Outros concordam que as avaliações são críticas para sistemas de agentes de nível empresarial. “Trate os agentes como sistemas regulamentados”, diz Gurtu. “Mudanças no sandbox e agentes de teste em simulação.”
Observabilidade comportamental
Por último, outra camada central é a observabilidade. Para sistemas agênicos, isso deve ir além do monitoramento tradicional ou da detecção de falhas para capturar sinais avançados, como por que os agentes falharam ou por que escolheram determinadas ações em detrimento de outras.
“A observabilidade deve ser incorporada desde o primeiro dia”, diz Kussberg da Sonar. “Você precisa de transparência em cada etapa da execução: avisos, chamadas de ferramentas, decisões intermediárias e resultados finais.”
Com comportamentos mais observáveis dos agentes, você pode melhorar o sistema continuamente ao longo do tempo. Como diz Kussberg, “a transparência alimenta a melhoria”.
Estratégias de otimização de contexto
Quase todos os especialistas concordam: fornecer aos agentes de IA dados mínimos e relevantes é muito melhor do que a sobrecarga de dados. Isso é fundamental para evitar maximizar as janelas de contexto e degradar a qualidade da saída.
“A curadoria cuidadosa de dados é muito mais importante do que o volume de dados”, diz Brosamer. “A qualidade da produção de um agente está diretamente ligada à qualidade do seu contexto.”
Na Block, os engenheiros mantêm arquivos README claros, aplicam padrões de documentação consistentes e hierarquias de projetos bem estruturadas e aderem a outras convenções semânticas que ajudam os agentes a revelar informações relevantes.
“Os sistemas agentes não precisam de mais dados, eles precisam dos dados certos no momento certo”, acrescenta Kussberg, da Sonar. “Sistemas eficazes fornecem aos agentes ferramentas versáteis de descoberta e permitem que eles executem loops de recuperação até determinarem que têm contexto suficiente.”
A filosofia predominante é adotar a divulgação progressiva de informações. Shopify leva isso a sério, usando entrega modular de instruções. “A entrega de contexto just-in-time é fundamental”, diz McNamara. “Em vez de sobrecarregar o prompt do sistema, retornamos o contexto relevante juntamente com os dados da ferramenta quando necessário.”
Outros apontam que o contexto também deve incluir nuances semânticas, diz Kovi. “Se um agente não sabe que ‘usuários ativos’ significa algo diferente em produto e marketing, ele dará respostas erradas e seguras”, diz ela. “Isso é difícil de entender.”
Melhores práticas de arquitetura
Existem muitas recomendações adicionais sobre o desenvolvimento de sistemas de agentes. A primeira é a constatação de que nem tudo precisa ser agente.
O emparelhamento de integrações LLMs e MCP é ótimo para situações novas que exigem raciocínio e capacidade de resposta altamente escaláveis e com consciência da situação. Mas o MCP pode ser um exagero para automação programada repetitiva e determinística, especialmente quando o contexto é estático e a segurança é rigorosa.
Como tal, Kilkommins recomenda determinar qual comportamento é adaptativo versus determinístico, e codificar o último, pois isso permitirá que os agentes iniciem comportamentos programados intencionalmente definidos, trazendo mais estabilidade.
Determinar as áreas principais para processos de agente também se resume a encontrar casos de uso reutilizáveis. “As organizações que implantaram com sucesso a IA de agente geralmente começam identificando um processo de alto atrito”, diz Ramsey. Isso pode incluir solicitações de serviço de funcionários, integração de novos contratados ou resposta a incidentes de clientes, diz ele.
Gurtu acrescenta que os agentes têm melhor desempenho quando recebem metas de negócios concretas. “Comece com decisões, não com demonstrações”, diz ele. “O que não funciona é tratar os agentes como chatbots apátridas ou substituir humanos da noite para o dia”, diz Gurtu.
Outros acreditam que estreitar a autonomia de um agente produz melhores resultados. “Os agentes trabalham melhor como especialistas, não como generalistas”, diz Kussberg.
Por exemplo, o Shopify estabelece limites claros ao dimensionar ferramentas. “Em algum lugar entre 20 e 50 ferramentas, os limites começam a ficar confusos”, diz McNamara. Embora alguns proponham separar os limites das funções com agentes específicos de tarefas distintas, o Shopify optou por uma arquitetura de subagentes com ferramentas de baixo nível.
“Nossa recomendação é, na verdade, evitar arquiteturas multiagentes antecipadamente”, diz McNamara. Agora estamos entrando em subagentes com a abordagem correta, e um princípio fundamental é construir ferramentas de nível muito baixo e ensinar o sistema a traduzir a linguagem natural para essa linguagem de baixo nível, em vez de construir ferramentas cenário por cenário.”
Os especialistas compartilham outros conhecimentos para projetar e desenvolver sistemas de agentes:
- Use infraestrutura aberta: Agentes abertos e estruturas independentes de fornecedor permitem que você use os modelos mais adequados à finalidade.
- Pense primeiro na API: Um bom design de API e definições claras e legíveis por máquina preparam melhor uma organização para agentes de IA.
- Mantenha os dados sincronizados: Manter os dados compartilhados sincronizados é outro desafio. Arquiteturas orientadas a eventos podem manter os dados atualizados.
- Equilibre o acesso com controle: Manter os sistemas agentes seguros exigirá exercícios de segurança ofensivos, registros de auditoria abrangentes e validação defensiva de dados.
- Melhorar continuamente: Para evitar o desvio de agentes, o desenvolvimento de sistemas de agentes exigirá inevitavelmente manutenção contínua à medida que a indústria e a tecnologia de IA evoluem.
O futuro dos sistemas agentes
O desenvolvimento da IA agente avançou em um ritmo alucinante. Agora, estamos no ponto em que os padrões do sistema agente estão começando a se solidificar.
Olhando para o futuro, os especialistas antecipam uma viragem para o desenvolvimento de sistemas multiagentes, orientando a necessidade de padrões de orquestração mais complexos e a confiança em padrões abertos. Alguns prevêem uma revisão substancial do trabalho do conhecimento em geral.
“Espero que em 2026 veremos experimentações com estruturas para estruturar ‘fábricas’ de agentes para coordenar a produção de trabalho de conhecimento complexo, começando com a codificação”, diz Brosamer da Block. O aspecto mais desafiador será otimizar os fluxos de informações existentes para casos de uso de agentes, acrescenta ela.
Um aspecto desse futuro poderia ser uma maior ênfase em nuvens alternativas e inferência baseada na borda para mover certas cargas de trabalho para fora da arquitetura de nuvem centralizada e reduzir a latência.
“O futuro da IA competitiva exige proximidade, não apenas poder de processamento”, afirma Weil, da Akamai. “Os agentes precisam agir no mundo real, interagindo com usuários, dispositivos e dados à medida que os eventos se desenrolam.”
Em suma, a construção de sistemas de agência é um empreendimento altamente complexo e as práticas ainda estão em fase de maturação. Será necessária uma combinação de novas tecnologias, pensamento de design no estilo microsserviços e proteções de segurança para levar esses projetos a bom porto, em escala, de maneira significativa e sustentável – tudo isso ao mesmo tempo em que concede aos agentes uma autonomia significativa.
O futuro parece agente. Mas o design do sistema inteligente que sustenta os sistemas de ação irá diferenciar os resultados bem-sucedidos dos projetos-piloto fracassados.
