📈 economics

Advances in Agentic AI: Back to the Future

Este artigo propõe um quadro analítico estruturado para a IA Agente, distinguindo entre as gerações M1 e M2 de "Máquinas em Aprendizado de Máquina" para fundamentar a transformação empresarial B2B e traçar uma agenda de pesquisa para as próximas duas décadas.

Autores originais: Sergio Alvarez-Telena, Marta Diez-Fernandez

Publicado 2026-03-26

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sergio Alvarez-Telena, Marta Diez-Fernandez

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que o mundo da tecnologia está atualmente obcecado por uma nova "ferramenta mágica": a Inteligência Artificial Agente (Agentic AI). Todos os CEOs, governos e consultores estão falando sobre como usar isso para transformar empresas. Mas, segundo este artigo, a maioria das pessoas está usando a ferramenta errada para o trabalho certo, e isso pode levar a grandes desastres.

Os autores, Sergio e Marta, são como dois "mecânicos de alta precisão" que passaram 10 anos construindo o motor de um carro de Fórmula 1, enquanto o resto do mundo está apenas tentando colar adesivos em carros comuns e chamando isso de "carro voador".

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Grande Mal-Entendido: O "Cérebro" vs. O "Corpo"

O artigo diz que todo mundo está confuso porque não consegue distinguir duas partes da Inteligência Artificial:

O Aprendizado (Learning): É o "cérebro" ou o modelo matemático (como os famosos LLMs, tipo o ChatGPT). Ele é ótimo para aprender coisas novas, mas é como um estudante brilhante que às vezes inventa fatos (alucina) e não sabe como agir no mundo real.
A Máquina (Machine): É o "corpo", o sistema operacional, a estrutura que faz o cérebro funcionar, tomar decisões, seguir regras e não quebrar o sistema.

A Analogia:
Imagine que você quer construir um hospital.

O Aprendizado (LLM) é o médico especialista. Ele é inteligente, mas se você deixá-lo sozinho no corredor sem supervisão, sem regras de higiene e sem um plano de emergência, ele pode causar um caos.
A Máquina (M2) é o prédio do hospital, a equipe de enfermagem, os protocolos de segurança e o sistema de gestão. É isso que garante que o médico possa salvar vidas sem derrubar o teto ou infectar os pacientes.

O problema atual é que as empresas estão comprando apenas o "médico" (o LLM) e achando que isso resolve tudo. O artigo diz: "Não adianta ter o melhor médico do mundo se o hospital é de papel e vai desmoronar com o primeiro vento."

2. A Diferença entre M1 e M2 (O Motor vs. O Carro)

Os autores dividem a tecnologia em duas "Máquinas":

M1 (A Máquina de Treinar): É o esforço para criar o cérebro. É como a fábrica que produz o motor do carro. É difícil, caro e requer muita energia. Hoje, a maioria das empresas de IA (como a OpenAI) está focada apenas em fazer motores melhores (M1).
M2 (A Máquina de Usar): É o carro inteiro, pronto para rodar na estrada. É a arquitetura que pega o motor, coloca as rodas, o volante, o freio e o GPS, e garante que ele chegue ao destino com segurança.

A Metáfora do "Vibe Coding" vs. Engenharia Sólida:
Hoje, muita gente tenta usar IA para escrever código apenas "sentindo o clima" (vibe coding), como se estivesse improvisando uma música. Funciona para uma brincadeira, mas não para construir um arranha-céu.
Os autores criaram o M2, que é como um engenheiro civil rigoroso. Eles não apenas usam a IA; eles criaram um sistema onde a IA trabalha com regras, verificações e segurança, capaz de transformar uma empresa inteira, não apenas um departamento.

3. Por que 95% dos Projetos de IA Falham?

O artigo explica que 95% das empresas falham ao tentar usar IA não porque a tecnologia é ruim, mas porque elas tentam colocar um "motor de F1" dentro de um "chassi de bicicleta".

O Erro: As empresas tentam usar IA sem mudar sua própria estrutura. Elas têm processos antigos, burocracia e sistemas que não conversam entre si.
A Solução: Antes de colocar a IA, você precisa transformar a empresa em uma "Máquina" (M2). Você precisa redesenhar como a empresa funciona para que ela seja nativa digital, segura e capaz de lidar com a IA.

Analogia:
É como tentar colocar um sistema de direção autônoma de Tesla em um cavalo. O cavalo (a empresa antiga) não vai conseguir usar o sistema, e o sistema vai falhar. Você precisa criar um novo veículo (a empresa transformada) para que a tecnologia funcione.

4. A Grande Descoberta: "Ciência Aplicada" vs. "Ciência da Aplicação"

Os autores fazem uma distinção importante:

Ciência da Aplicação (Science Applied): É pegar um modelo teórico e tentar usá-lo. É o que a academia faz.
Ciência Aplicada (Applied Science): É pegar o modelo, misturar com a experiência humana, com regras de segurança, com leis e com a realidade do negócio, e criar uma solução que funciona de verdade.

