Da IA baseada em regras aos agentes: como a inteligência artificial evoluiu
A evolução da inteligência artificial pode ser resumida em três movimentos: prever, gerar e planejar para agir. A IA tradicional é eficiente em tarefas delimitadas; a IA generativa cria textos, imagens e códigos, mas pode inventar informações; agentes executam fluxos de várias etapas, com riscos maiores.
A evolução da inteligência artificial pode ser resumida em três movimentos: prever, gerar e planejar para agir.
A IA tradicional é eficiente em tarefas delimitadas; a IA generativa cria textos, imagens e códigos, mas pode inventar informações; agentes executam fluxos de várias etapas, com riscos maiores.
O framework de Singapura para IA agentiva recomenda autonomia limitada, acesso mínimo, monitoramento e aprovação humana antes de ações sensíveis.
How has artificial intelligence evolved over the past seven decades from traditional rule-based systems that classify data and predict outcoAI’s evolution can be understood as a progression from prediction to generation and autonomous action.
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: How has artificial intelligence evolved over the past seven decades from traditional rule-based systems that classify data and predict outco. Article summary: Artificial intelligence has shifted from systems that followed human-written rules or learned narrow prediction patterns, to models that generate new content, and now to agents that can plan and act through software tool. Topic tags: general, government, education, academic, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, waterma
openai.com
A inteligência artificial não avançou por meio de uma simples troca entre tecnologias antigas e novas. Na prática, suas capacidades foram se acumulando: sistemas que antes seguiam regras explícitas ou faziam previsões específicas passaram a conviver com modelos que geram conteúdo e, mais recentemente, com agentes capazes de planejar, usar ferramentas digitais e agir em nome do usuário.
Uma forma simples de entender essa trajetória é: prever → gerar → planejar e agir. A cada etapa, a IA ganha novas possibilidades — e também aumenta o impacto potencial de seus erros.
1. IA tradicional: regras, classificação e previsão
As primeiras pesquisas em inteligência artificial se concentraram bastante no raciocínio simbólico. Programadores representavam conhecimentos por meio de regras e criavam sistemas capazes de buscar soluções. Programas de xadrez e outros jogos são exemplos conhecidos: eles avaliavam movimentos possíveis dentro de um conjunto definido de regras.
O próprio termo “inteligência artificial” foi criado em 1955 pelo cientista da computação John McCarthy, que a definiu como “a ciência e a engenharia de produzir máquinas inteligentes”.
Mais tarde, o aprendizado de máquina estatístico transferiu parte desse trabalho das regras escritas manualmente para padrões aprendidos a partir de dados históricos. Em geral, esses sistemas recebem uma entrada e devolvem um resultado delimitado, como:
sinalizar uma transação suspeita;
estimar o risco de crédito;
prever um desfecho na área da saúde;
classificar produtos ou vídeos para recomendação; ou
reconhecer a provável intenção em uma fala.
Essas aplicações não são necessariamente apenas baseadas em regras. Na prática, muitas combinam regras fixas, modelos estatísticos e aprendizado de máquina.
Por que a IA tradicional continua útil
Sistemas preditivos costumam funcionar bem quando o objetivo é claro, os dados são relevantes e o custo de diferentes tipos de erro pode ser medido. Eles processam grandes volumes de informação rapidamente, aplicam procedimentos de maneira consistente e identificam padrões que podem passar despercebidos pelas pessoas.
A principal limitação é justamente a característica que os torna mais fáceis de controlar: eles normalmente são projetados para uma tarefa definida. Um modelo de detecção de fraude pode atribuir uma pontuação a transações, mas não necessariamente consegue interpretar uma política interna, redigir um relatório ou se adaptar com flexibilidade a uma situação desconhecida.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
Qual é a resposta curta para "Da IA baseada em regras aos agentes: como a inteligência artificial evoluiu"?
A evolução da inteligência artificial pode ser resumida em três movimentos: prever, gerar e planejar para agir.
Quais são os pontos-chave para validar primeiro?
A evolução da inteligência artificial pode ser resumida em três movimentos: prever, gerar e planejar para agir. A IA tradicional é eficiente em tarefas delimitadas; a IA generativa cria textos, imagens e códigos, mas pode inventar informações; agentes executam fluxos de várias etapas, com riscos maiores.
O que devo fazer a seguir na prática?
O framework de Singapura para IA agentiva recomenda autonomia limitada, acesso mínimo, monitoramento e aprovação humana antes de ações sensíveis.
O desempenho também depende da qualidade dos dados de treinamento e daquilo que o sistema foi otimizado para prever. Isso gera preocupações éticas em áreas como crédito, contratação, seguros e saúde. Dados históricos podem reproduzir desigualdades sociais, enquanto sistemas de pontuação pouco transparentes dificultam a contestação de decisões. Questões como viés, desinformação e uso indevido são desafios mais amplos de políticas para IA, e não apenas problemas de chatbots.
