Quando a IA vira sistema

1. Tese central

A IA vira sistema quando deixa de depender de uma única resposta e passa a coordenar modelos, agentes, ferramentas, memória, permissões e regras de decisão dentro de uma arquitetura operacional.

O prompt continua existindo. Mas agora ele não chama apenas uma resposta. Ele aciona uma composição.

2. O que mudou

Na primeira fase da IA generativa, o centro da atenção estava no modelo. Depois vieram os agentes, as ferramentas, a memória, os conectores e os workflows.

Agora começa a aparecer uma camada mais profunda: a camada que decide como tudo isso se combina.

Essa camada responde perguntas como:

• qual modelo deve executar esta tarefa?
• qual agente deve investigar este trecho?
• qual ferramenta pode ser usada?
• qual memória deve ser consultada?
• qual permissão é necessária?
• qual custo é aceitável?
• quando o humano precisa revisar?
• como registrar o caminho da decisão?

Quando essas perguntas entram no desenho do produto, a IA deixa de ser apenas interface e passa a ser arquitetura.

3. Sakana Fugu: o modelo como orquestrador

A Sakana AI apresentou o Fugu como um sistema multiagente entregue como se fosse um único modelo.

A promessa é simples na superfície: uma API, um endpoint, uma resposta. Mas a lógica por trás é mais complexa. O Fugu coordena dinamicamente um conjunto de modelos para resolver tarefas complexas e multi-etapas.

Esse é um sinal importante porque muda a pergunta central. Antes, a questão era: qual modelo usar? Agora, a pergunta passa a ser: qual sistema decide qual modelo usar?

O Fugu aponta para uma fase em que a orquestração vira produto. O usuário não precisa montar manualmente uma equipe de modelos, definir papéis ou desenhar todo o fluxo. O sistema tenta fazer essa composição por trás da interface.

A tensão aparece no mesmo movimento. Quanto mais o sistema decide internamente, mais importante se torna saber quem participou da resposta, qual modelo foi usado, por que aquele caminho foi escolhido, quanto custou e quais dados circularam.

O modelo vira orquestrador.

Ou, dito de outra forma: o prompt deixa de chamar apenas um modelo. Ele passa a acionar uma arquitetura.

4. Anthropic: pesquisa como sistema multiagente

A Anthropic descreveu como construiu seu sistema de pesquisa multiagente. A arquitetura usa um agente líder que planeja a pesquisa, cria subagentes, coordena buscas paralelas, sintetiza resultados e passa por uma etapa dedicada a citações.

O caso é relevante porque mostra multiagente como produto em operação, não apenas como demonstração experimental.

A pesquisa deixa de ser uma sequência linear de buscas. Ela passa a funcionar como uma operação coordenada.

Esse sinal é especialmente importante porque mostra uma aplicação concreta para sistemas multiagente: tarefas abertas, com muitas fontes, múltiplas hipóteses e necessidade de síntese.

A vantagem é clara: maior cobertura, exploração paralela e mais chances de encontrar informações relevantes. Mas o custo também aparece. Sistemas multiagente tendem a consumir mais tokens, gerar mais etapas intermediárias e exigir mais avaliação do processo.

A pesquisa deixa de ser uma busca e passa a ser uma operação coordenada.

5. MCP vs A2A: protocolos para agentes e ferramentas

Quando agentes começam a acessar ferramentas e conversar entre si, surge outra camada: os protocolos.

O artigo da Auth0 sobre MCP vs A2A, publicado em 10/07/2025, organiza bem essa distinção. O MCP, Model Context Protocol, estrutura o acesso de agentes a ferramentas, dados, APIs e recursos externos. O A2A, Agent-to-Agent, estrutura a comunicação e colaboração entre agentes.

Esses protocolos não resolvem o mesmo problema. Um amplia o acesso a ferramentas. O outro amplia a colaboração entre agentes. Juntos, mostram que a IA agentic não depende apenas de modelos melhores. Ela depende de uma arquitetura de conexão.

MCP dá ferramentas aos agentes. A2A dá colegas aos agentes.

