O ano dos agentes
Os grandes modelos de linguagem já não são suficientes.
Durante os últimos anos, a corrida esteve centrada numa pergunta: qual é o modelo mais inteligente? Agora, a pergunta mudou: qual é o agente que consigo pôr a trabalhar por mim de forma autónoma, segura e fiável?
A diferença é importante.
Um chatbot responde a perguntas. Um agente recebe um objectivo, consulta informação, utiliza ferramentas, toma decisões intermédias e executa acções. Pode pesquisar documentos, actualizar um CRM, analisar uma folha de cálculo, escrever código, abrir um pedido de suporte ou preparar um relatório.
Segundo a definição da OpenAI, um agente combina três elementos:
- instruções sobre o que deve fazer;
- limites sobre o que não pode fazer;
- ferramentas para actuar em nome do utilizador.
O mercado está, por isso, a passar da fase da conversa para a fase da execução. Mas há uma distinção que convém manter clara: um modelo é o motor; um agente é o sistema completo que usa esse motor para produzir resultados.
Os agentes do mercado privado
As plataformas fechadas têm uma vantagem evidente: reduzem o tempo entre a ideia e a utilização. A infraestrutura, os modelos, a segurança básica, as actualizações e parte das integrações já estão disponíveis.
Pagas pelo acesso, mas não tens de construir tudo de raiz.
OpenAI: GPT-5.6, Agents SDK e Responses API
A OpenAI continua a ser uma das referências mais fortes na adopção empresarial. O seu ecossistema combina modelos de alto desempenho com ferramentas para pesquisa na web, consulta de ficheiros, execução de código, utilização de computadores e ligação a servidores MCP.
A família GPT-5.6 aparece como opção de referência para tarefas complexas, com versões mais rápidas e económicas para situações em que a latência e o custo pesam mais. A própria documentação recomenda começar com um modelo de topo e depois ajustar o modelo ao nível de complexidade do trabalho.
Para construir agentes, a OpenAI disponibiliza duas camadas principais:
- a Responses API, mais flexível e adequada para quem quer controlar directamente a lógica;
- o Agents SDK, que simplifica ciclos de ferramentas, transferências entre agentes, guardrails e tracing.
Na prática, a OpenAI é particularmente interessante se procuras:
- integração rápida;
- grande ecossistema de ferramentas;
- agentes generalistas;
- automação de tarefas administrativas e de conhecimento;
- ligação a aplicações através de APIs e MCP;
- adopção com baixo atrito por equipas que já usam ChatGPT.
O ponto forte é a velocidade de implementação. O risco é ficares demasiado dependente de uma plataforma, dos seus preços e das suas regras de utilização.
Anthropic Claude: Opus 5, Agent SDK e MCP
A Anthropic posiciona o Claude como uma solução especialmente forte para tarefas complexas, codificação e fluxos que exigem contexto prolongado.
O Claude Opus 5 destaca-se nos trabalhos que implicam análise, planeamento e utilização de várias ferramentas. Através do Claude Agent SDK, podes criar agentes em Python ou TypeScript utilizando o mesmo tipo de ciclo de execução que alimenta o Claude Code.
O SDK inclui:
- leitura, criação e edição de ficheiros;
- execução de comandos;
- subagentes especializados;
- sessões persistentes;
- permissões por ferramenta;
- integração com MCP;
- mecanismos de aprovação humana.
É aqui que a Anthropic ganha relevância em sectores regulados. Num processo bancário, de saúde, auditoria ou consultoria, não basta o agente ser inteligente. É necessário saber:
- que dados consultou;
- que ferramentas utilizou;
- que decisão tomou;
- em que momento pediu autorização;
- quem aprovou a acção.
O Model Context Protocol, ou MCP, permite ligar o agente a ferramentas e fontes de dados externas através de uma interface comum. Podes usá-lo para ligar bases de dados, sistemas internos, GitHub, Slack ou outras aplicações.
A escolha por Claude faz sentido quando valorizas:
- codificação e análise profunda;
- contextos longos;
- permissões detalhadas;
- aprovação humana;
- integração padronizada através de MCP;
- maior controlo sobre acções potencialmente sensíveis.
