| Parte da série sobre |
| Inteligência artificial (IA) |
|---|
Um agente de IA (também conhecido como IA agêntica) é um agente inteligente com inteligência artificial que pode perseguir objetivos, usar software ou outras ferramentas e realizar ações com algum nível de autonomia. A IA agêntica contrasta com o uso de IA como ferramenta para tarefas estreitas e específicas, como responder perguntas — como com chatbots nas formas não agênticas que eram comuns em 2023, ou com algoritmos tradicionais de aprendizado de máquina.
Embora não haja uma definição universalmente aceita de agente de IA, atributos comuns de agentes de IA incluem comportamento orientado a objetivos, uso de ferramentas externas, a capacidade de interagir com e modificar um ambiente externo, e a capacidade de realizar autonomamente tarefas de múltiplos passos. Seu fluxo de controle é frequentemente dirigido por grandes modelos de linguagem (LLMs). Sistemas de agentes também podem incluir componentes de memória, lógica de planejamento, interfaces de ferramentas e software de orquestração para coordenar componentes do agente.
Os fundamentos teóricos para agentes artificiais surgiram em meados do século XX, com o estabelecimento da cibernética e da inteligência artificial. O artigo de Oliver Selfridge de 1958, "Pandemonium: A Paradigm for Learning", foi uma contribuição teórica inicial importante no estabelecimento de uma arquitetura orientada a agentes. Implementações práticas de agentes para aplicações do mundo real começaram a se tornar amplamente difundidas na década de 1990, após a introdução do modelo de software de crença–desejo–intenção (BDI) e da programação orientada a agentes. O professor de Harvard Milind Tambe observa que, na década de 1990, a definição de agente de IA não era clara. Agentes puramente digitais foram implantados em infraestrutura de computadores para fins como monitoramento, enquanto agentes conectados a sensores e atuadores do mundo real eram cada vez mais usados em sistemas de controle industrial.
Os primeiros agentes artificiais tendiam a ter lógica simples de se então, que se expandiu ao longo do tempo em grandes modelos de árvore de decisão. No início da década de 2010, produtos como Siri e Alexa foram lançados, e às vezes eram chamados de agentes de IA, embora lhes faltasse a capacidade de raciocínio de propósito geral dos agentes posteriores executados por grandes modelos de linguagem (LLMs). O desenvolvimento de LLMs durante o final da década de 2010 e início da década de 2020 introduziu novas abordagens para agentes de IA. Modelos como GPT-3 demonstraram a capacidade de gerar e compreender linguagem natural em uma escala muito maior que muitos sistemas de linguagem anteriores.
Acadêmicos começaram a estudar agentes LLM a partir de 2018. A implantação de tais agentes começou a acelerar no final de 2023, após a API de "chamada de função" da OpenAI ter sido disponibilizada, e especialmente após a introdução pela Anthropic no final de 2024 do Model Context Protocol (MCP), uma maneira padronizada de agentes LLM obterem consciência contextual e agirem sobre o mundo chamando várias ferramentas externas. O termo "agêntico" só começou a ser usado com alguma frequência em 2024, popularizado em parte pelo pesquisador Andrew Ng.
Pesquisadores tentaram construir modelos de mundo e ambientes de aprendizado por reforço para treinar ou avaliar agentes de IA. Por exemplo, videogames como Minecraft e No Man's Sky bem como réplicas de sites de empresas, também foram usados para treinar tais agentes.
O Financial Times comparou a autonomia dos agentes de IA à classificação SAE de carros autônomos, comparando a maioria das aplicações ao nível 2 ou nível 3, com algumas alcançando o nível 4 em circunstâncias altamente especializadas e o nível 5 sendo teórico.
Ken Huang propôs uma arquitetura de referência para agentes de IA que consiste em sete camadas interconectadas, com cada camada construindo sobre a funcionalidade das camadas abaixo dela:
Um harness de agente, ou andaime de agente, é a camada de software em torno de um grande modelo de linguagem que permite que ele funcione como um agente de IA. Ele comumente gerencia prompts, contexto, uso de ferramentas, memória, estado de execução, restrições operacionais, sandboxes, permissões e o processamento de resultados. O arnês conecta o modelo a hardware de computador interno e externo, software, arquivos de dados, bancos de dados, navegadores web, interfaces de linha de comando e interfaces de programação de aplicações, enquanto controla como o agente acessa e usa esses recursos para completar tarefas de múltiplos passos.
Uma orquestração de agentes é uma camada em torno de múltiplos agentes de IA. O objetivo da orquestração de agentes é produzir um grupo coerente a partir desses agentes de IA, isto é, uma coisa que alcança melhores resultados que uma solução mínima "sem orquestração": executar esses agentes em paralelo sem interação e sintetizar suas saídas.
