Agentes de IA para empresas: como funcionam de verdade e até onde deixar seu time delegar

O que você vai aprender aqui

• Como os agentes de IA para empresas realmente decidem: percepção, planejamento, ação e memória, com base no paper que fundou a técnica (ReAct, Yao et al., 2022) e na documentação oficial da Anthropic e do Google.
• Por que velocidade virou o problema de gestão, não de tecnologia: até 2028, um terço das interações com serviços de IA generativa vai usar agentes de IA autônomos para completar tarefas, segundo o Gartner.
• O conceito de descompasso de aprovação: o intervalo entre a execução do agente e a aprovação humana, e por que é ali que a vantagem competitiva se perde.
• Por que a pergunta certa é o que o humano experiente faria, não o que a IA faria, e onde a IA entra depois disso: trazendo crítica, ângulos e pesquisa, não substituindo o julgamento.
• Como calibrar a política de decisão da sua área conforme o tipo de liderança: time sênior ou júnior, área que você coordena direto ou indireto.

---

Um analista pede para o agente levantar o histórico de pagamento de um fornecedor, cruzar com o contrato vigente e sinalizar qualquer cláusula fora do padrão. Em três minutos, o agente já buscou o contrato no sistema, leu as cláusulas, comparou com o template aprovado, encontrou uma divergência na cláusula de reajuste e escreveu um resumo com o trecho destacado. O trabalho está pronto. O que falta é alguém decidir se aquilo pode seguir para o fornecedor ou precisa de mais um olhar.

Essa espera, não a tecnologia em si, é o problema que agentes de IA para empresas colocam na mesa de qualquer gestor hoje. Palestrando para lideranças corporativas, vejo o mesmo padrão se repetir: a empresa já tem agentes rodando, mas ninguém no comando sabe explicar como o agente chegou àquela resposta nem onde termina a autonomia dele. As duas perguntas estão ligadas. Só dá para decidir até onde delegar depois de entender como o agente decide.

Este texto tem duas partes, nessa ordem. A primeira explica o mecanismo real por trás de um agente de IA: o que ele vê, como ele planeja, como ele age e o que ele guarda na memória, com base nas mesmas fontes técnicas que orientam quem constrói esses sistemas. A segunda parte desse entendimento para a pergunta prática: qual é a política de decisão da sua área e como ela muda conforme o tipo de liderança que você exerce.

Este artigo complementa o Capítulo 10 do e-book gratuito Engenharia de Prompts na Prática: lá está o mecanismo aplicado à prática individual, a escada de autonomia dos agentes e como integrar um agente ao seu próprio fluxo de trabalho. Aqui a pergunta é outra: como decidir, como líder, até onde o seu time pode delegar.

Parte 1: o mecanismo por trás dos agentes de IA para empresas

Ferramenta e participante são categorias diferentes. Uma calculadora é ferramenta: você aperta o botão, ela devolve o número, o próximo passo é seu. Um agente de IA, na definição usada pela Anthropic, é um sistema onde o modelo “dirige dinamicamente seu próprio processo e o uso de ferramentas, mantendo o controle sobre como realiza a tarefa”. A diferença não é de grau, é de estrutura: o agente decide sozinho a sequência de passos, não segue um roteiro que alguém programou linha por linha.

O whitepaper de Agentes do Google, publicado em 2024 por Julia Wiesinger, Patrick Marlow e Vladimir Vuskovic, descreve um agente como “uma aplicação que tenta atingir um objetivo observando o mundo e agindo sobre ele, usando as ferramentas à sua disposição”. Essa frase parece simples, mas carrega os quatro blocos que sustentam qualquer agente em produção hoje: percepção, planejamento, ação e memória. Cada um resolve um problema distinto, e entender os quatro separadamente é o que permite a um gestor não técnico avaliar onde um agente pode falhar antes que ele falhe de verdade.

Percepção: o que o agente vê antes de decidir qualquer coisa

Percepção é tudo que entra no campo de visão do modelo no momento de decidir o próximo passo: a instrução original, o histórico da conversa, o resultado da última ferramenta usada, qualquer documento que tenha sido anexado. A Anthropic chama esse conjunto de contexto, e trata como “um recurso crítico, mas finito”: quanto mais informação se acumula na janela do modelo, mais a capacidade de recuperar com precisão o que importa cai, fenômeno que a própria Anthropic nomeia como degradação por excesso de contexto.

