A frase que separa demo de operação
A conversa sobre agentes de IA ainda está presa demais em uma pergunta pequena:
“Qual prompt eu uso?”
Essa pergunta até ajuda no começo, mas não sustenta trabalho real.
O corte compartilhado por Anatoli Kopadze no X, com uma discussão técnica sobre agentes e Claude Code, aponta para um problema mais importante: por que agentes têm dificuldade de trabalhar por períodos longos sem se perder?
A resposta é menos glamourosa do que parece.
Não é só trocar de modelo.
Não é só escrever uma instrução melhor.
É desenhar um sistema de operação.
Agente bom não é prompt.
É loop.
Os três motivos pelos quais agentes se perdem
No trecho, a explicação se concentra em três travas principais: contexto, planejamento e julgamento.
Essas três travas aparecem em tarefas de engenharia, mas também aparecem em vendas, atendimento, marketing, financeiro e gestão.
1. Contexto: o agente começa sem memória
Quando uma nova sessão começa, o agente não sabe automaticamente tudo que aconteceu antes.
Ele precisa reconstruir:
- objetivo;
- histórico;
- decisões já tomadas;
- arquivos relevantes;
- regras do negócio;
- preferências do usuário;
- critérios de qualidade.
Sem memória, o agente trabalha como alguém que entrou atrasado em uma reunião e tenta adivinhar o que foi combinado.
Até pode acertar por um tempo.
Mas quanto maior a tarefa, maior a chance de perder nuance.
Além disso, existe o que muita gente chama de deterioração do contexto. A sessão fica longa, a janela enche, informações competem por atenção e a resposta começa a ficar menos coerente.
Em outras palavras: o agente não falha apenas porque “não entendeu”. Ele falha porque o ambiente onde ele pensa vai ficando pior ao longo da execução.
2. Planejamento: o modelo tenta resolver tudo em um tiro só
A segunda trava é planejamento.
Modelos de linguagem são bons em produzir próximos passos plausíveis. Isso não significa que sejam naturalmente bons em montar uma sequência robusta de trabalho até o fim.
Em tarefas longas, eles podem:
- começar pela parte errada;
- tentar fazer tudo em uma resposta;
- construir meia feature e declarar como pronta;
- esquecer dependências;
- pular validações;
- abandonar uma parte importante quando o contexto fica cheio.
Esse é um dos erros mais comuns em empresas que tentam “colocar IA para resolver”.
Elas dão uma tarefa grande demais para um único agente e esperam que ele se comporte como uma equipe inteira.
Só que trabalho complexo não é uma resposta.
É uma cadeia de decisões.
Por isso, em Claude Code: a próxima fase da IA são loops operacionais, a tese era que o salto não está em pedir melhor. Está em transformar tarefas em rotinas de observação, execução e revisão.
3. Julgamento: o agente acha que algo meia-boca está pronto
A terceira trava é a menos intuitiva e talvez a mais perigosa.
Modelos julgam mal o próprio trabalho.
Eles podem olhar para uma entrega parcial e concluir:
“Parece bom.”
Mesmo quando falta backend.
Mesmo quando o botão existe, mas não funciona.
Mesmo quando a planilha foi preenchida, mas a soma não fecha.
Mesmo quando o texto ficou bonito, mas não responde ao problema comercial.
Esse ponto é essencial para negócios.
A maioria das falhas com IA aplicada não aparece como erro técnico explícito. Aparece como uma entrega convincente, mas incompleta.
É a pior categoria de erro: parece pronta o suficiente para passar rápido.
Por que isso muda a forma de implementar IA
Se essas três travas são reais, então o caminho não é “prompt melhor”.
O caminho é arquitetura operacional.
Um bom sistema de agentes precisa de:
- memória para não recomeçar do zero;
- decomposição para quebrar trabalho grande em partes pequenas;
- execução com ferramentas para agir no mundo real, não só responder texto;
- critérios de qualidade para saber o que significa terminar;
- validação externa para revisar a entrega;
- humano no loop quando a decisão exige contexto, risco ou prioridade.
Isso é o que separa automação útil de teatro de IA.
No artigo IA que opera vs. IA que palestra, a diferença era exatamente essa: IA de palco gera entusiasmo; IA operacional mexe em processo, métrica e resultado.
