Inteligência Artificial

AGENTES AUTÔNOMOS: POR QUE A ORQUESTRAÇÃO, E NÃO O MODELO, VAI DECIDIR QUEM CAPTURA VALOR por Ricardo Castro

A narrativa dominante sobre IA agêntica é sedutora em sua simplicidade: basta dar um objetivo a um agente de IA, e ele decompõe a tarefa, age de forma autônoma e entrega o resultado, sem supervisão humana constante. Para Conselhos de Administração e equipes de Relação com Investidores, essa narrativa já influencia teses de investimento, alocação de capital e expectativas de retorno. A autonomia plena é uma tendência real, a caminho de ser alcançada - mas orquestração, o termo-chave deste artigo, é algo mais específico: é a capacidade de coordenar múltiplos agentes e ferramentas em torno de um objetivo, com contexto operacional acumulado, não apenas a execução isolada de uma tarefa por um único modelo. É essa capacidade, e não a sofisticação do modelo de linguagem subjacente, que vai decidir quem captura valor nesta transição.

O manifesto "AGNT - The Orchestration Economics Manifesto", publicado na primavera de 2026 por Raphaëlle d’Ornano, fundadora da Decoding Discontinuity, oferece o enquadramento estratégico mais completo que vi até hoje sobre para onde migra o valor econômico nessa transição. A tese central é que estamos vivendo uma descontinuidade, não uma disrupção: o custo marginal da cognição está colapsando — uma tarefa que custava cem dólares em trabalho humano em 2024 tende a custar centavos até 2029 — e, à medida que a cognição se torna abundante, o software deixa de ser ferramenta e passa a ser ator econômico. A unidade de produção migra da hora de trabalho humano para o fluxo de trabalho orquestrado.

D’Ornano organiza essa transição em torno de Três Leis estruturais que determinam quem captura o excedente dessa nova economia: proximidade com a intenção do cliente, profundidade de contexto operacional acumulado, e inteligência de coordenação entre agentes — esta última sendo a mais frágil das três, porque lógica de coordenação explícita pode, em tese, ser absorvida por qualquer laboratório de IA que construa um “Harness” genérico suficientemente sofisticado. A autora estima que, das 391 empresas do S&P 500 relevantes para o framework, apenas 125 possuem os atributos estruturais para se tornarem orquestradoras duráveis; as demais 266 enfrentam compressão de valor — o dobro de perdedores em relação a vencedores. É um diagnóstico que qualquer comitê de investimentos deveria estar debatendo agora, não em 2027.

O setor de BPO, e em boa medida os Centros de Serviços Compartilhados (CSCs), ilustram bem as Três Leis em ação. São modelos construídos sobre vender ou internalizar trabalho humano por hora ou processo, com barreira de saída sustentada pelo atrito de migrar — para fora, no caso do cliente de um BPO; para dentro de outra unidade, no caso de um CSC. Essa barreira sempre foi fricção operacional, não fosso estrutural, e fricção é o que a IA agêntica foi desenhada para remover: um orquestrador pode hoje sintetizar o mesmo resultado sem troca de fornecedor nem reestruturação do centro. O BPO ou CSC genérico, que executa rio abaixo um processo já definido por outra área, perde a arbitragem de custo que sustentava sua razão de existir; já aquele que acumulou, em anos de operação, conhecimento tácito sobre exceções e particularidades de um cliente ou unidade específica tem ativo defensável de verdade — pode se reposicionar como nó de fluxo indispensável, não como mão de obra fungível. A diferença entre os dois é exatamente a Segunda Lei: profundidade de contexto operacional.

Onde vale abrir uma ressalva é na velocidade da deflação de custo que sustenta parte da tese. D’Ornano assume uma queda suave e previsível no custo de inferência, na ordem de 10 vezes ao ano. O relatório “The Coming Age of AI Colleagues”, publicado pela Prosus em 2026 após dezoito meses operando mais de 60 mil agentes de IA em seu próprio portfólio, relata o oposto na prática: não observou tendência clara de queda de custo, porque infraestrutura em escala é cara e tarefas complexas exigem cadeias de chamadas de ferramentas que só os modelos mais caros executam com confiabilidade. A dúvida aqui é de ritmo, não de direção — o efeito estrutural de fundo, contexto operacional como fosso defensável e inferência como insumo que tende a barateamento, se mantém. Mas o board que estiver modelando retorno sobre essas iniciativas com a curva de custo do manifesto como premissa fixa está assumindo um risco que os dados de produção real ainda não confirmam.