Por isso, a governança deve incluir um objetivo claramente definido, testes de precisão e equidade entre grupos relevantes, proteção de dados pessoais, explicações e revisão humana em decisões de alto impacto.
2. IA generativa: da previsão de rótulos à criação de conteúdo
A IA generativa muda a experiência do usuário de “a que categoria isso pertence?” para “crie ou transforme algo a partir desta instrução”. Modelos de grande escala conseguem produzir textos, imagens, áudios e códigos plausíveis. Entre os usos estão a elaboração de respostas para atendimento ao cliente, tradução, tutoria, resumo de materiais jurídicos, assistência em programação e trabalhos criativos.
Sistemas generativos podem reduzir o tempo e o custo de produzir um primeiro rascunho, oferecer uma interface conversacional para informações complexas e ajudar profissionais em vez de apenas automatizar uma decisão fixa.
A fraqueza central: parecer verdadeiro não significa ser verdadeiro
Um modelo generativo pode produzir uma afirmação, uma fonte, uma norma jurídica, uma alegação médica ou um trecho de código inventado ou incorreto com tom de confiança. O NIST usa o termo confabulação para definir “a produção de conteúdo declarado com confiança, mas errôneo ou falso”, fenômeno frequentemente chamado de alucinação.
Por isso, a verificação é indispensável sempre que a precisão factual for importante. Algumas proteções úteis incluem buscar informações em materiais confiáveis, apresentar citações, realizar avaliações estruturadas, testar o sistema em domínios específicos e contar com revisão humana qualificada.
Uma resposta bem escrita deve ser tratada como rascunho ou previsão — não como prova de que a afirmação subjacente está correta.
Os riscos mais amplos dos sistemas generativos
A IA generativa também levanta questões sobre proteção de dados, propriedade intelectual, desinformação e origem dos conteúdos produzidos. Orientações da Comissão Europeia para pesquisas destacam esses riscos e ressaltam que as pessoas continuam responsáveis pelo trabalho que publicam, mesmo quando a IA contribuiu para sua elaboração.
Na educação, surge um problema relacionado. Se estudantes terceirizam com frequência a escrita, o raciocínio e a resolução de problemas, podem obter um resultado polido enquanto praticam menos as habilidades necessárias para produzi-lo. Orientações educacionais apontam riscos como conteúdo incorreto ou enviesado, material prejudicial, vazamentos de dados, violação de propriedade intelectual e desafios à integridade acadêmica.
As falhas de segurança podem ser ainda mais graves em conversas sensíveis. Sistemas generativos podem produzir material odioso, violento, sexual ou manipulador, além de responder mal a alguém que manifeste intenção de se machucar. O NIST inclui entre os riscos recomendações perigosas ou violentas, problemas de privacidade e vieses prejudiciais.
Em contextos de alto risco, a IA não deve substituir atendimento qualificado nem mecanismos humanos de proteção. Os sistemas precisam de recusas robustas, encaminhamento adequado, controles de privacidade e uma rota clara para suporte humano imediato.
3. IA agentiva: planejamento, uso de ferramentas e ação
A IA agentiva acrescenta um ciclo de ação ao modelo. Em vez de responder uma única vez a um comando, um agente pode interpretar um objetivo, dividi-lo em etapas, chamar ferramentas como navegador, ambiente de execução de código, serviço de e-mail ou API, analisar os resultados, revisar o plano e continuar trabalhando.
A Universidade Stanford descreve a IA agentiva como formada por sistemas autônomos ou semiautônomos capazes de interpretar objetivos, organizar ações em sequência, usar ferramentas, reagir a feedback e se adaptar para concluir tarefas dentro de limites definidos.
A diferença prática é significativa:
um sistema preditivo pontua uma transação;
um sistema generativo redige uma resposta sobre ela; e
um agente poderia, se tivesse o acesso necessário, investigar a transação, atualizar um caso e enviar uma mensagem.
O Jules, do Google, ilustra o uso em desenvolvimento de software. A empresa o descreve como um agente de programação assíncrono que se integra a repositórios, clona uma base de código em uma máquina virtual na nuvem e trabalha em tarefas para posterior revisão.
Agentes que usam ferramentas de código aberto representam outra abordagem. Já produtos de recrutamento, como o Hiring Assistant, do LinkedIn, mostram como fluxos agentivos podem se estender à busca e à contratação de candidatos.
Os agentes são atraentes porque conseguem concluir trabalhos com várias etapas, em vez de apenas sugerir o próximo passo. Um agente de programação pode investigar um bug, editar vários arquivos, executar testes e preparar uma solicitação de alteração. Um agente de fluxo de trabalho pode reunir informações, organizá-las e preparar comunicações para aprovação.