Não é necessariamente o melhor agente para todas as tarefas. É uma escolha forte quando o custo de um erro é elevado.
Google Gemini Enterprise
O Google está a concentrar a sua oferta empresarial no Gemini Enterprise Agent Platform, a evolução da infraestrutura Vertex AI para construção, execução, governação e optimização de agentes.
A plataforma é especialmente interessante para organizações já dependentes de:
- Google Workspace;
- Google Cloud;
- BigQuery;
- Gmail;
- Docs;
- Sheets;
- Calendar;
- sistemas de dados alojados em GCP.
O agente pode trabalhar com dados empresariais através de pesquisa, RAG e conectores. A plataforma inclui ainda:
- Agent Studio para construção visual;
- Agent Development Kit para desenvolvimento com código;
- Agent Runtime para execução prolongada;
- Memory Bank para memória persistente;
- Agent Identity para identidade e permissões;
- Agent Gateway para controlo centralizado;
- ferramentas de simulação, avaliação e observabilidade.
Um aspecto importante é a capacidade para suportar workflows longos. O Google descreve agentes capazes de manter estado durante dias, executar tarefas assíncronas e delegar trabalho entre agentes.
O Gemini Enterprise é uma escolha natural se já estás no ecossistema Google e queres utilizar os dados que já existem na tua organização sem criar uma camada de integração completamente nova.
Microsoft Copilot e Microsoft Agent Framework
Embora o foco deste artigo esteja nos agentes, não é possível ignorar o Microsoft Copilot Studio. Para empresas que vivem no Microsoft 365, Windows, Teams, Dynamics ou Azure, a integração pode ser mais importante do que pequenas diferenças de desempenho entre modelos.
O Copilot Studio permite criar agentes com menos código e ligá-los a processos empresariais, documentos e aplicações Microsoft.
Para desenvolvimento mais avançado, a Microsoft está a concentrar a sua estratégia no Microsoft Agent Framework. O AutoGen, que ganhou grande popularidade na criação de sistemas multiagente, encontra-se actualmente em modo de manutenção: não deverá receber novas funcionalidades relevantes e é gerido pela comunidade.
A recomendação oficial para novos projectos é utilizar o Microsoft Agent Framework. Quem já tem aplicações em AutoGen pode continuar a utilizá-las, mas deve preparar uma migração gradual.
Frameworks open source para construir agentes
O open source não significa necessariamente gratuito, simples ou sem custos. Significa que tens mais controlo sobre o código, a infraestrutura e, em muitos casos, os dados.
Também tens mais responsabilidade.
LangGraph: controlo para produção
O LangGraph é uma das opções mais fortes para agentes de produção.
Em vez de representares o processo como uma conversa vaga, desenhas o workflow como um grafo com nós, transições e estados. Isto permite definir claramente:
- o que acontece em cada etapa;
- quando o processo deve parar;
- que condições levam a uma nova tentativa;
- em que momento é necessária aprovação humana;
- como retomar o trabalho depois de uma falha.
O sistema de checkpoints guarda o estado do agente. Em ambiente de produção, podes utilizar PostgreSQL para manter o histórico completo e recuperar a execução sem começar tudo de novo.
É uma boa escolha quando precisas de:
- fiabilidade;
- auditoria;
- workflows longos;
- aprovação humana;
- recuperação após falhas;
- controlo explícito sobre cada decisão.
Não confundas, no entanto, checkpointing com garantia absoluta sobre todos os efeitos externos. Se um agente envia um pagamento ou altera um registo, ainda precisas de idempotência, transacções, retries controlados e observabilidade.
CrewAI: velocidade para validar ideias
O CrewAI organiza o trabalho através de agentes com papéis distintos. Podes criar um investigador, um analista e um editor, atribuir tarefas a cada um e definir a forma como colaboram.
É intuitivo e rápido de experimentar.
A framework disponibiliza:
- agentes baseados em papéis;
- tarefas sequenciais, paralelas ou hierárquicas;
- memória;
- ferramentas;
- suporte para MCP;
- checkpointing;
- colaboração entre agentes através de A2A;
- fluxos mais determinísticos para cenários que exigem maior controlo.
