Agente, time de agentes ou fluxo simples: como decidir

Colocar mais agentes não deixa a IA mais inteligente. Quase sempre só deixa a conta mais cara.

Essa frase parece provocação, mas é o resumo honesto do que os dados mais recentes mostram. Multiagente virou o novo “vamos colocar IA”: é escolhido porque parece sofisticado, não porque a tarefa pede. Neste artigo eu mostro o que os números dizem, onde está o erro de raciocínio e um roteiro prático para decidir entre um fluxo simples, um agente só ou um time de agentes.

O que os dados mostram sobre times de agentes?

Em 9 de outubro de 2026, a Vals AI, empresa especializada em avaliação de modelos, publicou um estudo direto sobre o tema: Do Agent Teams Pay Off? A Case Study on Vibe Code Bench. Eles pediram a dois modelos de ponta que construíssem 50 aplicações web completas a partir de uma especificação de produto, de duas formas: com um agente sozinho e com um time, em que um agente líder podia delegar partes do trabalho a até cinco subagentes. Cada configuração rodou com esforço de raciocínio médio e máximo.

O que eles encontraram:

• Os times custaram de 1,8 a 5,1 vezes mais por aplicação do que o agente sozinho.
• Só uma das quatro comparações teve ganho estatisticamente significativo: um dos modelos, em esforço médio, ganhou 7,3 pontos com o time. As outras três variaram de −0,3 a +3,4 pontos, sem significância.
• No cenário mais caro, o custo médio foi de US$ 23,77 para US$ 122 por aplicação, para um ganho de 3,4 pontos que não passou no teste estatístico. O tempo mediano subiu de 75 para 174 minutos.
• Mais raciocínio competiu com o time. Em um dos modelos, o agente sozinho em esforço máximo teve nota maior (89,0%) que o time em esforço médio (84,9%), embora a um custo 1,6 vez maior.

O próprio estudo explica de onde vem o custo extra: cada subagente carrega o próprio contexto, com a especificação e o estado do trabalho, e esse contexto é reenviado a cada chamada ao modelo. Coordenação não é de graça.

Os autores também são claros sobre os limites: é um benchmark de aplicações web, com uma execução por configuração, e os dois modelos rodaram em ambientes diferentes. Não prova que multiagente nunca vale. Prova que precisa ser medido antes de virar padrão.

E o que acontece com agentes em produção?

Se benchmarks medem o que é possível, estudos com quem opera sistemas reais mostram o que é viável. O trabalho Measuring Agents in Production, apresentado no ICML 2026, combinou 20 estudos de caso com entrevistas em profundidade e uma pesquisa com 86 profissionais que operam agentes em produção, em 26 domínios.

A conclusão central é que agentes em produção são construídos de forma simples e controlável:

• 68% executam no máximo 10 passos antes de uma intervenção humana;
• 70% usam modelos prontos com prompts, sem ajuste de pesos;
• 74% dependem principalmente de avaliação humana;
• e o maior desafio relatado é confiabilidade, isto é, comportamento correto e consistente ao longo do tempo.

Ou seja: enquanto o discurso de mercado fala de enxames autônomos, quem tem algo rodando de verdade está apostando em escopo curto, ponto de controle humano e previsibilidade.

O alerta também aparece do lado de quem acompanha o mercado. O Gartner previu em 2025 que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro ou controle de risco insuficiente, e afirmou que muitos casos de uso vendidos como agênticos hoje não precisam de agentes.

Onde está o erro de decisão?

Na minha leitura, o erro não é técnico, é de diagnóstico. A escolha da arquitetura acontece antes de alguém perguntar como o trabalho realmente se divide.

Pense em como um time de pessoas funciona. Dividir um trabalho entre cinco pessoas só acelera se as partes forem independentes e se juntar o resultado for barato. Se cada parte depende das outras, você ganha reuniões, retrabalho e alguém passando o dia integrando. Com agentes é igual, só que a reunião vira token.

O estudo da Vals AI mostra isso de forma quase didática. Um dos modelos dividiu o trabalho em paralelo logo no início e testou o resultado integrado, e ganhou tempo. O outro escreveu primeiro um “contrato” entre as partes e delegou em ondas sequenciais, com cada onda esperando o integrante mais lento; os times dele levaram até 2,3 vezes mais tempo que o agente sozinho. Mesma ideia, resultados opostos, porque a forma de dividir o trabalho importa mais que o número de agentes.

