Agentes autônomos: o que são e como funcionam

O que é um agente autônomo

Um agente autônomo é um sistema de IA que trabalha por conta própria para atingir um objetivo. Uma pessoa descreve o resultado que deseja, e o agente descobre quais são as etapas e as executa.

Digamos que alguém queira escolher entre três ferramentas de gerenciamento de projetos. Um agente autônomo pode pesquisar cada ferramenta, abrir a página de preços, anotar as diferenças e entregar uma comparação pronta. A pessoa define o objetivo e revisa o resultado, e o agente faz todo o trabalho intermediário.

Muitos agentes de software atuais usam um grande modelo de linguagem para interpretar instruções e decidir o que fazer em seguida. Alguns modelos também processam imagens ou áudio. Para pesquisar na web, clicar em botões ou enviar e-mails, o agente precisa de um software que conecte o modelo às ferramentas e execute as solicitações dele.

No exemplo das ferramentas de gerenciamento de projetos, o LLM e o agente funcionariam assim:

1. O LLM lê o objetivo e escreve uma solicitação para pesquisar os preços da primeira ferramenta.
2. O software do agente executa a pesquisa e devolve os resultados ao LLM em forma de texto.
3. O LLM lê os resultados, escolhe a próxima etapa (abrir a página de preços) e escreve uma nova solicitação.
4. O ciclo se repete até que o LLM decida que a comparação está concluída e escreva a resposta final.

Expandir

Níveis de autonomia

Em um sistema de IA agêntica (IA criada para executar ações, e não apenas responder a perguntas), a autonomia é uma escolha de projeto. O mesmo agente pode ser configurado para perguntar antes de cada etapa ou para concluir uma tarefa inteira sozinho.

Pesquisadores da Universidade de Washington propõem uma estrutura de cinco níveis para explicar os diferentes graus de autonomia que um agente pode ter:

No nível 4, um agente pode pesquisar e redigir um pedido de compra sozinho, mas fazer uma pausa antes de enviá-lo. No nível 5, ele também enviaria o pedido.

Agentes de IA autônomos vs. automação vs. chatbots

Os agentes autônomos diferem dos chatbots e da automação de fluxos de trabalho em dois aspectos: eles decidem as próprias etapas e executam ações em outros aplicativos e sites.

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

Um agente autônomo faz as duas coisas: age em outros softwares e escolhe as próprias etapas rumo a um objetivo, dentro das ferramentas, permissões e instruções que recebe.

Uma reclamação sobre um pedido atrasado mostra a diferença. Um chatbot poderia responder com uma explicação pronta sobre a política de envio. Uma automação de fluxo de trabalho poderia enviar um e-mail padrão de “atraso no pedido”. Um agente autônomo poderia consultar o pedido, descobrir que ele se extraviou no transporte, providenciar a reposição e avisar o cliente.

Como os agentes autônomos funcionam

Um agente autônomo conta com quatro capacidades para concluir uma tarefa: planejar as etapas, usar ferramentas, lembrar o que já fez e verificar os próprios resultados. Em tarefas maiores, alguns agentes também dividem o trabalho entre uma equipe de agentes.

1. Dividir objetivos e fazer planos

Um objetivo geralmente é grande demais para ser executado em uma única etapa, então a primeira coisa que um agente faz é dividi-lo em tarefas menores. Por exemplo, se o usuário pedir ao agente que planeje um offsite da equipe, ele pode dividir o objetivo em escolher as datas, encontrar locais dentro do orçamento, verificar a disponibilidade e redigir um convite.

Os agentes podem planejar tudo de antemão ou planejar à medida que avançam, dependendo de como foram criados. Planejar de antemão significa escrever todas as etapas antes de começar, o que funciona bem para tarefas curtas e previsíveis. Planejar à medida que avançam significa definir a próxima etapa ou as duas seguintes, agir e revisar o plano com base no que retorna. Se o local preferido para o offsite já estivesse reservado, o agente poderia passar para a próxima opção sem recomeçar do zero.

Expandir

Um levantamento sobre agentes autônomos baseados em LLMs da Universidade Renmin da China constata que essa segunda abordagem lida melhor com tarefas mais complexas, porque é difícil escrever um plano perfeito antes de ver qualquer resultado. Muitos agentes combinam as duas, esboçando primeiro um plano completo e revisando-o enquanto trabalham.

2. Agir com ferramentas

Com um plano definido, o agente o executa uma tarefa por vez, escolhendo uma ferramenta para cada uma.

• Para encontrar locais, ele pode usar a pesquisa na web com uma consulta como “locais para offsite de 20 pessoas perto de Austin”.
• Para verificar a disponibilidade, ele pode abrir a página de reservas de cada local em um navegador e ler o calendário.
• Para enviar o convite, ele pode se conectar ao e-mail da pessoa por meio de uma API, a conexão que permite que um software solicite dados ou ações a outro.