Por que a autonomia aumenta o risco
Planejar não é o mesmo que compreender de forma confiável. Um agente pode interpretar uma página de maneira equivocada, escolher um plano ruim, seguir uma instrução maliciosa ou acumular um pequeno erro ao longo de várias etapas.
O AI Index 2026, de Stanford, informa que os agentes passaram de 12% para cerca de 66% de sucesso no benchmark OSWorld, que avalia tarefas reais em computadores. Ainda assim, eles falharam em aproximadamente uma a cada três tentativas.
Uma alucinação de chatbot pode continuar sendo um problema de comunicação. Já um agente com credenciais, acesso ao navegador ou autoridade para realizar pagamentos pode transformar o mesmo tipo de erro em uma ação externa. Por isso, a governança de sistemas agentivos precisa tratar não apenas da qualidade das respostas, mas também de permissões, reversibilidade e responsabilização.
Principais riscos de segurança dos agentes de IA
Os riscos mais importantes aparecem quando um agente consegue afetar sistemas, dinheiro, dados ou outras pessoas:
Pagamentos não autorizados: o agente pode escolher o item errado, ultrapassar um orçamento ou ser manipulado por uma página maliciosa.
Vazamento de privacidade e roubo de dados: acesso a e-mails, arquivos, registros de clientes, códigos-fonte ou chaves de API cria oportunidades de exposição, especialmente por meio de ataques de injeção de prompt.
Falhas de segurança e danos a softwares: o agente pode introduzir código inseguro, alterar configurações, apagar recursos ou expor segredos em registros e ferramentas externas.
Lacunas de responsabilidade: pode ser difícil definir a responsabilidade entre o fornecedor do modelo, o desenvolvedor da aplicação, a organização que implementa o agente, o fornecedor da ferramenta e o usuário.
Manipulação: agentes persistentes e conversacionais podem exercer influência indevida, sobretudo quando o usuário está vulnerável ou quando o sistema parece mais competente e confiável do que realmente é.
Como deve funcionar uma governança responsável
Os controles precisam ser proporcionais à capacidade do sistema e às consequências de uma eventual falha.
Para a IA preditiva, as organizações devem definir a finalidade, medir precisão e equidade, proteger dados pessoais e oferecer meios de explicar ou contestar decisões de alto impacto.
Para a IA generativa, é necessário verificar afirmações importantes, testar alucinações e conteúdos prejudiciais, controlar dados sensíveis, lidar com questões de origem e propriedade intelectual e manter profissionais qualificados responsáveis por decisões jurídicas, médicas, financeiras e de proteção.
Para agentes, os controles técnicos e organizacionais precisam avançar ainda mais:
Delimitar o caso de uso. Definir o que o agente pode e não pode fazer antes da implementação.
Limitar o acesso. Usar credenciais com privilégio mínimo, ferramentas restritas, limites de transação e ambientes isolados.
Exigir aprovação em pontos relevantes. Ações financeiras, jurídicas, relacionadas à privacidade ou à segurança não devem ocorrer sem autorização humana adequada.
Tornar as atividades auditáveis. Manter registros, monitorar o comportamento e atribuir responsáveis claros por incidentes.
Testar de forma adversarial. Avaliar injeção de prompt, exfiltração de dados, comportamento prejudicial e recuperação de falhas antes e durante a implementação.
Preservar o controle humano. As pessoas devem conseguir interromper, substituir e contestar ações com consequências relevantes.
A Autoridade de Desenvolvimento de Mídia e Infocomunicações de Singapura, conhecida pela sigla IMDA, apresenta essa abordagem baseada em risco em seu Model AI Governance Framework for Agentic AI. O documento é destinado a organizações que desenvolvem agentes internamente ou implementam soluções de terceiros.
A principal lição do framework é graduar a autonomia: começar com assistência somente para leitura, avançar para ações de baixo risco e reservar ações irreversíveis ou de alto impacto para aprovação explícita.
O caminho da inteligência artificial
A evolução da IA é melhor entendida como uma pilha crescente de capacidades, e não como três eras completamente separadas. Os sistemas tradicionais preveem e classificam. Os sistemas generativos criam e transformam. Os sistemas agentivos acrescentam planejamento, uso de ferramentas e ação.
A governança precisa avançar no mesmo ritmo. Controles de precisão e equidade continuam necessários, mas já não são suficientes. Sistemas generativos exigem verificação, rastreabilidade e práticas de segurança de conteúdo. Agentes também precisam de limites de permissão, pontos de aprovação, monitoramento de segurança e responsabilidade claramente definida.
Quanto mais um sistema de IA consegue fazer sozinho, mais cuidadosamente as organizações precisam decidir o que ele está autorizado a fazer.
