Renor A A Ribeiro, Ph.D. (2025)

 

Agentes de Inteligência Artificial (IA), ou simplesmente agentes, são entidades que identificam seu ambiente, tomam ações de forma autônoma para atingir objetivos e podem melhorar seu desempenho através de aprendizado automático ou adquirindo conhecimento. Em IA, sistemas inteligentes são frequentemente modelados como agentes inteligentes. O estudo e o design de agentes inteligentes são considerados centrais para a inteligência artificial, destacando que o comportamento orientado para objetivos é essencial para a inteligência. Uma definição moderna descreve um agente inteligente como um sistema autônomo e adaptativo com capacidades sofisticadas de perceber ativamente o ambiente, aprender continuamente com experiências, raciocinar sobre ações intencionais e gerar/executar ações propositais visando objetivos complexos e de longo prazo.

Informalmente, um agente é alguém ou algo que atua como um procurador com o propósito específico de realizar ações que podem ser entendidas como benéficas dentro do contexto onde ele atua. Um sistema pode ser visto como um agente se for capaz de analisar e determinar seu ambiente por meio de sensores e de agir sobre esse ambiente por intermédio de atuadores, agregando características como autonomia, habilidade social, reatividade e proatividade.

Um subconjunto especializado de agentes inteligentes, também conhecidos como agentes de IA ou simplesmente agentes, expande este conceito ao perseguir objetivos proativamente, tomar decisões e realizar ações durante longos períodos, exemplificando uma nova forma de agência digital. Em comparação com chatbots tradicionais que simulam conversas, os agentes de IA planejam e executam tarefas de forma autônoma, com mínima interferência humana, interagindo com múltiplas aplicações e executando tarefas complexas, como compras, fora de uma janela de navegador.

Conceitos e Funcionamento

Agentes de IA são considerados agentes racionais, tomando decisões racionais com base em suas percepções e dados para produzir performance e resultados ideais. Eles detectam seu ambiente com interfaces físicas ou de software. Um agente robótico coleta dados de sensores, enquanto um chatbot usa consultas de clientes como entrada. Em seguida, o agente aplica os dados para tomar uma decisão informada, analisando os dados coletados para prever os melhores resultados que suportam metas predeterminadas e formulando a próxima ação a ser tomada.

O funcionamento de um agente envolve a execução procedural de três funções: uma que interpreta o ambiente através de sensores (Sensor), uma que interpreta as informações obtidas chamada função do agente (Agent Function), e uma função que, dependendo da interpretação, atua sobre o ambiente, chamada atuador (Actuator). Este agente "trabalha" em ciclos, usando as funções em ordem sequencial. A função do agente é considerada a mais importante, pois contém os algoritmos e procedimentos de tomada de decisão e, consequentemente, maximização do desempenho.

Os principais componentes da arquitetura de agentes de IA incluem:

• Arquitetura: A base física ou de software a partir da qual o agente opera.
• Função do agente: Descreve como os dados coletados são traduzidos em ações para suportar o objetivo do agente.
• Programa de agentes: A implementação da função do agente, envolvendo desenvolvimento, treinamento e implantação, alinhando lógica de negócios, requisitos técnicos e elementos de performance.

O processo de trabalho de um agente de IA geralmente inclui:

1. Determinar metas: Recebe uma instrução ou meta do usuário, planeja tarefas e as divide em ações menores.
2. Adquirir informações: Busca e recupera informações necessárias, acessando a internet ou interagindo com outros agentes/modelos.
3. Implementar tarefas: Executa metodicamente as tarefas planejadas, avalia se atingiu a meta e pode criar novas tarefas para alcançar o resultado final.

Agentes autônomos possuem experiência própria, em vez de dependerem do conhecimento pré-codificado sobre o ambiente. O design de um agente ideal visa escolher a ação que maximiza sua medida de desempenho, dada a sequência de percepção. Para especificar a tarefa de um agente, podem ser usados os componentes PEAS: Performance, Environment, Actuators, Sensors.