A Anthropic, que publica orientações sobre o tema, diz algo parecido no guia Building Effective Agents: comece pela solução mais simples possível e só aumente a complexidade quando ela comprovadamente melhorar o resultado. Isso pode significar não construir um sistema agêntico.

Fluxo, agente ou time: qual a diferença na prática?

Vale separar três coisas que costumam ser chamadas de “agente”:

Arquitetura	Quem decide os passos	Quando faz sentido	Risco principal
Fluxo determinístico (com ou sem IA em etapas)	O código	Entradas e caminhos conhecidos; regras de negócio claras	Rigidez quando aparece um caso novo
Agente único	O modelo, com ferramentas	Problemas abertos, em que não dá para prever o número de passos	Custo e erros que se acumulam
Time de agentes	Um agente líder delega a subagentes	Trabalho com partes realmente independentes e paralelizáveis	Custo de coordenação, contexto duplicado, integração

Um ponto importante: “fluxo” não significa “sem IA”. Um fluxo pode ter etapas com modelo de linguagem, como classificar um pedido, extrair dados de um documento ou rascunhar uma resposta, desde que a sequência seja definida por você. Em muitos processos de empresa, é essa a arquitetura que entrega a maior parte do valor com uma fração do custo e do risco.

Como decidir antes de aprovar um projeto com vários agentes?

Minha opinião: multiagente deveria ser a exceção que precisa se justificar, não o ponto de partida. Antes de aprovar, faça três perguntas, nesta ordem.

1. Dá para listar as entradas e os caminhos possíveis?

Se dá, um fluxo com regras resolve, sem agente nenhum, ou com IA só nas etapas que exigem interpretação. Exemplos típicos: triagem de chamados por categoria, extração de campos de nota fiscal, roteamento de leads, respostas a perguntas frequentes com base de conhecimento.

2. Um agente só, com mais capacidade de raciocínio, já resolve?

Teste isso antes de multiplicar agentes. No estudo da Vals AI, aumentar o esforço de raciocínio de um agente sozinho rendeu mais do que montar um time em um dos modelos. Também vale testar um modelo diferente, um prompt melhor ou ferramentas mais bem descritas.

3. Quanto custa hoje cada tarefa concluída, e quem é o dono desse número?

Rode umas 30 tarefas reais nas configurações candidatas e compare nota, custo e tempo por tarefa concluída (não por chamada). Defina antes qual ganho de qualidade justificaria pagar duas ou cinco vezes mais. Se ninguém na empresa é dono do custo por tarefa, esse é o primeiro problema a resolver.

Se as três respostas apontarem para multiagente, ótimo: agora você tem uma decisão com dados e um número para acompanhar. Se não, você acabou de economizar meses e uma fatura grande.

O que fazer nesta semana?

1. Escolha um processo candidato e descreva, em uma página, as entradas, os caminhos possíveis e o que conta como “tarefa concluída”.
2. Monte um conjunto de 30 casos reais, com a resposta esperada para cada um. Ele vai servir para todas as comparações (veja como no artigo sobre como avaliar IA antes e depois de lançar).
3. Teste do mais simples para o mais complexo: fluxo, agente único, agente único com mais raciocínio e, só então, time de agentes. Registre custo e qualidade de cada um.
4. Leve o resultado para quem aprova o orçamento com o custo por tarefa concluída lado a lado. É assim que se monta um business case que o financeiro aprova.

Problema antes da ferramenta. A menor complexidade capaz de resolver quase sempre ganha.

Se você está diante dessa decisão e quer uma segunda opinião, me chama para uma conversa de diagnóstico.

Fontes

• Vals AI, Do Agent Teams Pay Off? A Case Study on Vibe Code Bench, 09/10/2026.
• Pan et al., Measuring Agents in Production, Proceedings of the 43rd International Conference on Machine Learning (ICML 2026), PMLR 306.
• Anthropic, Building Effective Agents, 19/12/2024.
• Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, 25/06/2025.