graph LR
A[Objetivo do Usuário] --> B[Agente Inteligente]
B --> C{Planejamento & Raciocínio}
C --> D[Execução de Ferramentas / APIs]
D --> E[Avaliação do Resultado & Memória]
E -->|Meta atingida?| F[Conclusão da Tarefa]
E -->|Reajuste necessário| C
Da Revolução do Chatbot à Era dos Agentes Inteligentes: O Futuro da Autonomia Digital
ia
agentes
arquitetura
carreira
fiap
Uma análise sobre a evolução da IA de 2023 a 2026, o ceticismo do mercado, a transição dos profissionais de tecnologia e o nascimento dos agentes autônomos.
Em novembro de 2022, o mundo parou para conversar com uma caixa de texto. O lançamento do ChatGPT inaugurou uma fase de fascínio coletivo: máquinas redigiam textos, resumiam documentos e respondiam a perguntas complexas em segundos.
Quatro anos depois, em 2026, a pergunta que move a indústria de tecnologia mudou de patamar. Não buscamos mais apenas sistemas que respondam com coerência gramatical. O foco agora é construir sistemas que executem tarefas no mundo real.
Estamos atravessando a transição definitiva dos modelos conversacionais para os Agentes Inteligentes (AI Agents): entidades de software projetadas para raciocinar, planejar, tomar decisões e operar ferramentas de forma autônoma para alcançar objetivos predefinidos.
A Trajetória: Chatbot, Assistente e Agente
Para contextualizar o momento atual, vale analisar a evolução da IA generativa em três fases distintas:
| Nível | Dinâmica | Capacidade Central | Comportamento no Mundo Real |
|---|---|---|---|
| 1. Chatbot (~2023) | Reativa (Prompt \(\rightarrow\) Resposta) | Geração probabilística de texto | Responde a perguntas diretas, redige textos e resume conteúdos sem interagir com sistemas externos. |
| 2. AI Assistant (2024–2025) | Assistiva (Apoio ao fluxo de trabalho) | Recuperação de contexto (RAG) e plugins | Sugere ações e complementações dentro do ambiente do usuário, consultando bases de dados sob demanda. |
| 3. AI Agent (2026) | Autônoma (Orientada a objetivos) | Planejamento em etapas, uso de ferramentas e memória | Recebe uma meta complexa, decompõe em subtarefas, opera APIs/terminais e entrega o resultado validado. |
A mudança essencial introduzida pelos agentes é a capacidade de operar em loops cognitivos contínuos: Percepção \(\rightarrow\) Planejamento \(\rightarrow\) Execução de Ferramentas \(\rightarrow\) Avaliação de Resultados.
O Ceticismo do Mercado e o Paralelo com a Nuvem
O debate em torno da viabilidade dos agentes segue um roteiro conhecido no setor de tecnologia.
No início dos anos 2000, durante a emergência da computação em nuvem (Cloud Computing), os argumentos céticos eram frequentes: dizia-se que a nuvem era apenas “o computador de outra pessoa”, que empresas consolidadas jamais terceirizariam seus servidores e que a instabilidade de custos inviabilizaria o modelo. Duas décadas depois, a infraestrutura em nuvem sustenta praticamente toda a economia digital.
Com os agentes de IA, a discussão se repete. Argumentos apontando custos computacionais, taxas de erro ou rotulando a tecnologia como “apenas um loop sobre um modelo de linguagem” refletem as dores naturais de um ecossistema em fase de consolidação. O valor prático, contudo, já começa a ser demonstrado em dados e métricas de produção.
Casos Reais: Do Varejo Físico à Escala de 100 Milhões de Usuários
A maturidade dos agentes pode ser observada tanto na aproximação com o usuário final quanto nas arquiteturas corporativas de alta escala.
Atendimento Presencial: Inner AI no Conjunto Nacional
No cenário brasileiro, a startup Inner AI inaugurou no Conjunto Nacional (Av. Paulista, 2073, São Paulo - SP) a primeira loja física de inteligência artificial do país. A proposta é oferecer “funcionários de IA” em atendimento de balcão presencial, permitindo que pequenas e médias empresas contratem agentes pré-configurados para funções de atendimento, vendas e marketing, desmistificando o acesso à tecnologia fora dos círculos puramente técnicos.