Um agente com acesso a informação demais, sem curadoria, não fica mais inteligente, fica mais lento e mais impreciso. Já escrevi sobre como montar esse contexto de forma estruturada em um artigo dedicado à curadoria desse contexto: aquele artigo cobre a curadoria operacional, os arquivos que apresentam a empresa ao agente. Aqui o ponto é outro: por que a percepção precisa ser curada, não o passo a passo de como fazer isso.

Planejamento: o loop que ensinou o modelo a pensar antes de agir

O salto que tornou agentes viáveis aconteceu em outubro de 2022, quando pesquisadores de Princeton e do Google Research publicaram o paper ReAct: Synergizing Reasoning and Acting in Language Models, apresentado no ICLR de 2023. Antes do ReAct, um modelo de linguagem raciocinava em texto (explicando um problema passo a passo) ou agia (chamando uma ferramenta), mas não intercalava as duas coisas de forma estruturada. O ReAct ensinou o modelo a alternar: gerar um pensamento sobre o que fazer, executar uma ação real, ler o resultado dessa ação como uma observação e só então gerar o próximo pensamento, num ciclo que se repete até a tarefa terminar.

Esse ciclo (pensar, agir, observar, pensar de novo) é o motivo de um agente conseguir corrigir o próprio rumo no meio de uma tarefa longa. Quando a primeira tentativa de busca não traz o dado certo, o agente lê essa falha como uma observação e ajusta a próxima ação, em vez de travar ou inventar uma resposta plausível para preencher a lacuna. O whitepaper do Google descreve essa camada como a “camada de orquestração”: o processo cíclico que governa como o agente recebe informação, raciocina internamente e determina a próxima ação até atingir o objetivo.

Para quem gerencia, o ponto prático não é o mecanismo do loop, é a consequência dele: um agente com bom planejamento erra menos por teimosia (repetir a mesma ação errada) e mais por objetivo mal definido. Quando um agente sai dos trilhos, a primeira pergunta produtiva não é “o modelo é bom o suficiente”, é “o objetivo que demos a ele era claro o suficiente para orientar o loop”.

Ação: o que muda quando o modelo pode fazer, não só responder

Ação é a etapa em que o agente sai do texto e toca o mundo real: busca um dado num sistema, envia um e-mail, atualiza uma planilha, executa uma consulta. O whitepaper do Google chama essas capacidades de Ferramentas (Extensions, Functions e Data Stores, na nomenclatura técnica), e descreve a função delas de forma direta: “ferramentas preenchem essa lacuna, dando ao agente o poder de interagir com dados e serviços externos, e desbloqueando um leque de ações muito maior do que o modelo isolado conseguiria”.

Aqui mora a distinção que separa um agente de um workflow automatizado tradicional. Num workflow, cada ação já estava prevista no código antes de a tarefa começar. Num agente, o modelo decide, dentro do próprio loop, qual ferramenta chamar e com quais parâmetros, reagindo ao contexto de cada tarefa específica em vez de seguir um roteiro fixo. Quem decide onde um agente pode agir não é o desenvolvedor sozinho: é a área de negócio que define quais sistemas o agente pode tocar, e essa é uma decisão que pertence à segunda parte deste texto, não à primeira.

Memória: por que o agente não esquece, e por que isso também é risco

Memória, no vocabulário técnico do Google, é o “histórico de sessão gerenciado (o histórico da conversa), que permite inferência e decisão em múltiplas interações com base no que já aconteceu antes”. Sem memória, cada chamada ao modelo começaria do zero, sem lembrar da pergunta anterior nem do que já foi tentado. Com memória, o agente carrega o fio da tarefa por várias etapas, o que é exatamente o que torna possível delegar algo mais complexo do que uma única pergunta.

O contraponto que poucos gestores enxergam: memória mal gerida também é onde erros graves acontecem. Quando o histórico cresce demais, a técnica que resolve isso é comprimir esse histórico num resumo e seguir a partir dele, prática que a Anthropic chama de compactação. O risco é que informações de segurança colocadas no início da tarefa (por exemplo, “peça confirmação antes de qualquer ação irreversível”) podem virar um resumo mais vago durante essa compressão, perdendo a força original. É o mesmo risco que documentei em detalhe no artigo sobre engenharia de contexto, e é o primeiro sinal de que mecanismo e governança são camadas conectadas, mas não são a mesma coisa.

