Como a inteligência artificial passou de regras e previsões a agentes capazes de agir

Os primeiros programas de jogos mostraram que máquinas podiam explorar possíveis jogadas em ambientes delimitados. Com o tempo, ideias semelhantes, combinadas ao aprendizado estatístico, foram aplicadas a tarefas práticas, como:

• identificar transações incomuns ou com sinais de fraude;
• avaliar risco de crédito e de inadimplência;
• estimar riscos na área da saúde, como piora clínica ou readmissão;
• ordenar produtos, vídeos, músicas e publicações em sistemas de recomendação; e
• combinar reconhecimento de fala, classificação de intenção e fluxos predefinidos em assistentes de voz como a Siri.

Esses sistemas costumam funcionar bem quando a tarefa é específica, repetitiva e mensurável. Eles processam grandes volumes de casos rapidamente e produzem resultados consistentes. Soluções baseadas em regras também podem ser mais fáceis de inspecionar do que modelos complexos, porque sua lógica de decisão é explícita.

Os limites da previsão

A IA tradicional não entende automaticamente por que um resultado acontece. Um modelo pode identificar uma associação estatística sem demonstrar causalidade, e um sistema treinado com dados históricos enviesados pode reproduzir ou ampliar esse viés. Regras também podem ser frágeis fora das condições para as quais foram criadas, enquanto modelos preditivos complexos podem ser difíceis de explicar.

O desempenho pode cair quando o mundo real muda — um problema conhecido como data drift, ou deriva dos dados. Em áreas de alto impacto, como crédito, contratação, seguros, segurança pública e saúde, o uso responsável exige verificações de qualidade dos dados, testes de viés, explicações adequadas, revisão humana, monitoramento e canais de contestação.

2. IA generativa: criação de novos conteúdos

A IA generativa aprende padrões em grandes coleções de texto, imagens, áudio, vídeo ou código e usa esses padrões para produzir novas saídas. Grandes modelos de linguagem geram texto de forma sequencial, enquanto sistemas multimodais conseguem trabalhar com diferentes formatos.

Essa mudança transformou a experiência do usuário. Em vez de escolher entre comandos fixos ou receber apenas uma pontuação de classificação, as pessoas podem descrever um objetivo em linguagem comum e pedir que o sistema redija, transforme ou explique um material.

Onde a IA generativa é usada

Aplicações comuns incluem:

• Atendimento ao cliente: elaboração de respostas, resumo de conversas, tradução de materiais e consulta a bases de conhecimento.
• Trabalho jurídico: resumo de documentos, extração de cláusulas, comparação de decisões e preparação de primeiros rascunhos. Profissionais ainda precisam verificar fontes primárias e alegações jurídicas.
• Educação: explicação de conceitos, criação de exercícios e fornecimento de feedback.
• Trabalho criativo: brainstorming, redação de textos e geração de imagens, músicas, conceitos de vídeo e código.
• Programação: explicação de código, criação de testes, sugestão de correções e aceleração de tarefas rotineiras.

Os principais benefícios são velocidade, redução do custo de elaboração, interação em linguagem natural e capacidade de gerar várias versões personalizadas. Mas uma resposta plausível não equivale a um julgamento especializado confiável.

Os principais riscos

Alucinações e excesso de confiança. Grandes modelos de linguagem podem produzir informações inventadas, imprecisas, enviesadas ou simplificadas demais, usando um tom seguro. Pesquisas sobre fundamentação e avaliação apontam que alucinações, conteúdo nocivo, manipulação, violação de direitos autorais, privacidade e segurança exigem testes e monitoramento.

Aprendizado e integridade acadêmica. Um experimento de campo realizado em larga escala em uma escola descobriu que a tutoria com IA melhorou o desempenho enquanto a ferramenta estava disponível. Porém, alunos que dependiam dela sem salvaguardas adequadas tiveram desempenho pior quando o acesso foi retirado, o que sugere menor aquisição de habilidades. Dicas elaboradas por professores foram mais protetivas do que simplesmente fornecer as respostas. Ferramentas generativas também podem facilitar o plágio ou dificultar a identificação de que um estudante realmente dominou o conteúdo.

Direitos autorais e origem do conteúdo. A origem dos dados de treinamento, a imitação de estilos e a reprodução de material protegido continuam sendo temas controversos. Orientações educacionais identificam a violação de propriedade intelectual como um risco importante, ao lado de conteúdo impreciso, enviesado ou inseguro.

Conteúdo nocivo e manipulador. Sistemas generativos podem produzir desinformação, assédio, material sexual ou violento e instruções perigosas. Orientações de segurança recomendam testes, salvaguardas, registro de atividades e monitoramento, em vez de presumir que o modelo sempre seguirá o comportamento desejado.

Segurança e bem-estar de crianças e adolescentes. Pesquisas sobre os riscos da IA generativa para jovens apontam preocupações relacionadas ao bem-estar mental, ao desenvolvimento comportamental e social, à toxicidade, à privacidade e ao uso indevido ou à exploração. Esses riscos são especialmente graves quando o usuário trata um chatbot como substituto confiável de apoio humano qualificado.

Privacidade e confidencialidade. Prompts podem conter informações pessoais, segredos comerciais, dados de clientes ou material protegido por sigilo profissional. As organizações precisam definir claramente quais dados podem ser inseridos em quais serviços. Na dúvida, sistemas não aprovados devem ser tratados como inadequados para informações sensíveis.

Controles práticos para a IA generativa

Uma regra básica razoável é tratar a resposta do modelo como rascunho, não como evidência. Alegações factuais importantes devem ser conferidas em fontes confiáveis, e decisões médicas, jurídicas, financeiras, trabalhistas e relacionadas à segurança devem exigir revisão humana.

