Nem todo processo que usa um modelo de linguagem precisa virar agente. Essa distinção parece óbvia, mas ficou mais difícil à medida que ferramentas de automação passaram a incorporar LLMs, chamadas de ferramentas, memória e roteamento dinâmico. O resultado é que sistemas muito diferentes acabam recebendo o mesmo rótulo de "agente", mesmo quando a execução continua sendo rigidamente definida por código.
A pergunta mais útil não é "dá para fazer com um agente?". Em muitos casos, a resposta técnica será sim. A pergunta que reduz custo e risco é outra: qual parte do processo realmente precisa decidir o próximo passo em tempo de execução? Se o caminho pode ser conhecido antes de começar, a autonomia do agente pode ser um custo sem benefício proporcional. Se o caminho depende do que for descoberto durante a execução, um fluxo adaptativo começa a fazer sentido.
A diferença central está em quem controla o fluxo
A Anthropic faz uma separação arquitetural clara: em workflows, modelos e ferramentas são orquestrados por caminhos predefinidos; em agentes, o próprio modelo direciona dinamicamente o processo e o uso de ferramentas. A Microsoft descreve a mesma diferença em sua documentação: num workflow determinístico, o código define sequência, ramificações, paralelismo e tratamento de erro; num fluxo dirigido por agente, o modelo decide quais ferramentas usar, em que ordem e quando encerrar a tarefa.
Essa distinção elimina um equívoco importante. Um workflow determinístico pode usar IA. Ele pode chamar um LLM para classificar um texto, extrair campos, resumir um documento, gerar uma resposta ou avaliar uma condição. O que permanece determinístico é o controle do processo: o modelo executa uma função dentro de uma etapa, mas não escolhe livremente qual será a próxima etapa.
Por isso, há mais opções do que apenas "automação tradicional" ou "agente". Entre os dois extremos existe uma faixa ampla de arquiteturas em que a IA é usada apenas onde a incerteza exige julgamento, enquanto regras, integrações, validações e ações críticas continuam sob controle explícito.
Quatro níveis de autonomia antes de pensar em multiagentes
Automação sem LLM
Quando entradas, regras e saídas são estruturadas, um workflow comum costuma ser suficiente. Gatilhos, condições, transformações, chamadas de API e persistência de dados podem ser modelados diretamente. Adicionar um modelo a uma regra que já é precisa tende a aumentar variabilidade, custo e dificuldade de teste sem resolver um problema real.
Uma chamada de LLM dentro do workflow
Muitos processos só precisam de IA em um ponto específico. Um e-mail pode ser classificado, um contrato pode ter campos extraídos, uma descrição pode ser normalizada ou um texto pode ser resumido. Depois disso, o workflow retoma o controle. A própria Anthropic recomenda começar pela solução mais simples e observa que, em muitas aplicações, uma única chamada de LLM bem desenhada, eventualmente com recuperação de contexto e exemplos, já é suficiente.
Arquitetura híbrida
Na arquitetura híbrida, o esqueleto do processo continua explícito, mas uma ou mais etapas recebem capacidade de decisão modelada. Um agente pode investigar uma exceção, selecionar uma ferramenta dentro de um conjunto limitado ou produzir uma recomendação; em seguida, o fluxo volta a uma etapa determinística para validar formato, aplicar política, registrar evidências ou pedir aprovação humana. O Google usa exatamente essa combinação em sua documentação de automação agêntica para operações de segurança: agentes adaptativos podem ser inseridos em playbooks determinísticos, mantendo ações críticas sob controle do fluxo.
Agente com loop próprio
O agente passa a ser adequado quando o número ou a ordem das etapas não podem ser previstos com antecedência. O modelo observa o estado, escolhe uma ação, usa uma ferramenta, avalia o resultado e decide o próximo passo. Esse padrão é útil para pesquisa aberta, diagnóstico complexo, tarefas conversacionais com uso de ferramentas e problemas em que a estratégia precisa mudar à medida que novas informações aparecem.
Multiagentes são um degrau adicional de complexidade, não um ponto de partida. Se um único agente consegue planejar e executar a tarefa com ferramentas bem definidas, dividir o processo entre coordenadores e especialistas precisa ter uma justificativa mensurável, como especialização real, paralelismo útil ou separação de responsabilidades.