Relacionadamente, um fluxo de trabalho é uma camada em torno de um agente de IA, ou de um grupo de agentes de IA, destinada a permitir melhor desempenho em certas tarefas que têm que progredir em estágios, ou integração estreita com tarefas especializadas.
Exemplos incluem os seguintes:
Além dos grandes modelos de linguagem (LLMs), modelos de visão-linguagem (VLMs) e modelos de base multimodais podem ser usados como base para agentes. O Allen Institute for AI lançou um modelo de visão-linguagem de código aberto em 2024. A Nvidia lançou um framework para desenvolvedores usarem VLMs, LLMs e geração aumentada por recuperação para construir agentes de IA que podem analisar imagens e vídeos, incluindo busca de vídeo e sumarização de vídeo. A Microsoft lançou um modelo de agente multimodal — treinado em imagens, vídeo, interações de interface de usuário de software e dados de robótica — que a empresa afirmou poder manipular software e robôs.
The Information dividiu os agentes de IA em sete arquétipos: agentes de tarefas de negócios, para atuar dentro de software empresarial; agentes conversacionais, que atuam como chatbots para suporte ao cliente; agentes de pesquisa, para consultar e analisar informações (como OpenAI Deep Research); agentes de análise, para analisar dados e criar relatórios; agentes de software ou de codificação (como Cursor); agentes específicos de domínio, que incluem conhecimento específico de assunto; e agentes de navegador web (como OpenAI Operator).
Em meados de 2025, agentes de IA estavam sendo usados em desenvolvimento de videogames, jogos de azar (incluindo apostas esportivas), carteiras de criptomoedas (incluindo negociação de criptomoeda e meme coins) e mídia social. Em agosto de 2025, a New York Magazine descreveu o desenvolvimento de software como o uso mais definitivo de agentes de IA. The Information observou agentes de codificação de IA e suporte ao cliente como os principais usos de IA por empresas até outubro de 2025, embora também tenha notado um declínio nas expectativas das capacidades da IA.
Em novembro de 2025, o The Wall Street Journal relatou que poucas empresas que implantaram agentes de IA obtiveram retorno sobre o investimento.
Vários órgãos governamentais nos Estados Unidos e no Reino Unido implantaram ou anunciaram a implantação de agentes em nível local e nacional. A cidade de Kyle, Texas implantou um agente de IA da Salesforce em março de 2025 para atendimento ao cliente do 311. Em novembro de 2025, o Internal Revenue Service declarou que implantaria agentes de IA da Salesforce para o Office of Chief Counsel, Taxpayer Advocate Services e o Office of Appeals. Naquele mesmo mês, a Staffordshire Police anunciou que testaria agentes Agentforce para lidar com chamadas não emergenciais do 101 no Reino Unido a partir de 2026. Em dezembro de 2025, o Department of Neighborhoods em Detroit, Michigan, fez parceria com uma empresa local para implantar um agente de IA de atendimento ao cliente em dois distritos da cidade.
Em fevereiro de 2025, Thomas Shedd, o diretor do Technology Transformation Services, propôs usar agentes de codificação de IA em todo o governo federal dos Estados Unidos. Em abril de 2025, um recrutador do Department of Government Efficiency propôs usar agentes de IA para automatizar o trabalho de cerca de 70.000 funcionários do governo federal dos Estados Unidos como parte de uma startup com financiamento da OpenAI e um acordo de parceria com a Palantir. Essa proposta foi criticada por especialistas por sua impraticabilidade e pela falta de adoção generalizada correspondente por empresas.
Em dezembro de 2025, a Food and Drug Administration anunciou que ofereceria "capacidades de IA agêntica" ao seu pessoal para "gerenciamento de reuniões, revisões pré-mercado, validação de revisões, vigilância pós-mercado, inspeções e conformidade e funções administrativas". Naquele mesmo mês, o Departamento de Defesa dos Estados Unidos lançou o GenAI.mil, uma plataforma interna para o pessoal militar americano usar aplicações baseadas em IA generativa baseadas no Google Gemini, incluindo "fluxos de trabalho agênticos inteligentes". O Secretário de Defesa Pete Hegseth listou aplicações como "[conduzir] pesquisa profunda, [formatar] documentos e até [analisar] vídeo ou imagens em velocidade sem precedentes". Em dezembro de 2025, a agência United States Immigration and Customs Enforcement assinou um contrato com uma empresa para que seu departamento de Enforcement and Removal Operations usasse agentes de IA para rastreamento de paradeiro.
