Um agente IA é um sistema que permite a um modelo de linguagem escolher por si mesmo as etapas e as ferramentas necessárias para atingir um objetivo, em ciclo, até que a tarefa seja concluída ou que um limite o pare. Distingue-se de um workflow automatizado, cujo caminho é escrito antecipadamente, e de um assistente que só age a pedido, turno a turno. Este guia explica como funciona, que tipo de agente escolher, como testá-lo e como enquadrar os seus acessos e o seu custo.
A palavra «agente» está hoje colada a produtos muito diferentes, desde o simples chatbot dotado de uma pesquisa web até sistemas capazes de encadear dezenas de ações num software empresarial. Para decidir se precisa de um, e de qual, é necessário regressar ao mecanismo: quem decide a próxima ação, com que direitos, e quem verifica o resultado. Este é o fio condutor desta página, que remete depois para guias mais especializados.
O que é um agente IA e o que pode realmente fazer?
A definição mais utilizada na indústria vem do guia Building effective agents publicado pela Anthropic em dezembro de 2024. O editor separa aí duas famílias de «sistemas agenticos»: os workflows, onde modelos e ferramentas são orquestrados por um caminho de código definido antecipadamente, e os agentes, onde o modelo dirige ele próprio o seu processo e o uso das ferramentas. Na prática, resume este texto, um agente não é frequentemente mais do que um modelo de linguagem que utiliza ferramentas em função dos retornos do seu ambiente, num ciclo. Para ir mais longe, leia o nosso artigo «O que é um agente IA? Definição, funcionamento e exemplos».
Concretamente, um agente pode fazer tudo o que as suas ferramentas lhe permitem: interrogar uma base de dados, pesquisar na web, ler um documento, criar um ticket, redigir e enviar um e-mail, executar código ou preencher um formulário. Não pode fazer nada fora dessas ferramentas e dos direitos que lhes estão associados. Também não garante a correção do que produz: a Anthropic sublinha que a autonomia se paga com um custo mais elevado e com um risco de erros que se acumulam de uma etapa para a outra.
Workflow, assistente com ferramentas, agente autónomo: três graus de autonomia
A distinção útil não é entre «IA» e «não IA», mas entre três maneiras de repartir a decisão. A tabela abaixo compara-as nos pontos que contam no momento de implementar.
| Abordagem | Quem decide as etapas | Exemplo | Supervisão típica | Risco principal |
|---|---|---|---|---|
| Workflow determinístico | O concecionista, uma vez por todas; o modelo só intervém numa etapa precisa | Cada formulário recebido é resumido por um modelo e depois registado no CRM | Leitura dos registos de execução | Casos não previstos pelo caminho escrito |
| Assistente com ferramentas | O modelo propõe uma ação, o utilizador está presente em cada turno | Um assistente consulta a sua agenda para propor um horário | O utilizador relê cada resposta | Ação mal compreendida mas visível de imediato |
| Agente autónomo | O modelo encadeia várias ações até ao objetivo | Tratar uma fila de pedidos de clientes, desde a leitura até à classificação | Limites, validação humana das ações sensíveis, registos | Erros em cascata, ações não desejadas, deriva dos custos |
Estas fronteiras são porosas: um workflow pode conter uma etapa agentica, e um agente pode ser encerrado num workflow muito enquadrado. A comparação detalhada entre agente IA e chatbot, a definição estrita do que é um agente IA e a arbitragem entre automatização clássica e agente IA são cada um objeto de um guia dedicado deste dossiê.
Como funciona um agente IA: modelo, ferramentas, memória e ciclo de ação
Todos os agentes assentam na mesma mecânica, independentemente da ferramenta que os aloja. Quatro blocos bastam para a descrever.
- O modelo: um grande modelo de linguagem lê o objetivo, o histórico e os resultados já obtidos, e depois escolhe a próxima ação. A sua capacidade de seguir instruções e de chamar ferramentas corretamente pesa mais do que a sua pontuação geral; a ferramenta qual modelo de IA escolher para a sua tarefa ajuda a triar os candidatos.
