Quase toda empresa está aprendendo hoje a falar de agentes de IA. Bem menos conseguem fazer um funcionar. Na pesquisa global da McKinsey de 2025, 88% das organizações já usam IA em pelo menos uma função de negócio, mas no máximo 10% escalaram agentes em alguma função específica [1]. A Gartner espera que mais de 40% dos projetos de IA agêntica sejam cancelados até o fim de 2027, por custo, valor pouco claro e controles fracos [2]. Por trás dessa lacuna há um problema de vocabulário: as equipes adotam as ferramentas antes de compartilhar a linguagem para raciocinar sobre elas. Este glossário resolve isso.
A resposta curta: os 20 termos abaixo se agrupam em seis trabalhos que todo agente precisa fazer bem: rodar um loop, manter-se ancorado em fontes, conectar-se a ferramentas e a outros agentes, coordenar-se em escala, manter-se sob controle e provar que funciona. Aprenda-os uma vez e cada decisão sobre agentes, da arquitetura ao orçamento, fica mais clara.
Por que este vocabulário importa agora?
Porque as palavras correspondem diretamente a onde os projetos têm sucesso ou fracassam.
A adoção é ampla e os resultados são escassos (ver FIG-1). A maioria das organizações consegue iniciar um piloto de agentes; bem menos tornam um confiável o bastante para lhe confiar trabalho real. A razão raramente é o modelo. É a engenharia ao redor: como o agente faz seu loop, o que recupera, como se conecta, como é coordenado, como é governado e como é medido. Cada um dos seis grupos deste glossário é uma dessas decisões. Domine a linguagem e você distinguirá uma demo de um sistema.
Dados
| Estágio de adoção | Percentual de organizações |
|---|---|
| Usam IA em pelo menos uma função de negócio | 88% |
| Ao menos experimentando com agentes de IA | 62% |
| Escalando um sistema agêntico em algum lugar | 23% |
| Agentes escalados em uma única função (10% ou menos) | 10% |
Aqui está o mapa completo antes do detalhe. A Tabela 1 organiza os 20 termos nos seis trabalhos que servem.
Tabela 1. Os 20 termos de IA agêntica, agrupados pelo trabalho que fazem.
| Trabalho | Termos |
|---|---|
| Rodar o loop central | Loop do agente, Uso de ferramentas, Memória |
| Ancorar-se no conhecimento | RAG, Grounding, Engenharia de contexto |
| Conectar-se a ferramentas e agentes | MCP, Protocolos de agentes, A2A, Identidade do agente |
| Coordenar-se em escala | Orquestrador, Sistema multiagente, Handoffs, Pipeline agêntico |
| Manter-se seguro e sob controle | Guardrails, Camada de políticas, Sandboxing, Humano no circuito |
| Provar que funciona | Observabilidade do agente, Avaliação (evals) |
O que torna uma IA "agêntica" em primeiro lugar?
Um agente é um modelo que age, não que apenas responde. Três termos definem o núcleo.
1. Loop do agente (agent loop). O motor da agência. Em vez de devolver uma única resposta, o agente roda um ciclo: raciocina sobre o objetivo, escolhe uma ação, executa, observa o resultado e repete até concluir a tarefa. A Anthropic descreve agentes eficazes como modelos que "usam ferramentas em um loop" com base no retorno do ambiente, e recomenda o loop mais simples que funcione antes de adicionar estrutura [3].
2. Uso de ferramentas (tool use). Como um agente afeta o mundo. As ferramentas são funções que o modelo pode chamar: buscar em um banco de dados, enviar um e-mail, executar código, acessar uma API. O uso de ferramentas transforma um gerador de texto em algo que marca uma reunião ou abre um chamado. A qualidade de um agente é limitada pela qualidade e pela segurança das ferramentas que ele consegue alcançar [3].
3. Memória (memory). O que o agente carrega entre passos e sessões. A memória de curto prazo é o contexto de trabalho dentro de uma única execução (a conversa e os resultados intermediários). A memória de longo prazo é um armazenamento externo no qual o agente pode escrever e ler depois, para não reaprender o mesmo dado toda vez. A memória é o que permite a um agente lidar com uma tarefa mais longa do que uma única janela de contexto.
Como os agentes obtêm o conhecimento certo?
Um modelo só conhece seus dados de treino até você lhe dar mais. Este grupo é o como.
4. RAG (geração aumentada por recuperação). O padrão dominante para alimentar os agentes com conhecimento fresco e privado. No momento da consulta, o sistema recupera documentos relevantes de um índice de busca ou de um armazenamento vetorial e os passa ao modelo como contexto, para que as respostas reflitam seus dados e não a memória do modelo. Sistemas RAG feitos sob medida relataram reduções de alucinações de mais de 40% frente a bases sem ancoragem [4].
5. Grounding (ancoragem em fontes). O objetivo a que o RAG serve: ligar cada afirmação a uma fonte verificável e atual. Uma resposta ancorada consegue citar de onde veio; uma sem ancoragem é um palpite plausível. O grounding é o que torna auditável a saída de um agente, algo inegociável em trabalho regulado ou de alto risco.