A matriz de decisão: sete critérios que importam mais que o rótulo
A escolha fica mais clara quando o processo é avaliado por critérios independentes. Eles não formam uma pontuação automática. Um único fator, como consequência grave de erro, pode pesar mais que todos os demais. O objetivo é revelar onde a autonomia cria valor e onde ela apenas transfere controle do código para um modelo probabilístico.
1. Previsibilidade do caminho
Se as etapas são conhecidas, repetitivas e mudam pouco de uma execução para outra, o caso é forte para workflow determinístico. O Google caracteriza esse tipo de workload como previsível, sequencial e com caminho claramente definido. A Microsoft também recomenda automação tradicional para processos estáveis, conhecidos e previsíveis.
Quando cada solicitação pode exigir uma sequência diferente, a análise muda. Processos com exceções frequentes, necessidade de escolher ferramentas conforme resultados intermediários ou planejamento que só pode ser feito depois de observar novos dados favorecem execução adaptativa. Ainda assim, a parte dinâmica pode ser isolada em um trecho do processo em vez de dominar todo o fluxo.
2. Ambiguidade do input
Input não estruturado não é sinônimo de agente. Um PDF, e-mail, áudio ou texto livre pode ser ambíguo para regras tradicionais e ainda assim exigir apenas uma transformação bem definida. Se a tarefa é "extraia estes campos" ou "classifique entre estas categorias", uma chamada de modelo dentro de um workflow pode resolver o problema sem entregar ao modelo o controle da orquestração.
O agente começa a ganhar espaço quando a ambiguidade afeta não apenas a interpretação do dado, mas a própria estratégia. Se, depois de ler o input, o sistema precisa decidir o que investigar, qual fonte consultar, quais perguntas fazer ou qual sequência de ações seguir, existe uma necessidade real de decisão em tempo de execução.
3. Necessidade de julgamento e planejamento
Há diferença entre julgamento local e planejamento global. Julgamento local é escolher uma classe, estimar relevância, resumir, extrair ou avaliar uma resposta. Planejamento global é decidir como decompor o problema e coordenar ferramentas até atingir um objetivo. O primeiro cabe naturalmente em uma etapa de IA dentro de um fluxo fixo. O segundo é o território típico de um agente.
A documentação do Google separa workflows determinísticos de casos que exigem orquestração dinâmica, nos quais o sistema precisa planejar, delegar e coordenar tarefas sem um script predefinido. Essa é uma fronteira mais útil do que perguntar se o processo "usa raciocínio". Quase toda aplicação com LLM pode envolver algum julgamento; poucas precisam deixar o modelo controlar o processo inteiro.
4. Reversibilidade da ação
Quanto mais difícil desfazer uma ação, menor deve ser a autonomia concedida sem controles adicionais. Ler dados, gerar um rascunho ou montar uma recomendação é diferente de enviar dinheiro, apagar registros, alterar produção, conceder acesso ou comunicar algo externamente em nome da empresa.
Uma arquitetura pode usar agente para análise e ainda reservar a execução final a uma etapa determinística ou a uma aprovação humana. A Anthropic destaca esse princípio de controle humano ao tratar permissões diferentes para ações de leitura e ações que produzem efeitos externos. O Google também associa supervisão humana a tarefas de maior risco ou subjetividade.
5. Consequência do erro
Não basta estimar a probabilidade de falha. É preciso multiplicar essa probabilidade pelo impacto. Um erro em uma sugestão interna pode ser barato; o mesmo erro em uma decisão financeira, de segurança ou de acesso pode ser caro mesmo se ocorrer raramente. Quanto maior a consequência, mais importante se torna limitar ferramentas, definir políticas explícitas, validar saídas e criar pontos de parada.
Em processos críticos, a pergunta deixa de ser "o agente acerta na maioria das vezes?" e passa a ser "qual é o pior efeito que uma decisão errada pode produzir antes de alguém perceber?". Essa mudança de foco ajuda a decidir onde inserir aprovação humana e quais ações devem permanecer fora do alcance direto do agente.
6. Custo e latência
Agentes tendem a trocar previsibilidade por flexibilidade. Eles podem fazer várias chamadas de modelo, consultar ferramentas repetidamente, reconsiderar planos e executar ciclos de avaliação. A Anthropic alerta que sistemas agênticos frequentemente aumentam latência e custo em troca de melhor desempenho em tarefas que realmente precisam dessa complexidade. O Google também aponta alta latência e custo operacional em padrões de coordenação e decomposição mais complexos.