- As ferramentas: cada ferramenta é descrita ao modelo por um nome, uma descrição e um esquema de parâmetros. O modelo não a executa ele próprio: produz um pedido de chamada estruturado, que a aplicação executa antes de lhe devolver o resultado.
- A memória: a curto prazo, é o histórico conservado na janela de contexto; a longo prazo, são documentos ou notas que o agente vai buscar, frequentemente através de uma pesquisa numa base documental do tipo RAG, assunto tratado no nosso guia sobre IA local e RAG.
- O ciclo e os seus limites: o agente observa o resultado da sua ação, decide a seguinte, e para quando o objetivo é atingido ou quando uma condição de paragem é ultrapassada (número máximo de iterações, duração, orçamento).
Esta alternância entre raciocínio e ação foi formalizada já em 2022 pelo artigo de investigação ReAct, de Shunyu Yao e seus coautores, que fazia intercalar ao modelo etapas de reflexão e ações sobre uma fonte externa. A Anthropic insiste por seu lado em dois pontos práticos: o agente deve obter em cada etapa uma «verdade de terreno» do seu ambiente (o resultado real de uma ferramenta ou de um código), e a descrição das ferramentas merece tanto cuidado como uma interface destinada a humanos.
Resta ligar estas ferramentas. O Model Context Protocol (MCP), lançado pela Anthropic em novembro de 2024 e depois confiado em dezembro de 2025 à Agentic AI Foundation, uma estrutura da Linux Foundation, normaliza a maneira como uma aplicação de IA se liga a serviços externos. A sua especificação, na versão datada de 28 de julho de 2026, descreve servidores que expõem ferramentas, recursos e modelos de mensagens; o nosso guia dedicado ao MCP detalha a sua arquitetura. Para aprofundar, consulte «MCP: compreender o Model Context Protocol e os seus usos».
Um pedido de reembolso tratado de ponta a ponta
O cenário seguinte é ilustrativo: mostra o ciclo num caso comum de apoio ao cliente, um dos dois usos que a Anthropic considera mais adequados para agentes, a par do desenvolvimento de software. Detalhamos este ponto em «Agentes IA na empresa: dez casos de uso realmente úteis».
- Chega um e-mail: um cliente sinaliza uma encomenda danificada e pede um reembolso.
- O agente chama a ferramenta de pesquisa de cliente e recupera a encomenda.
- Consulta a política de devolução na base documental e constata que o pedido está dentro do prazo.
- Prepara o reembolso, mas a ferramenta de pagamento está configurada para exigir uma validação humana: o pedido é enviado a um consultor com o montante e a justificação.
- Uma vez recebida a validação, o agente executa o reembolso, responde ao cliente e regista cada etapa no ticket.
O ponto-chave está na etapa 4: o agente decide o encadeamento, mas a ação irreversível permanece sujeita a um humano. É este ajuste, muito mais do que a escolha do modelo, que determina o nível de risco.
Que tipos de agentes IA escolher de acordo com a sua necessidade?
Os agentes distinguem-se menos pela sua tecnologia do que pelo local onde são executados e pelo que os desencadeia. A tabela seguinte agrupa as grandes famílias disponíveis em novembro de 2026.
