Agentes autónomos: o que são e como funcionam

O que é um agente autónomo

Um agente autónomo é um sistema de IA que trabalha de forma independente para atingir um objetivo. Uma pessoa descreve o resultado que pretende e o agente define os passos e executa-os.

Imagine que alguém quer escolher entre três ferramentas de gestão de projetos. Um agente autónomo pode pesquisar cada ferramenta, abrir a respetiva página de preços, registar as diferenças e devolver uma comparação concluída. A pessoa define o objetivo e revê o resultado, e o agente faz todo o trabalho intermédio.

Muitos dos agentes de software atuais utilizam um modelo de linguagem de grande dimensão (LLM) para interpretar instruções e decidir o que fazer a seguir. Alguns modelos também processam imagens ou áudio. Para pesquisar na web, clicar em botões ou enviar e-mails, o agente precisa de software que ligue o modelo a ferramentas e execute os seus pedidos.

No exemplo da gestão de projetos, o LLM e o agente funcionariam assim:

1. O LLM lê o objetivo e escreve um pedido para pesquisar os preços da primeira ferramenta.
2. O software do agente executa a pesquisa e devolve os resultados ao LLM em formato de texto.
3. O LLM lê os resultados, escolhe o passo seguinte (abrir a página de preços) e escreve um novo pedido.
4. O ciclo repete-se até o LLM decidir que a comparação está concluída e escrever a resposta final.

Expandir

Níveis de autonomia

Num sistema de IA agêntica (IA criada para executar ações, e não apenas para responder a perguntas), a autonomia é uma opção de design. O mesmo agente pode ser configurado para pedir autorização antes de cada passo ou para concluir sozinho uma tarefa inteira.

Investigadores da Universidade de Washington propõem um modelo de cinco níveis para explicar os diferentes graus de autonomia que um agente pode ter:

No nível 4, um agente poderia pesquisar e redigir uma nota de encomenda por conta própria, mas faria uma pausa antes de a submeter. No nível 5, também submeteria a encomenda.

Agentes de IA autónomos vs. automação vs. chatbots

Os agentes autónomos diferem dos chatbots e da automação de fluxos de trabalho em dois aspetos: decidem os seus próprios passos e executam ações noutras aplicações e sites.

Um chatbot responde a perguntas numa conversa, mas normalmente não age fora dela. A automação de fluxos de trabalho age, mas apenas seguindo passos que alguém configurou previamente. Um tipo comum é a automação robótica de processos (RPA), software que repete tarefas simples e baseadas em regras, como copiar dados de um sistema para outro.

Um agente autónomo faz ambas as coisas: age noutro software e escolhe os seus próprios passos para atingir um objetivo, dentro das ferramentas, permissões e instruções que lhe são dadas.

Uma reclamação sobre uma encomenda atrasada mostra a diferença. Um chatbot poderia responder com uma explicação pré-escrita da política de envios. Uma automação de fluxos de trabalho poderia enviar um e-mail padrão de «atraso na encomenda». Um agente autónomo poderia consultar a encomenda, descobrir que se perdeu durante o transporte, processar uma substituição e informar o cliente.

Como funcionam os agentes autónomos

Um agente autónomo depende de quatro capacidades para concluir uma tarefa: planear os passos, utilizar ferramentas, lembrar-se do que já fez e verificar os seus próprios resultados. Para tarefas maiores, alguns agentes também repartem o trabalho por uma equipa de agentes.

1. Decompor objetivos e fazer planos

Normalmente, um objetivo é demasiado grande para ser executado num único passo, por isso a primeira tarefa de um agente é dividi-lo em tarefas mais pequenas. Por exemplo, se o utilizador pedir ao agente para planear um retiro da equipa, este pode dividir o objetivo em escolher as datas, encontrar locais dentro do orçamento, verificar a disponibilidade e redigir um convite.

Os agentes podem planear tudo antecipadamente ou ir planeando à medida que avançam, consoante a forma como foram concebidos. Planear antecipadamente significa definir todos os passos antes de começar, o que funciona para tarefas curtas e previsíveis. Planear à medida que avançam significa delinear o próximo passo ou os dois seguintes, agir e rever o plano com base no resultado. Se o local preferido para o retiro estivesse reservado, o agente poderia passar à opção seguinte sem recomeçar do zero.

