©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

A pergunta que vem antes do agente

Todo mundo quer colocar agentes de IA para rodar. Quase ninguém parou para perguntar se o que está construindo é um agente ou outra coisa, bem maior, com o nome parecido. A diferença é arquitetural, e ela decide quem vai capturar valor e quem vai colecionar piloto que nunca escala.

Gabriel Marostegam

26 de junho de 2026

13 min de leitura

Passei um dia inteiro, ao lado de outros executivos, no módulo dois de um programa de imersão em liderança e IA. A proposta não era nos ensinar a usar mais uma ferramenta. Era ganhar clareza sobre o nosso próprio papel como líderes num tempo em que a tecnologia se move mais rápido do que a nossa capacidade de fazer as perguntas certas. No meio de uma das sessões, anotei algumas frases soltas num caderno, do tipo que a gente escreve rápido para não perder. Quando reli, percebi que elas não eram observações dispersas. Eram, sem que eu tivesse planejado, as quatro perguntas que faltavam em quase toda conversa de IA que eu vinha tendo com líderes ao longo do ano.

Vou chegar nessas quatro perguntas. Mas preciso começar por uma confusão que custa caro, porque é ela que faz a maioria das organizações construir a coisa errada com muita competência.

Uma letra de diferença

A palavra da moda é “agente”. Todo fornecedor vende um. Toda área quer o seu. E quase ninguém distingue duas coisas que parecem iguais e não são: um agente de IA e um sistema agentic.

Um agente de IA é uma unidade. Ele executa uma tarefa com algum grau de autonomia, dentro de um escopo delimitado, com um contexto restrito. Pense num agente que classifica chamados de suporte, ou que reconcilia notas fiscais, ou que redige um primeiro rascunho de resposta. Ele é bom no que faz porque o que ele faz é específico, previsível e local.

Agentic AI é outra categoria. Não é um agente melhor. É uma arquitetura inteira: múltiplos agentes que decompõem metas, coordenam ações entre si, compartilham memória, tratam exceções e perseguem um resultado de ponta a ponta. A diferença não está no tamanho do modelo nem na sofisticação do prompt. Está no propósito e no desenho.

Essa não é uma distinção que inventei para organizar o argumento. Ela já está formalizada na literatura. Um trabalho de taxonomia conceitual de Ranjan Sapkota, Konstantinos Roumeliotis e Manoj Karkee, pesquisadores ligados a Cornell e à Washington State University, separa com clareza os dois mundos: agentes de IA como sistemas modulares voltados à automação de tarefas específicas, e Agentic AI como uma mudança de paradigma marcada por colaboração entre múltiplos agentes, decomposição dinâmica de tarefas, memória persistente e autonomia coordenada.

E aqui mora o erro mais comum que vejo. Chamamos qualquer bot um pouco esperto de “agente sofisticado”, e chamamos qualquer automação com modelo de linguagem de “Agentic AI”. Os dois enganos custam dinheiro. O primeiro subdimensiona um problema que exigia arquitetura. O segundo superdimensiona um problema que um agente simples resolveria, e enche a organização de complexidade que ninguém pediu.

Você sabe dizer, dos “agentes” que sua empresa está construindo agora, quais são de fato agentes e quais são tentativas mal orçadas de montar um sistema agentic?

A distinção, sozinha, já reorganiza a conversa. Mas ela ainda não diz o que olhar. Para isso, volto às quatro perguntas do caderno.

Quatro perguntas, não quatro pilares

Vou ser honesto sobre o que isto é e o que não é. O que reuni naquela semana foi um conjunto de quatro dimensões que aparecem, dispersas, em quase toda pesquisa séria sobre Agentic AI. Não inventei nenhuma delas. O que fiz foi juntá-las numa ordem que funciona como diagnóstico, tanto para um agente isolado quanto para uma arquitetura inteira. São quatro: como o sistema se adapta, que contexto ele usa, como ele é instruído e que valor significativo gera.

Trato cada uma como pergunta, não como mandamento. Porque o trabalho do líder aqui não é decorar pilares. É saber o que perguntar antes de assinar embaixo.