| Família | Desencadeamento | Usos típicos | Ponto de vigilância |
|---|---|---|---|
| Assistente conversacional ligado | Um pedido do utilizador | Pesquisa, síntese, ações pontuais em aplicações ligadas | Direitos herdados da conta do utilizador |
| Agente de workflow (n8n, Make, Zapier) | Um evento: e-mail, formulário, horário | Triagem de pedidos, enriquecimento de fichas, respostas preparadas | Execução sem testemunha, daí a importância dos registos |
| Agente de código | Uma tarefa de desenvolvimento | Corrigir um bug, escrever testes, migrar código | Acesso ao repositório e aos segredos do projeto |
| Agente de navegação ou agente pessoal | Uma missão confiada pelo utilizador | Comparar ofertas, preencher formulários, reservar | Conteúdos web maliciosos, pagamentos |
| Sistema multiagentes | Um agente orquestrador que delega | Tarefas longas divididas em subtarefas especializadas | Custo e rastreabilidade que se multiplicam |
Os agentes de navegação são os que mais mudam a relação com os sites e serviços online. O nosso artigo sobre o web agentico mostra como assistentes pessoais poderiam comprar, consultar e pagar conteúdos em nome do utilizador, e porque é que as grandes plataformas poderiam tentar bloquear o acesso. Os sistemas multiagentes, por seu lado, pertencem a um assunto por direito próprio, a orquestração multiagentes, que será tratada separadamente. Para ir mais longe, leia o nosso artigo «Orquestração multiagentes: como coordenar vários agentes IA?».
Os critérios que fazem a diferença
Antes de escolher um tipo de agente, coloque estas seis questões sobre a tarefa visada. Quanto mais as respostas se inclinam para a direita de cada alternativa, mais um workflow simples ou um assistente supervisionado será preferível a um agente autónomo.
- Variabilidade: os pedidos mudam muito de uma vez para a outra, ou seguem sempre o mesmo caminho?
- Número de etapas: é imprevisível, ou pode escrevê-lo antecipadamente?
- Reversibilidade: um erro corrige-se com um clique, ou envolve dinheiro, um cliente, dados?
- Verificabilidade: o resultado pode ser controlado automaticamente (testes, regras), ou apenas por um especialista?
- Sensibilidade dos dados: o agente manipula dados públicos, ou pessoais e confidenciais?
- Volume: a tarefa repete-se centenas de vezes por mês, ou apenas algumas vezes?
A Anthropic recomenda explicitamente começar pela solução mais simples e só adicionar autonomia quando esta melhora o resultado de forma mensurável. Para os casos de uso de agentes IA na empresa e a escolha das melhores ferramentas de agentes IA, dois guias deste dossiê detalham exemplos e uma comparação por uso. Detalhamos este ponto em «Melhores ferramentas para criar um agente IA: comparação por uso».
Como construir e testar um primeiro agente?
Existem dois caminhos. As plataformas de automatização visual (n8n, Make, Zapier Agents) permitem criar um agente IA sem programar, montando um desencadeador, um modelo e ferramentas; um tutorial dedicado ao agente IA com n8n mostra esta montagem passo a passo. Os kits de desenvolvimento dos editores de modelos oferecem mais controlo, ao preço de um trabalho de engenharia. Em ambos os casos, o método mantém-se o mesmo. O assunto é objeto de um artigo dedicado: «Criar um agente IA com n8n: tutorial, custos e salvaguardas».
- Escolha uma tarefa delimitada, frequente e pouco arriscada: triar pedidos recebidos em vez de «gerir o apoio».
- Escreva a definição de sucesso: como é uma tarefa concluída, e o que nunca deve acontecer.
- Dê o mínimo de ferramentas, em modo de leitura apenas inicialmente; adicione os direitos de escrita um a um.
- Redija as instruções: papel, objetivo, regras, formato de saída, conduta a ter em caso de dúvida.
- Fixe os limites: número de iterações, duração máxima, orçamento por execução. No n8n, por exemplo, o nó AI Agent limita por defeito o agente a 10 iterações.
- Constitua um conjunto de teste a partir de casos reais, adicionando casos ambíguos, incompletos ou armadilhados.
- Lance um piloto supervisionado, com validação humana das ações sensíveis e registo de cada etapa.