Após cada ação, o agente lê o que retornou e decide o próximo passo. Se a pesquisa encontrar cinco locais, ele verifica a disponibilidade de cada um. Se uma página de reservas não carregar, ele tenta o telefone de contato do local ou passa para a próxima opção.

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

3. Acompanhar o progresso com memória

Enquanto trabalha, o agente precisa registrar o que já fez e o que aprendeu. Depois de verificar três locais, ele precisa saber quais estavam reservados, quais tinham espaço e quanto custa cada um. Esse registro fica na janela de contexto do LLM, a quantidade de texto que o modelo consegue considerar de uma só vez.

Tarefas longas podem ultrapassar essa janela de contexto. Agentes com memória de longo prazo lidam com isso salvando informações fora do modelo, geralmente em um banco de dados, e recuperando apenas o que a etapa atual exige.

A memória de longo prazo também se mantém de uma tarefa para outra. Quando chegar a hora de planejar o offsite do ano que vem, o agente poderá reutilizar a lista de locais e o orçamento deste ano, ou lembrar que a equipe prefere locais a até uma hora de carro.

4. Verificar resultados e corrigir o rumo

Enquanto trabalham, muitos agentes ficam atentos a sinais de que uma etapa deu errado. Se um formulário de reserva retornar um erro ou uma pesquisa não trouxer resultados, o agente tenta outra abordagem. Quando chega a uma decisão que não deveria tomar sozinho, como aceitar ou não um local um pouco acima do orçamento, ele consulta a pessoa e se ajusta com base na resposta.

Antes de entregar o trabalho, muitos agentes revisam os próprios resultados. O LLM relê o que produziu, compara com o objetivo e lista tudo o que estiver faltando ou errado. O agente revisa e verifica novamente até que o resultado atenda ao objetivo. Se faltar o endereço do local no convite, por exemplo, a revisão detecta o problema e o agente o adiciona antes de enviar.

5. Dividir o trabalho entre agentes

Algumas tarefas andam mais rápido quando vários agentes as compartilham. Um agente principal divide o trabalho e distribui as partes entre subagentes.

O Perplexity Computer funciona assim. Uma pessoa descreve o resultado que deseja, e o Computer o divide em tarefas e subtarefas e, em seguida, cria subagentes para executá-las. Os subagentes podem pesquisar na web, gerar documentos, processar dados ou acionar serviços conectados por meio de APIs.

Quando o Computer encontra um problema, ele cria novos subagentes para resolvê-lo. Cada subagente também pode ser executado em um modelo de IA diferente, para que cada parte do trabalho fique com o modelo mais adequado a ela.

Assim, no exemplo do offsite, um subagente poderia pesquisar locais enquanto outro verifica as agendas da equipe e um terceiro analisa as opções de viagem.

Expandir

Como as pessoas usam agentes autônomos

As pessoas usam agentes autônomos principalmente para o trabalho intelectual do dia a dia: pesquisa, redação, e-mail e estudos. Em um estudo de pesquisadores de Harvard e da Perplexity, as tarefas de produtividade e aprendizado representaram 57% das consultas agênticas. Os exemplos abaixo mostram o que um agente faz em cada tipo de trabalho.

Pesquisa e análise

A pesquisa combina bem com agentes porque envolve muitas pequenas etapas. Um agente pode pesquisar, abrir fontes, ler o conteúdo e comparar o que elas dizem. Veja uma consulta como “encontre três estudos recentes sobre trabalho remoto e produtividade e resuma as conclusões de cada um”. O agente busca estudos e abre os mais relevantes. Ele lê as conclusões de cada estudo e escreve um resumo com links para todas as fontes. Se um estudo estiver protegido por paywall, o agente passa para o próximo. No estudo, resumir e analisar pesquisas representa 7% das consultas agênticas.

Documentos, e-mail e agendas

Os agentes costumam trabalhar nas ferramentas que as pessoas já usam todos os dias. No estudo de Harvard e da Perplexity, as ferramentas de documentos do Google e o e-mail foram as duas mais comuns, representando juntas cerca de um quarto das consultas agênticas. Veja uma consulta como “revise os e-mails não lidos desta semana, sinalize tudo o que vier de clientes e redija respostas aos pedidos de agendamento”. O agente abre a caixa de entrada e organiza as mensagens. Ele verifica os horários livres na agenda e redige uma resposta para cada pedido. Ele pode salvar os rascunhos sem enviá-los, para que a pessoa revise cada um antes.

Aprendizado e atividades acadêmicas

Os estudantes usam agentes para estudar. As atividades acadêmicas são a maior categoria individual de uso de agentes no estudo, com 13% das consultas agênticas. Uma consulta como “me faça perguntas sobre o capítulo quatro das leituras do meu curso” leva o agente ao site do curso, onde ele lê o capítulo, elabora perguntas sobre os pontos principais e corrige as respostas do estudante. A mesma abordagem funciona para qualquer pessoa que esteja aprendendo um assunto novo, como um funcionário se familiarizando com um setor desconhecido.