O loop fechado, e por que isso muda a velocidade da sua empresa

Percepção, planejamento, ação e memória não são quatro etapas separadas que acontecem uma vez. Elas formam um ciclo fechado que se repete, sozinho, até a tarefa terminar ou até o agente encontrar um ponto que exige um humano. É essa repetição autônoma, e não a inteligência do modelo isoladamente, que faz o agente terminar em minutos uma tarefa que levaria um analista uma tarde inteira.

A escala desse movimento já tem projeção de mercado. Segundo o Gartner, um terço das interações com serviços de IA generativa vai usar modelos de ação e agentes autônomos para completar tarefas até 2028, uma fatia que hoje é próxima de zero. A projeção fala de uma parcela cada vez maior do trabalho corporativo passando a ser executada, não apenas respondida, um movimento bem diferente de chatbots simplesmente ficarem mais populares.

E é exatamente aqui que o mecanismo vira um problema de gestão. Um agente que fecha o loop sozinho em minutos não espera a estrutura de aprovação da sua empresa terminar de se mexer. Se o seu processo de validação foi desenhado para a velocidade de um analista humano, ele virou o gargalo, não o agente. Entender o mecanismo é o que permite enxergar isso com precisão: agora que você sabe como o agente decide e age, a pergunta passa a ser sobre a velocidade da sua própria liderança.

Parte 2: a política de decisão. Até onde deixar seu time delegar

O descompasso de aprovação: o intervalo onde sua empresa perde vantagem

A primeira vez que ouvi falar desse descompasso não foi em nenhum evento de liderança. Foi em conversa com profissionais de tecnologia, relatando gastar bem mais tempo revisando código do que escrevendo, porque o agente passou a gerar código muito mais rápido do que qualquer humano consegue revisar aquele resultado. O gargalo simplesmente mudou de lugar: da escrita para a revisão. O descompasso é o intervalo entre a velocidade com que um agente de IA executa uma tarefa e a velocidade com que a liderança, ou o próprio time, aprova o que foi executado.

O mesmo padrão aparece fora da programação, com a mesma lógica. No exemplo do analista que abriu este artigo, o agente fechou o loop em três minutos. Se o comitê de aprovação leva duas semanas para validar aquela mesma divergência contratual, a vantagem de velocidade não desapareceu, ela foi transferida para dentro desse intervalo de espera, onde ninguém está de fato trabalhando nela. Essa conversa já circulava no mercado de tecnologia antes de virar pauta de palco em grandes eventos do setor, o que reforça que o fenômeno não nasceu de um anúncio de produto, nasceu da prática de quem já opera agentes todo dia.

O descompasso de aprovação se resolve redesenhando onde a aprovação entra, não removendo o humano dela. Um ponto de partida de menor fricção é usar as ferramentas de gestão e decisão que sua empresa já tem: dashboard de gestão, política de aprovação, board de tarefas.

O que muda é o tipo de recurso que passa a aparecer ali dentro. Antes, só havia gente alocada no board; agora, o agente também é um recurso, com sua própria linha, sua própria métrica, seu próprio prazo de entrega e revisão. Plugar o agente nas mesmas ferramentas de decisão que a empresa já usa, com indicadores novos em cima delas, mostra onde a ineficiência real está, em vez de a empresa construir uma solução para um problema que ainda nem apareceu. Medir, hoje, quanto tempo sua área leva para validar o que um agente já entregou é o primeiro número que qualquer política de decisão precisa conhecer antes de ser escrita.

O que o mundo dos negócios ainda vai aprender com o mundo da programação

A maioria dos casos de descompasso que conheço de perto vem do desenvolvimento de software, onde o uso de agentes já está mais maduro. No mundo dos negócios, a maioria das empresas ainda está tentando fazer o agente funcionar e repete ali os mesmos erros que a área de tecnologia já cometeu antes. A lição mais direta desse histórico é que agentes de IA precisam de governança: limite de escopo, identidade própria e trilha de auditoria, não só boa vontade de quem opera. Sem isso, cada ganho de velocidade na execução vira um risco proporcional na hora de decidir o que aprovar.

O erro mais comum nessa transição é de raciocínio, não de técnica. O agente executar mais rápido não é motivo para a empresa deixar ele executar tudo que consegue entregar. Fazer isso só move a fila: o gargalo que antes estava na execução se desloca inteiro para a validação, e a fila de aprovação vira o novo backlog represado, do jeito que qualquer time de engenharia já viveu com revisão de código acumulada esperando um revisor.