Ele muda quando o mundo muda?

A primeira dimensão é a capacidade de adaptação. E adaptar, aqui, não é se acomodar. É transformar a forma de agir sem perder o objetivo.

A pergunta prática é direta: quando o contexto da tarefa muda, o agente muda de comportamento, ou quebra? Quando surge uma regra nova, uma exceção, um caso que ninguém previu, o sistema reconfigura o fluxo, ou trava e devolve o problema para um humano?

Vale uma confissão que a própria literatura faz. Adaptabilidade é, hoje, um dos campos menos maduros de toda a pesquisa em Agentic AI. As revisões sistemáticas do tema avançam muito mais rápido em demonstrar autonomia do que em construir sistemas que resistem ao imprevisto. Isso não enfraquece a dimensão. Fortalece. Significa que adaptação não é modismo, é a fronteira frágil que separa um protótipo bonito de um sistema que sobrevive ao mundo real.

Se o seu agente só funciona quando tudo acontece como no roteiro, você não tem um agente. Tem uma demonstração.

O que ele realmente enxerga?

A segunda dimensão é a mais bem fundamentada de todas, e a mais subestimada nas conversas executivas. Contexto é precisão.

Um agente é tão bom quanto o contexto que recebe. Isso inclui memória de curto e de longo prazo, estado, proveniência dos dados, conhecimento recuperado, sinais temporais. O próprio guia de arquitetura agentic da IBM trata a memória como componente central, responsável por manter contexto dentro da tarefa e conhecimento de longo prazo entre tarefas, e não como detalhe de implementação. A leitura prática que ele reforça é direta: agentes que lidam com objetivos complexos exigem memória como peça de arquitetura, não como acessório.

Traduzindo para a sua realidade: que dados o sistema de fato vê? Existe memória útil, ou ele recomeça do zero a cada interação? Como as decisões são rastreadas? E, a pergunta que quase ninguém faz, quem é o dono da qualidade desse contexto?

Repare que contexto deixou de ser assunto de quem escreve prompt. Virou assunto de quem responde pela arquitetura de dados da empresa. É aí que a precisão nasce ou morre.

Ele entende um comando ou assina um contrato?

A terceira dimensão evolui uma ideia que ficou pequena: a engenharia de prompt. Em agentes e sistemas agentic, instrução não é texto de comando. É contrato de comportamento.

Instruir um agente envolve definir objetivo, permissões, ferramentas autorizadas, formato de saída, critérios de qualidade e, crucialmente, o que ele não pode fazer. É exatamente nessa camada que se decide a exposição a ameaças que a pesquisa de segurança em agentes vem mapeando, como injeção de comando, uso indevido de ferramentas e subversão do raciocínio. A instrução, bem-feita, é o que mantém um agente dentro dos trilhos quando ninguém está olhando.

As perguntas, então, são de governança disfarçadas de técnica. O que exatamente este agente foi instruído a fazer? O que ele está proibido de fazer? Quais ferramentas ele pode acionar? Quem define essas permissões? E o negócio, não só a área técnica, entende as regras que governam o comportamento do sistema?

Quando a instrução vira contrato, a pergunta “quem é responsável quando o agente erra?” deixa de ser retórica e passa a ter dono.

Se ele sumisse amanhã, o que pioraria?

A última dimensão é a que separa automação de transformação. E foi a que mais me fez reescrever a anotação original, porque “significativo” sozinho soa bonito e vazio. Por isso virou valor significativo.

A armadilha aqui é medir o agente pela automação local. Conta-se quantas tarefas ele fez, quantas horas economizou, e declara-se vitória. É a métrica mais fácil e a menos reveladora. A pergunta de valor real é outra, e desconfortável: se este agente desaparecesse amanhã, o que de fato pioraria? Que indicador de negócio mudou? A experiência de quem está na ponta melhorou? E a organização aprendeu alguma coisa com o comportamento do sistema ao longo do tempo, ou só acumulou registros?

