A nova revolução industrial: a aplicação da inteligência artificial autônoma (Agentic IA) e sua colaboração com as pessoas

Sistema de IA de agente SumoPPM (SumoPPM Agentic AI)

A IA agêntica ou IA autônoma (Agentic AI) está transformando amplamente o paradigma da inteligência artificial, superando as capacidades da inteligência artificial generativa tradicional. Enquanto a IA generativa se limita a produzir conteúdo com base em padrões preestabelecidos e perguntas específicas, a IA agêntica, graças à sua capacidade de "raciocinar" levando em consideração o contexto, aprende à medida que as tarefas são executadas e age de acordo com a necessidade que surge. Isso lhe permite tomar decisões autônomas e notificar o usuário quando acredita que ele deve sugerir uma alteração ou tomar uma decisão em relação a uma tarefa atribuída (Floridi 2025). Esta é uma grande vantagem em relação à IA generativa tradicional e a outros tipos de tecnologias, pois permite a automatização de tarefas repetitivas e complexas, liberando tempo dos trabalhadores humanos, contribuindo para melhorar sua produtividade e dependendo menos da supervisão humana em seu uso.

Com essa mudança nas capacidades da IA, passamos do que poderíamos chamar de "um consultor" que responde às suas perguntas — IA generativa — para uma equipe de especialistas que resolve um problema para você ou gerencia um processo composto por várias tarefas — sistemas de agentes de IA. Sistemas criados com vários agentes de IA, em uma estrutura colaborativa para resolver problemas que envolvem diversas tarefas de diferentes áreas, são úteis porque podem executá-los de forma eficaz, compartilhando informações e cada agente executando a tarefa na qual cada um é especialista, para alcançar um resultado comum (Gridach 2025).

Em nível técnico, a evolução da IA ​​generativa para sistemas de agentes de IA também representa um salto qualitativo na arquitetura de computadores. Enquanto ferramentas como o ChatGPT operam respondendo a prompts (instruções), os agentes de IA combinam "percepção" contextual, análise preditiva e execução iterativa de ações (Gridach 2025; Mukherjee 2025).

Definição e principais características da ​​Agentic AI

A IA agêntica tem autonomia para atingir objetivos de longo prazo, organizando processos multitarefa que se adaptam a condições imprevistas — graças a uma combinação de percepção ambiental e raciocínio contextual — e elaborando soluções inovadoras. Isso representa uma grande mudança na forma como os sistemas digitais interagem com a sociedade (Mukherjee 2025). Em contraste com os modelos generativos tradicionais, esses sistemas de agentes autônomos possuem quatro atributos fundamentais:

1. Raciocínio baseado em objetivos: capacidade de decompor objetivos complexos em uma sequência de tarefas, graças ao uso de LLMs (Large Language Models) como espinha dorsal do sistema, o que facilita essa segmentação de objetivos em objetivos menores que são atribuídos a diferentes agentes (Ghose 2024).

2. Aprendizado por tentativa e erro: mecanismos de feedback em tempo real que permitem o ajuste de estratégias com base em mudanças no ambiente, utilizando técnicas como metacognição[1] e otimização bayesiana[2], além de técnicas como Aprendizado por Reforço a Partir do Feedback Humano (RLHF). Nesta última, o sistema aprende graças ao feedback fornecido pelo usuário humano ao utilizá-lo e/ou monitorá-lo (Gridach 2025; Mukherjee 2025).

3. Colaboração multiagente: vários agentes especializados são usados ​​para lidar com cada tarefa na sequência de etapas, emulando estruturas organizacionais humanas, o que facilita a resolução cooperativa de problemas ou processos que exigem diferentes fases (Ghose 2024; Gridach 2025).

4. Consciência metacognitiva[3]: capacidade de monitorar e avaliar criticamente o próprio desempenho por meio de módulos de autorreflexão algorítmica[4] (Miehling 2025).