Eles dizem que a maioria das empresas está tentando fazer "Ciência da Aplicação" (usando apenas o modelo) e falhando. O segredo deles é a "Ciência Aplicada", que é como um chef de cozinha de elite: ele não apenas segue a receita (o modelo), mas ajusta o sal, o tempo e o fogo (a estratégia) para que o prato fique perfeito para o cliente específico.

5. O Futuro: O que é "Agentic AI" de Verdade?

Para os autores, a verdadeira IA Agente não é um chatbot que conversa com você. É um sistema de agentes inteligentes que trabalham juntos, como uma orquestra, para gerenciar uma empresa inteira.

Eles podem ser de dois tipos:
1. Baseados em LLM (O que todos usam): São como estagiários muito inteligentes, mas que às vezes alucinam e não seguem regras estritas. Bons para conversar, ruins para gerir dinheiro ou segurança crítica.
2. Baseados em Estratégias (O que eles criaram): São como robôs militares ou pilotos de teste. Eles seguem regras rígidas, têm estratégias definidas e são projetados para não falhar em situações críticas. É isso que as empresas precisam para transformar seus negócios de verdade.

Resumo Final: A Lição do Artigo

O mundo está correndo atrás de "ferramentas mágicas" (LLMs) achando que isso vai resolver todos os problemas. Os autores dizem: "Pare. Primeiro, construa a casa certa (a arquitetura M2). Depois, coloque a mobília inteligente."

Eles passaram 10 anos construindo essa "casa" (uma arquitetura de software federada, segura e estratégica) e agora estão prontos para ajudar empresas, governos e até nações inteiras a se transformarem. A mensagem final é: O futuro não pertence a quem tem o melhor cérebro (modelo), mas a quem tem o melhor corpo (arquitetura) para fazer esse cérebro trabalhar.

Eles acreditam que, no futuro, as empresas não serão julgadas por quão "inteligente" é seu software, mas por quão bem elas conseguem orquestrar toda a sua máquina para operar com eficiência, segurança e estratégia.

Resumo Técnico: Avanços em IA Agêntica: De Volta ao Futuro

Autores: Sergio Álvarez-Teleña e Marta Díez-Fernández (SciTheWorld / UCL)
Contexto: O artigo critica a confusão conceitual atual em torno da "IA Agêntica", argumentando que a dependência excessiva de Grandes Modelos de Linguagem (LLMs) para transformações corporativas B2B é estruturalmente falha. Os autores propõem um novo paradigma baseado na distinção entre "Aprendizado" (L) e "Máquina" (M) dentro do Aprendizado de Máquina (ML).

1. O Problema

O artigo identifica uma crise de alinhamento conceitual e arquitetural na adoção de IA pelas empresas:

Confusão entre Ciência e Ciência Aplicada: Há uma falha em distinguir entre a criação de modelos estatísticos (Ciência) e a aplicação desses modelos em contextos de negócios complexos (Ciência Aplicada).
Ilusão dos LLMs: A narrativa dominante associa IA Agêntica a LLMs. Os autores argumentam que LLMs são, por design, propensos a "alucinações" (erros estruturais de estimativa estatística, não falhas de recuperação), o que os torna inadequados como núcleo de sistemas de produção B2B críticos, onde precisão, determinismo e conformidade são essenciais.
Falhas de Implementação: Cerca de 95% dos projetos de IA falham porque as organizações tentam integrar modelos (L) em estruturas operacionais legadas sem primeiro transformar sua própria arquitetura organizacional.
Desequilíbrio Econômico: O mercado está focado na venda de modelos (M1) em vez de soluções de transformação holística (M2), criando um fosso entre a expectativa de mercado e a realidade técnica.

2. Metodologia e Quadro Teórico

Os autores utilizam uma abordagem interdisciplinar, fundindo Economia, Tecnologia e Aprendizado de Máquina, baseada em uma década de pesquisa e validação industrial (Centro de Excelência - CoE).

A Teoria da Máquina da IA Agêntica

O cerne da metodologia é a decomposição do Aprendizado de Máquina em dois componentes distintos:

L (Learning): O componente científico (modelos estatísticos $f(x)$ ). É considerado uma commodity devido à natureza aberta e cumulativa da academia. A vantagem competitiva não reside aqui.
M (Machine): A infraestrutura arquitetural e algorítmica que orquestra, implanta e adapta os modelos ao mundo real. É aqui que reside a vantagem competitiva.

A teoria divide a "Máquina" em dois níveis:

M1 (A Primeira Máquina): Foca na calibração e engenharia de dados para estimar modelos intensivos em computação (ex: treinar LLMs). É o domínio da "Ciência Aplicada" (conectar ciência à engenharia).
M2 (A Segunda Máquina): O foco do artigo. É a arquitetura necessária para consumir o L de forma holística. O M2 integra modelos, heurísticas de especialistas, fluxos de dados, restrições de conformidade e unidades computacionais federadas em um ecossistema algorítmico autônomo e auto-orquestrado.