6. Engenharia de contexto (context engineering). A disciplina de decidir o que entra na janela de contexto limitada do modelo, e em que ordem. Abrange a estrutura do prompt, quais trechos recuperados incluir, como comprimir o histórico e o que deixar de fora. À medida que os agentes rodam por mais tempo e lidam com mais ferramentas, a engenharia de contexto, não a redação do prompt, torna-se a principal alavanca de confiabilidade e custo [5].
Como os agentes se conectam às ferramentas e entre si?
Agentes isolados são fracos. O valor vem da conexão, e a conexão precisa de padrões.
7. MCP (Model Context Protocol). O padrão aberto para conectar um agente a ferramentas, dados e contexto, muitas vezes chamado de "USB-C da IA". Apresentado pela Anthropic em novembro de 2024, ele substitui integrações sob medida por um único protocolo que qualquer cliente consegue falar [6]. Um ano depois, seu registro público tinha perto de 2.000 entradas de servidores após um crescimento de 407% em um trimestre, e o protocolo passou a uma governança neutra sob a Linux Foundation [7].
8. Protocolos de agentes (agent protocols). A categoria mais ampla de padrões abertos que permitem que agentes, ferramentas e serviços interoperem sem cola sob medida para cada par. Eles são para os agentes o que o HTTP foi para a web: as regras compartilhadas que transformam sistemas isolados em um ecossistema e reduzem a dependência de um fornecedor.
9. A2A (Agent2Agent). O padrão aberto para a comunicação agente-agente. Onde o MCP conecta um agente às suas ferramentas, o A2A permite que agentes distintos, possivelmente feitos por fornecedores diferentes, se descubram, troquem informações de forma segura e deleguem trabalho. O Google o lançou em abril de 2025 e o doou à Linux Foundation; hoje mais de 100 empresas de tecnologia o apoiam [8][9].
10. Identidade do agente (agent identity). Uma resposta verificável para "que agente é este e o que ele pode fazer?". À medida que os agentes chamam ferramentas e uns aos outros, cada um precisa das próprias credenciais, permissões e trilha de auditoria, separadas da pessoa que o iniciou. Sem uma identidade distinta você não consegue aplicar o menor privilégio nem rastrear quem fez o quê, por isso ela está no centro dos guias de segurança agêntica [10].
Como coordenar mais de um agente?
Um agente é um componente. Um sistema são muitos, e a coordenação é onde os sistemas quebram.
11. Orquestrador (orchestrator). O controlador central que decompõe uma tarefa, encaminha cada parte ao agente ou ferramenta certo e verifica o resultado. Um orquestrador controlado vence um enxame solto porque as falhas de coordenação, não os modelos fracos, são a principal causa do colapso multiagente [11]. É o padrão que projetamos primeiro, não por último.
12. Sistema multiagente (multi-agent system). Vários agentes especializados trabalhando rumo a um único objetivo. Bem feito, eleva o desempenho em trabalho amplo e paralelizável: o pesquisador multiagente da Anthropic superou um agente único forte em 90.2% em sua eval interna [5]. Malfeito, multiplica o custo e a superfície de falha. Use-o quando um único agente comprovadamente não der conta do trabalho, não por padrão.
13. Handoffs (transferências entre agentes). O momento em que um agente passa o controle e o contexto a outro. Uma transferência que perde contexto ou descreve mal a tarefa é um ponto de falha clássico; um estudo da UC Berkeley sobre 1.642 rastros multiagente atribuiu a maioria das falhas à especificação e ao desalinhamento entre agentes, não à fraqueza do modelo [11]. Transferências limpas são uma entrega de engenharia, não um detalhe deixado para depois.
14. Pipeline agêntico (agentic pipeline). Uma sequência definida de passos ou etapas de agentes, cada uma com entrada, saída e verificação claras. Estruturar o trabalho como um pipeline permite verificar entre passos, algo que importa porque as taxas de erro se acumulam: encadeie passos suficientes e até uma alta exatidão por passo decai para um todo pouco confiável. Trechos mais curtos e verificados vencem uma única cadeia autônoma longa.
O problema é o custo. A coordenação não é gratuita, e a moeda são os tokens. A FIG-2 mostra o multiplicador.
Dados
| Tipo de interação | Tokens vs chat |
|---|---|
| Chat | 1x |
| Agente único | 4x |
| Sistema multiagente | 15x |
Como manter os agentes seguros e sob controle?
Um agente conectado a ferramentas reais pode causar dano real. O controle é uma camada de projeto, não um ajuste.
15. Guardrails (barreiras de segurança). Os controles que mantêm um agente dentro do comportamento pretendido: filtros de entrada e saída, verificações de conteúdo e limites sobre o que ele pode dizer ou fazer. Importam porque a injeção de instruções (prompt injection) figura como o principal risco de segurança das aplicações com LLM, em que um texto hostil pode sequestrar um agente com acesso a ferramentas [10].