Tipos de Agentes de IA

Existem diversos tipos de agentes de IA, variando em características e níveis de complexidade. As fontes apresentam diferentes classificações e focos, mas os tipos principais mencionados incluem:

• Agentes Reflexos Simples: Operam estritamente com base em regras predefinidas de condição-ação e seus dados imediatos, sem memória interna. Não respondem a situações além de uma regra específica. São adequados para tarefas simples que não exigem treinamento extensivo. Exemplos incluem detectores de fumaça que soam um alarme ao detectar fumaça, e filtros básicos de spam que usam palavras-chave ou reputação do remetente.
• Agentes Reflexos Baseados em Modelos: Mantêm um estado interno que lhes permite prever ambientes parcialmente observáveis, atualizando-o constantemente com dados recebidos do ambiente. Avaliam os resultados potenciais de suas ações antes de tomar decisões, o que lhes permite lidar com complicações, sendo úteis em tarefas complexas como dirigir um carro. Combinam conhecimentos anteriores e dados em tempo real para otimizar o desempenho e tomar decisões conscientes do contexto, mesmo em condições imprevisíveis. Exemplos incluem aspiradores robôs que lembram o layout de uma sala, agentes LLM que mantêm o histórico de conversa, IA de jogo que reage com base no que vê e no que sabe do início da partida, e veículos autônomos. Um agente baseado em modelo é outra forma de se referir a um agente reflexivo baseado em modelos.
• Agentes Baseados em Objetivos: São projetados para atingir objetivos específicos, considerando as consequências futuras de suas ações para tomar decisões estratégicas. Avaliam e planejam ações para atingir seus objetivos, combinando previsão e planejamento estratégico para navegar em direção a resultados específicos. São mais flexíveis que agentes reativos. Exemplos incluem o aspirador robótico Roomba, projetado para limpar todo o espaço acessível no chão, software de gestão de projetos que programa tarefas e aloca recursos para otimizar a conclusão de um projeto a tempo, IA em videojogos onde personagens buscam objetivos como defender um local ou derrotar um adversário, sistemas de navegação que calculam a melhor rota e braços robóticos que planejam sequências de movimentos para montagem.
• Agentes Baseados na Utilidade: Avaliam suas ações potenciais com base na utilidade esperada, prevendo o benefício de cada opção em relação a um objetivo definido. Escolhem ações com base no resultado que se espera que proporcione o maior valor global ou "utilidade", avaliando diferentes resultados possíveis e selecionando aquele que maximiza uma função de utilidade predefinida. Permitem lidar com situações onde há múltiplas formas de atingir um objetivo ou onde são necessários compromissos. São excelentes em ambientes complexos de tomada de decisões com múltiplos resultados potenciais, como equilibrar riscos em decisões de investimento. Exemplos incluem serviços de streaming que recomendam conteúdo semelhante para maximizar a probabilidade de clique, chatbots de vendas que priorizam contatos por probabilidade de conversão, robôs de negociação de ações que equilibram risco e retorno, e chatbots empresariais que agendam reuniões para minimizar conflitos.
• Agentes de Aprendizagem: Têm a capacidade de aprender e usar estes conhecimentos para melhorar o seu desempenho. Aprendem com as interações do usuário, tornando-se mais personalizados e eficazes ao longo do tempo. Adaptam-se a mudanças, aperfeiçoam estratégias e funcionam eficazmente mesmo em ambientes desconhecidos. Exemplos incluem um agente de IA criptográfica que ajusta estratégias de negociação com base no desempenho do mercado, um motor de recomendação que melhora sugestões de produtos com base no comportamento do usuário, um chatbot de cuidados de saúde que aprende com interações de pacientes e um sistema de e-mail que aprende a identificar spam.
• Agentes Hierárquicos: Organizam seu processo de tomada de decisões em várias camadas ou níveis, com níveis superiores gerenciando objetivos abstratos e níveis inferiores gerenciando ações específicas. Semelhantes a uma estrutura organizacional complexa, com diferentes agentes dentro do sistema tendo diferentes áreas de especialização, tornando-os mais eficientes no tratamento de tarefas complexas e com várias etapas. Implementar agentes hierárquicos é uma das formas mais complexas, pois são compostos por vários agentes de IA menores. Exemplos incluem fabricação, onde um agente de alto nível planeja a montagem enquanto níveis inferiores controlam braços robóticos e tempo, e fábricas inteligentes onde diferentes camadas gerenciam cronogramas de produção e coordenação de máquinas.
• Agentes Robóticos: Funcionam em um ambiente físico, equipados com sensores como câmeras ou sensores táteis. São úteis em tarefas perigosas ou repetitivas, sendo combinados com outros tipos de IA para realizar fisicamente tarefas de utilidade ou tarefas de objetivos. Exemplos incluem robôs de linha de montagem que executam tarefas como soldar ou pintar com precisão e velocidade, robôs cirúrgicos como o Sistema Cirúrgico da Vinci que ajudam cirurgiões em procedimentos precisos, e robôs agrícolas usados na plantação, colheita e monitoramento de campos.
• Sistemas Multi-Agentes (MAS): Compostos por múltiplos agentes de IA que interagem e trabalham juntos (ou por vezes competem) para atingir objetivos individuais ou compartilhados. A coordenação em um sistema multiagente garante distribuição ótima de energia e eficiência de custos. Exemplos incluem gerenciamento de tráfego onde agentes representam sinais de trânsito, câmeras e sistemas de informação para otimizar o fluxo, redes inteligentes para gerenciamento de energia onde agentes controlam aspectos da distribuição de eletricidade, gestão da cadeia de suprimentos onde agentes representam fornecedores, fabricantes, distribuidores e varejistas para otimizar o processo, e robótica autônoma de enxame onde robôs semi-independentes colaboram em exploração ou resgate. Veículos autônomos parcialmente automatizados são um exemplo popular de sistemas multiagentes.
• Assistentes Virtuais: Alimentados por processamento de linguagem natural e inteligência artificial, compreendem e processam linguagem humana para realizar tarefas como definir lembretes e gerenciar e-mails. Incluem um elemento de aprendizagem, tornando-se mais personalizados ao longo do tempo. Exemplos incluem Siri (integrada em dispositivos Apple) e Alexa (disponível em dispositivos Amazon Echo).