Expandir

Uma revisão sobre agentes autónomos baseados em LLM da Universidade Renmin da China conclui que esta segunda abordagem lida melhor com tarefas mais complexas, porque é difícil escrever um plano perfeito antes de ver quaisquer resultados. Muitos agentes combinam as duas, esboçando primeiro um plano completo e revendo-o à medida que trabalham.

2. Executar ações com ferramentas

Com um plano definido, o agente avança tarefa a tarefa, escolhendo uma ferramenta para cada uma.

• Para encontrar locais, pode utilizar a pesquisa na web com uma consulta como «locais para retiros de equipa para 20 pessoas perto de Austin».
• Para verificar a disponibilidade, pode abrir a página de reservas de cada local num navegador e consultar o calendário.
• Para enviar o convite, pode ligar-se ao e-mail da pessoa através de uma API, a ligação que permite a um software pedir dados ou ações a outro.

Após cada ação, o agente lê o que recebeu e decide o passo seguinte. Se a pesquisa encontrar cinco locais, verifica a disponibilidade de cada um. Se uma página de reservas não carregar, tenta o contacto telefónico do local ou passa à opção seguinte.

As ferramentas de que um agente dispõe determinam as tarefas que consegue concluir sozinho. Sem acesso ao e-mail, pode redigir o convite, mas não enviá-lo.

3. Acompanhar o progresso com memória

À medida que trabalha, o agente tem de registar o que já fez e o que aprendeu. Quando tiver verificado três locais, precisa de saber quais estavam reservados, quais tinham espaço e quanto custa cada um. Esse registo fica na janela de contexto do LLM, a quantidade de texto que o modelo consegue ter em conta de uma só vez.

As tarefas longas podem ultrapassar essa janela de contexto. Os agentes com memória de longo prazo resolvem esta questão guardando informações fora do modelo, normalmente numa base de dados, e recuperando apenas aquilo de que o passo atual precisa.

A memória de longo prazo também se mantém entre tarefas. Quando chegar a altura de planear o retiro do próximo ano, o agente poderá reutilizar a lista de locais e o orçamento deste ano, ou lembrar-se de que a equipa prefere locais a menos de uma hora de carro.

4. Verificar resultados e corrigir o rumo

Enquanto trabalham, muitos agentes estão atentos a sinais de que um passo correu mal. Se um formulário de reserva devolver um erro ou uma pesquisa não devolver resultados, o agente tenta outra abordagem. Quando chega a uma decisão que não deve tomar sozinho, como determinar se um local ligeiramente acima do orçamento é aceitável, pergunta à pessoa e ajusta-se com base na resposta.

Antes de entregar o trabalho, muitos agentes reveem os seus resultados. O LLM relê o que produziu, compara-o com o objetivo e enumera tudo o que esteja em falta ou errado. O agente faz revisões e volta a verificar até o resultado cumprir o objetivo. Por exemplo, se faltar a morada do local no convite, a revisão deteta-o e o agente acrescenta-a antes de o enviar.

5. Repartir o trabalho entre agentes

Algumas tarefas avançam mais depressa quando são partilhadas por vários agentes. Um agente principal divide o trabalho e atribui partes a subagentes.

O Perplexity Computer funciona desta forma. Uma pessoa descreve o resultado que pretende, e o Computer divide-o em tarefas e subtarefas e, em seguida, cria subagentes para as executar. Os subagentes podem pesquisar na web, gerar documentos, processar dados ou chamar serviços ligados através de APIs.

Quando o Computer encontra um problema, cria novos subagentes para o resolver. Cada subagente pode também ser executado num modelo de IA diferente, para que cada parte do trabalho seja atribuída ao modelo mais adequado.

Assim, no exemplo do retiro, um subagente poderia pesquisar locais enquanto outro verifica os calendários da equipa e um terceiro analisa as opções de viagem.