16. Camada de políticas (policy layer). As regras que decidem o que um agente pode fazer antes de agir: quais ferramentas pode chamar, sobre quais dados e quais ações precisam de aprovação. Aplicada de forma independente do modelo (para que um jailbreak não reescreva as regras), a camada de políticas é como você aplica o menor privilégio a um sistema autônomo [10].
17. Sandboxing (isolamento em ambiente seguro). Rodar as ações de um agente, sobretudo a execução de código e as chamadas de ferramentas, dentro de um ambiente isolado sem acesso permanente à produção, a segredos nem a mais rede do que precisa. O sandboxing contém o raio de impacto quando, não se, algo dá errado, e é um controle central de defesa em profundidade nos guias de segurança agêntica [10].
18. Humano no circuito (human-in-the-loop). Manter uma pessoa nos pontos de decisão que carregam custo real: aprovações, exceções e ações irreversíveis. O papel humano não desaparece à medida que os agentes melhoram; ele sobe, rumo ao julgamento e à supervisão. Os melhores deployments automatizam o rotineiro e encaminham o consequente a uma pessoa.
Como saber se um agente realmente funciona?
Você não pode confiar no que não pode medir, e uma única boa demo não mede nada.
19. Observabilidade do agente (agent observability). Rastrear, registrar e inspecionar cada passo que um agente dá, não apenas sua resposta final. Rastros de vários passos revelam de forma rotineira falhas, um passo repetido, um descompasso entre raciocínio e ação, que uma verificação da saída final nunca vê [11]. A observabilidade é o que transforma "o agente quebrou" em uma assinatura específica e corrigível.
20. Avaliação (evals). Medir a qualidade do agente contra um limiar definido, ao longo de tentativas repetidas em vez de uma única. Importa porque agentes que parecem fortes uma vez desmoronam sob repetição: o benchmark tau-bench mostra um modelo líder passando uma tarefa em uma única tentativa com muito mais frequência do que a passa ao longo de várias tentativas consecutivas [12]. Os evals são como a autonomia se conquista: você amplia o escopo de um agente apenas na medida em que sua confiabilidade medida permitir.
Como a MasterDragon usa estes termos na prática
Construímos AI-native, o que significa que estas palavras não são curiosidade; são a lista de verificação.
Cada sistema que lançamos toma de propósito cada uma das seis decisões. Projetamos primeiro o loop do agente e suas ferramentas, ancoramos o agente com RAG e engenharia de contexto disciplinada, o conectamos por meio de protocolos abertos como MCP e A2A com uma identidade de agente real, o coordenamos por um orquestrador central em vez de um enxame, o envolvemos em guardrails, uma camada de políticas, sandboxing e aprovação humana onde o custo é real, e o instrumentamos com observabilidade e evals antes de ampliar sua autonomia. Essa é a diferença entre um agente que faz demo e um que chega à produção e permanece lá.
Se você está construindo com agentes, fale com nossos engenheiros de IA, e comece pelo nosso portfólio de produtos AI-native já lançados.
Referências
- McKinsey & Company. (2025, 5 de novembro). The state of AI in 2025: Agents, innovation, and transformation. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- Gartner. (2025, 25 de junho). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- Anthropic. (2024). Building effective AI agents. https://www.anthropic.com/research/building-effective-agents
- Gupta, S., et al. (2025). Retrieval-augmented generation: A comprehensive survey of architectures, enhancements, and robustness frontiers. arXiv. https://arxiv.org/abs/2506.00054
- Anthropic. (2025). How we built our multi-agent research system. https://www.anthropic.com/engineering/multi-agent-research-system
- Anthropic. (2024, 25 de novembro). Introducing the Model Context Protocol. https://www.anthropic.com/news/model-context-protocol
- Model Context Protocol. (2025, 25 de novembro). One year of MCP. https://blog.modelcontextprotocol.io/posts/2025-11-25-first-mcp-anniversary/
- Google for Developers. (2025). Google Cloud donates A2A to the Linux Foundation. https://developers.googleblog.com/en/google-cloud-donates-a2a-to-linux-foundation/
- Google Open Source. (2026, 16 de abril). A year of open collaboration: celebrating the anniversary of A2A. https://opensource.googleblog.com/2026/04/a-year-of-open-collaboration-celebrating-the-anniversary-of-a2a.html
- OWASP GenAI Security Project. (2025). LLM01:2025 Prompt injection and the Top 10 for LLM applications. https://genai.owasp.org/llmrisk/llm01-prompt-injection/
- Cemri, M., Pan, M. Z., Yang, S., Agrawal, L. A., Chopra, B., Tiwari, R., Zou, J., Ramchandran, K., Sahai, A., Gonzalez, J. E., & Stoica, I. (2025). Why do multi-agent LLM systems fail? arXiv. https://doi.org/10.48550/arXiv.2503.13657
- Yao, S., Chen, H., Yang, J., & Narasimhan, K. (2024). tau-bench: A benchmark for tool-agent-user interaction in real-world domains. arXiv. https://arxiv.org/abs/2406.12045