A IA aprendeu a pensar em etapas — e mesmo assim só acerta 15% das tarefas que um humano fecha em 92%

Você já reparou que, faz pouco tempo, a conversa sobre IA virou outra? Saímos de “ele escreve um e-mail pra mim” e chegamos em “ele agenda a reunião, abre o sistema, executa o código e me devolve o resultado”. A palavra que carimba isso é agêntica. E como toda palavra que vira moda, ela passou a significar tudo e nada ao mesmo tempo.

Então fomos ver o que está embaixo. A boa notícia: existe uma virada técnica real, e ela é fascinante. A notícia honesta: ela é bem menos mágica do que a manchete sugere. As duas coisas cabem na mesma edição, e separar uma da outra é exatamente o que distingue quem programa com IA de quem só repete o que leu.

Comecemos pelo começo, do jeito mais simples possível.

Degrau 0: o motor só “completa texto”

Um modelo de linguagem clássico tem um único trabalho de treino: prever o próximo pedaço de texto a partir do que veio antes. Os pesquisadores chamam isso de modelo autoregressivo. O GPT-3, no paper que o apresentou em 2020, é descrito exatamente assim, “um modelo de linguagem autoregressivo com 175 bilhões de parâmetros”. A arquitetura por baixo, o Transformer, veio de um artigo de 2017 com o título mais direto da história da computação: Attention Is All You Need.

Traduzindo: o modelo não “pensa antes”. Ele escreve da esquerda para a direita, uma palavra de cada vez, escolhendo a continuação mais provável. É um autocompletar genial, treinado em uma quantidade absurda de texto. Mas é autocompletar. Peça uma conta e ele responde na bucha, sem rascunho — e às vezes erra com a maior cara de certeza.

Guarde essa imagem do “responder na bucha”. Tudo que vem depois é o esforço de dar a esse motor um rascunho.

Degrau 1: pedir os passos antes da resposta (Chain-of-Thought)

A primeira virada foi quase boba de tão simples. Em 2022, pesquisadores mostraram que, se você pede ao modelo para mostrar os passos intermediários antes de cravar a resposta, ele acerta muito mais em tarefas complexas. O paper resume sem rodeio: gerar uma “cadeia de pensamento”, uma série de passos de raciocínio intermediários, melhora de forma significativa a capacidade do modelo de raciocinar.

A técnica ganhou nome de Chain-of-Thought (cadeia de pensamento). Na prática, em vez de “12 × 47 = 564”, você induz o modelo a escrever “12 × 40 é 480, 12 × 7 é 84, somando dá 564”. O resultado fica visível, verificável, e o índice de acerto sobe. Repare que nada mudou no motor. Mudou o que você pede a ele.

Mas o passo intermediário ainda é texto que o modelo inventa de cabeça. Se um passo está errado, o erro escorrega para o próximo. Faltava ancorar o raciocínio em algo do mundo real.

Degrau 2: raciocinar e agir — usar ferramentas (ReAct)

Aí entra a ideia que muda o jogo de verdade. E se, entre um passo de raciocínio e outro, o modelo pudesse fazer alguma coisa (buscar na Wikipédia, rodar um código, consultar uma API) e usar o resultado para corrigir o plano?

É o que um trabalho de 2022 chamou de ReAct, de reasoning + acting (raciocinar + agir), apresentado na conferência ICLR de 2023. A frase central do paper: os traços de raciocínio ajudam o modelo a induzir, acompanhar e atualizar planos de ação e a lidar com exceções, enquanto as ações permitem a ele conversar com fontes externas. Em testes de pergunta-e-resposta, intercalar raciocínio com consultas reduziu a alucinação justamente porque o modelo parava de chutar e ia checar. Em ambientes de tarefa simulados, a taxa de sucesso subiu 34 e 10 pontos percentuais sobre os métodos anteriores.

Aqui o motor de completar texto começou a tocar o mundo. Deixou de só falar e passou a falar, agir, ver o que voltou e ajustar. É a costura entre raciocínio e ação que abre a porta para o que chamamos hoje de agente.

Degrau 3: modelos que gastam cômputo “pensando” (reasoning models)

O último degrau levou o raciocínio para dentro do treino. Em setembro de 2024, a OpenAI apresentou o o1, um modelo treinado por aprendizado por reforço para pensar antes de responder — gerar uma longa cadeia de raciocínio interna antes de devolver a resposta final. Meses depois, em janeiro de 2025, o chinês DeepSeek-R1 mostrou algo ainda mais interessante e foi parar na Nature: dá para incentivar a capacidade de raciocínio de um modelo por reforço puro, sem precisar de exemplos de raciocínio rotulados por humanos. O modelo aprende a pensar sozinho, por tentativa e recompensa.

O conceito-chave que você precisa levar daqui é este: pensar virou uma forma de gastar cômputo na hora de responder. Um modelo de raciocínio pode produzir centenas de tokens de “pensamento” que você nunca vê, só para chegar com mais segurança à resposta que você vê. Mais pensamento, menos erro, até certo ponto, e com uma conta de custo embutida. Voltaremos a essa conta.

Então o que é “agente”, afinal?