Agentes de IA também foram integrados a sistemas operacionais desenvolvidos pela Microsoft, Apple, ByteDance e Google. Em novembro de 2025, a Microsoft lançou uma build de teste do Windows 11 que incluía agentes para executar tarefas em segundo plano, com a capacidade de ler e escrever arquivos pessoais. Em dezembro de 2025, a ByteDance lançou o Doubao, um agente de IA que pode ser integrado a sistemas operacionais de smartphones, particularmente o Nubia M153 da ZTE. Vários aplicativos na China bloquearam ou restringiram o agente, citando preocupações de privacidade e segurança, incluindo WeChat, Alipay, Taobao, Pinduoduo, Ele.me, e bancos locais.
Navegadores web com agentes de IA integrados são às vezes chamados de navegadores agênticos. Tais agentes podem realizar tarefas e ações de navegador em nome do usuário.
Em 2025, a Microsoft lançou o NLWeb, um substituto agêntico de busca na web que permitiria que sites usassem agentes para consultar conteúdo de sites usando interfaces semelhantes a RSS que permitem a busca e recuperação semântica de conteúdo. Semanas após o lançamento, descobriu-se que o NLWeb criou problemas de segurança e expôs informações sobre usuários a servidores de terceiros.
Padrões da indústria agora cobrem agentes de IA que planejam, negociam e compram mídia digital. Em 2026, o braço tecnológico do Interactive Advertising Bureau, IAB Tech Lab, publicou os Agentic Advertising Management Protocols (AAMP), um framework aberto para agentes que descobrem inventário, negociam e completam transações de mídia em nome de compradores e vendedores. Isso difere da automação nativa de plataforma, como o Google Ads Smart Bidding e o Meta Advantage+, que otimizam lances e entrega dentro de uma única plataforma de publicidade. Agentes multicanal, em vez disso, recomendam mudanças de orçamento entre mídias, tipicamente com um humano no circuito.
Agentes de IA foram propostos como um meio de aumentar a produtividade pessoal e econômica, fomentando maior inovação, e libertando os usuários de tarefas monótonas. No entanto, o artigo de opinião de Parmy Olson na Bloomberg argumentou que os agentes são mais adequados para tarefas estreitas e repetitivas com baixo risco. Por outro lado, pesquisadores sugerem que os agentes poderiam ser aplicados à acessibilidade web para pessoas com deficiência, e pesquisadores da Hugging Face propõem que agentes poderiam ser usados para coordenar recursos, como durante resposta a desastres. A Equipe de Assessoria de P&D da BBC vê os agentes de IA como mais úteis quando seu objetivo atribuído é incerto. Erik Brynjolfsson sugere que os agentes de IA são mais valiosos para aprimorar, em vez de substituir, humanos.
Preocupações com agentes de IA incluem potenciais questões de responsabilidade, um risco aumentado de cibercrime, desafios éticos, e problemas relacionados à segurança de IA e alinhamento de IA. Outras questões envolvem privacidade de dados, supervisão humana enfraquecida, falta de repetibilidade garantida, hacking de recompensa, viés algorítmico, erros de software em cascata, falta de explicabilidade das decisões dos agentes, vulnerabilidades de segurança, sufocamento da concorrência, problemas com subemprego, deslocamento de empregos, descarregamento cognitivo, e o potencial de manipulação do usuário, desinformação ou má-informação. Eles também podem complicar estruturas legais e de avaliação de risco, fomentar alucinações, dificultar contramedidas contra agentes desonestos e sofrer com a falta de métodos de avaliação padronizados. A implantação empresarial de agentes de IA levantou preocupações contratuais relacionadas à alocação de responsabilidade, direitos de propriedade de dados e responsabilidade legal.
Eles também foram criticados por serem caros, terem um impacto negativo no tráfego da internet, e potencialmente prejudiciais ao meio ambiente devido ao alto uso de energia. De acordo com o CEO da Nvidia, Jensen Huang, agentes de IA exigiriam 100 vezes mais poder computacional que LLMs. Há também o risco de aumento da corrupção política, pois os agentes de IA podem não questionar instruções da mesma forma que os humanos.
Jornalistas descreveram agentes de IA como parte de um esforço de empresas de Big Tech para "automatizar tudo". Vários desses CEOs de empresas declararam no início de 2025 que esperam que os agentes de IA eventualmente "entrem na força de trabalho". No entanto, em um estudo preprint, pesquisadores da Universidade Carnegie Mellon testaram o comportamento de agentes em uma empresa de software simulada e descobriram que nenhum dos agentes podia completar a maioria das tarefas atribuídas a eles. Outros pesquisadores tiveram descobertas semelhantes com o Devin AI e outros agentes tanto em ambientes de negócios formais quanto em trabalho freelance.