   
   

O "grau de inteligência" alcançado por esses sistemas multiagentes, ou por agentes direcionados por seus próprios modelos LLM (agentes baseados em LM), se aproxima muito de várias das características que consideramos fundamentais para a inteligência humana quando combinadas: autonomia, capacidade de aprendizagem, memória, compreensão, planejamento e capacidade de tomar decisões e executar ações necessárias.

Estrutura arquitetônica da Agentic AI

A estrutura operacional desses sistemas é organizada em quatro módulos interconectados:

Consciência contextual:

Combina dados diversos por meio de APIs especializadas, dados estruturados (sensores de IoT, bancos de dados) com entrada de informações não estruturadas (linguagem natural, imagens de satélite) (Floridi 2025; PwC 2024). Modelos Transformer de última geração permitem a extração de padrões subjacentes graças a "mecanismos de atenção" (MFAIA 2023; PwC 2024). Essa técnica otimiza a capacidade dos modelos de inteligência artificial de se concentrarem em informações verdadeiramente relevantes e discriminarem distrações contextuais.

Raciocínio dinâmico:

São utilizados Modelos de Grandes Linguagens (LLMs), capazes de desenvolver processos de pensamento em múltiplas etapas. Por exemplo, um agente de IA acadêmico, ao detectar uma solicitação de pesquisa, poderia gerar uma hipótese, identificar lacunas na literatura sobre o assunto e planejar experimentos virtuais (Ghose 2024; Gridach 2025).

Sequências de etapas que combinam redes neurais profundas[5] com lógica simbólica são utilizadas para decompor problemas complexos em subtarefas sequenciais e resolvê-las gradualmente até atingir o objetivo final (MFAIA 2023). Estruturas como a Neuro-Symbolic permitem a integração do aprendizado profundo com a interpretabilidade, superando as limitações de abordagens puramente estatísticas, aprimorando assim a tomada de decisões em IA e seus processos (Rodríguez 2021).

Execução autônoma:

Atores digitais (robôs de software, APIs) traduzem decisões algorítmicas em ações concretas. Sistemas como o "Operador" da OpenAI demonstram capacidades emergentes para gerenciar fluxos de trabalho complexos que abrangem múltiplas plataformas (Equipe editorial do Laboratório de Jornalismo da Fundação Luca de Tena 2024).

Aprendizado contínuo:

Mecanismos de aprendizado como o Aprendizado por Reforço a partir do Feedback Humano (RLHF) podem ser utilizados (Gridach 2025; Mukherjee 2025). Ou seja, o sistema aprende com o feedback fornecido pelo usuário humano, mas sem a necessidade de supervisão humana contínua. Um exemplo no setor financeiro seriam os sistemas de IA da Agentic, que otimizam carteiras de investimentos avaliando resultados anteriores e preferências de risco atualizadas.

Aplicações transformadoras da ​​Agentic AI em múltiplos campos

Pesquisa científica:

No meio acadêmico, sistemas multiagentes estão sendo utilizados para colaborar e ampliar as capacidades de pesquisadores humanos (Gridach 2025).

• Uma das tarefas em que eles podem ser úteis é a revisão bibliográfica automatizada, embora ainda haja espaço para melhorias. São essenciais para resumir a literatura e identificar tendências de pesquisa em um campo científico específico.

• Propor novas hipóteses utilizando mapas conceituais generativos[6].

• Identificar lacunas de conhecimento/pesquisa em um campo específico.

  
  

Otimização de serviços educacionais:

Instituições universitárias estão implementando ecossistemas multiagentes para:

• Personalizar trajetórias de treinamento por meio de análise preditiva de competências.

• Automatizar processos administrativos complexos (por exemplo, matrícula, validação).

• Gerar conteúdo educacional adaptável para usuários usando uma abordagem conversacional.

  
  

Transformação do Atendimento ao Cliente:

Os sistemas de agentes de IA estão redesenhando os relacionamentos comerciais por meio de:

• A resolução autônoma de uma grande proporção de incidentes sem a necessidade de encaminhá-los para trabalhadores humanos.