Essa cautela tem respaldo também na literatura acadêmica sobre coordenação multiagente, que segue tratando isso como problema de pesquisa aberto, não capacidade resolvida. O survey “Multi-Agent Collaboration Mechanisms” (Tran et al., 2025, arXiv:2501.06322) é categórico nesse ponto. O survey “From LLM Reasoning to Autonomous AI Agents” (Ferrag et al., 2025, arXiv:2504.19678) lista os “modos de falha em sistemas multiagente” como frente prioritária de pesquisa futura. E o survey da Vicinagearth (Yang et al., 2024, DOI: 10.1007/s44336-024-00009-2) descreve o campo como fragmentado e sem taxonomia unificada. A leitura conjunta dos três é consistente com o que reportam tanto d’Ornano quanto a Prosus: a falta de orquestração robusta, não a qualidade do modelo subjacente, é o principal motivo de fracasso de iniciativas de IA agêntica. Vale o contraponto de que a arquitetura de referência evoluiu desde esses estudos — hoje, sistemas em produção combinam um agente orquestrador central, especialistas que interagem entre si e com humanos, e validadores independentes que checam a qualidade do resultado antes de liberá-lo. Mas a velocidade dessa evolução é, ela mesma, parte do argumento: ainda estamos aprendendo a orquestrar enquanto a capacidade de fronteira segue avançando.

A implicação prática é estruturar agora, não esperar a maturidade total da tecnologia. É aqui que entra o que chamo de plano de IA Readiness Accelerator: um roteiro de maturação organizacional — governança de dados, papéis de orquestração definidos, métricas de ROI por caso de uso, capacitação de lideranças — que capture benefícios reais enquanto a tecnologia evolui, em vez de mais um ciclo de assessment seguido de provas de conceito que nunca escalam. Para o profissional de RI, isso se traduz em duas exigências concretas: primeiro, diferenciar publicamente teses de investimento entre empresas que compraram acesso a modelos de fronteira e empresas que construíram capacidade de orquestração sobre contexto operacional proprietário — posições estruturalmente diferentes, que o mercado já precifica de forma abrupta, como mostrou o "SaaSpocalypse" de fevereiro de 2026, quando um anúncio de plugins agênticos da Anthropic provocou reprecificação de US$ 285 bilhões em 48 horas. Segundo, substituir a métrica "quantos agentes foram implementados" pela pergunta que a própria Prosus aplica internamente: "o que aconteceria com a receita ou os custos se este agente fosse deletado hoje à noite?"

Tudo isso, porém, pressupõe uma condição que os conselhos de administração ainda não incorporaram de forma sistemática: a IA agêntica precisa entrar na agenda do conselho não como pauta de tecnologia, mas como pauta de posicionamento competitivo e risco estratégico. A pergunta correta não é "qual modelo estamos usando?" — é "onde a IA agêntica muda nossa posição competitiva, e isso está refletido na estratégia corporativa?" Uma empresa que trata IA como iniciativa de eficiência enquanto um competidor a usa para reposicionar toda a cadeia de captura de valor está tomando uma decisão estratégica sem perceber: decidindo, por omissão, que não quer ser orquestradora. Definir onde construir fosso de orquestração, onde aceitar ser nó especializado e o que isso implica para alocação de capital é responsabilidade do conselho, não da área de TI. A segunda dimensão é a integridade do ativo central: agentes autônomos que aprendem e redefinem processos sozinhos são, por design, vulneráveis a deriva comportamental, envenenamento de dados e injeção de instruções maliciosas — e um agente que aprende errado não apenas falha: destrói o fosso que levou anos para construir. O conselho precisa saber onde estão os validadores independentes na cadeia, quais decisões têm supervisão humana obrigatória e quais limites de escopo foram definidos antes de qualquer agente entrar em produção. Sem essas respostas, aprovar orçamento de IA é aprovar um ativo estratégico sem entender seu perfil de risco.

A conclusão é que temos uma transformação em curso, não uma disrupção pontual. A velocidade exata da curva de custo pode estar em debate — e deve ser questionada —, mas o sentido da mudança não está: é rápido, e está se acelerando. As empresas precisam chegar à mesa do conselho com métricas de produção real, não de projetos-piloto, com um plano de IA Readiness Accelerator já estruturado, e com conselheiros capazes de fazer as perguntas certas — sobre estratégia integrada, sobre integridade dos dados, sobre governança da cadeia de agentes — antes que a janela de posicionamento se feche. 

Ricardo Castro
é Board Member e Senior Advisor A&M Performance. Conselheiro certificado pelo IBGC, com experiência como conselheiro e administrador em empresas de diversos setores. Formado em Engenharia pela UFRJ, mestre em Tecnologia da Informação pela PUC-Rio e com MBAs executivos pela Stanford, INSEAD, Kellogg, Columbia, FDC e StarSe/Nova Lisboa. Coautor do livro High Tech High Touch e professor de MBA na FIA.
ricardo.castro@accurotec.com