Em junho de 2025, a CNN argumentou que as declarações dos CEOs sobre a IA substituindo seus funcionários eram uma estratégia para "[manter] os trabalhadores trabalhando ao fazê-los temer perder seus empregos". Empresas de tecnologia pressionaram funcionários a usar modelos de IA generativa em seu trabalho, incluindo agentes de codificação de IA. Brian Armstrong, o CEO da Coinbase, demitiu vários funcionários que não o fizeram. Alguns líderes empresariais substituíram alguns de seus funcionários por agentes, mas disseram que os agentes precisariam de mais supervisão que esses funcionários.
Em outubro de 2025, a Futurism questionou se os esforços previamente anunciados da Amazon para substituir partes de sua força de trabalho por IA generativa e agentes de IA poderiam ter levado à interrupção de outubro de 2025 da Amazon Web Services. Grandes empresas de tecnologia como Salesforce, Klarna e IBM anunciaram demissões em 2025, substituindo centenas de seus funcionários em recursos humanos ou atendimento ao cliente por agentes de IA. No entanto, a Klarna mais tarde recontratou vários funcionários humanos.
Yoshua Bengio alertou no Fórum Econômico Mundial de 2025 que "todos os cenários catastróficos com AGI ou superinteligência acontecem se tivermos agentes".
Autoridades financeiras alertaram que a IA "agêntica" mais complexa e autônoma poderia se tornar um canal de risco sistêmico nas finanças. Elas distinguem esses sistemas de outras IAs porque podem perseguir objetivos ao longo de muitos passos, chamar ferramentas e realizar tarefas com relativamente pouca intervenção humana. Em workshops com reguladores, autoridades de bancos centrais e especialistas do setor, os participantes destacaram riscos tanto de sistemas agênticos construídos dentro de instituições financeiras quanto de ferramentas oferecidas por empresas de tecnologia que podem iniciar ou executar ações financeiras. Em um fórum de 2025, 44% dos especialistas pesquisados julgaram que sistemas de IA autônomos ou agênticos eram a fonte atual mais provável de risco sistêmico relacionado à IA nas finanças.
Em março de 2025, a Scale AI assinou um contrato com o Departamento de Defesa dos Estados Unidos para trabalhar com eles, em colaboração com a Anduril Industries e a Microsoft, para desenvolver e implantar agentes de IA com o propósito de auxiliar os militares com "tomada de decisões operacionais". Em julho de 2025, a Fox Business relatou que a empresa EdgeRunner AI construiu um agente offline, compactado e ajustado finamente em informações militares, com o CEO vendo mais LLMs comuns como "fortemente politizados para a esquerda". Naquela época, o modelo da empresa estava sendo usado pelo Comando de Operações Especiais dos Estados Unidos em uma implantação no exterior. Pesquisadores expressaram preocupações de que agentes e os grandes modelos de linguagem nos quais se baseiam poderiam ser enviesados em direção a decisões agressivas de política externa.
Agentes focados em pesquisa têm o risco de viés de consenso e viés de cobertura devido à coleta de informações disponíveis na internet pública. A NY Mag comparou desfavoravelmente o fluxo de trabalho do usuário de navegadores web baseados em agentes à Amazon Alexa, que era "software falando com software, não humanos falando com software fingindo ser humanos para usar software". O mesmo veículo descreveu agentes de navegador web e agentes de uso de computador como uma tentativa de "fazenda de cliques de toda a economia".
Agentes foram ligados à teoria da internet morta devido à sua capacidade de tanto publicar quanto interagir com conteúdo online.
Agentes podem ficar presos em loops infinitos.
Como muitos protocolos entre agentes estão sendo desenvolvidos por grandes empresas de tecnologia, há preocupações de que essas empresas poderiam usar esses protocolos para se beneficiar.
Um relatório da Gartner de junho de 2025 acusou muitos projetos descritos como IA agêntica de serem rebrands de produtos lançados anteriormente, denominando o fenômeno "agent washing".
Pesquisadores alertaram sobre o impacto de fornecer a agentes de IA acesso a criptomoedas e contratos inteligentes.
Durante um experimento de vibe coding, um agente de codificação da Replit deletou um banco de dados de produção durante um congelamento de código, "[encobriu] bugs e problemas criando dados falsos [e] relatórios falsos" e respondeu com informações falsas. Um usuário do Google Antigravity relatou que, quando o usuário tentou usar o sistema para excluir o cache, o sistema respondeu excluindo o disco rígido D do usuário.