• Antecipação de necessidades por meio de análise de sentimentos do cliente em tempo real.

• Integração unificada de vários canais (por exemplo, e-mail, mídias sociais, CRM) (PwC 2024).

  
  

  As empresas podem economizar custos operacionais combinando microagentes especializados para responder perguntas frequentes, processar devoluções e fidelizar clientes.

  
  

Otimização logística e gestão de estoque:

Na logística, os sistemas de IA ajustam as rotas de entrega em tempo real para lidar com problemas como trânsito ou clima, garantindo entregas rápidas e reduzindo custos. Eles também preveem mudanças na demanda e automatizam a reposição de estoque para evitar rupturas ou excesso de estoque, graças à análise de tendências de compra e eventos sazonais.

Coordenação de reuniões e gerenciamento de agendas:

Agentes de IA aprimoram a organização de reuniões coordenando agendas, agendando horários convenientes e enviando lembretes. Durante as reuniões, eles transcrevem conversas, destacam pontos-chave e geram resumos. Eles também atribuem tarefas decididas durante a reunião, monitoram seu progresso e notificam sobre atrasos relevantes, melhorando a eficiência, especialmente em equipes internacionais.

Personalização de experiências no varejo e entretenimento:

Sistemas de IA com agentes no setor varejista analisam dados dos clientes, como preferências e comportamentos de compra, para personalizar recomendações e campanhas de marketing. Empresas como Coca-Cola e Netflix usam essa tecnologia para adaptar seus produtos e conteúdo às necessidades do consumidor. Em lojas físicas, a IA guia os compradores por meio de realidade aumentada em aplicativos móveis, exibindo ofertas e detalhes dos produtos com base em sua localização.

Estes são apenas alguns exemplos das muitas aplicações dos sistemas de agentes de IA. A versatilidade dos sistemas de IA da Agentic permite que sejam integrados em contextos tão diversos como saúde, finanças, logística e entretenimento, entre outros. Ao automatizar tarefas cotidianas, aprimorar processos importantes e oferecer sugestões de ação, esses sistemas não apenas aumentam a eficiência operacional, mas também possibilitam novos modelos de negócios, aprimorando a experiência do usuário final.

Desafios éticos e estrutura regulatória emergente

Dilemas de atribuição de responsabilidade no uso da Inteligência Artificial Agentic:

Como uma tecnologia não apenas nova, mas também em constante desenvolvimento, a IA autônoma ainda requer marcos regulatórios específicos. A autonomia operacional da IA ​​Agentic levanta dilemas éticos em relação à responsabilidade legal e à transparência algorítmica, visto que a responsabilidade é diluída entre desenvolvedores, usuários finais e os próprios sistemas (Floridi 2025).

A Lei de Inteligência Artificial da UE de 2024 exige que sistemas de alto risco — como os utilizados no setor bancário ou na medicina — incluam IA explicável (XAI) e mecanismos de supervisão humana (Alexander Thamm, 2025). Tecnologias como gêmeos digitais permitem auditorias contínuas, replicando cenários operacionais para identificar vieses ou potenciais falhas. Gêmeos digitais em IA são réplicas virtuais de objetos, sistemas ou processos da vida real que utilizam dados em tempo real, aprendizado de máquina e raciocínio para refletir e analisar com precisão suas contrapartes físicas. Eles coletam, processam e armazenam constantemente dados operacionais detalhados, fornecendo um registro transparente e rastreável do comportamento e das mudanças do sistema ao longo do tempo.

No entanto, ainda persistem desafios em áreas como a propriedade intelectual. Quando um agente de IA gera patentes ou conteúdo criativo, surgem questões sobre a titularidade dos direitos. Contudo, a nível europeu, considera-se geralmente que a titularidade cabe ao utilizador da ferramenta de IA (European Innovation Council and SMEs Executive Agency 2024).

