrau de autonomia ela suporta, esse é o diagnóstico que abre um trabalho de consultoria em IA na ROO3.

Perguntas frequentes

Qual a diferença entre um chatbot e um agente de IA?

O chatbot recebe uma pergunta e devolve um texto, sempre iniciado por você. O agente recebe um objetivo, decide os passos, usa ferramentas, olha o resultado de cada passo e replaneja até concluir. A diferença está no laço de agir e observar, não na qualidade do modelo.

Preciso de um modelo especial para montar um agente?

Não. O mesmo modelo pode funcionar como chatbot ou como agente, dependendo do programa em volta. O que muda é a arquitetura: ferramentas disponíveis, memória do que já foi tentado e critério de parada.

Por que agentes falham em tarefas longas?

Porque o erro se acumula. Se cada passo tem 95% de chance de acertar, uma tarefa de vinte passos tem cerca de 36% de chance de terminar inteira sem erro. Por isso vários agentes curtos, com verificação entre eles, são mais confiáveis que um agente longo e autônomo.

É seguro dar acesso aos meus sistemas a um agente?

Depende do desenho. A regra que evita a maior parte dos problemas é dar autonomia proporcional ao custo do erro: ação reversível o agente executa sozinho, ação irreversível como enviar, apagar ou pagar exige confirmação humana. Some a isso permissão mínima por ferramenta e registro de todos os passos.

Agente de IA substitui funcionário?

Na prática ele absorve tarefas de rotina com regra clara e resultado verificável, e continua precisando de gente nos pontos de julgamento e nas exceções. Onde as empresas erram é dimensionar a economia como se a supervisão custasse zero, e ela não custa.

Quanto custa rodar um agente?

Mais do que um chatbot equivalente, porque cada passo é uma chamada e o histórico da tarefa viaja junto em todas elas. É por isso que teto de passos e de gasto diário não é detalhe de configuração: é o que separa custo previsível de prejuízo.

Fontes

• Anthropic: Building effective agents
• Model Context Protocol: documentação oficial

Rodrigo Fávaro

Fundador da ROO3, agência de marketing e tecnologia em São José do Rio Preto. Constrói produtos com IA em produção (Tobia, gerar.app, Pense Mercado) e mantém o AI Benchmark, ranking público de modelos de IA. Veja a consultoria em IA da ROO3.

X @rodmf LinkedIn rodrigofavaro