Lei de Brooks: O número que quebra sua equipe de agentes de IA

Um estudo do NTT Research em parceria com a Universidade Harvard colocou populações de agentes de IA para resolver um problema em grupo e encontrou um teto. A precisão coletiva sobe conforme os agentes colaboram, atinge o pico com aproximadamente 16 e começa a cair a partir daí, segundo o anúncio da pesquisa distribuído pela Business Wire.

Por que isso importa: o mercado vende arquitetura multiagente como se coordenação fosse de graça. A conta existe, aparece antes do que a maioria dos projetos corporativos calcula e é paga em tokens.

O que o experimento do Flag Game mostrou?

Os pesquisadores Hidenori Tanaka e Elizabeth Pavlova, do Physics of Artificial Intelligence Lab do NTT Research em colaboração com o Center for Brain Science de Harvard, montaram um jogo simples. Cada agente recebe apenas um pedaço aleatório de uma bandeira escondida. Nenhum vê a imagem inteira. O grupo precisa conversar até identificar de que país é a bandeira. Conforme o relato do The Register, a rodada só conta como bem-sucedida quando pelo menos 85% dos agentes convergem para a mesma resposta.

Abaixo da faixa ótima, o grupo não junta evidência suficiente para fechar um veredito. Acima dela, acontece algo menos intuitivo: os agentes passam a produzir interpretações concorrentes sobre a mesma evidência e o grupo se divide em campos em vez de convergir. A falha não vem de incapacidade individual. Vem da dinâmica social do grupo.

Tanaka resume o achado em uma frase que executivo nenhum precisa traduzir: adicionar mais agentes de IA "não necessariamente melhora o desempenho", do mesmo jeito que contratar mais gente não torna uma empresa automaticamente mais eficaz.

Ressalva necessária: o paper, "Flag Game: Interpreting Decision Mechanisms of Bounded Social Agents", foi apresentado no workshop AI4Good do ICML 2026. Workshop tem revisão mais leve que a trilha principal da conferência. O número 16 é um resultado de uma tarefa específica, não uma constante universal de engenharia.

Por que agentes de IA repetem o erro da Lei de Brooks?

Porque o problema nunca foi de inteligência. É de custo de coordenação.

Em 1975, Fred Brooks publicou The Mythical Man-Month a partir do que viu gerenciando o desenvolvimento do sistema operacional do IBM System/360. A formulação ficou conhecida como Lei de Brooks: adicionar pessoas a um projeto de software atrasado atrasa ainda mais. O motivo é aritmético. Cada nova pessoa precisa ser treinada e precisa se comunicar com todas as outras. Os canais de comunicação crescem de forma quadrática. A força de trabalho, de forma linear.

Meio século depois, o software que escreve software esbarra na mesma parede. Os agentes não se cansam, não têm ego e não brigam por promoção, e ainda assim formam facções e validam a própria posição em círculo. O que o estudo do NTT sugere é que essa patologia não depende de psicologia humana. Ela emerge da estrutura de um grupo grande tentando chegar a consenso com informação parcial.

Quem ganha quando a empresa adiciona mais agentes de IA?

Aqui está a parte que o discurso comercial não destaca. Mais agentes significam mais chamadas de API, mais tokens processados e mais receita para quem vende inferência.

A própria Anthropic publicou os números. Em seu relato de engenharia sobre o sistema multiagente de pesquisa, a empresa registrou que agentes consomem cerca de 4 vezes mais tokens que uma interação de chat, e sistemas multiagente consomem aproximadamente 15 vezes mais. No mesmo texto, a companhia afirma que a viabilidade econômica depende de a tarefa valer o multiplicador, e que domínios em que todos os agentes precisam compartilhar o mesmo contexto ou têm muitas dependências entre si não são bons candidatos para multiagente hoje.

Ou seja: o fornecedor documentou o limite. O mercado comprou a manchete e ignorou o rodapé. A pergunta que separa sinal de ruído em qualquer proposta de orquestração multiagente é se a tarefa realmente se decompõe em frentes independentes ou se está sendo fatiada só para justificar mais nós no sistema.

Como dimensionar um time de agentes de IA sem inflar a conta?

O estudo entrega três achados que valem mais que o número 16, e todos apontam para desenho em vez de escala.

Times com modelos diferentes superaram times homogêneos. Combinar modelos com forças complementares produziu resultado melhor do que replicar o mesmo modelo dezenas de vezes, o que sugere que diversidade cognitiva funciona também em silício. Instrução humana clara pesou mais que quantidade de agentes: estratégias explícitas de comunicação tiveram impacto maior sobre o desempenho coletivo do que simplesmente somar agentes. E a forma como os agentes trocam informação entre si influencia o resultado tanto quanto o tamanho do time.

Traduzindo para orçamento: antes de aprovar a próxima fase de um piloto agêntico, vale exigir do time três respostas. Qual é o teto de agentes testado empiricamente nessa tarefa específica. Quanto o consumo de tokens cresce entre a versão de 4 agentes e a de 20. E quem, do lado humano, define o protocolo de comunicação entre eles.

Empresas que desejam rodar essa estrutura em suas empresas, precisa de mais do que APIs e budget, precisa identificar os gargalos e oportunidades do negócio, e ter clareza de qual(is) área(s) começar a automatizar. 

A StartSe desenvolveu um programa de mentoria e aceleração para empresas que desejam implementar o modelo Agentic-Led Growth eu seus negócios. Conheça aqui

Para ficar de olho: a próxima geração de fornecedores vai vender "orquestração inteligente" como camada paga em cima da camada de agentes. O argumento comercial já está montado, e é o mesmo de sempre: o problema que a escala criou será resolvido com mais escala.

Para ir mais fundo: The Register sobre o estudo | anúncio completo da pesquisa | Anthropic sobre custo de sistemas multiagente