Estratégias de Implementação Responsável:

A recente estrutura AAIO (Otimização de IA Agentic) propõe a necessidade de desenvolver (Floridi 2025):

• Padrões para a governança da IA ​​autônoma, garantindo a interoperabilidade entre plataformas digitais.

• Estabelecer mecanismos de supervisão e transparência das interações digitais.

• Sistemas algorítmicos que podem ser auditados publicamente, juntamente com parâmetros de tomada de decisão estabelecidos, podem, portanto, ser transparentes, proporcionando confiança aos usuários (Floridi 2025; Mukherjee 2025).

  
  

  A colaboração interdisciplinar entre engenheiros, programadores, filósofos e legisladores está emergindo como um requisito essencial para navegar nesta nova fronteira tecnológica (Floridi 2025).

  
  

Conclusão

A evolução da IA ​​agêntica está redefinindo radicalmente os paradigmas da automação, apresentando oportunidades sem precedentes e desafios complexos. Embora os avanços técnicos em raciocínio autônomo e colaboração multiagente prometam revolucionar setores-chave, a comunidade acadêmica e seus desenvolvedores devem adotar uma abordagem crítica e proativa em relação à governança ética desses sistemas. Os arcabouços teóricos e as propostas regulatórias emergentes constituem um primeiro passo em direção ao uso responsável dessa tecnologia transformadora.

Por otro lado, hay que tener en cuenta que los resultados y la eficacia del sistema de agentes de IA (Agentic AI) depende siempre de varios factores: la calidad de los datos utilizados, la arquitectura del sistema, la estructuración del contenido digital e información con la que interactúan, así como el refuerzo mutuo que provee el usuario humano con el uso continuo y la supervisión de los datos y resultados para afinar la calidad. Es decir, el usuario y el programador humano siguen teniendo una función en esta cadena de producción y de conocimiento, que no puede soslayarse, ya que la efectividad de los agentes también depende de las pautas que se les dé, la pertinencia de las indicaciones y la calidad de los datos que se les suministre, los cuales serán responsabilidad de los usuarios y programadores humanos. Así podremos asegurarnos de que la colaboración IA-humanos alcanza buenos resultados.

Notas

[1] Metacognição em IA é a capacidade dos sistemas de IA de “refletir, monitorar e ajustar seus modelos de aprendizagem” (Wei 2024).

[2] A otimização bayesiana é uma técnica que ajuda a encontrar a melhor solução para um problema sem a necessidade de testar todas as opções. É especialmente útil para ajustar os parâmetros de modelos de inteligência artificial, economizando tempo e recursos (Amat Rodrigo 2020).

[3] Ver nota 1.

[4] São componentes de software que permitem que um sistema de IA analise e ajuste seus próprios processos automaticamente.

[5] Redes neurais profundas são sistemas que imitam o funcionamento do cérebro humano, utilizando diversas camadas conectadas para processar informações passo a passo (Universidade UNIE 2024).

[6] Representações visuais de conceitos e suas inter-relações produzidas pela inteligência artificial.

Bibliografia

Alexander Thamm. 2025. "The State of AI 2025. Agentic AI and Beyond." alexanderthamm.com. Acessado em maio de 2025.https://www.alexanderthamm.com/en/blog/the-state-of-ai-2025/.

Amat Rodrigo, Joaquín. 2020. "Optimización bayesiana de hiperparámetros." CIENCIADEDATOS.NET. abril. Consultado mayo 22, 2025. https://cienciadedatos.net/documentos/62_optimizacion_bayesiana_hiperparametros#:~:text=Con%20esta%20estrategia%2C%20se%20consigue,eligiendo%20%C3%BAnicamente%20los%20mejores%20candidatos.