A promessa dos agentes não é apenas autonomia. É colaboração sob regras. E colaboração sob regras exige protocolos, identidade, permissões e rastros.

6. Claude Managed Agents: o agente precisa de runtime

Se agentes deixam de ser apenas conversas e passam a executar tarefas, surge uma pergunta prática: onde esse agente vive?

O anúncio do Claude Managed Agents, datado de 08/04/2026, aponta nessa direção. A proposta apresenta uma infraestrutura gerenciada para construir e operar agentes, com APIs composáveis, estado, memória, permissões, execução agendada, sandbox, tracing e coordenação multiagente.

Esse sinal é relevante porque mostra que agentes em produção exigem mais do que bons prompts. Eles precisam de ambiente de execução.

Isso desloca a conversa de “criar um agente” para “operar um agente”. E operar um agente é uma questão de infraestrutura.

O agente deixa de ser prompt e passa a precisar de ambiente de execução.

A tensão é evidente: infraestrutura gerenciada acelera a produção, mas também aumenta dependência de plataforma.

7. OpenAI Frontier: agentes como infraestrutura empresarial

A OpenAI apresenta o Frontier como uma plataforma empresarial para agentes de IA, com foco em arquitetura, governança, agentes em produção, identidade de agente, controle de acesso, privacidade, conformidade e observabilidade.

Esse sinal fecha bem o Radar porque traduz a tese para o ambiente corporativo. Quando agentes passam a atuar em sistemas reais, eles deixam de ser apenas assistentes. Eles passam a operar como identidades.

Isso significa que precisam de:

• escopo de atuação;
• permissões;
• controle de acesso;
• logs;
• observabilidade;
• políticas;
• limites;
• responsabilidade;
• revisão humana quando necessário.

A adoção empresarial de agentes não depende apenas de capacidade técnica. Depende de confiança operacional.

A empresa nativa de IA precisará tratar agentes como identidades operacionais.

8. Leitura estratégica

Os cinco sinais selecionados apontam para a mesma direção.

A IA aplicada está entrando em uma fase em que:

• modelos são coordenados;
• agentes trabalham em equipe;
• protocolos conectam ferramentas e outros agentes;
• runtimes gerenciam estado, memória e permissões;
• plataformas empresariais exigem identidade, logs e governança.

A camada mais importante talvez não seja apenas o modelo mais poderoso, mas a arquitetura que decide como vários recursos devem ser combinados.

Essa arquitetura inclui roteamento, delegação, memória, ferramentas, observabilidade, permissão, custo, avaliação, revisão humana e governança.

A orquestração é a camada que transforma modelos em sistema.

9. Riscos e tensões

O movimento é relevante, mas não deve ser lido com entusiasmo ingênuo. Quanto mais a IA vira sistema, mais complexa ela se torna.

Os principais riscos são:

• caixa-preta de orquestração;
• custo de sistemas multiagente;
• latência;
• dependência de plataforma;
• lock-in;
• permissões excessivas;
• dificuldade de auditoria;
• logs incompletos;
• responsabilidade difusa;
• confusão entre autonomia real e marketing agentic.

A questão central passa a ser: quem decide, com quais permissões, usando quais ferramentas e deixando quais rastros?

Essa pergunta vale para qualquer organização que pretenda usar agentes em fluxos reais de trabalho. Não basta automatizar. É preciso saber explicar, limitar e auditar.

10. Relação com o livro

O Radar 04 aprofunda uma das teses centrais de Do Papel Ao Prompt: o prompt é apenas a superfície visível de uma mudança maior.

Na primeira leitura, o prompt parece uma frase enviada a um modelo. Na prática, ele começa a funcionar como uma interface para sistemas mais amplos.

Um prompt pode acionar:

• um modelo;
• uma ferramenta;
• uma memória;
• um agente;
• um fluxo;
• um verificador;
• um sistema de decisão;
• uma política de governança.

A passagem do papel ao prompt não é apenas uma mudança de suporte. É uma mudança na forma como intenção, linguagem e execução se conectam.

O prompt continua sendo linguagem, mas passa a iniciar arquitetura.