Em julho de 2025, a PauseAI denunciou a OpenAI à Polícia Federal Australiana, acusando a empresa de violar leis australianas através do agente ChatGPT devido ao risco de auxiliar o desenvolvimento de armas biológicas.
O cofundador da OpenAI, Andrej Karpathy, criticou os agentes de IA como sendo ineficazes e promovendo AI slop.
Problemas com sistemas multiagentes incluem poucos protocolos de coordenação entre agentes componentes, desempenho inconsistente e desafios de depuração.
Em novembro de 2025, a Anthropic alegou que um grupo de hackers patrocinados pela China tentou um ciberataque contra pelo menos 30 organizações usando o Claude Code em um fluxo de trabalho agêntico, e que várias dessas infiltrações tiveram sucesso. No entanto, pesquisadores independentes de segurança cibernética questionaram a significância das descobertas da Anthropic.
Whittaker argumentou que o esforço das empresas de Big Tech para implantar agentes de IA arriscava vulnerabilidades de segurança em toda a Internet.
"Desalinhamento agêntico" refere-se a situações em que as ações ou objetivos de um agente de IA divergem das intenções de seus projetistas. Isso ocorre quando um sistema autônomo persegue estratégias não intencionais para alcançar seus objetivos, uma preocupação estudada na pesquisa de segurança de IA. Exemplos potenciais incluem agentes de IA tentando sabotar os sistemas de uma organização quando enfrentam atualizações ou desativação.
Em 21 de julho de 2026, a OpenAI divulgou que, durante um teste de segurança cibernética de capture the flag, um modelo de IA não lançado evitou autonomamente restrições de contenção, obteve acesso à internet pública e comprometeu o Hugging Face, uma plataforma onde desenvolvedores hospedam e compartilham modelos e conjuntos de dados de IA. Fatores que contribuíram para o incidente foram a falta de monitoramento de log das atividades de software e sandboxing inadequado.
Em 24 de setembro de 2026, foi anunciado que um modelo de fronteira interno da OpenAI obteve autonomamente acesso não autorizado em 18 de junho ao Medicare Statistics Reporting Service, um site do Governo Australiano que contém dados sobre o esquema de seguro de saúde universal do país, o Medicare. Isso foi descrito como o primeiro caso conhecido de um agente de IA hackeando uma rede governamental e aumentou a preocupação sobre segurança de IA e perda de controle.
Em resposta a esses hacks, a OpenAI anunciou que desaceleraria o desenvolvimento de modelos, incluindo uma pausa de duas semanas no aprendizado por reforço de seus modelos mais recentes para "avaliar o comportamento do modelo, validar nossas salvaguardas e estabelecer mais evidências de alinhamento antes de prosseguir".
Várias estruturas são usadas para identificar e mitigar riscos de segurança em IA agêntica:
Empresas como Google, Microsoft e Amazon Web Services ofereceram plataformas para implantar agentes de IA pré-construídos. Vários protocolos foram propostos para padronizar a comunicação entre agentes, como Agent2Agent, Gibberlink, e outros.
Em dezembro de 2025, a Linux Foundation anunciou a formação da Agentic AI Foundation (AAIF), com o objetivo de garantir que a IA agêntica evolua de forma transparente e colaborativa.
The AI Agent Standards Initiative ensures that the next generation of AI—agents capable of autonomous actions—is widely adopted with confidence.
An artificial intelligence (AI) agent is a system that autonomously performs tasks by designing workflows with available tools.
We started small, as the question of how much a single query costs is vitally important to understanding the bigger picture. That's because those queries are being built into ever more applications beyond standalone chatbots: from search, to agents, to the mundane daily apps we use to track our fitness, shop online, or book a flight. The energy resources required to power this artificial-intelligence revolution are staggering, and the world's biggest tech companies have made it a top priority to harness ever more of that energy, aiming to reshape our energy grids in the process.
Lots of AI companies are building reasoning models, which "think" for longer and use more energy. They're building hardware devices, perhaps like the one Jony Ive has been working on (which OpenAI just acquired for $6.5 billion), that have AI constantly humming along in the background of our conversations. They're designing agents and digital clones of us to act on our behalf. All these trends point to a more energy-intensive future (which, again, helps explain why OpenAI and others are spending such inconceivable amounts of money on energy).
In other words, flawed products won't stop tech companies' push to automate everything—the AI-saturated future will be imperfect at best, but it is coming anyway.
These deployment safeguards were intentionally not enabled during this evaluation
redujeron intencionalmente los controles de seguridad que normalmente impiden que los modelos realicen actividades cibernéticas de alto riesgo