Série Agentes de IA, parte 1 de 3. Esta série dialoga com a série Inteligência Artificial e parte do conceito de agente que atravessa a área desde os seus manuais clássicos.
Poucas expressões se espalharam tão rápido no mercado de tecnologia quanto agentes de IA. Plataformas anunciam agentes de atendimento, agentes de vendas, agentes que pesquisam, escrevem e publicam. O curioso é que a palavra não é nova. Desde os anos 1990, agente é um conceito técnico com definição relativamente precisa na ciência da computação, e o manual de Russell e Norvig (2013) organiza toda a disciplina em torno dele.
Essa distância entre o uso comercial e o uso acadêmico cria um problema para estudantes e profissionais. Se qualquer chatbot passa a ser chamado de agente, o termo perde valor analítico, e fica difícil comparar sistemas, avaliar riscos ou escrever um trabalho com rigor. Ao mesmo tempo, algo de fato mudou: modelos de linguagem passaram a ser usados como o núcleo de sistemas que planejam, consultam ferramentas e executam tarefas em várias etapas.
Este ensaio recupera a definição clássica, apresenta as propriedades e os tipos de agentes descritos na literatura, discute a nova geração baseada em grandes modelos de linguagem e termina com critérios práticos para distinguir um agente de uma simples automação no marketing digital.
O conceito clássico de agente
Na primeira parte da série Inteligência Artificial, vimos que Russell e Norvig (2013) escolhem a abordagem do agente racional como fio condutor da área. Para eles, um agente é qualquer coisa que percebe seu ambiente por meio de sensores e age sobre ele por meio de atuadores. Uma pessoa, um robô e um programa podem ser agentes. O comportamento do agente é descrito por uma função que associa a sequência de percepções recebidas a uma ação.
Um agente racional é aquele que, para cada sequência de percepções, escolhe a ação que se espera maximizar sua medida de desempenho, dado o que ele percebeu e o conhecimento que possui. Racionalidade, aqui, não é onisciência: o agente pode errar por falta de informação e ainda assim ter agido racionalmente. Para especificar um agente, os autores sugerem descrever a medida de desempenho, o ambiente, os atuadores e os sensores, quadro conhecido pela sigla PEAS em inglês.
Os autores também classificam os ambientes: totalmente ou parcialmente observáveis, determinísticos ou estocásticos, episódicos ou sequenciais, estáticos ou dinâmicos, discretos ou contínuos, com um ou com vários agentes. Essa classificação é útil para um TCC porque permite descrever com precisão a situação em que um sistema opera. Um agente que responde a dúvidas em um site atua em um ambiente bem diferente daquele de um agente que negocia preços com fornecedores.
Autonomia, reatividade, proatividade e habilidade social
Uma das definições mais citadas na literatura sobre agentes vem de Wooldridge e Jennings (1995). Eles propõem uma noção fraca de agente, baseada em quatro propriedades:
- Autonomia: o agente opera sem intervenção direta de humanos e tem algum controle sobre suas ações e seu estado interno.
- Habilidade social: interage com outros agentes, inclusive humanos, por meio de alguma linguagem de comunicação.
- Reatividade: percebe o ambiente e responde a mudanças em tempo hábil.
- Proatividade: não apenas reage, mas toma a iniciativa de agir em direção a objetivos.
Os autores descrevem ainda uma noção forte, em que o agente é modelado com conceitos mentais, como crenças, desejos e intenções. Essa linha deu origem às arquiteturas BDI (do inglês beliefs, desires, intentions), que Rao e Georgeff (1995) aproximaram da prática em sistemas reais. A ideia é que o agente mantém uma representação do mundo (crenças), um conjunto de estados desejáveis (desejos) e compromissos com planos específicos (intenções).
Franklin e Graesser (1997) tentaram responder a uma pergunta que soa muito atual: o que separa um agente de um programa comum? A resposta deles combina várias ideias. Um agente autônomo está situado em um ambiente, faz parte dele, percebe-o e age sobre ele ao longo do tempo, perseguindo sua própria agenda, de forma a afetar o que perceberá no futuro. Um programa de folha de pagamento, por exemplo, não satisfaz essa definição: ele não persiste no ambiente nem age para mudar o que perceberá depois.
Tipos de agentes: do reflexo ao aprendizado
Russell e Norvig (2013) descrevem uma progressão de tipos de agentes, que serve como mapa de complexidade crescente:
- Agente reativo simples: age apenas com base na percepção atual, seguindo regras de condição e ação. Um termostato é o exemplo típico.
