Agente de IA: o que é e por que muda seu jeito de pesquisar

Você já usou o ChatGPT pra escrever um parágrafo. Mas já pediu pra uma IA reservar um voo, responder um cliente, ou navegar sozinha num site até terminar uma tarefa? Isso é outra categoria de ferramenta, e a diferença importa mais do que parece. Em 30 de junho, o MIT News publicou uma entrevista com Phillip Isola, professor do Departamento de Engenharia Elétrica e Ciência da Computação e pesquisador do CSAIL, sobre o que realmente é IA agêntica e o que ainda falta pra ela funcionar bem. Um agente de IA é um sistema que toma ações no mundo (físicas, como manipulação robótica, ou digitais, como reservar algo), em vez de só gerar texto, imagem ou código quando alguém pede. Se você usa IA pra acelerar a pesquisa, entender esse mecanismo muda a forma como você decide o que delegar e o que não delegar.

O que aconteceu

Um relatório de novembro de 2025 da MIT Sloan School of Management em parceria com a Boston Consulting Group encontrou que 35% das empresas pesquisadas já tinham implementado agentes de IA, e outras 44% planejavam adotar em breve. É esse crescimento que motivou o MIT News a procurar Isola para entender o que está por trás do rótulo “agente”.

Segundo ele, a palavra “agente” é basicamente um nome de marca. Na prática, quase todo agente que encontramos hoje começa com o mesmo tipo de modelo generativo por baixo (como o Claude), e as empresas constroem em volta dele um conjunto de ferramentas específicas para a aplicação: uma calculadora para resolver problemas matemáticos, acesso a um disco rígido para lembrar negociações anteriores, ou permissão para clicar em botões de um site.

O maior obstáculo para desenvolver esses sistemas, segundo Isola, é a falta de dados de treinamento. Não existe um banco de dados detalhado dizendo exatamente onde mover o mouse, qual botão clicar, ou como negociar o preço de uma passagem quando algo dá errado. Por isso, no caso de reservar uma passagem, o aprendizado costuma ser por tentativa e erro: o agente visita sites de companhias aéreas e testa o que funciona.

Por que isso importa pra você

A área onde a IA agêntica mais avançou, de acordo com Isola, foi codificação. Modelos treinados em código conseguem prever o que um programador faria para resolver um problema, e como é possível checar se o código funciona ou não, o agente consegue repetir o ciclo de tentativa e erro até acertar. Se você usa IA pra rodar scripts ou testar hipóteses estatísticas na sua pesquisa, esse é o tipo de tarefa em que o ciclo de tentativa e erro tende a funcionar melhor, segundo Isola.

Mas Isola marca uma linha importante: existe uma diferença entre automatizar a decisão e apenas informar quem decide. Ferramentas analíticas que ajudam a prever resultados não são agênticas no sentido estrito, mas são extremamente úteis para quem está decidindo. Em situações de alto risco, ele cita medicina e políticas de negócio como exemplos, talvez a tecnologia ainda não esteja madura o suficiente para automatizar completamente, ou talvez nem devêssemos querer isso.

Isso se traduz em pelo menos três situações concretas na rotina de pesquisa:

1. Se você está rodando análise estatística com IA: use o agente para gerar o script e testar hipóteses, mas verifique manualmente o resultado antes de citar no capítulo, especialmente se o argumento é central pra sua tese.
2. Se você está usando IA pra revisar literatura: um agente pode buscar e organizar referências, mas a leitura crítica do que cada estudo realmente sustenta continua sendo trabalho seu.
3. Se você orienta outros pesquisadores: vale conversar sobre onde a turma está delegando decisões de análise sem checar, porque é exatamente aí que erros silenciosos entram.

O risco que ninguém está discutindo o suficiente

Isola nomeia um risco pouco óbvio:: é justamente porque é fácil pedir pro agente fazer o trabalho, que as pessoas relaxam a verificação. Ele cita o “vibe coding”, pedir pro agente escrever o código sem revisar linha por linha, como exemplo direto de como bugs são introduzidos e dados privados acabam expostos. Isso já está acontecendo, segundo ele, não é hipótese.

Tem ainda um segundo problema, mais sutil: mesmo um agente competente pode cometer erro se a instrução que você deu for vaga demais. Ou seja, o erro nem sempre é do agente, às vezes é do jeito como formulamos o pedido, e quanto menos pensamos nas consequências antes de delegar, mais propensos ficamos a esse tipo de falha.

O ponto que mais me chama atenção é o risco de de-skilling, que Isola descreve como perder a habilidade de fazer algo (matemática, código, redação) porque passamos a confiar no agente pra fazer por nós. Não é discurso alarmista: é um risco concreto e ainda sem resposta clara, porque a tecnologia talvez nem esteja madura o suficiente pra assumir esse trabalho por completo, e a gente pode perder a prática antes da hora certa. Isso não significa parar de usar IA amanhã. Significa perguntar, a cada tarefa delegada, se você ainda saberia fazer aquilo sozinha se precisasse.

Próximos passos

Isola termina a entrevista com uma pergunta em aberto que vale levar pra sua própria prática: os próximos agentes vão ser só modelos de linguagem com mais sensores e ferramentas, ou vão precisar de uma arquitetura totalmente diferente pra lidar com dados contínuos, vídeo e sinais físicos? É a pergunta com a qual boa parte do campo da IA ainda está lidando, segundo Isola.

Enquanto isso não se resolve, aqui vai um checklist prático pra essa semana:

1. Liste as tarefas de pesquisa que você já delega a algum tipo de IA (não precisa ser agente completo, ChatGPT já conta).
2. Para cada uma, pergunte: eu consigo verificar se o resultado está certo, ou estou confiando de olhos fechados?
3. Separe as tarefas de alto risco (dados que vão pra tese, argumento central, decisão que afeta terceiros) das tarefas de baixo risco (organizar referências, gerar rascunho).
4. Nas de alto risco, mantenha a verificação manual como etapa obrigatória, não opcional.

Se você quer entender melhor onde fica a linha entre usar IA pra acelerar o processo científico e usar IA pra substituir o próprio raciocínio, vale ler IA na pesquisa: ensinar o prompt ou o processo científico?.

Fonte: Q&A: What is agentic AI today, and what do we want it to be?, MIT News