stamatios
← Voltar ao feed
Pilha de cabos emaranhados sendo organizada em caixas rotuladas por painel de controle, metáfora da orquestração de agentes
Agentes · Dev & Engenharia

Dívida técnica agêntica: onde a orquestração deve ficar na arquitetura

resumo de ~3 min
{
  "resumo": "## Dívida técnica agêntica\n\nA dívida técnica agêntica é o custo acumulado de atalhos em torno de agentes de IA: prompts, ligação com ferramentas, memória, lógica de controle e regras de governança são remendados mais depressa do que as equipes conseguem testar, padronizar e auditar. O texto usa como analogia o artigo do Google de 2015, "Hidden Technical Debt in Machine Learning Systems", no qual o código do modelo é uma caixa pequena dentro de um sistema muito maior. Nos agentes, a chamada ao modelo é essa caixa pequena, e o restante (prompts, ferramentas, memória, novas tentativas, aprovações, permissões, orçamentos e trilhas de auditoria) concentra a maior parte do custo.\n\nSegundo o texto, a Gartner prevê que 40% das aplicações empresariais incluam agentes de IA específicos até o fim de 2026, ante menos de 5% em 2025. A mesma consultoria prevê que mais de 40% dos projetos de IA agêntica sejam cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro ou controles de risco inadequados. O texto ressalta que as duas previsões podem se confirmar ao mesmo tempo.\n\nAgentes acumulam dívida mais rápido que modelos clássicos de machine learning por quatro motivos: a saída não é determinística, o que dificulta testes de regressão; agentes agem sobre sistemas reais, como ERP, e-mail e infraestrutura, então erros têm efeitos colaterais; o trabalho pode durar de minutos a dias, com reinícios e esperas por pessoas; e muitos donos convivem, porque cada equipe e cada fornecedor de aplicação lança agentes com regras próprias.\n\n## Camadas da arquitetura\n\nA proposta organiza a arquitetura em camadas. O modelo raciocina ou decide, podendo ser um LLM, um modelo de decisão, um modelo de ML treinado ou regras simples. O *agent harness* é o ambiente de execução de um agente: executa o laço de controle, chama ferramentas, monta o contexto, gerencia memória e isola a execução. A execução durável persiste cada etapa para que processos longos sobrevivam a falhas e esperas dentro de uma aplicação; o Temporal é citado como exemplo. Acima fica o plano de controle de orquestração unificada, que cobre dados, infraestrutura, aplicações e processos de negócio, inicia trabalhos por eventos e agendas, sequencia etapas entre sistemas e equipes e cuida de aprovações, prazos, compensações e auditoria. No topo está a camada de inteligência de processos, que decide quais processos recebem um agente e mede o impacto depois.\n\nO texto admite que as fronteiras se movem, porque fornecedores avançam para camadas vizinhas. A pergunta sobre quem é dono de cada responsabilidade, segundo o texto, continua válida independentemente do produto escolhido.\n\n## Onde cada responsabilidade deve ficar\n\nA escolha do modelo cabe à orquestração, que define o tipo de modelo necessário, enquanto o harness roteia a chamada. As permissões de ferramentas são aplicadas pelo harness em cada chamada, e o plano de controle define a identidade e os segredos que cada etapa pode usar. Novas tentativas de chamadas sem efeitos colaterais ficam no harness; etapas que alteram sistemas de negócio devem ser repetidas pela execução durável ou pelo plano de controle, com chave baseada em um ID de negócio, para evitar duplicidade. Aprovações humanas pertencem ao plano de controle, com prazo, escalonamento e registro de quem aprovou o quê.\n\nOrçamentos de tokens são limitados pelo harness em cada execução e aplicados pelo plano de controle por processo, equipe ou tenant. Segundo o texto, nos incidentes de LLMjacking investigados pela Mandiant em 2026, atacantes gastaram mais de 100 mil dólares em cobranças de modelo em um único dia. A compensação entre sistemas também fica com o plano de controle, único a enxergar todos os sistemas tocados pelo processo. Trilhas de auditoria e linhagem devem ser registradas pelo plano de controle, que cobre os quatro domínios.\n\n## Erros de posicionamento\n\nO texto aponta padrões que geram dívida. Regras de aprovação escritas no prompt funcionam na maioria das vezes, mas ninguém consegue provar que funcionaram sempre. Novas tentativas dentro do laço do agente, em torno de efeitos colaterais, podem duplicar operações: um timeout em uma chamada ao ERP pode levar o agente a emitir duas notas de crédito ao fornecedor. Auditoria restrita aos traces de um framework impede reconstruir o processo de ponta a ponta. E governança dentro da caixa de cada fornecedor deixa sem cobertura processos que atravessam vários deles.