Priorização continua sendo a peça central, exatamente como era antes de existir agente nenhum. O que muda é quem prioriza o quê. Critérios objetivos, aqueles com regra clara e checável, podem ser pré-validados pela própria máquina, que entrega o resultado já mastigado para o humano revisar, não para decidir do zero. Critérios subjetivos, os que envolvem ética ou impacto sobre toda a cadeia (fornecedores, funcionários, clientes), continuam exclusivamente humanos, porque nenhuma automação hoje substitui esse tipo de julgamento. Essa divisão reduz o volume da fila de validação. Não elimina a necessidade de priorizar o que sobra nela.

Pergunte o que o humano experiente faria, não o que a IA faria

Antes de pedir uma tarefa ou decisão ao agente, a pergunta que importa não é o que a IA faria, é o que um humano experiente naquela função faria. Se você sabe a resposta, ela vira o parâmetro que orienta o prompt e a checagem do resultado. Se você não sabe, o passo seguinte não é perguntar para a IA no lugar desse humano, é procurar esse humano antes de qualquer coisa.

A IA entra depois, numa função diferente: trazer crítica, pontos positivos e negativos, outras abordagens e ângulos sobre a ideia, seja ela sua ou do humano experiente que você consultou. Usada assim, a IA amplia um julgamento que já existe. Não o substitui.

Quando não há acesso a esse humano experiente para uma tarefa específica, a saída mais confiável é pedir para o agente pesquisar o que especialistas de fato dizem sobre o assunto, não simplesmente extrair da própria base de treinamento uma resposta pronta. A diferença é a mesma que separa uma opinião fundamentada de um palpite bem articulado: pesquisa traz fonte que dá para checar, base de treinamento traz uma síntese sem link nenhum por trás. É o mesmo antídoto contra a rendição cognitiva, quando a IA substitui o raciocínio por completo em vez de ampliá-lo, com escrutínio mínimo do que ela devolve.

Quem opera o agente de perto calibra melhor

Um diretor de área que opera agentes de perto, no próprio fluxo de trabalho, calibra a política de aprovação com precisão porque sabe, por experiência direta, onde o agente costuma acertar e onde ele costuma exigir checagem. Um diretor que só ouve relatos de terceiros sobre o que o agente fez tende a errar a política para os dois lados: aprovação de menos onde precisava de mais, ou burocracia de mais onde o agente já provou que acerta sozinho. O mesmo vale para o CEO: proximidade real com a ferramenta, não delegação total a um comitê, é o que ajusta a política de aprovação ao ritmo que o agente realmente tem.

A política de decisão não é igual para todo mundo

O descompasso de aprovação e a proximidade de quem opera o agente respondem à mesma pergunta de ângulos diferentes: quanto mais perto a liderança está do agente, melhor ela calibra até onde ele pode ir sozinho. Mas essa calibração não é uma regra única para toda a empresa. Dois fatores mudam a política de decisão de forma concreta.

Times seniores versus times juniores. Um time sênior, que já sabe reconhecer um resultado ruim de longe, tolera mais autonomia do agente porque o erro é pego cedo, antes de sair da mesa. Um time júnior, ainda aprendendo o padrão de qualidade esperado, precisa de mais pontos de checagem no meio do caminho, não porque o agente seja pior, mas porque ninguém no time ainda sabe dizer com segurança quando o resultado está errado. Dar autonomia total a um agente que reporta a um time júnior é apostar que ninguém vai notar o erro a tempo.

Áreas que você coordena direto versus indireto. Numa área onde você acompanha o trabalho de perto, todo dia, a aprovação pode ser mais leve, porque você tem contexto suficiente para validar rápido e intervir se algo sair do padrão. Numa área que você coordena de forma indireta, através de um relatório semanal ou de um gestor intermediário, o mesmo nível de autonomia vira risco, porque falta a você o contexto de perto que permitiria pegar um erro antes que ele se propague.

A combinação dessas duas variáveis, não uma regra genérica de “IA precisa de supervisão humana”, é o que deveria orientar a política de decisão para IA de qualquer área. Um time sênior numa área que você coordena direto pode operar com autonomia ampla. Um time júnior numa área que você coordena indireto precisa do oposto: pontos de parada frequentes e aprovação explícita antes de qualquer ação que não seja trivial.

