O que é um agente de IA?

A única pergunta que separa um agente de um chatbot

Quem decide o que acontece a seguir?

Em um chatbot, ninguém decide. Você envia uma mensagem, o modelo produz uma resposta, e o turno termina. Se a resposta exige um complemento, você quem escreve. O modelo nunca age sobre o mundo; ele só escreve texto.

Em um agente, o modelo decide. Dado um objetivo, ele escolhe uma ação, como pesquisar na web, rodar um trecho de código, abrir uma página ou editar um arquivo, recebe o resultado de volta como texto, lê e escolhe a próxima ação. Ele continua até julgar que o objetivo foi cumprido ou até um limite de passos interromper o processo. O modelo é o controlador do loop.

O guia técnico da Anthropic "Building effective agents", publicado em dezembro de 2024, traça a mesma linha: workflows são sistemas em que o modelo roda dentro de um código que fixa o caminho, e agentes são sistemas em que o modelo dirige seu próprio processo e o uso de ferramentas. O guia também é direto sobre qual dos dois construir primeiro, e a resposta é o workflow.

Chatbot, workflow, agente: o mesmo modelo, três loops diferentes

Os três podem rodar no mesmo modelo de linguagem. O que muda é o que envolve o modelo.

A coluna do workflow é onde vive a maior parte da automação útil. Um pipeline que resume um documento, depois extrai as datas, depois redige uma resposta são três chamadas de modelo em ordem fixa. É confiável porque o desenvolvedor decidiu o caminho. Não é um agente, seja lá o que a landing page diga, e chamar isso de agente esconde a troca real: um caminho fixo é previsível e barato, um caminho escolhido pelo modelo é flexível e nenhum dos dois.

Como é o loop, passo a passo

Uma execução concreta. O objetivo: "Descubra se nosso concorrente mudou os preços neste mês e escreva um resumo de dois parágrafos."

1. O modelo lê o objetivo e decide a primeira ação: uma busca na web pela página de preços do concorrente.
2. A ferramenta de busca retorna uma lista de resultados como texto. O modelo lê e escolhe um para abrir.
3. A ferramenta de navegador retorna a página. O modelo extrai os preços atuais.
4. O modelo decide que precisa dos preços antigos, busca uma cópia arquivada, e abre.
5. Ele compara os dois, julga que tem informação suficiente, e escreve o resumo.

Cinco passos, quatro chamadas de ferramenta, seis chamadas de modelo. Cada passo é uma resposta completa do modelo, com todo o histórico até então como entrada. Esse último detalhe é o que dispara o custo: no quinto passo o modelo está relendo quatro páginas de resultados de busca e texto de páginas a cada chamada. O que são tokens em IA explica por que uma entrada que cresce a cada turno é a forma mais cara.

E cada passo é um lugar para dar errado. Se a busca no passo 1 retornar a empresa errada, os passos 2 a 5 resumem com confiança o preço errado. O loop multiplica erros da mesma forma que multiplica progresso. Um limite de passos e um ponto de checagem humana antes de qualquer envio não são opcionais.

Quanto custa uma execução de agente contra uma única resposta

A aritmética é simples e as pessoas pulam essa parte. Uma resposta padrão, 1.000 tokens de entrada e 500 de saída, tem um preço de tabela por modelo no índice de custo de modelos de IA, com taxas da OpenRouter coletadas em 2026-08-20. Uma execução de agente de 20 passos equivale a pelo menos 20 respostas dessas, e na prática mais, porque a entrada cresce a cada passo.

Vinte passos no Claude Sonnet 5 custam $0.14 no piso, contra $0.007 de uma única resposta; no Claude Opus 5 é $0.35, e rodando a cada hora isso dá cerca de $250 por mês antes do multiplicador de entrada crescente. Em créditos Whizi a mesma aritmética se lê na escada do Auto acima: 100 créditos são 100 perguntas rápidas no modelo da casa ou 5 turnos de raciocínio no GPT-5.6 Sol, então um loop de 20 passos no degrau de raciocínio são 400 créditos, cerca de um sexto de um mês Pro de 2.500 créditos, e o mesmo loop no modelo da casa são 20. É por isso que o desenho certo direciona os passos de planejamento para um modelo forte e os passos de rotina para um modelo barato, e por que um espaço de trabalho multimodelo é o lugar natural para trabalho de agente, e não uma assinatura de um único modelo.

Quais produtos são realmente agentes

Assistentes de código que editam arquivos e rodam testes são agentes no sentido estrito: dado um relatório de bug, eles leem o código, fazem uma alteração, rodam a suíte de testes, leem a falha e tentam de novo. O loop é real e o modelo o conduz.

Os modos de Deep Research no ChatGPT, Gemini e Perplexity são agentes: eles pesquisam, leem, pesquisam de novo com base no que encontraram, e param quando julgam a pergunta coberta. A contagem de passos varia por pergunta, e é isso que os denuncia.

A maioria dos "agentes" em menus de produto são personas ou workflows. Uma linha em um seletor de modelo rotulada como agente fiscal ou mentor de estudos costuma ser um prompt de sistema fixo mais uma ou duas ferramentas. A própria seção de Agentes da Whizi é honesta sobre isso: a linha do CPA canadense é um preset que força uma busca na web a cada turno, limitado a sete buscas, com um orçamento maior de tokens, 55.000 de entrada e 40.000 de saída. É uma persona com uma ferramenta acoplada e um orçamento maior, e é útil justamente porque o caminho é fixo. Não é um loop que o modelo conduz, e o guia de roteamento automático explica o que realmente escolhe o modelo por trás de cada mensagem.

O vocabulário está deslizando para chamar tudo de agente. A pergunta a se fazer para um produto é a mesma do topo desta página: quem decide o próximo passo? Se a resposta for "um script" ou "ninguém", você está comprando um workflow ou um chatbot, e pode ser exatamente isso que você quer.

Quando um agente é a ferramenta certa, e quando não é

Um agente justifica seu custo quando o caminho não pode ser conhecido de antemão: pesquisa em que a segunda busca depende do primeiro resultado, depuração em que a correção depende da saída do teste, navegação em que o próximo clique depende da página. A flexibilidade é o produto.

Um agente é a ferramenta errada quando o caminho é conhecido. Resumir, extrair, traduzir, reformatar, classificar: são uma chamada ou uma sequência fixa de chamadas, e envolvê-las em um loop soma custo, latência e uma nova forma de falhar sem somar capacidade. O conselho do guia da Anthropic se mantém: comece com uma única chamada, avance para um workflow quando uma chamada não bastar, e recorra a um agente só quando o workflow continuar precisando de uma ramificação que você não consegue prever.

A regra de decisão: se você consegue desenhar os passos em um quadro branco antes de começar, não construa um agente.