Há pesquisa séria estruturando isso em níveis. Um survey sobre alinhamento de valor em sistemas agentic organiza o tema numa hierarquia de três camadas, macro, meso e micro, conectando o comportamento dos agentes, os objetivos das organizações e os valores humanos e sociais. Para quem acompanha o que escrevo, essa estrutura de três andares não é estranha: é a mesma lógica que usei para falar do andar do meio na estratégia de IA. Valor, aqui, também se decide no meio, não nas pontas. Não é filosofia. É a diferença entre um agente que corta custo num canto e um sistema que move o número que o conselho cobra.

A mesma lente, duas profundidades

Aqui está o ponto que amarra tudo, e a razão de eu insistir em quatro perguntas em vez de dois modelos separados.

As mesmas quatro perguntas servem para o agente isolado e para o sistema agentic. O que muda é a profundidade e o objeto.

Num agente individual, você pergunta sobre uma unidade. Como esta peça específica se adapta, que contexto ela recebe, como foi instruída, que valor entrega naquela tarefa. Num sistema agentic, a mesma lente sobe de nível. Como a arquitetura inteira se adapta. Como o contexto é compartilhado e governado entre vários agentes. Como as intenções do negócio viram contratos operacionais distribuídos. Como o conjunto entrega valor de ponta a ponta.

A vantagem de manter uma lente só é evitar a ilusão de que o salto de agente para agentic exige jogar fora o que você sabia. Não exige. Os princípios são os mesmos. O que muda é o alcance, a complexidade e, sobretudo, a exigência de arquitetura, dados e governança.

E é por isso que, no fim, a grande diferença entre agente e Agentic é arquitetural. Agentes isolados seguem desenhos mais lineares, escopo delimitado, pouca dependência de memória compartilhada. Sistemas agentic introduzem coordenação entre múltiplos agentes, decomposição de metas, camadas de orquestração, memória compartilhada, observabilidade e políticas explícitas de governança.

A pergunta certa, então, nunca foi “qual o nome correto?”. É “qual arquitetura faz sentido para este problema?”. Tarefa específica, previsível e local pede um agente bem desenhado. Resultado inteiro, com múltiplos sistemas e exceções, pede arquitetura agentic. Escolher errado é caro nas duas direções.

O lado de cá

Não consigo falar disso sem olhar para o terreno em que a maioria de quem lê esta publicação opera. O Brasil é entusiasmado com IA, e isso é virtude e armadilha. Adotamos rápido a camada de “perguntar ao chat”. A camada agentic, em que o sistema age em nome da organização de forma contínua, ainda é território quase inexplorado por aqui.

O risco específico da empresa brasileira não é deixar de adotar IA. É adotar a forma errada com pressa. De um lado, montar sistemas agentic complexos sem ter resolvido a base de contexto e governança. De outro, espalhar agentes soltos que nunca viram transformação. As quatro perguntas existem justamente para evitar os dois extremos antes que o orçamento queime.

Antes de soltar o próximo agente

Comecei com quatro frases num caderno, no meio de uma semana feita para me desacomodar. Termino com uma única ideia que elas, juntas, me deixaram: a pressa de colocar agentes para rodar está fazendo a gente pular a pergunta que vem antes do agente.

Antes de soltar o próximo, pare e responda quatro coisas sobre ele. Ele se adapta quando o contexto muda, ou só funciona no roteiro? Que contexto ele realmente enxerga, e quem cuida da qualidade disso? Ele foi instruído como quem recebe um comando, ou como quem assina um contrato de comportamento? E se ele sumisse amanhã, o que de fato pioraria?

Se as respostas vierem fáceis e confortáveis, desconfie. Provavelmente você está olhando para um agente que ainda não foi testado pelo mundo real. Se vierem difíceis, ótimo. Desconforto na fase de desenho é muito mais barato que desconforto na fase de produção.

Escolha um agente que sua empresa está construindo agora. Faça as quatro perguntas, em voz alta, na próxima reunião. Depois me conta qual delas ninguém soube responder. É quase sempre a mesma. E é exatamente ali que mora o trabalho que ainda não foi feito.