Compras e comparações

As compras representam 10% das consultas agênticas, principalmente buscas e comparações de produtos. Ao receber o pedido “encontre uma mesa com regulagem de altura por menos de US$ 400 com boas avaliações”, um agente pesquisa em vários varejistas, filtra por preço e nota, compara as melhores opções e pode adicionar a melhor delas ao carrinho. Ter um agente comparando opções em vários sites pode economizar muito tempo, já que a pessoa não precisa mais abrir e conferir cada anúncio.

Sete práticas recomendadas para usar agentes autônomos

1. Começando com tarefas fáceis de verificar

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

2. Definindo resultados e restrições claros

O agente pode tomar decisões melhores quando sabe por que a tarefa é importante. Uma boa consulta parece um briefing para um prestador de serviços: o objetivo, o público, o que já se sabe e o que já foi descartado. “Compare estes três fornecedores para um memorando ao conselho; o conselho se importa mais com o risco de implementação, e já excluímos qualquer fornecedor sem conformidade com o SOC 2” dá ao agente aquilo de que ele precisa para tomar decisões por conta própria.

3. Adicionando pontos de aprovação

Algumas ações não podem ser desfeitas, como enviar um e-mail, fazer uma compra, excluir arquivos ou enviar um formulário. Quando o agente permitir, configure-o para pausar e pedir confirmação antes dessas etapas. A própria consulta também pode definir um ponto de parada. “Redija respostas, mas não as envie” ou “adicione a melhor opção ao meu carrinho, mas não finalize a compra” indica ao agente exatamente onde parar e devolver o controle.

4. Revisando o plano antes do trabalho

Para uma tarefa maior, peça ao agente que descreva o plano antes de começar. Revisar um plano leva um minuto, e corrigir um mal-entendido nessa fase é muito mais barato do que descobri-lo em uma entrega finalizada.

5. Limitando o acesso ao que a tarefa exige

Toda conta que um agente consegue acessar é uma conta em que ele pode agir. Conectar apenas os apps de que a tarefa precisa mantém dados sensíveis fora de alcance e limita o que pode dar errado. Um agente que pesquisa fornecedores não precisa de acesso ao e-mail. Um agente que redige respostas precisa, mas talvez não precise de permissão para enviá-las.

6. Incorporando as verificações à consulta

Os agentes já revisam o próprio resultado, então a consulta pode dizer o que eles devem verificar. Descrever como é um bom resultado (“todo número precisa de uma fonte datada de 2025 ou posterior”) faz o agente aplicar esse padrão antes de devolver o trabalho. Pedir que ele separe fatos confirmados das próprias inferências e sinalize suposições torna a revisão da pessoa mais rápida e focada.

7. Reaproveitando o que funciona

Uma consulta que gerou um ótimo resultado pode virar um modelo para a próxima tarefa semelhante. Dar ao agente um exemplo de bom resultado, como o relatório do último trimestre, muitas vezes funciona melhor do que descrever o formato em palavras. Tarefas recorrentes podem se tornar fluxos de trabalho permanentes.

Como a Perplexity aborda os agentes autônomos

A Perplexity oferece dois agentes autônomos. O Comet Assistant cuida de tarefas do dia a dia dentro do navegador, e o Perplexity Computer assume projetos maiores que podem levar horas ou mais.

O Comet Assistant é integrado ao Comet, o navegador com IA da Perplexity. Ele trabalha nos sites que a pessoa já tem abertos, então consegue agendar reuniões, editar documentos, enviar e-mails e reservar voos sem trocar de ferramenta.

O Computer é executado na nuvem e divide cada objetivo entre subagentes, como descrito anteriormente. Ele se conecta a centenas de serviços, e as pessoas podem escolher modelos de IA específicos para partes específicas do trabalho. O Computer está disponível para assinantes 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 autônomo é o mesmo que IA agêntica?

Não, mas os termos se sobrepõem. IA agêntica geralmente se refere à categoria mais ampla de sistemas de IA que buscam objetivos planejando e executando ações. Um agente autônomo é um sistema específico dessa categoria que realiza seu trabalho com pouca aprovação etapa por etapa.

Todos os agentes de IA são autônomos?

Não. Alguns agentes executam cada etapa somente quando uma pessoa os orienta, 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 etapa por etapa até agentes que uma pessoa apenas monitora.

Agentes autônomos podem fazer compras ou pagamentos?

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

Agentes autônomos exigem conhecimentos de programação?

Muitos agentes prontos podem ser usados sem programação. Algumas plataformas também permitem criar agentes por meio de instruções em linguagem natural ou de uma interface gráfica. Programar pode ser útil para integrações personalizadas, depuração e comportamentos mais especializados.