Os sistemas de IA mais avançados são combinações de vários tipos de agentes de IA, como carros autônomos, que envolvem agentes baseados em utilidade, baseados em objetivos, reflexivos baseados em modelos e de aprendizagem. A gestão da cadeia de abastecimento também utiliza múltiplos tipos de agentes para otimizar logística, inventário, armazenamento e entregas.

Aplicações no Mundo Real

Agentes de IA já interagem conosco diariamente. Eles estão cada vez mais funcionando como bots empresariais para tarefas anteriormente impossíveis de automatizar. A flexibilidade das plataformas de construção de IA significa que os casos de uso são infinitos.

• Comércio eletrônico: Utilizados para fazer pedidos, acompanhar envios, pesquisa por imagem, enviar lembretes de carrinho abandonado, fornecer análises de produtos e dar sugestões personalizadas.
• Vendas e Marketing: Criam listas de contatos, enviam comunicações personalizadas, qualificam contatos, criam estratégias e facilitam campanhas de marketing, e executam análises sobre concorrentes. A maioria dos agentes criados em Botpress são usados para estas funções.
• Suporte ao Cliente: Capazes de realizar ações em nome dos usuários (mudar senha, gerenciar reembolso), fornecer sugestões de produtos e suporte técnico avançado. Clientes reduziram pedidos de suporte em 65% com agentes de IA (Botpress).
• Hospitalidade: Hotéis e outras empresas de hotelaria utilizam assistentes de IA por serem multilíngues, 24/7 e facilmente acessíveis aos hóspedes. Otimizam serviços de quarto, sugerem comodidades próximas, vendem serviços do hotel e ajudam a coordenar necessidades da equipe.
• Veículos Autônomos: Um exemplo proeminente de aplicação multi-agente e baseada em modelos reflexivos.
• Gestão da Cadeia de Suprimentos: Utilizam múltiplos tipos de agentes para otimizar logística, inventário e entregas.
• Recomendações de Conteúdo Personalizado: Serviços de streaming como Netflix e Spotify usam agentes baseados na utilidade.
• Gerenciamento de Projetos: Software que programa tarefas e aloca recursos (pode usar agentes baseados em utilidade ou objetivos).
• Videojogos: IA em jogos de estratégia e RPG utilizam agentes baseados em objetivos.
• Robótica: Robôs de linha de montagem, robôs cirúrgicos e robôs agrícolas são exemplos de agentes robóticos.
• Assistentes Virtuais: Siri e Alexa são exemplos familiares de agentes de IA.
• Gerenciamento de Tráfego: Vários agentes colaboram para otimizar o fluxo de tráfego e reduzir congestionamento.
• Redes Inteligentes: Agentes controlam diferentes aspectos da distribuição de eletricidade para equilibrar oferta/demanda e manter a estabilidade da rede.
• Robótica Autônoma de Enxame: Usada em missões de exploração ou resgate onde robôs colaboram.
• Saúde Mental: Embora com considerações éticas significativas, chatbots e IAs estão sendo usados como agentes terapêuticos para ampliar interações, ajudar com demência, autismo e alucinações auditivas.
• Filtros de Email: Versões básicas são exemplos de agentes reflexos simples.
• Diagnóstico Médico: Agentes podem ser especificados para analisar sintomas e resultados de exames para maximizar a saúde do paciente.
• Análise de Imagens de Satélite: Agentes podem processar pixels para imprimir uma classificação correta.
• Tutores de Português: Agentes que analisam palavras digitadas e imprimem exercícios ou correções para melhorar o desempenho do estudante.
• Motoristas de Táxi: Agentes que processam imagens, sons, etc., para controlar o veículo visando segurança, rapidez, economia e conforto.