Por isso, uma tarefa com SLA curto ou volume muito alto merece um baseline simples antes de qualquer loop agentivo. Se uma única inferência resolve 95% dos casos e os 5% restantes podem ser encaminhados para revisão ou exceção, talvez seja economicamente melhor tratar a cauda separadamente do que transformar 100% das execuções em agentes.
7. Observabilidade e auditabilidade
Quanto mais um processo precisa ser explicado, reproduzido ou auditado, mais valioso é ter um fluxo explícito. A Microsoft coloca a necessidade de guardrails claros e controle revisável como um motivo para escolher workflows determinísticos. Em sistemas adaptativos, isso não significa abandonar agentes, mas exigir tracing, logs de ferramentas, estados intermediários, critérios de parada e registros de aprovação.
Observabilidade também afeta depuração. Em um fluxo fixo, é relativamente simples localizar a etapa que falhou. Em um agente, a falha pode estar na interpretação do objetivo, na escolha da ferramenta, nos dados recebidos, na sequência de ações ou no encerramento prematuro. Se a equipe não consegue observar essas decisões, a autonomia vira uma caixa-preta operacional.
Um método de decisão que começa pelo processo, não pela tecnologia
Desenhe primeiro o caminho sem IA
Antes de escolher ferramenta, descreva como o processo funciona hoje. Identifique entradas, saídas, regras, integrações, exceções e decisões humanas. Isso mostra quais partes já são determinísticas e quais dependem de interpretação ou investigação.
Separe regra, julgamento e planejamento
Para cada decisão, pergunte se ela pode ser escrita como regra objetiva, se precisa de julgamento de modelo com saída limitada ou se exige descobrir o próximo passo durante a execução. Regra vai para código ou workflow. Julgamento limitado pode virar uma chamada de LLM. Planejamento dinâmico é candidato a agente.
Coloque aprovação onde o impacto muda de classe
Aprovação humana não precisa aparecer em todas as etapas. Ela é mais útil antes de ações irreversíveis, externas, financeiras, privilegiadas ou difíceis de corrigir. O agente pode preparar contexto, comparar alternativas e recomendar uma ação, deixando para a pessoa apenas a decisão que realmente exige responsabilidade.
Teste a solução mais simples como baseline
Comece com a menor arquitetura capaz de executar a tarefa: automação tradicional, uma chamada de LLM ou um pequeno encadeamento com validações. Meça qualidade, custo, tempo, taxa de exceção e quantidade de intervenção humana. Só aumente autonomia quando houver evidência de que a versão simples falha por falta de adaptação, não por prompt ruim, dados ruins ou integração incompleta.
Defina um orçamento de autonomia
Uma forma prática de pensar é tratar autonomia como recurso escasso. Cada permissão concedida ao modelo aumenta o espaço de ação e, portanto, a superfície de erro. O orçamento deve crescer apenas onde há ganho concreto: menos exceções manuais, melhor cobertura de casos ambíguos, redução de tempo ou capacidade de resolver tarefas que um fluxo fixo não consegue representar.
Processo 1: reembolso de despesas
Um sistema de reembolso raramente precisa ser totalmente agentivo. Receber o comprovante, validar formato, extrair valor, identificar centro de custo, conferir duplicidade e comparar limites podem seguir um workflow conhecido. Um LLM pode entrar apenas para extrair dados de documentos variados ou classificar a natureza da despesa.
O trecho agentivo aparece nas exceções: falta de informação, política ambígua, divergência entre recibo e declaração ou necessidade de localizar uma regra interna. Nesse ponto, um agente pode buscar documentos autorizados, explicar a inconsistência e propor o que fazer. A ação financeira, porém, pode permanecer condicionada a regras determinísticas e aprovação humana quando o valor, a exceção ou a política ultrapassarem limites definidos.
Essa decomposição evita usar um agente para repetir centenas de passos triviais, mas preserva flexibilidade justamente onde o fluxo rígido costuma quebrar.
Processo 2: suporte técnico B2B
Autenticar o cliente, identificar contrato, carregar histórico, aplicar SLA e registrar ticket são etapas determinísticas. Resumir o relato ou classificar o assunto pode ser feito por uma chamada de LLM. Se o problema é conhecido, o próprio workflow pode acionar um procedimento de diagnóstico predefinido.