Abordagens no Nível M2

Baseada em LLM: A abordagem atual (vibe coding), limitada por estocasticidade e falta de determinismo.
Baseada em Estratégias (Strategies-based): A abordagem proposta pelos autores. Inspirada no Trading Algorítmico, utiliza uma disciplina arquitetural de cima para baixo, onde a lógica "se-então" (if-then) é combinada com modelos estatísticos para criar agentes inteligentes robustos.

3. Principais Contribuições

Definições Conceituais Claras

IA Agêntica: Não é apenas interação via prompt, mas a orquestração federada de "Agentes Inteligentes" (nós modulares) que operam como entidades algorítmicas.
Unidades Arquitetônicas Mínimas (MAUs, MAEs, MAPs): Definição de blocos de construção modulares que permitem interoperabilidade nativa e escalabilidade.
CAGI (Corporative AGI): Diferenciação entre Inteligência Artificial Geral Humana (inexistente e biologicamente limitada) e Inteligência Artificial Geral Corporativa (sintética, projetada para eficiência e interconectividade federada).

Validação Empírica e Histórica

Cronologia de Pesquisa: O artigo mapeia a evolução do trabalho dos autores desde produtos isolados (2012) até a transformação de departamentos, empresas, setores e nações.
Estudo de Caso "Fractal" e "AlphaDynamics": Apresentação de duas plataformas proprietárias que demonstram a viabilidade do M2.
- Fractal: Plataforma para transformação de departamentos corporativos (ERP nativo de IA).
- AlphaDynamics: Plataforma para gestão de portfólio e trading algorítmico, agora generalizada para outras funções corporativas.
Auditoria Institucional: Menção a auditorias e validações por instituições como o Banco da Espanha, Banco de Inglaterra e conselhos de administração de grandes instituições financeiras.

Crítica ao "95% de Falha"

O artigo reinterpreta a estatística de falha de projetos de IA não como uma falha da tecnologia, mas como um erro de arquitetura organizacional. As empresas não são ecossistemas algorítmicos; elas são pilhas de legado tecnológico. A transformação deve ocorrer na arquitetura (M2) antes ou simultaneamente à adoção de modelos.

4. Resultados e Evidências

Desenvolvimento de M2: Os autores afirmam ter construído a primeira infraestrutura de IA Agêntica baseada em Estratégias (M2) totalmente funcional, capaz de operar em ambientes de produção com alta resiliência e segurança.
Escalabilidade e Eficiência: A arquitetura permite a transformação de organizações inteiras (de 50 a 10.000+ funcionários) com custos marginais reduzidos, superando as limitações de soluções SaaS tradicionais.
Validação de Mercado: O trabalho foi reconhecido em prêmios de tecnologia bancária (Best Tech of the Future) e validado por associações profissionais (CFA, ISMS, etc.).
Simulação com LLMs: O artigo inclui um apêndice onde os autores interagem com um LLM (Claude), demonstrando que, quando devidamente orientados com o contexto correto (os documentos base), os LLMs conseguem reconhecer a validade e a novidade das propostas, validando a tese de que a "inteligência" reside na capacidade de gerar outliers precisos, algo que os LLMs sozinhos não fazem sem orientação humana.

5. Significado e Implicações Futuras

Mudança de Paradigma

O artigo propõe que o futuro da transformação corporativa, de defesa e nacional não depende da sofisticação dos modelos estatísticos (L), mas do domínio da Arquitetura de Máquina (M2). A vantagem competitiva futura será definida pela capacidade de orquestrar ecossistemas federados de inteligência, e não pela posse de modelos proprietários.

Implicações Econômicas e Geopolíticas

Nações Extremamente Eficientes: A aplicação do M2 em escala nacional pode desbloquear ganhos de produtividade estrutural, alterando a competição geopolítica de "criação de IA" (M1) para "consumo de IA" (M2).
Reestruturação do Capital: O artigo sugere que o valor das empresas deve ser reavaliado com base na maturidade de sua arquitetura M2, e não apenas em seus modelos de IA.

Roteiro de Pesquisa

Os autores traçam um caminho para as próximas duas décadas:

Próxima Década: Expansão do M2 para setores inteiros e criação de "Corporative AGIs" (CAGIs) para grupos empresariais.
Próxima Década (10-20 anos): Aplicação da teoria microeconômica em escala operacional através de arquiteturas algorítmicas, transformando conceitos teóricos (como utilidade marginal) em sistemas de produção reais.

Conclusão Final

A IA Agêntica não é um fenômeno de LLM, mas uma disciplina de arquitetura de máquinas. Para que a transformação seja escalável, resiliente e economicamente viável, as organizações devem abandonar a abordagem de "vibe coding" e adotar a IA Agêntica Baseada em Estratégias, onde a inteligência humana (heurísticas) e a máquina (modelos) são integradas em uma arquitetura federada e auto-orquestrada. O papel do pesquisador e do executivo é construir essa "Máquina" (M2), pois é nela que reside a verdadeira inteligência organizacional.