\n\n## Exemplo: disputa de fatura de fornecedor\n\nO texto ilustra a divisão com uma disputa de fatura. Um evento de divergência vindo do ERP chega por Kafka e inicia o fluxo. Uma conferência determinística de três vias resolve a maioria dos casos sem IA. Um modelo de decisão classifica as disputas restantes por tipo. Um agente LLM, com ferramentas somente leitura, redige uma resolução e a mensagem ao fornecedor. Acima de um valor definido, uma pessoa do contas a pagar aprova ou edita a proposta, e a falta de resposta no prazo gera escalonamento. Se a atualização do portal do fornecedor falhar após novas tentativas, o fluxo reverte a nota de crédito e abre um caso. O agente executa uma etapa limitada dentro de um processo governado e nunca decide sozinho se o dinheiro é movimentado.\n\nNesse exemplo, o texto mostra o Kestra, plataforma de orquestração de código aberto, sob licença Apache 2.0, como implementação do plano de controle. O fluxo é declarativo em YAML, com lista explícita de ferramentas, limite de chamadas, orçamento de tokens e timeout. Outras ferramentas, como Camunda, Temporal, Airflow, Dagster e AWS Step Functions, são citadas como boas escolhas dentro de seus domínios, e o texto afirma que muitas empresas usam várias delas lado a lado.\n\n## Quando um agente basta\n\nNem todo agente precisa de plano de controle. Um assistente de programação, um agente de pesquisa ou um resumo de suporte dentro de uma aplicação são bem atendidos pelo harness. Um plano de controle se justifica quando o processo atravessa vários sistemas ou equipes, quando uma ação move dinheiro, altera sistemas de produção ou chega a clientes, quando auditor ou regulador exige registro de ponta a ponta, ou quando agentes de fornecedores diferentes atuam no mesmo processo.\n\n## Para onde vai o valor\n\nSegundo o texto, a camada de modelos está se tornando commodity rapidamente, com vários fornecedores lançando ofertas compatíveis em semanas. O valor tende a migrar para as camadas que guardam estado do processo, aprovações e registro de auditoria, porque são difíceis de substituir depois. Hyperscalers, fornecedores de execução durável, fabricantes de aplicações e plataformas de orquestração disputam essa posição. O texto conclui que definir cedo quem é dono de aprovações, orçamentos e auditoria evita reconstruir o processo depois.",
  "hook": "Em 2026, a Gartner estima que 40% das aplicações empresariais incluam agentes de IA específicos até o fim do ano, ante menos de 5% em 2025. Na mesma linha, prevê que mais de 40% dos projetos de IA agêntica sejam cancelados até o fim de 2027. Para o autor, parte do problema está em onde ficam aprovações, novas tentativas, orçamentos e auditoria na arquitetura.",
  "entities": ["Gartner", "Camunda", "Kestra", "Google", "Mandiant"],
  "themes": ["agentes-e-automacao", "adocao-e-roi-de-ia"],
  "story_key": "divida-tecnica-agentica-orquestracao",
  "reasoning": {
    "story_key": "Tese central do texto: a dívida técnica agêntica nasce quando responsabilidades como aprovações, retries, orçamentos e auditoria ficam na camada errada da arquitetura de agentes.",
    "themes": {
      "agentes-e-automacao": "O texto trata de agentes fora do código, com harness, execução durável, plano de controle e processos de negócio que atravessam sistemas.",
      "adocao-e-roi-de-ia": "O texto cita previsões de cancelamento por custo e falta de valor de negócio e a pesquisa Camunda sobre uso de agentes em produção, ligados à operação corporativa de IA."
    },
    "entities": {
      "Gartner": "Fonte das previsões sobre adoção de agentes e cancelamento de projetos.",
      "Camunda": "Realizou a pesquisa de 2026 com 1.150 líderes de TI, decisores de negócio e arquitetos.",
      "Kestra": "Plataforma de orquestração apresentada como exemplo de plano de controle unificado.",
      "Google": "Autor do artigo de 2015 sobre dívida técnica oculta em sistemas de machine learning, usado como analogia.",
      "Mandiant": "Investigou os incidentes de LLMjacking em 2026 citados como exemplo de risco de custo."
    },
    "excluded": {
      "Kai Waehner": "Autor do texto, excluído conforme as regras de entidades.",
      "Temporal": "Citado como exemplo de execução durável, sem ser sujeito central do fato.",
      "LangChain": "Mencionado na origem do termo Agent = Model + Harness, sem ser sujeito do fato.",
      "Kafka": "Ferramenta de transporte de eventos citada como gatilho, sem ser sujeito do fato.",
      "Anthropic, OpenAI, Mistral, DeepSeek, Alibaba": "Fornecedores de LLMs citados como exemplos gerais, sem serem sujeitos do fato."
    }
  }
}