Frameworks para Construir Agentes de IA

Embora seja possível construir agentes de IA do zero com linguagens de programação, usar frameworks de agentes de IA oferece uma abordagem mais rápida e escalável. Frameworks agênticos são blocos básicos para desenvolver, implementar e gerenciar agentes de IA, com recursos e funções integradas que simplificam e aceleram o processo. Eles contam com arquitetura predefinida, protocolos de comunicação, sistemas de gerenciamento de tarefas, ferramentas de integração (para chamadas de função) e ferramentas de monitoramento.

Fatores a considerar ao escolher um framework incluem:

• Complexidade: Definir se é necessária uma implementação simples de agente único ou um ecossistema multiagente.
• Privacidade e segurança de dados: Verificar políticas e medidas de segurança do framework, como criptografia e controle de acesso.
• Facilidade de uso: Considerar o nível de qualificação da equipe de desenvolvimento (interfaces no-code vs. controle de baixo nível).
• Integração sem dificuldades: Avaliar a compatibilidade com a stack existente e a qualidade da integração com fontes de dados, infraestrutura e ferramentas.
• Performance e escalabilidade: Avaliar o tempo de resposta, o desempenho com grandes volumes de dados/múltiplas requisições simultâneas e como o framework escala.

Frameworks populares mencionados incluem:

• AutoGen: Framework de código aberto da Microsoft para aplicações multiagentes, com arquitetura de três camadas (Core, AgentChat, Extensões). Possui ferramentas para rastreamento, depuração, assistentes conversacionais e interação com bibliotecas externas. Oferece AutoGen Bench para avaliação e AutoGen Studio para interface no-code.
• CrewAI: Framework de orquestração de código aberto para soluções multiagentes, tratando a IA agêntica como uma "equipe" de "trabalhadores". Componentes incluem agentes com funções especializadas, tarefas que definem responsabilidades e processos que identificam como os agentes trabalham juntos (sequencial ou hierárquico). Exemplo: equipe de análise do mercado de ações.
• LangChain: Emprega uma arquitetura modular onde componentes podem ser encadeados para criar aplicações de IA. Útil para desenvolver agentes de IA simples com fluxos de trabalho simples, suportando bancos de dados vetoriais e utilitários para incorporar memória.
• LangGraph: Vive no ecossistema LangChain e se destaca na orquestração de fluxos de trabalho complexos para sistemas multiagentes. Aplica uma arquitetura de gráficos onde tarefas/ações são nós e transições são edges, com um componente de estado para manter a lista de tarefas. Adequado para fluxos de trabalho cíclicos, condicionais ou não lineares. Exemplo: agente assistente de viagem para encontrar/reservar voos.
• LlamaIndex: Framework de orquestração de dados de código aberto para criar soluções de IA generativa e agêntica. Oferece agentes/ferramentas predefinidas e um mecanismo para desenvolver sistemas multiagentes chamado fluxos de trabalho. Os principais elementos de um fluxo de trabalho são etapas (ações), eventos (acionam etapas e permitem comunicação) e contexto (compartilhado para armazenar/transmitir dados). Sua arquitetura baseada em eventos permite etapas assíncronas, resultando em transições mais flexíveis.
• Semantic Kernel: Possui implementações de agente integradas e pode orquestrar vários agentes via chats em grupo ou seu framework (experimental) para fluxos de trabalho complexos.