- Agente reativo baseado em modelo: mantém um estado interno que registra aspectos do mundo que não estão visíveis no momento.
- Agente baseado em objetivos: considera o futuro e escolhe ações que levam a um objetivo, o que exige busca e planejamento.
- Agente baseado em utilidade: compara estados possíveis por meio de uma medida de quão desejáveis eles são, o que permite lidar com objetivos conflitantes e incerteza.
- Agente com aprendizado: melhora seu desempenho com a experiência, o que conecta este tema ao aprendizado de máquina e às redes neurais, discutidos na parte 2 da série Inteligência Artificial.
Paralelamente, Brooks (1991) defendeu um caminho diferente na robótica. Em vez de agentes que constroem modelos simbólicos detalhados do mundo antes de agir, ele propôs camadas de comportamentos simples e reativos, acoplados diretamente à percepção. A crítica de Brooks à dependência de representações explícitas lembra que não existe uma única arquitetura correta para agentes.
Na mesma década, Maes (1994) estudou agentes de interface, assistentes de software que aprendiam observando o usuário para filtrar mensagens, sugerir reuniões e reduzir a sobrecarga de informação. A promessa de um assistente pessoal que age em nome do usuário, portanto, é bem anterior aos modelos de linguagem.
A nova geração: agentes baseados em grandes modelos de linguagem
A partir de 2023, multiplicaram-se os trabalhos que usam um grande modelo de linguagem como o componente central de decisão de um agente. Em revisão da literatura, Wang et al. (2024) propõem um quadro com quatro módulos: um perfil, que define o papel do agente; a memória, que guarda informações de interações anteriores; o planejamento, que decompõe tarefas em etapas; e a ação, que traduz decisões em operações concretas, como chamar uma ferramenta ou consultar uma base de dados. Xi et al. (2023) organizam o mesmo campo em torno de três partes, que chamam de cérebro, percepção e ação.
O que muda em relação aos agentes clássicos? Primeiro, o agente baseado em modelo de linguagem recebe objetivos em linguagem natural, sem que alguém precise programar cada regra. Segundo, ele aproveita o conhecimento amplo adquirido no pré-treino. Terceiro, consegue produzir planos e justificativas em texto, o que facilita a inspeção humana. Ao mesmo tempo, herda os problemas desses modelos, como a produção de informações falsas com aparência de verdade, tema que a série Inteligência Artificial vai tratar em sua parte final.
Debate e críticas: quando um sistema merece o nome de agente?
Há uma tensão evidente entre o uso amplo e o uso restrito do termo. Pela definição de Russell e Norvig (2013), quase qualquer programa que perceba e aja pode ser descrito como agente, o que torna o conceito inclusivo, mas pouco discriminante. Já Franklin e Graesser (1997) exigem persistência no tempo e agenda própria, critérios que muitos produtos chamados de agentes não atendem.
Chan et al. (2023) propõem tratar a questão como uma escala, e não como uma divisão binária. Para eles, sistemas são mais ou menos agênticos conforme o grau em que perseguem objetivos não totalmente especificados, agem diretamente no mundo sem mediação humana, orientam-se por metas e planejam no longo prazo. Os autores argumentam que, quanto mais um sistema avança nessas dimensões, maiores os riscos de danos difíceis de prever e de atribuir a alguém. Essa abordagem gradual é útil para pesquisa, porque permite comparar sistemas sem cair na disputa sobre quem merece ou não o rótulo.
Também é preciso separar evidência de entusiasmo. As revisões citadas mostram uma grande quantidade de protótipos e experimentos, mas reconhecem que a avaliação de agentes ainda é um problema aberto (Wang et al., 2024; Xi et al., 2023). Demonstrações impressionantes em ambiente controlado não garantem desempenho confiável em tarefas reais e longas.
Aplicação: agente ou automação no marketing digital?
Considere três sistemas que um pequeno negócio pode usar no WhatsApp. O primeiro responde com mensagens fixas a palavras-chave como horário e endereço; é um agente reativo simples, no máximo. O segundo usa um modelo de linguagem para responder perguntas variadas sobre os produtos, sem executar nenhuma ação; é um assistente conversacional, mais próximo de uma interface do que de um agente. O terceiro consulta a agenda, propõe horários, registra o pedido no sistema e envia a confirmação ao cliente; aqui há objetivos, ferramentas e ações com efeito no mundo, ou seja, um grau de agência bem maior. O guia do WhatsApp Business mostra os recursos nativos que correspondem ao primeiro nível.
