Um agente de IA, no contexto da IA generativa moderna, é um sistema construído em torno de um modelo de linguagem de grande porte que pode planejar uma sequência de etapas, executar ações por meio de uso de ferramentas externas, observar os resultados dessas ações e iterar em direção a um objetivo, em vez de simplesmente produzir uma resposta para um único prompt. A característica definidora que distingue um agente de um chatbot comum é um loop: a saída do modelo não é necessariamente a resposta final mostrada ao usuário, mas pode ser uma decisão sobre o que fazer em seguida, que é executada, realimentada na janela de contexto do modelo e usada para decidir o próximo passo, continuando até que a tarefa seja concluída ou um limite seja atingido.
O termo antecede os modelos de linguagem de grande porte, tendo sido usado há muito tempo em inteligência artificial e robótica para descrever qualquer sistema que percebe um ambiente e age sobre ele, incluindo agentes simples baseados em regras e agentes de aprendizado por reforço, como o AlphaGo. Seu uso atual, especificamente ligado a sistemas baseados em LLM que chamam ferramentas e buscam tarefas de múltiplas etapas, tornou-se difundido a partir de 2023, após experimentos iniciais como o AutoGPT, e acelerou acentuadamente ao longo de 2024 e 2025, à medida que os modelos melhoraram em escolher e sequenciar chamadas de ferramentas de forma confiável, um período amplamente descrito no comentário da indústria como a onda "agêntica" do boom da IA.
Componentes
Um agente típico combina várias partes: um modelo de linguagem base que faz o raciocínio e a tomada de decisão, um conjunto de ferramentas que ele pode invocar, como um interpretador de código, uma função de busca na web ou uma API, expostas por meio de chamadas de ferramentas estruturadas; um mecanismo de memória ou estado que rastreia o que aconteceu até agora na tarefa, muitas vezes simplesmente o contexto acumulado, embora alguns sistemas adicionem armazenamento externo para tarefas mais longas; e um loop de controle que decide quando a tarefa está concluída ou quando perguntar a um humano por entrada. Muitos frameworks de agentes também incorporam geração aumentada por recuperação para que o agente possa consultar documentos relevantes no meio da tarefa, e alguns suportam uso de computador, permitindo que o agente opere uma interface gráfica, como um navegador web, diretamente em vez de por meio de uma API dedicada.
Padronização
À medida que o número de ferramentas às quais um agente poderia se conectar crescia, conectar cada ferramenta a cada modelo com código de integração personalizado tornou-se um problema de escala. A Anthropic introduziu o Protocolo de Contexto de Modelo em novembro de 2024 como um padrão aberto para conectar modelos de linguagem a ferramentas externas e fontes de dados de maneira uniforme, e ele foi adotado amplamente em toda a indústria ao longo de 2025, inclusive por laboratórios concorrentes, como uma camada de interface comum para o uso de ferramentas agêntico.
Aplicações
Sistemas agênticos foram aplicados à engenharia de software, onde ferramentas como GitHub Copilot, Cursor e Claude Code evoluíram de conclusão de código de turno único para agentes que podem ler um código-base, executar testes e fazer edições em múltiplos arquivos de forma autônoma; à pesquisa e coleta de informações, onde um agente emite uma série de buscas e sintetiza descobertas; e à automação de navegador e computador, onde um agente opera software da maneira que um usuário humano faria. Benchmarks como o SWE-bench foram adotados especificamente para medir o desempenho de codificação agêntica, pois exigem uma sequência de ponta a ponta de edições de arquivos e execuções de testes, em vez de um único trecho de código.
Confiabilidade e críticas
A confiabilidade do agente permanece um problema central em aberto: pequenos erros no início de uma longa cadeia de tarefas podem se acumular, chamadas de ferramentas podem falhar ou ser mal utilizadas, e agentes podem seguir um plano plausível, mas incorreto, por muitas etapas antes que um erro se torne evidente, às vezes chamado de "deriva de agente". Preocupações sobre agentes agindo com base em entrada não confiável ou adversária tornaram a injeção de prompt uma questão de segurança significativa específica de sistemas agênticos, já que um agente com acesso a ferramentas e dados reais pode, em princípio, ser manipulado para executar ações prejudiciais no mundo real, em vez de meramente gerar texto indesejável, uma categoria de risco sem análogo direto em um chatbot comum.