Governança é a próxima camada

Tudo até aqui trata de velocidade e critério humano: quando aprovar, quem decide, com que proximidade. A lição do mundo da programação, citada mais cedo nesta Parte 2, aponta para a camada seguinte: a governança de agentes autônomos, mais técnica, sobre limites, permissões e rastro auditável de cada ação do agente. Ela já tem nome: harness engineering. Escrevi sobre essa camada em detalhe, incluindo os conceitos de bounded autonomy (autonomia delimitada), Guides e Sensors, no artigo Harness Engineering em 2026: vale a leitura complementar para quem, depois de calibrar a política de decisão descrita aqui, precisa também dos controles técnicos que impedem o agente de sair do perímetro combinado.

Uma peça dessa camada de governança já aparece como categoria de mercado em formação: Know Your Agent (KYA), mapeada no Capítulo 10 do e-book gratuito Engenharia de Prompts na Prática. A lógica é a mesma do KYC bancário, aplicada ao agente: ele precisa de identidade, permissão e trilha de auditoria próprias, como um funcionário digital, porque a credencial estática compartilhada não diferencia agentes de pessoas e vira porta de entrada quando vaza. É tecnologia, não política de decisão, mas as duas coisas se complementam: a política definida aqui diz quando o agente pode agir sozinho; o KYA e o harness dizem o que ele fisicamente consegue tocar mesmo que a política falhe.

Onde começar amanhã

Antes de qualquer ferramenta nova, três perguntas para aplicar à sua área esta semana.

Meça o seu descompasso de aprovação. Escolha uma tarefa que um agente já executa hoje na sua área e cronometre quanto tempo leva, depois disso, até alguém validar o resultado. Se o intervalo de espera for maior do que o tempo de execução, você já tem o primeiro número da sua política de decisão.

Classifique cada time pelas duas variáveis. Para cada equipe que usa ou vai usar agentes, marque se é sênior ou júnior e se você coordena direto ou indireto. As quatro combinações pedem quatro políticas de aprovação diferentes, não uma regra só.

Pilote um agente de perto antes de aprovar a política para os outros. Antes de definir quanto de autonomia um agente deveria ter numa área que você não opera de perto, opere um você mesmo, mesmo que numa tarefa pequena. Não é sobre saber programar, é sobre saber, na prática, onde o agente costuma acertar sozinho.

Para descobrir qual curso da minha curadoria na ESPM faz mais sentido para aprofundar orquestração de agentes de IA na sua área, converse com o Consultor de Carreira, um agente de IA que indica o caminho conforme o seu perfil e o seu momento.

---

Perguntas frequentes sobre agentes de IA para empresas

O que é um agente de IA, na prática?

É um sistema que recebe um objetivo, decide sozinho os passos para chegar lá, usa ferramentas reais (busca, planilha, e-mail, sistema interno) para executar cada passo, observa o resultado de cada ação e ajusta o plano até terminar ou até precisar de aprovação humana. A diferença para um chatbot é que o agente age no mundo, não só responde no chat.

Qual a diferença entre um agente de IA e um chatbot comum?

O chatbot responde dentro de uma janela de conversa: você pergunta, ele responde, o próximo passo é seu. O agente opera em loop: ele mesmo decide a próxima ação, chama uma ferramenta, observa o resultado e decide a ação seguinte, repetindo esse ciclo várias vezes sem que um humano precise digitar de novo a cada passo. A Anthropic descreve essa diferença como sistemas onde o modelo dirige dinamicamente seu próprio processo, em vez de seguir um caminho de código predefinido.

O que é o loop ReAct e por que ele importa para quem não é desenvolvedor?

ReAct é a técnica, publicada por pesquisadores de Princeton e do Google Research em 2022, que ensinou os modelos a intercalar raciocínio e ação: o modelo pensa em texto sobre o que fazer, executa uma ação real, lê o resultado e só então decide o próximo pensamento. Para quem gerencia e não programa, o ponto prático é que essa técnica é a razão de o agente conseguir corrigir o próprio rumo no meio da tarefa, em vez de travar ou inventar uma resposta quando o primeiro passo não funciona.

O que é o descompasso de aprovação e por que ele custa dinheiro para a empresa?