Um agente passa a ser útil quando o incidente é aberto: ele precisa escolher consultas, correlacionar logs, formular hipóteses e mudar a investigação conforme resultados
intermediários. Mesmo assim, ações como alterar configuração de produção, reiniciar serviços críticos, conceder crédito ou mudar permissões podem ficar atrás de validações explícitas ou aprovação humana.
O ganho do híbrido é preservar velocidade na investigação sem transformar todo o atendimento em uma sequência imprevisível. O agente decide onde a incerteza exige exploração; o workflow protege as fronteiras operacionais.
Processo 3: pesquisa e produção de relatório
Se o escopo é fixo, as fontes são conhecidas e o relatório segue um modelo estável, um workflow pode coletar dados, normalizar resultados e chamar um LLM uma ou duas vezes para síntese. Não há vantagem automática em criar um agente apenas porque o material é textual.
A pesquisa se torna agentiva quando a pergunta é aberta e a próxima fonte depende do que foi encontrado. O agente pode formular consultas, selecionar ferramentas, comparar evidências e decidir quando existe informação suficiente para encerrar. A etapa final de publicação, envio a clientes ou uso da conclusão em uma decisão de alto impacto pode continuar separada, com revisão humana e critérios de qualidade.
Esse exemplo mostra por que "usar IA" e "usar agente" não são sinônimos. O mesmo processo pode começar determinístico, abrir uma janela agentiva de investigação e terminar novamente em um fluxo controlado.
Sinais de que você está agentizando cedo demais
O primeiro sinal é quando a justificativa principal é o formato do input. Texto livre, PDF ou conversa justificam uso de modelo, mas não necessariamente autonomia. O segundo é quando a equipe não consegue apontar qual decisão de próximo passo precisa ser tomada em tempo de execução. Se todas as transições já são conhecidas, provavelmente existe um workflow escondido atrás do nome "agente".
Outro sinal é a ausência de baseline. Sem comparar o agente com uma versão simples, não é possível saber se a complexidade adicional realmente aumenta qualidade ou apenas adiciona chamadas, latência e dificuldade de depuração. A recomendação da Anthropic de começar pela solução mais simples é especialmente útil aqui porque evita transformar arquitetura em demonstração de tecnologia.
Também é um alerta quando o agente recebe acesso direto a ações de alto impacto antes de existirem logs, limites, permissões e pontos de aprovação. Autonomia não deve ser confundida com ausência de governança. Quanto mais liberdade o sistema tem para decidir, mais importante fica delimitar o que ele pode fazer e como suas decisões serão observadas.
A arquitetura híbrida não é um meio-termo genérico
Chamar algo de híbrido só faz sentido quando existe uma divisão consciente de responsabilidades. O workflow deve controlar o que é estável, testável e regulado por regras. A IA deve lidar com interpretação onde as regras ficam frágeis. O agente deve assumir apenas os trechos em que o caminho precisa ser descoberto durante a execução. E a pessoa deve permanecer nos pontos em que contexto, responsabilidade ou impacto tornam inadequada uma decisão totalmente automática.
Essa composição pode ser simples. Um agente não precisa controlar a aplicação inteira. Ele pode ser uma etapa em um processo maior, receber ferramentas limitadas, devolver um resultado estruturado e encerrar. O Google descreve justamente a combinação de agentes com passos determinísticos, e a Microsoft trata workflows controlados por código e loops dirigidos por agente como abordagens que podem coexistir na mesma arquitetura.
Regra final: dê autonomia apenas ao trecho que precisa dela
Se o caminho é conhecido, use workflow. Se o caminho é conhecido, mas uma etapa exige interpretação, coloque IA dentro do workflow. Se apenas algumas exceções exigem exploração, use uma arquitetura híbrida. Se a tarefa é aberta e o próprio sistema precisa descobrir, testar e adaptar a sequência de ações, use um agente. E se uma única chamada de modelo resolve o problema, não há prêmio técnico por transformar isso em um agente.
A decisão madura não é escolher a opção mais autônoma. É escolher o menor nível de autonomia que consegue lidar com a variabilidade real do processo, mantendo custo, latência, risco e observabilidade em níveis aceitáveis. Agentes são valiosos quando removem a rigidez que impede o processo de avançar. Fora desse ponto, determinismo continua sendo uma vantagem, não uma limitação.