Engenharia em Larga Escala: O Caso Nubank
No extremo da escala computacional, o time de engenharia do Nubank publicou o artigo técnico Building Customer Support AI Agents at 100M-User Scale: An Evaluation-Driven Framework (arXiv:2606.08867).
O trabalho documenta a implementação de agentes de suporte operando para uma base de mais de 100 milhões de clientes, destacando resultados mensuráveis em produção:
- +37 pontos percentuais no Net Promoter Score transacional (tNPS) em entregas de cartão.
- +29 pontos percentuais de aumento na taxa de autoatendimento (self-service).
- Índices de satisfação que se aproximam dos padrões de atendimento humano especializado.
O paper reforça uma lição central para a indústria: construir agentes eficazes não é uma questão de apenas ajustar prompts, mas de estruturar uma arquitetura rigorosa de engenharia de contexto, simulações offline com juízes automatizados (LLM-as-a-judge) e validação contínua em produção.
A Importância do Human-in-the-Loop na Governança
Conferir autonomia a um sistema de software exige salvaguardas claras. Para ações de alto impacto — como movimentações financeiras, alterações em bancos de dados de produção ou comunicações institucionais —, a presença do Human-in-the-Loop (HITL) permanece um requisito fundamental de engenharia.
[Agente: Planeja e Realiza Pré-etapas]
│
▼
[Checkpoint Crítico: Aprovação Humana Obrigatória]
│
┌───────┴───────┐
▼ ▼
[Aprovado] [Rejeitado / Ajustado]
│ │
▼ ▼
[Execução Final] [Replanejamento]O mecanismo de HITL assegura que o agente execute o trabalho operacional intensivo (triagem, busca de dados e proposição de soluções), mantendo a autoridade de decisão crítica sob supervisão humana.
A Mudança no Papel do Engenheiro de Software
A capacidade dos modelos de gerar código sintático em alta velocidade altera as prioridades da carreira técnica:
O diferencial profissional deixa de ser a memorização de sintaxe e passa a ser a capacidade de projetar arquiteturas de sistemas, modelar fluxos de dados e orquestrar componentes inteligentes.
Entre as competências essenciais para essa nova fase, destacam-se: 1. Engenharia de Contexto: estruturação de dados e histórico para evitar ruídos e manter a fidelidade das respostas em janelas de atenção limitadas. 2. Integração de Ferramentas (APIs, Protocolos e MCP): padronização de interfaces para conectar agentes a bancos de dados, terminais e serviços corporativos. 3. Observabilidade e Avaliação: monitoramento de trajetórias de execução, contenção de loops e auditoria de decisões tomadas por modelos probabilísticos.
Estudos em IA e os Próximos Passos
Aprofundar esses fundamentos motivou o início dos meus estudos formais em Agentes Inteligentes na FIAP, no primeiro curso superior do país com graduação tecnológica especificamente voltada à Inteligência Artificial.
Aqui no felixruntime, o objetivo é documentar a aplicação prática dessa jornada: desde os blocos fundamentais de raciocínio (como ReAct e Plan-and-Solve) até implementações locais em hardware dedicado.
Nos próximos artigos desta série, abordaremos: - Anatomia dos Agentes: o ciclo de percepção, planejamento e memória em detalhes. - Comparativo de Frameworks: cenários de uso para LangGraph, CrewAI e padrões nativos. - Construção de Agentes com MCP: conectando ferramentas com o Model Context Protocol.
Ao explorar novos paradigmas tecnológicos, é prudente lembrar que soluções consolidadas de engenharia continuam indispensáveis para a maioria dos problemas de negócio. Essa postura reflete a filosofia japonesa do Onko Chishin (温故知新): estudar e respeitar os fundamentos do passado para compreender e construir o novo.
Acompanhe as próximas publicações por aqui e fique à vontade para se conectar pelo GitHub.