Junte os degraus e você tem a definição técnica, não a de marketing. A Anthropic, em um texto de engenharia de dezembro de 2024, fez uma separação que vale ouro porque desinfla metade do hype. Existem dois bichos hoje misturados sob a mesma palavra:

• Workflow: sistemas em que o modelo e as ferramentas são orquestrados por caminhos de código já definidos pelo programador. O modelo executa um roteiro fixo. Útil, mas não é agente.
• Agente: sistemas em que o modelo dirige dinamicamente os próprios processos e o uso de ferramentas, mantendo controle sobre como cumpre a tarefa.

Em linguagem de quem programa: agente é modelo + loop + memória. O modelo planeja, escolhe uma ferramenta, age, observa o resultado, replaneja, e decide ele mesmo a sequência, sem um roteiro fixo. Um chatbot completa texto numa rodada. Um agente roda esse ciclo até achar que terminou.

E a própria Anthropic puxa a orelha de quem sai criando agente para tudo: para muitos casos, otimizar uma única chamada bem feita, com busca e bons exemplos no contexto, já basta. Boa parte do que é anunciado como “agente” é, na verdade, um workflow disfarçado, ou só um prompt bem-feito com um nome bonito.

O contraponto que ninguém coloca no slide

Agora a parte que separa esta edição de um anúncio de produto. A virada é real e habilita coisas que eram impossíveis há três anos. Mas agente nenhum fecha tarefas complexas de ponta a ponta de forma confiável. E isso quem mede são os benchmarks sérios, não o marketing.

No GAIA, um teste de tarefas reais de assistente (raciocinar, usar ferramentas, lidar com imagem e texto), humanos comuns acertam 92%. O GPT-4 equipado com plugins acerta 15%. No WebArena, que mede agentes navegando na web sozinhos para cumprir tarefas, o melhor agente baseado em GPT-4 chega a uma taxa de sucesso ponta a ponta de 14,41%, contra 78,24% de desempenho humano. Não é diferença de ajuste fino. É um abismo.

Some a isso três limites que todo mundo que vai construir precisa nomear:

• Custo e latência. Pensar mais é gastar mais tokens de raciocínio, e isso custa tempo e dinheiro por resposta. Reasoning não é de graça.
• Erro que se propaga. Numa cadeia longa, o tropeço de um passo contamina os seguintes. O ReAct nasceu justamente para conter a propagação de erro que assombrava a cadeia de pensamento pura.
• Validação. Um loop autônomo sem verificação, sem ponto de retorno e sem ambiente isolado vai “concluir” a tarefa de um jeito plausível e errado. Os números de GAIA e WebArena são a foto empírica desse buraco.

A régua honesta, então, é esta: dá para dizer que a IA aprendeu a pensar em etapas e a usar ferramentas — é verdade e tem fonte. Não dá para dizer que ela resolve tarefas sozinha do início ao fim. Os números dizem o contrário, e quem só lê a manchete leva pra casa a metade errada.

Por que isso importa pra você que trabalha com isso

Aqui vale ouvir alguém que pensa em método antes de pensar em moda. Williams, founder da Itamazônia e engenheiro eletricista, faz uma ponte que cai bem: nenhum engenheiro dimensiona uma estrutura de cabeça, de uma tacada. Ele decompõe (cargas, esforços, verificação de cada elemento, ajuste) e só avança quando o passo anterior fecha. “Raciocinar em etapas com checagem é o jeito como um projeto sempre foi feito”, resume. “O que a virada agêntica fez foi ensinar a máquina a rascunhar antes de responder, que é o oposto de chutar com confiança.”

E ele puxa a leitura estatística, que é o antídoto contra o hype: uma taxa de sucesso de 14% num benchmark é um dado, não uma sentença, mas é um dado que calibra a expectativa. “Mais ‘pensamento’ reduz o erro até um ponto, não o zera. Quem trata o número de acerto como detalhe vai colocar um agente para rodar sem verificação e descobrir o problema em produção.” É a diferença entre saber o que comemorar e cair no release.

Para quem programa, a lição prática desta edição não é “use agente” nem “desconfie de agente”. É saber em que degrau o seu problema está. Boa parte das vezes, uma chamada bem feita resolve. Às vezes você precisa do raciocínio em passos. Às vezes precisa de ferramentas no loop. E quase sempre precisa de validação, porque o motor por baixo continua, no fundo, tentando prever o próximo token — só que agora com um rascunho na frente.

E cada degrau dessa virada é uma área de quem constrói. Fazer o modelo raciocinar em passos e medir onde ele erra é o terreno de quem estuda ciência de dados e inteligência artificial; montar o loop, as ferramentas e a validação que seguram um agente em pé é trabalho de engenharia de software e de análise e desenvolvimento de sistemas. É a mesma régua — separar o que está provado do que é só alegação — que aplicamos quando deciframos o anúncio do chip quântico Majorana 2.

Na próxima quarta: testaram 8 “cientistas de IA” autônomos e nenhum fechou uma pesquisa do começo ao fim — o gargalo, decifrado.

Fontes: Attention Is All You Need · GPT-3 / Language Models are Few-Shot Learners · Chain-of-Thought Prompting · ReAct · OpenAI “Learning to reason with LLMs” / o1 · DeepSeek-R1 · GAIA · WebArena · Anthropic “Building Effective AI Agents”.