O teste é a etapa mais frequentemente descurada. O nosso guia para avaliar agentes IA na empresa recorda um cálculo simples: um agente que consegue uma tarefa 80% das vezes tem apenas cerca de 33% de probabilidades de a conseguir cinco vezes seguidas. A fiabilidade deve portanto ser medida em execuções repetidas, não numa demonstração bem-sucedida; o método para avaliar um agente IA será objeto de um guia específico deste dossiê.
O que faz falhar um primeiro agente
- Um objetivo vago, que deixa o modelo interpretar a missão.
- Demasiadas ferramentas, ou ferramentas com descrições vagas, que provocam más escolhas de chamada.
- Nenhuma condição de paragem, e portanto ciclos que consomem chamadas sem chegar a bom termo.
- Testes limitados aos casos fáceis, que escondem falhas nos pedidos atípicos.
- Direitos de escritura concedidos desde o primeiro dia, antes de observar o comportamento real.
Como garantir a segurança dos acessos e dominar os custos?
A OWASP, a fundação de referência em segurança aplicacional, classifica a «agentividade excessiva» entre os dez riscos maiores das aplicações baseadas em modelos de linguagem (fiche LLM06:2025). Identifica três causas: funções desnecessárias (uma ferramenta que pode apagar quando basta ler), permissões demasiado amplas (uma conta de serviço omnipotente em vez dos direitos do utilizador) e demasiada autonomia (ações de alto impacto sem validação). As contramedidas decorrem diretamente deste diagnóstico: ferramentas especializadas em vez de genéricas, menor privilégio, aprovação humana das ações de alto impacto, e controlo das autorizações nos sistemas alvo em vez de no julgamento do modelo.
O segundo risco próprio dos agentes é a injeção de prompt indireta: um e-mail, uma página web ou um documento tratado pelo agente contém instruções que desviam o seu comportamento. A OWASP, que o faz o risco número um (LLM01:2025), precisa que nem o RAG nem o ajuste do modelo bastam para o impedir. A especificação MCP estabelece o mesmo princípio do lado dos conectores: a aplicação anfitriã deve obter o consentimento explícito do utilizador antes de invocar uma ferramenta, e as descrições de ferramentas devem ser consideradas não fiáveis enquanto não vierem de um servidor de confiança. A segurança dos agentes IA, a governação dos agentes e a prevenção da injeção de prompt são detalhadas em guias dedicados.
Quanto aos segredos, a regra é simples: uma chave de API nunca deve figurar nas instruções do agente nem num ficheiro partilhado. Deve ser guardada no cofre de credenciais da plataforma, limitada a um uso, e revogada se for divulgada.
Estimar o custo antes de lançar
Um agente consome tokens em cada volta do ciclo, e a fatura cresce rapidamente porque o contexto aumenta à medida que os resultados das ferramentas se acumulam. A tabela de preços da Anthropic recorda também que as definições de ferramentas enviadas ao modelo contam como tokens de entrada. Para fixar as ordens de grandeza, tomemos um exemplo teórico com o Claude Sonnet 5.5, faturado a 2 dólares por milhão de tokens em entrada e 10 dólares por milhão em saída (preços verificados em novembro de 2026):
- 8 chamadas ao modelo por tarefa, com em média 6 000 tokens em entrada e 400 em saída;
- ou seja, 48 000 tokens em entrada (cerca de 0,096 dólar) e 3 200 em saída (cerca de 0,032 dólar);
- cerca de 0,13 dólar por tarefa, portanto cerca de 64 dólares para 500 tarefas por mês, fora a subscrição da plataforma e fora o tempo de supervisão.
Estas hipóteses variam enormemente de agente para agente: uma nova tentativa, um documento volumoso ou um subagente podem multiplicar o total. A calculadora de custo de um agente IA permite refazer este cálculo com o seu cenário, os seus volumes e o seu modelo, e o guia sobre o custo de um agente IA detalhará os itens ocultos: supervisão, manutenção, avaliação.
