Aprofundamento: quando automatizar a operação com agentes

Neste aprofundamento, decida se um fluxo de conteúdo ou de pesquisa justifica montar agentes de IA e peça a quem opera o único número que sustenta a decisão: a taxa de aprovação de primeira do modelo mais barato naquela tarefa.

Exemplo: o time propõe montar cinco agentes, um para pesquisar, um para escrever, um para revisar, um para otimizar e um para publicar, para produzir quatro artigos por mês.

Agente de IA é um programa que recebe um objetivo, divide em passos, usa ferramentas e decide sozinho o passo seguinte, como você viu na etapa 5. Orquestração é pôr vários deles para trabalhar em sequência, com uma regra que diz qual recebe cada tarefa.

Quatro artigos por mês não pedem cinco agentes. Volume baixo e tarefa que não se repete resolvem com uma chamada direta a um modelo e uma pessoa revisando, e o tempo de engenharia para montar e manter o conjunto passaria do tempo economizado.

Quando o fluxo justifica, a regra que decide qual modelo recebe cada tarefa precisa ser escrita pela natureza da tarefa, e não pela marca do modelo. Três propriedades classificam qualquer tarefa. A tolerância a erro: um título mal etiquetado num lote de milhares some no meio; uma afirmação errada na página institucional custa credibilidade. O custo de verificar: um formato fechado se confere por máquina; uma tabela de números com fonte exige conferir cada fonte. E o valor do acerto: milhares de classificações corretas pagam o pipeline, um parágrafo de posicionamento bem feito pode pagar o mês.

O catálogo de modelos envelhece em meses, e o ranking público de uso mostra isso a olho nu. Por isso a política fica com os níveis (barato, médio, alto, pesquisa) e os nomes de modelo moram num único bloco datado, o único ponto que muda quando o mercado se mexe.

A diferença de preço entre níveis é o que justifica a regra. Nas comparações públicas de preço e qualidade, os modelos mais capazes estão entre os mais caros por tarefa, numa distância de dezenas de vezes. Mandar a tarefa simples para o nível barato e reservar o caro para o que falha na primeira tentativa é onde está a economia, desde que a taxa de reprovação do barato seja medida.

Quem monta agentes assume também o custo de acompanhar o fabricante. As notas de versão da Anthropic registraram mais de vinte atualizações entre 09/09 e 22/10/2026, e a documentação do Google mantém uma página própria de descontinuações. Alguém com nome precisa ler essas páginas e trocar o modelo antes da data de corte, e esse tempo entra na conta.

O verificador barato costuma ser outro modelo julgando a saída do primeiro, e ele tem limite medido. Em arXiv 2609.02246 (02/09/2026), Wahi catalogou 11 modos de falha do modelo-juiz e encontrou agentes com 100% de aprovação do juiz escondendo 68% de capacidade real. Na política, o juiz opina; quem decide publicar são conferências fixas que ele não anula: o formato valida, o número tem fonte com endereço, o texto tem acentuação e links íntegros.

O protocolo de contexto de modelos (MCP, Model Context Protocol) reduz o custo de trocar de fornecedor. Ele fica entre o assistente e as ferramentas da empresa, de modo que mudar o modelo não obriga a refazer as integrações.

Confira antes de fechar: o fluxo candidato tem dono nomeado, a taxa de aprovação de primeira do nível barato foi medida em pelo menos 30 itens, o catálogo de modelos tem data e cache, teto por rodada e disjuntor têm parâmetro escrito. Os cinco agentes para quatro artigos por mês viram uma chamada direta e uma revisão humana, até o volume mudar.

Você fecha o curso com as cinco decisões assinadas, a régua para cobrar fornecedores e, se seguiu a parte opcional, um plano de 90 dias com regra de parada. Reveja o catálogo e as datas a cada trimestre.