Para uma tomada de decisão embasada sobre frameworks, recomenda-se experimentar as opções preferidas, começando com implementações simples de agente único para testar a operação e comparação entre estruturas. O framework adequado deve atender às necessidades da empresa e ajudar a criar agentes de IA que automatizem fluxos de trabalho, levando a processos de negócios mais eficientes.

Desafios e Considerações Éticas

A implantação de agentes de IA para casos de uso comercial apresenta desafios significativos. Virgílio Almeida mapeou riscos relacionados à governança, como exposição de dados e privacidade dos usuários, crimes cibernéticos, degradação da capacidade dos humanos por conta da dependência nas IAs e problemas com a responsabilização.

• Privacidade de dados: O desenvolvimento e operação de agentes avançados exigem o manuseio de grandes volumes de dados, sendo necessário estar ciente dos requisitos de privacidade e empregar medidas de segurança. Há preocupação com a prevenção de danos relacionados a mau funcionamento, operação não prevista ou roubo de informações por hackers/monitoramento não autorizado.
• Desafios éticos e vieses: Modelos de aprendizado profundo podem produzir resultados injustos, tendenciosos ou imprecisos. Ferramentas de IA são tão eficazes quanto os dados em que são treinadas; dados tendenciosos levam a resultados tendenciosos, diagnósticos/recomendações incorretos. Viés humano em algoritmos e bases de dados pode reproduzir e reforçar desigualdades sociais existentes, gerando chatbots racistas e sexistas. A aplicação de salvaguardas, como avaliações humanas, pode ajudar a garantir respostas úteis e justas.
• Responsabilização e Transparência: A ausência de responsabilização dos agentes envolvidos é uma preocupação. É preciso ter indicadores para determinar quem são os agentes, desenvolvedores, implementadores e usuários em casos de danos (conforme Almeida apud Uchoa, 2025). A falta de transparência, muitas vezes devido à competitividade do mercado, dificulta a identificação e solução de problemas, deixando a responsabilidade nas mãos dos programadores. Uma IA não é um "sujeito moral" e não há regulamentações legais claras quanto aos maus resultados dessa relação.
• Dependência Humana e Substituição de Serviços: Há o risco de degradação da capacidade dos humanos por conta da dependência nas IAs. Deve-se ter cuidado para que órgãos governamentais ou serviços de saúde não substituam serviços existentes por ferramentas mais baratas como chatbots terapeutas. O uso da IA na saúde mental deve ser uma adição, não substituição, dos recursos presentes.
• Falta de Regulamentação: A falta de regulamentação aumenta os desafios da governança. Formuladores de política e empresas podem estabelecer suas próprias regras e políticas neste estágio inicial. No entanto, um estudo sugere que diretrizes éticas têm pouco impacto no comportamento de engenheiros de software; considerações éticas são, por vezes, usadas para relações públicas.

Para um caminho mais seguro com agentes de IA, Almeida (apud Uchoa, 2025) sugere que eles devem ser transparentes e monitorados em tempo real. No campo da saúde mental, recomendações incluem priorizar o bem-estar do usuário, garantir qualidade e acessibilidade dos serviços, monitorar resultados e considerar a revelação de crimes às autoridades. Proteger o usuário requer regulamentação (Tawfeeq, Awqati, & Jasim, 2023). É fundamental aumentar a educação e a conscientização sobre as implicações éticas. A ética da IA precisa ir além de diretrizes de verificação, adotando uma abordagem sensível às situações que valorize virtudes, autonomia responsável e liberdade dos atores morais (Hagendorff, 2020).

A perspectiva da psicanálise contribui para a discussão ética, analisando a natureza da relação humano-máquina e como os discursos se articulam com o uso dessas tecnologias (Silveira & Paravidini, 2024). A psicanálise levanta um ponto de vista relacional sobre questões éticas, considerando não apenas os agentes mas também os usuários. A construção ética de IAs, especialmente em saúde mental, deve articular-se com a ética psicanalítica (Silveira & Paravidini, 2024). Não é possível pensar em ética sem envolver o sujeito na própria relação ética; não há neutralidade artificial total com programadores humanos e sujeitos não neutros como os humanos (Silveira & Paravidini, 2024).

Referências Bibliográficas