Expandir

Como as pessoas utilizam os agentes autónomos

As pessoas utilizam os agentes autónomos sobretudo para trabalho intelectual do dia a dia: pesquisa, escrita, e-mail e estudo. Num estudo de investigadores de Harvard e da Perplexity, as tarefas de produtividade e aprendizagem representaram 57% das consultas agênticas. Os exemplos abaixo mostram o que um agente faz em cada tipo de trabalho.

Pesquisa e análise

A pesquisa adequa-se bem aos agentes, porque envolve muitos pequenos passos. Um agente pode pesquisar, abrir fontes, lê-las e comparar o que dizem. Veja-se uma consulta como «encontra três estudos recentes sobre trabalho remoto e produtividade e resume as conclusões de cada um». O agente pesquisa estudos e abre os mais relevantes. Lê as conclusões de cada estudo e escreve um resumo com ligações para todas as fontes. Se um estudo estiver protegido por paywall, o agente passa ao seguinte. No estudo, resumir e analisar pesquisas representa 7% das consultas agênticas.

Documentos, e-mail e calendários

Os agentes trabalham frequentemente nas ferramentas que as pessoas já utilizam todos os dias. No estudo de Harvard e da Perplexity, as ferramentas de documentos da Google e o e-mail foram as duas mais comuns, representando em conjunto cerca de um quarto das consultas agênticas. Veja-se uma consulta como «revê os e-mails não lidos desta semana, assinala tudo o que vier de clientes e redige respostas aos pedidos de agendamento». O agente abre a caixa de entrada e organiza as mensagens. Consulta o calendário para encontrar horários livres e redige uma resposta a cada pedido. Pode guardar os rascunhos sem os enviar, para que a pessoa possa rever cada um primeiro.

Aprendizagem e trabalhos académicos

Os estudantes utilizam agentes para estudar. Os trabalhos académicos são a maior categoria individual de utilização de agentes no estudo, com 13% das consultas agênticas. Uma consulta como «faz-me um teste sobre o capítulo quatro das leituras do meu curso» leva o agente ao site do curso, onde lê o capítulo, escreve perguntas sobre os pontos principais e verifica as respostas do estudante. A mesma abordagem funciona para qualquer pessoa que esteja a aprender um novo assunto, como um colaborador que precisa de se familiarizar rapidamente com um setor que desconhece.

Compras e comparações

As compras representam 10% das consultas agênticas, sobretudo para pesquisar e comparar produtos. Perante o pedido «encontra uma secretária para trabalhar de pé com menos de 400 $ e boas avaliações», um agente pesquisa em vários retalhistas, filtra por preço e classificação, compara as melhores opções e pode adicionar a melhor ao carrinho. Ter um agente a comparar opções em vários sites pode poupar muito tempo, uma vez que a pessoa deixa de ter de abrir e comparar cada anúncio um a um.

Sete boas práticas para utilizar agentes autónomos

1. Começar com tarefas fáceis de verificar

As melhores primeiras tarefas são aquelas em que um erro é fácil de detetar e barato de corrigir. Resumos de pesquisa e comparações de produtos são bons pontos de partida. Se o agente incluir ligações para as suas fontes, verificar o trabalho demora poucos minutos. À medida que a confiança aumenta, as pessoas podem delegar tarefas mais longas e com mais passos.

2. Definir resultados e restrições claros

O agente pode tomar melhores decisões quando sabe por que razão a tarefa é importante. Um bom pedido lê-se como as instruções dadas a um prestador de serviços: o objetivo, o público, o que já se sabe e o que já foi excluído. “Compara estes três fornecedores para um memorando ao conselho de administração; o conselho preocupa-se sobretudo com o risco de implementação e já excluímos qualquer um sem conformidade com o SOC 2” dá ao agente aquilo de que precisa para tomar decisões por conta própria.

3. Adicionar pontos de aprovação

Algumas ações não podem ser revertidas, como enviar um e-mail, fazer uma compra, eliminar ficheiros ou submeter um formulário. Quando o agente o permitir, configure-o para fazer uma pausa e pedir confirmação antes destes passos. O próprio pedido também pode definir um ponto de paragem. “Redige respostas, mas não as envies” ou “adiciona a melhor opção ao meu carrinho, mas não finalizes a compra” indica ao agente exatamente onde deve parar e devolver o controlo.