É particularmente útil para validar uma ideia antes de investir numa arquitectura mais complexa. Por exemplo:
- um agente pesquisa potenciais clientes;
- outro classifica os resultados;
- um terceiro prepara uma mensagem;
- um quarto valida o conteúdo antes do envio.
Atenção: uma demonstração multiagente pode parecer impressionante e continuar a ser frágil. Antes de colocar o processo a trabalhar sozinho, mede a taxa de erro, define limites e decide que acções exigem aprovação.
Qwen-Agent e agentes locais
Se a prioridade é soberania de dados, custo previsível ou execução local, o ecossistema Qwen merece atenção.
O Qwen-Agent é uma framework open source para construir aplicações com modelos Qwen. Inclui suporte para:
- function calling;
- planeamento;
- memória;
- RAG;
- MCP;
- browser assistants;
- execução de código;
- modelos alojados localmente através de Ollama ou vLLM.
Esta opção permite construir uma arquitectura em que os dados não saem da tua infraestrutura. É relevante para informação confidencial, operações internas ou empresas que não querem depender exclusivamente de uma API externa.
O custo, porém, muda de lugar. Em vez de pagares apenas por utilização, tens de considerar:
- hardware;
- actualizações;
- monitorização;
- segurança;
- manutenção;
- desempenho dos modelos;
- competência técnica para operar o sistema.
AutoGen: importante, mas já não é a aposta futura da Microsoft
O AutoGen continua a ser relevante para compreender o desenvolvimento de sistemas multiagente. Tem uma comunidade grande, muitos exemplos e uma arquitectura flexível.
Contudo, o seu estado actual é claro: está em modo de manutenção. Para novos projectos, consulta o Microsoft Agent Framework. Se tens código existente em AutoGen, avalia o custo e o risco de uma migração.
Usar uma framework popular não é suficiente. Também tens de saber se existe uma rota de evolução sustentável.
Como escolher o agente certo
Não escolhas com base no ranking da semana. Escolhe com base na operação.
| Necessidade | Opção a considerar |
|---|---|
| Implementação rápida e ecossistema amplo | OpenAI |
| Codificação, contexto longo e aprovação humana | Claude |
| Google Workspace e GCP | Gemini Enterprise |
| Microsoft 365 e Azure | Copilot ou Microsoft Agent Framework |
| Workflows auditáveis e controlados | LangGraph |
| Protótipo multiagente rápido | CrewAI |
| Soberania de dados e execução local | Qwen-Agent com modelos open source |
| Sistema AutoGen existente | Manter temporariamente ou planear migração |
Antes de escolher, responde a cinco perguntas:
- Que sistemas o agente precisa de consultar?
- Que acções pode executar sozinho?
- Que erros são aceitáveis?
- Que dados podem sair da tua infraestrutura?
- Onde deve existir aprovação humana?
A arquitectura mais sensata é híbrida
O futuro não será dominado por um único agente universal.
Uma arquitectura mais realista combina camadas:
- modelos privados para tarefas críticas ou de maior qualidade;
- modelos open source para tarefas repetitivas e sensíveis;
- frameworks como LangGraph ou CrewAI para orquestração;
- MCP para ligar ferramentas;
- supervisão humana nas decisões com impacto financeiro, legal ou reputacional.
É a mesma lógica de uma operação empresarial bem desenhada: não entregas todas as decisões a uma só pessoa, nem compras a ferramenta mais cara para todos os processos.
Começa por um workflow concreto. Mede o resultado. Define limites. Só depois aumenta a autonomia.
O agente certo não é o mais falado nas redes sociais. É o que encaixa na tua operação, nos teus dados e no teu nível de risco. A transformação digital começa quando a tecnologia deixa de ser uma demonstração e passa a resolver, todos os dias, um problema real do teu negócio.
Para acompanhares outras aplicações práticas de inteligência artificial, consulta o resumo semanal de IA e as ferramentas digitais disponíveis.