O que diz a AI Act
O regulamento europeu sobre IA (AI Act) não raciocina por tecnologia mas por uso e nível de risco: um agente que tria candidaturas não tem as mesmas obrigações que um agente que resume uma vigilância. De acordo com a página da Comissão Europeia dedicada ao texto, consultada em novembro de 2026, o regulamento modificativo denominado «omnibus digital» (regulamento (UE) 2026/1744), que entrou em vigor a 27 de julho de 2026, adiou as regras aplicáveis aos sistemas de alto risco: aplicar-se-ão a partir de 2 de dezembro de 2027 para os domínios sensíveis listados no anexo III (emprego, educação, biométrica, nomeadamente) e de 2 de agosto de 2028 para os sistemas integrados em produtos. O teste para saber se está abrangido pela AI Act dá uma primeira orientação, e o nosso guia da AI Act na empresa detalhará as obrigações; nenhum destes conteúdos substitui o parecer de um jurista. O assunto é objeto de um artigo dedicado: «AI Act: guia das obrigações e da governação da IA na empresa».
Lista de verificação antes da implementação em produção
- Cada ferramenta tem um papel único e direitos mínimos, documentados.
- As ações irreversíveis (pagamento, envio, eliminação) exigem uma validação humana.
- Os conteúdos externos tratados pelo agente são considerados não fiáveis.
- As chaves de API são armazenadas num cofre, nunca nas instruções.
- Limites de iterações, de duração e de orçamento estão ativos.
- Cada execução é registada: entradas, chamadas de ferramentas, decisões, custo.
- Um conjunto de teste é reexecutado em cada modificação das instruções, do modelo ou das ferramentas.
- Uma pessoa é designada para reler os registos e parar o agente se necessário.
Perguntas frequentes sobre agentes autónomos
Um agente IA pode trabalhar sem qualquer supervisão?
Tecnicamente sim, desde que disponha de um desencadeador e de ferramentas. Na prática, nenhuma fonte séria o recomenda para ações de alto impacto: tanto a Anthropic como a OWASP preconizam pontos de controlo humanos e condições de paragem. A supervisão pode contudo tornar-se mais leve com o tempo, passando de uma validação sistemática para um controlo por amostragem, uma vez medida a fiabilidade.
É necessário saber programar para criar um agente?
Não, para um primeiro agente: n8n, Make ou Zapier Agents propõem editores visuais onde se montam modelo, ferramentas e instruções. O código torna-se útil quando são necessárias ferramentas à medida, uma integração fina ao sistema de informação ou um controlo preciso dos custos. Em todos os casos, a qualidade do agente depende mais da definição da tarefa e dos testes do que da ferramenta escolhida.
Qual a diferença entre um agente IA e um autómato clássico?
Um autómato segue regras escritas: é previsível, pouco dispendioso, mas não sabe tratar um caso que não foi antecipado. Um agente interpreta a situação e escolhe as suas ações: gere melhor a variedade, ao preço de um custo por execução mais elevado e de um comportamento menos previsível. Muitas implementações bem-sucedidas combinam os dois, com um agente limitado às etapas que exigem julgamento.
Que modelo utilizar para um agente?
Não existe um melhor modelo universal. Um agente exige sobretudo uma boa fiabilidade na chamada de ferramentas e no seguimento de instruções; um modelo mais pequeno e mais barato pode bastar para tarefas de triagem, um modelo mais poderoso impõe-se para raciocínios longos. O comparador interativo de modelos permite cruzar preço, contexto e capacidades, e a comparação dos modelos de IA deste site detalhará o método de escolha.
Como saber se um agente funciona realmente?
Medindo-o num conjunto de casos representativo, reexecutado várias vezes: taxa de sucesso, taxa de ações erradas, número de escaladas para um humano, custo e duração por tarefa. Compare estes números com a situação sem agente, no mesmo período e volume. O limite do exercício é conhecido: um conjunto de teste nunca cobre todos os casos reais, daí o interesse de reler regularmente uma amostra de execuções em produção e de adicionar cada nova falha ao conjunto de teste.