4. Rever o plano antes do trabalho

Para uma tarefa maior, peça ao agente que descreva o seu plano antes de começar. Rever um plano demora um minuto, e corrigir um mal-entendido nessa fase é muito mais barato do que descobri-lo no trabalho final.

5. Limitar o acesso ao que a tarefa exige

Cada conta a que um agente consegue aceder é uma conta onde pode agir. Ligar apenas as aplicações de que uma tarefa precisa mantém os dados sensíveis fora de alcance e limita o que pode correr mal. Um agente que pesquisa fornecedores não precisa de acesso ao e-mail. Um agente que redige respostas precisa, mas pode não precisar de permissão para as enviar.

6. Incluir as verificações no pedido

Os agentes já reveem o seu próprio resultado, por isso o pedido pode indicar-lhes o que devem verificar. Descrever como é um bom resultado (“cada número precisa de uma fonte datada de 2025 ou posterior”) faz com que o agente aplique esse critério antes de devolver o trabalho. Pedir-lhe que separe os factos confirmados das suas próprias inferências e que assinale os pressupostos torna a revisão da pessoa mais rápida e focada.

7. Reutilizar o que funciona

Um pedido que produziu um bom resultado pode tornar-se um modelo para a próxima tarefa semelhante. Dar ao agente um exemplo de um bom resultado, como o relatório do último trimestre, é muitas vezes mais eficaz do que descrever o formato por palavras. As tarefas recorrentes podem tornar-se fluxos de trabalho permanentes.

Como a Perplexity aborda os agentes autónomos

A Perplexity oferece dois agentes autónomos. O Comet Assistant trata das tarefas do dia a dia dentro do navegador, e o Perplexity Computer assume projetos maiores que podem decorrer durante horas ou mais.

O Comet Assistant está integrado no Comet, o navegador com IA da Perplexity. Funciona nos sites que a pessoa já tem abertos, por isso pode agendar reuniões, editar documentos, enviar e-mails e reservar voos sem mudar de ferramenta.

O Computer funciona na nuvem e divide cada objetivo por subagentes, como descrito anteriormente. Liga-se a centenas de serviços, e as pessoas podem escolher modelos de IA específicos para partes específicas do trabalho. O Computer está disponível para subscritores Pro e Max.

Explore o Comet Assistant para experimentar um agente no navegador, ou o Perplexity Computer para delegar um projeto maior.

Perguntas frequentes

Um agente autónomo é o mesmo que IA agêntica?

Não, mas os termos sobrepõem-se. A IA agêntica refere-se normalmente à categoria mais ampla de sistemas de IA que perseguem objetivos através do planeamento e da execução de ações. Um agente autónomo é um sistema específico dessa categoria que realiza o seu trabalho com pouca aprovação passo a passo.

Todos os agentes de IA são autónomos?

Não. Alguns agentes executam cada passo apenas quando uma pessoa o indica, enquanto outros concluem uma tarefa inteira por conta própria. Os níveis de autonomia descritos anteriormente mostram toda a gama, desde agentes que uma pessoa opera passo a passo até agentes que uma pessoa apenas supervisiona.

Os agentes autónomos podem fazer compras ou pagamentos?

Alguns agentes podem ajudar com compras, dependendo do site, das permissões e das salvaguardas. O Comet Assistant pode comparar produtos e ajudar nos processos de finalização da compra. O Instant Buy da Perplexity permite que utilizadores elegíveis nos EUA comprem produtos compatíveis dentro da Perplexity, com o PayPal disponível como opção de pagamento.

Os agentes autónomos exigem competências de programação?

Muitos agentes prontos a usar podem ser utilizados sem programação. Algumas plataformas também permitem criar agentes através de instruções em linguagem natural ou de uma interface gráfica. A programação pode ser útil para integrações personalizadas, depuração e comportamentos mais especializados.