É o intervalo entre a velocidade com que um agente de IA executa uma tarefa e a velocidade com que a liderança aprova o que foi executado. Um agente resolve algo em minutos, mas se o comitê de aprovação leva semanas para validar, a vantagem de velocidade desaparece dentro desse intervalo. A primeira vez que vi esse padrão foi em conversa com profissionais de tecnologia, relatando gastar bem mais tempo revisando código do que escrevendo, porque o agente acelerou a escrita e empurrou o gargalo inteiro para a revisão. O mesmo descompasso, e não a tecnologia em si, é onde a vantagem competitiva está sendo perdida hoje em qualquer área que trabalhe com agentes.

Se o agente de IA executa mais rápido, isso significa que a empresa deveria deixar ele executar tudo que puder?

Não. Isso só desloca o gargalo da execução para a validação, criando uma fila de aprovação represada do mesmo jeito que backlogs de revisão de código já mostram há anos no desenvolvimento de software. A saída não é frear o agente, é redesenhar quem prioriza e quem valida: critérios objetivos podem ser pré-checados pela própria máquina antes de chegar ao humano, e critérios subjetivos, que envolvem ética ou impacto sobre toda a cadeia de fornecedores, funcionários e clientes, continuam exclusivos do julgamento humano. Priorização continua sendo o centro da decisão, antes e depois dos agentes.

Devo perguntar o que a IA faria antes de pedir uma tarefa ao agente?

Não é essa a pergunta mais útil. A pergunta que importa é o que um humano experiente naquela função faria. Se você sabe a resposta, ela vira o parâmetro do prompt e da checagem do resultado. Se não sabe, o passo seguinte é procurar esse humano, não perguntar para a IA no lugar dele. A IA entra depois, trazendo crítica, pontos positivos e negativos e outros ângulos sobre a ideia, sua ou do especialista consultado. Na falta de acesso a um humano experiente, pedir para o agente pesquisar o que especialistas dizem sobre o assunto é mais confiável do que extrair uma resposta pronta da própria base de treinamento dele.

Por que a proximidade da liderança com o agente de IA muda o resultado?

Quem opera o agente de perto, no próprio fluxo de trabalho, calibra a política de aprovação com precisão, porque sabe por experiência direta onde o agente costuma acertar e onde costuma exigir checagem. Quem só ouve relatos de terceiros sobre o que o agente fez tende a errar a política para os dois lados: aprovação de menos onde precisava de mais, ou burocracia de mais onde o agente já provou que acerta sozinho. Isso vale para um diretor de área e vale para o CEO.

Como decidir até onde meu time pode delegar para um agente de IA?

Comece pelo tipo de liderança, não pela ferramenta. Times seniores, que já sabem reconhecer um resultado ruim, toleram mais autonomia do agente porque o erro é pego cedo. Times juniores precisam de mais pontos de checagem, porque ainda estão aprendendo o padrão de qualidade esperado. Áreas que você coordena direto pedem menos camadas de aprovação do que áreas que você coordena indireto, onde falta contexto de perto para validar rápido. A política certa é a combinação dessas duas variáveis, não uma regra única para toda a empresa.

---

Para aprofundar

• ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2022, ICLR 2023). O paper original que fundou a técnica descrita na Parte 1.
• Building Effective Agents (Anthropic). A distinção entre workflows e agentes, na fonte.
• Effective Context Engineering for AI Agents (Anthropic). Aprofunda como a memória e o contexto são geridos dentro do loop.
• Agents (Google, Wiesinger, Marlow e Vuskovic, 2024). O whitepaper com a arquitetura de Modelo, Ferramentas e Camada de Orquestração citada neste artigo.
• Gartner Predicts One-Third of Interactions With GenAI Services Will Use Action Models and Autonomous Agents for Task Completion by 2028. A fonte da projeção usada na Parte 1.
• Governança de IA: risco, auditoria e compliance: depois de calibrar a política de decisão aqui, o próximo passo é mapear o risco regulatório.
• Da economia da atenção à economia da execução. A tese macro sobre o que muda quando sistemas passam a agir por nós, complementar ao mecanismo descrito aqui.
• História Recente da IA Generativa: do ChatGPT a 2026: o contexto histórico de como se chegou até os agentes de hoje.
• Ferramentas de IA Especializadas: o Ecossistema Além do ChatGPT, Gemini e Claude. Panorama de onde os agentes se encaixam no restante do ecossistema.

---

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas, especializado em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.