European Innovation Council and SMEs Executive Agency. 2024. "European Comission." European Comission Intellectual Property Helpdesk . julio 2024. Acessado em 25 de maio de 2025. https://intellectual-property-helpdesk.ec.europa.eu/news-events/news/artificial-intelligence-and-copyright-use-generative-ai-tools-develop-new-content-2024-07-16-0_en.

Floridi, Luciano, Buttaboni, Carlotta, Hine, Emmie, Morley, Jessica, Novelli, Claudio e Schroder, Tyler. 2025. "Agentic AI Optimisation (AAIO): what it is, how it works, why it matters, and how to deal with it." Arxiv 1-15. https://arxiv.org/abs/2504.12482.

Ghose, Shomit Ghose. 2024. "The Next “Next Big Thing”: Agentic AI’s Opportunities and Risks." UC Berkeley Stuardja Center for Entrepeneurship & Technology. Editador por Berkeley. 19 de dezembro. Acessado em 22 de maio de 2025.https://scet.berkeley.edu/the-next-next-big-thing-agentic-ais-opportunities-and-risks/.

Gridach, Mourad, Nanavati, Jay, Zine El Abidine, Khaldoun, Mendes, Lenon e Mack, Christina. 2025. "Agentic AI for Scientific Discovery: A Survey of Progress, Challenges, and Future Directions." Arxiv 1-14. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://arxiv.org/pdf/2503.08979 .

MFAIA. 2023. "Universidad Politécnica de Madrid." Máster en fundamentos y aplicaciones de la Inteligencia Artificial. 13 de maio. Acessado em 27 de maio de 2025. https://mfaia.dia.fi.upm.es/aprendizaje-automatico-la-magia-detras-de-la-inteligencia-artificial/.

Miehling, Erik, Ramamurthy, Karthikeyan, Varshney, Karthikeyan, Riemer, Matthew, Bouneffouf, Djallel, Richards, John T., Dhurandhar, Amit, Daly, Elizabeth, Hind, Michael, Sattigeri, Prasanna, Dennis, Ambrish Rawat, Wei, Gajcin, Jasmina e Geyer, Werner. 2025. "Agentic AI Needs a Systems Theory." Editado por IBM Research. ARXIV.org 1-15. Acessado em maio de 2025. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://arxiv.org/pdf/2503.00237.

Mukherjee, Anirban e Chang, Hannah. 2025. " Agentic AI: Autonomy, Accountability, and the Algorithmic Society ." SSRN 1-28. Consultado mayo 2025. https://ssrn.com/abstract=5123621 or http://dx.doi.org/10.2139/ssrn.5123621.

PwC . 2024. "Agentic AI – the new frontier in GenAI." PwC . 27 de outubro. Acessado em maio de 2025. https://www.pwc.com/m1/en/publications/agentic-ai-the-new-frontier-in-genai.html.

Equipe editorial do Laboratório de Jornalismo da Fundação Luca de Tena. 2024. "Laboratorio de periodismo Fundación Luca de Tena." laboratoriodeperiodismo.org. 19 de novembro. Acessado em 27 de maio de 2025. https://laboratoriodeperiodismo.org/openai-anuncia-operator-el-asistente-de-inteligencia-artificial-que-busca-transformar-la-interaccion-tecnologica/.

Rodríguez, Samuel. 2021. "Big Data Magazine." 19 de novembro. Acessado em 27 de maio de 2025. https://bigdatamagazine.es/que-es-la-inteligencia-artificial-neurosimbolica/.

UNIE Universidad. 2024. "UNIE Universidad." Universidad UNIE. 9 de julho. Acessado em maio de 2025. https://www.universidadunie.com/blog/que-son-redes-neuronales.

Wei, Hua, Shakarian, Paulo, Lebiere, Christian, Draper, Bruce, Krishnaswamy, Nikhil e Nirenburg, Sergei. 2024. "Metacognitive AI: Framework and the Case for a Neurosymbolic Approach." arXiv s. p. Acessado em 22 de maio de 2025. https://arxiv.org/abs/2406.12147.