Entre os controles úteis estão a recuperação de informações fundamentada em fontes aprovadas, citações, testes de red team, salvaguardas de conteúdo, design adequado à idade, registros de auditoria, comunicação clara ao usuário e políticas sobre tratamento de dados, uso acadêmico, origem do conteúdo e liberação de direitos de propriedade intelectual. Orientações governamentais também destacam conteúdo impreciso ou enviesado, vazamentos de privacidade, violação de propriedade intelectual e desafios à integridade acadêmica.

3. IA agêntica: sistemas que podem agir

A IA agêntica acrescenta uma camada de ação. Um agente pode interpretar um objetivo, dividi-lo em etapas, chamar ferramentas como navegadores, repositórios de código, bancos de dados ou sistemas de mensagens, analisar resultados intermediários e continuar trabalhando dentro das permissões recebidas.

Isso diferencia um agente de um chatbot, mesmo quando os dois usam um grande modelo de linguagem. Um chatbot pode redigir um e-mail; um agente pode buscar informações, preparar a mensagem, enviá-la e atualizar outro sistema. Um assistente de programação pode explicar um erro; um agente pode investigar uma base de código, editar arquivos, executar testes e preparar uma alteração para revisão.

Exemplos citados no mercado atual incluem agentes de desenvolvimento de software, como o Google Jules; ferramentas de fluxo de recrutamento, como o LinkedIn Hiring Assistant; e estruturas de agentes pessoais, como o OpenClaw. Os materiais do projeto descrevem o OpenClaw como um assistente pessoal de código aberto, executado nos dispositivos do usuário e conectado a canais e ferramentas. O que ele pode fazer, na prática, depende das integrações e permissões habilitadas.

Por que os agentes podem ser úteis

Sistemas agênticos podem:

• concluir fluxos de trabalho, em vez de apenas redigir documentos isolados;
• reduzir tarefas rotineiras de coordenação e administração;
• conectar informações espalhadas por sistemas empresariais diferentes; e
• operar continuamente dentro de limites definidos.

Isso pode tornar fluxos complexos mais acessíveis a organizações menores e a usuários individuais. Também muda a pergunta central: ela deixa de ser apenas “a resposta está correta?” e passa a incluir “o que o sistema está autorizado a fazer e como suas ações podem ser verificadas?”.

Por que a autonomia amplia a superfície de risco

Um modelo generativo pode errar em uma resposta. Um agente pode transformar uma inferência incorreta, uma instrução maliciosa ou uma ferramenta comprometida em uma ação externa.

Por exemplo, um agente com acesso financeiro poderia fazer um pagamento, uma compra, uma transferência ou um cancelamento não autorizado. Um agente com acesso a e-mail, navegador ou serviços de nuvem poderia ser manipulado por uma página ou documento malicioso para expor credenciais ou enviar arquivos confidenciais. Permissões excessivas, controles de identidade frágeis e funções mal segregadas podem transformar um pequeno erro do modelo em um incidente grave.

A responsabilização também se torna mais difícil quando um resultado surge da interação entre modelo, instruções, dados, ferramentas e outros agentes. Por isso, o operador precisa enxergar não apenas o resultado final, mas também a ação proposta, as evidências que a sustentam e as permissões utilizadas.

A governança precisa acompanhar a capacidade

Os mesmos princípios básicos se aplicam às três etapas: definir um responsável, limitar o sistema a uma finalidade clara, proteger os dados, testar antes da implantação, monitorar o desempenho, preparar-se para incidentes e oferecer revisão ou substituição humana significativa em decisões de alto impacto.

Sistemas agênticos precisam de controles adicionais porque podem afetar sistemas externos. Entre as salvaguardas práticas estão:

• credenciais com menor privilégio possível e prazo limitado;
• contas separadas e identidade clara para cada agente;
• limites explícitos sobre o que o agente pode ler, escrever, enviar, comprar, apagar ou publicar;
• etapas de confirmação para ações irreversíveis ou de alto impacto;
• listas de ferramentas aprovadas, ambientes isolados e proteção contra injeção de prompt;
• limites de transação e detecção de anomalias;
• registros detalhados e resistentes a adulteração das ações realizadas;
• segregação de funções e aprovação humana proporcional ao risco; e
• um mecanismo rápido de pausa ou desligamento.

O Model AI Governance Framework for Agentic AI de Singapura, lançado em 22 de janeiro de 2026, oferece orientação para organizações que implantam esses sistemas, e não uma lei de IA independente. A abordagem coloca a responsabilidade humana e organizacional no centro e recomenda gestão de riscos e controles proporcionais ao grau de autonomia do agente.

No setor financeiro, o documento SAFR, da Autoridade Monetária de Singapura, descreve uma abordagem de governança em tempo de execução. Nela, um registro estruturado reúne o que o agente pretende fazer, por que pretende fazê-lo e quais evidências apoiam a ação proposta.

A principal conclusão

A evolução da IA não é simplesmente uma marcha da “IA antiga” para a “IA nova”. Sistemas baseados em regras e modelos preditivos continuam sendo a escolha adequada para muitas decisões delimitadas. A IA generativa acrescenta produção flexível e interação em linguagem natural. A IA agêntica acrescenta a capacidade de perseguir objetivos usando ferramentas e realizando ações externas.

O desafio de governança cresce junto com essa capacidade. A previsão exige atenção à precisão, ao viés e à deriva dos dados. A geração exige verificação, segurança, privacidade e rastreabilidade. A ação exige tudo isso, além de controles de permissão, etapas de aprovação, responsabilização e planos de recuperação.

Os produtos de IA mais confiáveis, portanto, não dependerão apenas da capacidade do modelo. Eles combinarão bons modelos com arquitetura de sistemas disciplinada, limites claros e supervisão humana.