A implantação de sistemas de software program automatizados chamados agentes de IA explodiu recentemente. Um relatório de novembro de 2025 de Escola de Administração Sloan do MIT e Boston Consulting Group descobriram que 35% das empresas pesquisadas já haviam implantado agentes de IA, enquanto outros 44% planejavam implementar IA de agente em breve.
Para entender os fundamentos e os impactos potenciais dessas ferramentas cada vez mais popularesNotícias do MIT conversou com Phillip Isola, professor associado do Departamento de Engenharia Elétrica e Ciência da Computação (EECS) e membro do Laboratório de Ciência da Computação e Inteligência Synthetic (CSAIL), que estuda a inteligência que os agentes de IA possuem, bem como os modelos e mecanismos subjacentes que alimentam os sistemas de IA agentes.
P: O que é IA agente e como ela difere de modelos de IA generativos como ChatGPT e Claude?
UM: Agentic AI é a IA que realiza ações no mundo. Essas ações podem ser físicas, como manipulação robótica, ou digitais, como reservar um voo. Por outro lado, pensamos na IA generativa como a criação de histórias, poemas, arte e imagens, em vez de realizar ações por nós.
A palavra “agente” é apenas um nome de marca. Geralmente significa IA que ajudará as pessoas a interagir com um aplicativo, um website ou o mundo físico. A maioria dos agentes que encontramos hoje são agentes digitais, como agentes de atendimento ao cliente com quem você pode conversar sobre reclamações de produtos.
A maioria das empresas que oferecem agentes usa os mesmos modelos de IA subjacentes e lhes dá a capacidade de realizar ações e lembrar o que aconteceu. Um agente começa com um sistema de IA generativo elementary, como Claude, no centro. Em seguida, as empresas colocam diferentes invólucros em torno desse modelo básico para seu produto ou aplicação. Esses wrappers podem ser ferramentas específicas que o agente pode usar e essas ferramentas dependem do aplicativo. Talvez o agente tenha acesso a uma calculadora para resolver problemas matemáticos, ou talvez tenha acesso a um disco rígido e a um sistema operacional mais complicado para poder lembrar os dados financeiros de uma empresa e negociações comerciais anteriores.
O maior desafio no desenvolvimento de IA de agência vem da falta de dados de treinamento. Se eu quiser criar um sistema que possa ficar on-line e reservar um voo para mim, isso parece muito simples. Mas não temos muitos dados que expliquem exatamente como fazer isso – onde mover o mouse, em quais botões clicar, o que fazer se algo der errado ou como ligar para alguém e negociar o preço da passagem aérea. Uma maneira de treinar um sistema como esse é fazer com que o agente de IA visite os websites das companhias aéreas, experimente coisas e veja o que funciona e o que não funciona. Esses ambientes são difíceis de modelar e muitas vezes o agente precisa aprender por tentativa e erro.
P: Quais são algumas aplicações promissoras da IA agente?
UM: Acho que a área onde vimos mais sucesso foi com agentes de codificação. Isso é algo que evoluiu da IA generativa. As pessoas treinaram modelos de linguagem em código e então podem prever o que um ser humano faria para resolver um problema de codificação. Além disso, um agente pode aprender a fazer isso passando por um ciclo de suggestions onde testa diferentes soluções e verifica se acertou a resposta. Contanto que possa verificar a resposta, o agente de IA pode realizar esse ciclo de tentativa e erro até descobrir uma boa estratégia.
Mas há sempre um equilíbrio entre automatizar a tomada de decisões e simplesmente ajudar e informar os humanos. Os métodos analíticos de IA, tal como os sistemas que ajudam a prever possíveis resultados de decisões, não são de natureza agente, mas são muito informativos para os decisores humanos. Para casos que são de alto risco ou críticos para a segurança, como medicina, segurança, políticas empresariais de alto nível, and many others., a tecnologia pode não estar pronta para que a IA automatize completamente esses processos, ou podemos nem nos sentir confortáveis com isso.
P: Existem riscos nos quais deveríamos pensar ao usar agentes de IA?
UM: Uma grande área de risco vem do fato de que muitas vezes é muito fácil conseguir que agentes façam determinados tipos de trabalho para você. Com os agentes de codificação, você pode “vibrar o código” e simplesmente pedir ao agente para criar um código para você, para que você não exact fazer o trabalho pesado sozinho. Existe um grande risco de que, por ser tão fácil, as pessoas não se esforcem o suficiente para verificar se está fazendo a coisa certa. Bugs serão introduzidos, dados privados serão vazados – isso já está acontecendo.
Os agentes não são perfeitos, no sentido de que podem cometer erros porque não estão bem treinados e não sabem o que fazer. Mas mesmo que sejam muito competentes, se um humano não os utilizar adequadamente ou lhes der instruções demasiado vagas, o agente de IA pode cometer um erro porque o humano cometeu um erro. Se os humanos estiverem menos envolvidos na reflexão sobre todas as consequências, penso que estaremos mais propensos a cometer esses erros.
Um aspecto adicional é o risco de desqualificação. Não está claro até onde isto irá, mas quando dependemos de agentes para fazer o nosso trabalho de casa, a nossa codificação e a nossa matemática, podemos perder a capacidade de fazer isso nós próprios, e podemos perder essa capacidade demasiado cedo porque a tecnologia ainda não está pronta para automatizar totalmente esses processos.
P: O que o futuro reserva para a IA agente?
UM: O que chamamos agora de IA de agência refere-se a grandes modelos de linguagem que usam ferramentas para interagir com sistemas digitais e físicos. Uma limitação óbvia é que, nos bastidores, eles possuem a arquitetura de um modelo de linguagem e são treinados em dados de texto. Para criar agentes de IA ainda mais poderosos, talvez seja necessário modelar vídeos, forças físicas, séries temporais, varreduras de radar e outras modalidades. Talvez precisemos de modelos com arquiteturas fundamentalmente diferentes que possam lidar com dados contínuos, dados de alta dimensão, dados estocásticos e assim por diante.
Mas, por outro lado, talvez um modelo de codificação extremamente bom pudesse atuar como um titereiro para fazer interface com sensores, atuadores e APIs da net? Talvez, uma vez que você tenha um sistema de raciocínio superinteligente que entenda matemática, linguagem e código, você possa fornecer a ele uma câmera e um teclado e ele descobrirá o que fazer no domínio espacial. A próxima onda de IA será apenas Claude com sensores, atuadores e ferramentas, ou será algo construído de uma nova maneira desde o início? Essa é a grande questão com a qual muitas pessoas na área de IA estão enfrentando agora.