Para quem trabalha com marketing e conteúdo, algumas perguntas ajudam a classificar uma ferramenta: ela age por conta própria ou só sugere? Usa ferramentas externas? Mantém memória entre sessões? Persegue um objetivo em várias etapas? Quem responde pelos erros? Essas perguntas são, na prática, a tradução das propriedades de Wooldridge e Jennings (1995) e da escala de Chan et al. (2023). Também ajudam a entender por que a inteligência artificial generativa, sozinha, não é sinônimo de agente: gerar texto é uma capacidade, agir é outra.
Para pesquisar: questões e caminhos para TCC
- Como empresas de tecnologia brasileiras usam a palavra agente em seus materiais de divulgação, e quais propriedades de Wooldridge e Jennings aparecem nesses discursos? Método: análise de conteúdo de sites e anúncios.
- Pequenos negócios que adotaram atendimento automatizado distinguem automação de agente? Método: entrevistas semiestruturadas com gestores.
- Qual o grau de agência, segundo a escala de Chan et al. (2023), das ferramentas de IA mais usadas por agências de marketing digital? Método: estudo de casos múltiplos com uma grade de avaliação.
- Usuários confiam mais em um assistente que apenas sugere ou em um que age por conta própria? Método: experimento com cenários e escalas de confiança.
- Como a literatura em português tem traduzido e definido o termo agente inteligente? Método: revisão sistemática.
Palavras-chave de busca: “agentes inteligentes”, “agentes de IA”, “sistemas autônomos”, “agente racional”, “arquitetura BDI”, “agentes conversacionais”; em inglês, “intelligent agents”, “autonomous agents”, “LLM-based agents”, “agentic AI”, “BDI architecture”, “agent autonomy”.
Considerações finais
O conceito de agente é um dos mais antigos e estáveis da inteligência artificial. Perceber, decidir e agir em um ambiente, com algum grau de autonomia e orientação a objetivos, continua sendo o núcleo da definição. O que os modelos de linguagem trouxeram foi um novo tipo de componente de decisão, mais flexível e mais imprevisível. Por isso, a pergunta útil não é se um sistema é ou não um agente, mas quanto de agência ele tem e com que salvaguardas.
Na parte 2 desta série, o foco passa à arquitetura dos agentes baseados em modelos de linguagem: como eles combinam raciocínio e ação, usam ferramentas, guardam memória e consultam fontes externas.
Referências
BROOKS, Rodney A. Intelligence without representation. Artificial Intelligence, v. 47, n. 1-3, p. 139-159, 1991.
CHAN, Alan et al. Harms from increasingly agentic algorithmic systems. In: PROCEEDINGS OF THE 2023 ACM CONFERENCE ON FAIRNESS, ACCOUNTABILITY, AND TRANSPARENCY, 2023.
FRANKLIN, Stan; GRAESSER, Art. Is it an agent, or just a program?: a taxonomy for autonomous agents. In: MÜLLER, Jörg P.; WOOLDRIDGE, Michael J.; JENNINGS, Nicholas R. (ed.). Intelligent agents III: agent theories, architectures, and languages. Berlin: Springer, 1997. (Lecture Notes in Computer Science, v. 1193).
MAES, Pattie. Agents that reduce work and information overload. Communications of the ACM, v. 37, n. 7, 1994.
RAO, Anand S.; GEORGEFF, Michael P. BDI agents: from theory to practice. In: PROCEEDINGS OF THE FIRST INTERNATIONAL CONFERENCE ON MULTI-AGENT SYSTEMS (ICMAS-95), 1995.
RUSSELL, Stuart; NORVIG, Peter. Inteligência artificial. 3. ed. Rio de Janeiro: Elsevier, 2013.
WANG, Lei et al. A survey on large language model based autonomous agents. Frontiers of Computer Science, v. 18, n. 6, 2024.
WOOLDRIDGE, Michael; JENNINGS, Nicholas R. Intelligent agents: theory and practice. The Knowledge Engineering Review, v. 10, n. 2, p. 115-152, 1995.
XI, Zhiheng et al. The rise and potential of large language model based agents: a survey. arXiv, 2023. arXiv:2309.07864.
Como citar este texto
RÚBIO, Mélker. O que são agentes de IA: conceito clássico, tipos e a nova geração baseada em LLMs. MR Academy, Novo Progresso, 31 out. 2026. Disponível em: https://melkerrubio.com/o-que-sao-agentes-de-ia/. Acesso em: [data do seu acesso].
Quer aprofundar com aulas práticas? Conheça os cursos da MR Academy.