Prompt isolado é frágil. Loop é sistema
Prompt isolado funciona bem para tarefa curta.
Você pede um resumo, uma ideia, uma revisão simples.
Mas quando o trabalho precisa durar, consultar dados, corrigir erros, tomar decisões e validar resultado, o prompt vira apenas a primeira peça.
O loop é o sistema completo.
Um loop simples de agentes pode funcionar assim:
- recebe um objetivo;
- recupera contexto relevante;
- cria um plano curto;
- executa a primeira etapa;
- verifica se a etapa ficou boa;
- corrige se necessário;
- registra o que aprendeu;
- avança para a próxima etapa.
Essa estrutura é muito mais próxima de trabalho real.
E é por isso que a conversa sobre agentes precisa sair do fetiche por prompts e entrar em desenho de operação.
Exemplos práticos fora da engenharia
A discussão nasceu em um contexto técnico, mas a aplicação é ampla.
Comercial
Um agente pode revisar leads parados no CRM.
Mas um loop comercial de verdade faz mais:
- identifica oportunidades paradas;
- classifica o motivo provável;
- sugere próxima ação;
- cobra follow-up;
- registra mudança no CRM;
- compara resultado no dia seguinte.
Atendimento
Um agente pode sugerir resposta para ticket.
Um loop de atendimento:
- classifica risco;
- busca histórico do cliente;
- propõe resposta;
- verifica se há política aplicável;
- escala quando há ameaça de churn;
- alimenta uma base de perguntas recorrentes.
Financeiro
Um agente pode categorizar lançamentos.
Um loop financeiro:
- lê extratos;
- detecta duplicidade;
- separa centro de custo;
- reconcilia saldo;
- alerta anomalia;
- gera DRE resumida.
Marketing
Um agente pode escrever legenda.
Um loop de marketing:
- acompanha criativos;
- compara performance;
- identifica queda de conversão;
- propõe variações;
- cobra publicação;
- mede resultado por canal.
O padrão é sempre o mesmo: sair da resposta e entrar no ciclo.
A pergunta certa para líderes
Se você lidera uma empresa, a pergunta não é:
“Minha equipe já sabe usar IA?”
A pergunta melhor é:
“Quais loops de IA já estão rodando dentro da operação?”
Porque uso individual de IA melhora produtividade local.
Mas loops bem desenhados mudam a empresa.
Eles reduzem esquecimento, encurtam ciclos, dão visibilidade, aumentam consistência e criam uma cadência de melhoria.
Esse é o ponto que também conecta com Jensen Huang e a tese dos loops de IA: a vantagem não vem só de ter acesso ao modelo, mas de reorganizar o trabalho em torno de agentes que observam, executam e revisam.
Como começar sem complicar
Um bom primeiro loop não precisa ser gigante.
Ele precisa ter clareza.
Escolha uma rotina que tenha:
- dor frequente;
- dados acessíveis;
- regra mínima de decisão;
- ação repetitiva;
- critério de sucesso;
- responsável humano.
Depois, desenhe o ciclo:
- qual evento dispara o agente?
- onde ele busca contexto?
- qual decisão ele precisa tomar?
- qual ação ele executa?
- como ele valida se funcionou?
- quando chama um humano?
- que aprendizado fica registrado para a próxima rodada?
Esse desenho vale mais do que uma lista de prompts bonitos.
A tese prática
A próxima fase da IA aplicada não é “usar mais chat”.
É criar operações em que agentes trabalhem com memória, plano, ferramenta e julgamento supervisionado.
Prompt é entrada.
Agente é executor.
Loop é operação.
E operação é onde a IA começa a aparecer no P&L.
Leia também
- Claude Code: a próxima fase da IA são loops operacionais
- Jensen Huang: a próxima vantagem da IA está nos loops, não nos prompts
- IA que opera vs. IA que palestra: a diferença que decide resultado
Fonte
A pauta nasceu de um corte compartilhado por Anatoli Kopadze no X, com uma explicação sobre por que agentes têm dificuldade de rodar por longos períodos. A leitura aqui é operacional e autoral: o que isso muda para aplicar IA em negócios.
