Agentes de IA: mais nem sempre é melhor

Durante meses, o mercado repetiu quase como um mantra: multiagentes são o próximo salto da inteligência artificial. Mais agentes, mais colaboração, mais resultado.

Mas a vida real — e agora a ciência — está mostrando algo bem menos romântico.

Um estudo recente conduzido por Google DeepMind em parceria com o MIT decidiu testar, de forma controlada, uma pergunta simples e incômoda:
quando vários agentes de IA trabalham juntos, o resultado realmente melhora?

O paper se chama “Towards a Science of Scaling Agent Systems” e você pode ler o estudo original aqui:
👉 https://arxiv.org/pdf/2512.08296

A resposta curta é: depende do problema.
A resposta longa muda completamente a forma como empresas deveriam desenhar sistemas de IA.

Quando colaboração vira ruído

Existe uma intuição humana poderosa por trás da ideia de multiagentes: mais cabeças pensam melhor do que uma.
Em times humanos, isso às vezes funciona. Em IA, nem sempre.

O estudo mostra que adicionar agentes é muito parecido com colocar mais gente na sala sem um bom método de coordenação. Em vez de acelerar a solução, você cria:

mais mensagens para trocar

mais decisões para alinhar

mais chances de erro se propagar

mais custo computacional

Em alguns cenários, o que deveria ser colaboração vira retrabalho algorítmico.

Os quatro “formatos de times” de agentes

Os pesquisadores testaram arquiteturas que, curiosamente, lembram bastante estruturas organizacionais:

1. Centralizado
Existe um “chefe” (orquestrador) que divide tarefas, coleta respostas e decide o próximo passo.

2. Descentralizado
Os agentes conversam entre si, ajustam decisões coletivamente e não existe uma autoridade central.

3. Independente
Vários agentes trabalham em paralelo, sem conversar. Só no final alguém junta as respostas.

4. Híbrido
Uma mistura de controle central com trocas laterais entre agentes.

Nenhuma dessas arquiteturas é “melhor por definição”. Elas só funcionam em contextos específicos.

Onde multiagentes realmente funcionam

O melhor desempenho apareceu em tarefas paralelizáveis, especialmente em finanças.

Quando o problema pode ser quebrado em blocos independentes — por exemplo:
analisar receitas, custos, riscos regulatórios e contexto de mercado — o modelo centralizado brilhou.

📈 Resultado: até 80% mais performance do que um único agente.

Aqui, vários agentes ajudam porque cada um explora uma parte diferente do problema, e alguém sintetiza tudo no final.

Onde quase não faz diferença

Em tarefas como navegação na web e coleta de informações, o ganho existe, mas é modesto.

Arquitetura descentralizada: ~+9%

Arquitetura centralizada: praticamente empate com agente único

Ou seja: funciona, mas está longe de ser revolucionário.

Onde tudo dá errado

O choque vem nas tarefas de planejamento sequencial — aquelas em que cada passo depende do anterior.

Exemplos:
planejamento logístico, execução passo a passo, ambientes com estado mutável.

Aqui, todas as arquiteturas multiagentes foram piores do que um agente único.

📉 Queda de performance: entre −39% e −70%.

O motivo é simples: dividir um raciocínio que precisa ser contínuo fragmenta o contexto. O que deveria ser clareza vira ruído.

O custo invisível da “coordenação”

Além da performance, existe um fator que quase ninguém gosta de discutir: custo.

O estudo mostra que sistemas multiagentes consomem muito mais tokens:

Independente: +58%

Centralizado / Descentralizado: +260% a +285%

Híbrido: até +515%

Em muitos cenários, você paga mais para errar mais.

Por isso, a pergunta estratégica muda completamente.

As perguntas certas (e as erradas)

❌ “Quantos agentes eu consigo colocar aqui?”
❌ “Qual framework de multiagentes está na moda?”

✅ “Esse problema é paralelizável ou sequencial?”
✅ “Essa tarefa realmente se beneficia de múltiplos pontos de vista?”
✅ “Quanto estou disposto a pagar pela coordenação?”

Multiagentes não são um upgrade automático de inteligência.
São uma decisão arquitetural, como escolher entre centralização, autonomia ou hierarquia em uma empresa.

O que isso muda para líderes e times

A grande virada deste estudo é clara:

O futuro da IA não é sobre mais agentes.
É sobre arquiteturas melhores para problemas certos.

Times que entenderem isso antes vão evitar sistemas caros, frágeis e ineficientes — e construir soluções realmente escaláveis.

Para quem quer ir além

Se você quer entender na prática como desenhar arquiteturas de agentes, quando usar um agente único, quando usar múltiplos, e como evitar armadilhas de coordenação, a StartSe aprofundou esse tema no Programa Multiagentes.

Sem hype, sem promessa mágica — com foco em arquitetura, decisão e aplicação real:
👉 https://lp.startse.com/imersao-multiagentes/

Porque, como o estudo mostra, em IA (assim como nos negócios), mais gente na sala só ajuda quando existe método, clareza e propósito.