Sobre o que trata este texto
- Loop engineering e graph engineering são duas formas diferentes de implementar a mesma verificação: uma confere a cada ciclo, a outra em pontos fixos definidos antes.
- Guardrails de IA virou o termo mais usado do mercado para descrever controles de agente autônomo. Aqui você vê onde ele se encaixa e onde ele confunde mais do que ajuda.
- Agent identity define quem um agente é como carga de trabalho: qual credencial ele usa, o que pode acessar e como essa identidade é revogada.
- AgenticOps é a disciplina de manter o harness funcionando depois que o agente entra em produção, não só no dia do deploy.
- Quatro cargos novos, entre eles Trust Engineer e AI Reliability Engineer, já aparecem em descrições de vaga reais para tocar essas funções.
Este artigo complementa o e-book gratuito O Mapa do Explorador, que mapeia setores e tendências de tecnologia para quem decide sem estar no time técnico.
Você lê sobre harness engineering, entende a lógica de Guides e Sensors, leva a ideia para a próxima reunião com TI. Duas semanas depois, um fornecedor manda uma proposta cheia de termos que você nunca ouviu: guardrails, agent identity, AgenticOps, loop engineering. A pergunta que fica no ar é se isso é tecnologia nova que a empresa precisa aprender do zero, ou o mesmo assunto de sempre com nome trocado.
Desde que publiquei o pilar de harness engineering, venho treinando equipes de grandes empresas brasileiras que chegam às sessões exatamente com essa dúvida, uma lista de termos ouvidos de fornecedor ou consultoria, sem saber se precisam de orçamento novo ou só de tradução.
A resposta curta: quase tudo que se ouve sobre agentes de IA em 2026 cabe dentro do harness que já expliquei. O que muda é o nível de detalhe com que o mercado passou a nomear cada peça. Se você ainda não leu o pilar, comece por ele: ele define os dois blocos que sustentam este artigo inteiro, Guides, o que rege o agente antes de agir, e Sensors, o que monitora durante e depois.
Loop engineering e graph engineering são a mesma peça, implementada de dois jeitos
Dois termos técnicos ganharam artigo dedicado de peso em julho de 2026, um mês de diferença entre eles, os dois descrevendo a mesma necessidade: garantir que um agente autônomo não se perca a caminho do objetivo.
Loop: confere a cada ciclo
A IBM define loop engineering como o projeto de fluxos de trabalho, os loops, que guiam um agente de IA iterativamente até completar um objetivo definido pelo usuário, com o mínimo de intervenção humana. O ciclo tem quatro etapas fixas: o agente recebe uma meta com critério de parada mensurável, executa uma ação, observa o resultado dessa ação e ajusta o próximo passo antes de repetir. A verificação acontece em toda volta do ciclo, de forma aberta.
Na prática, esse ciclo aparece com nomes próprios que valem conhecer. Generate-and-verify é quando o agente produz um resultado e um validador separado, determinístico ou outro agente, confere antes de aceitar.
Plan-execute-replan é quando o agente refaz o plano inteiro a cada resultado novo, útil em tarefas abertas onde o caminho não dá para prever de antemão.
Maker-checker separa quem executa de quem revisa em dois agentes distintos, para reduzir o risco de o mesmo modelo validar o próprio erro.
Ferramentas como o Claude Code e o Devin, usadas hoje por times de desenvolvimento, são loop engineering em produção: o agente escreve código, roda o teste, lê o erro e tenta de novo, sozinho, dentro de limites definidos por quem configurou o harness. O mais comum desses limites, aliás, é humano: quando a regra de parada exige aprovação de uma pessoa antes de um passo específico, o mercado chama isso de human-in-the-loop, ou HITL, o mesmo Guide que já vimos no pilar, só que com um nome mais específico para esse ponto de checagem.
Grafo: confere em pontos fixos, definidos antes
A LangChain, através do framework LangGraph, descreveu a lógica por trás do graph engineering representando o sistema agêntico inteiro como um grafo, com o raciocínio do modelo entrando só nos pontos certos, com o contexto apropriado, em cada etapa. O texto é direto sobre a relação entre os dois termos: um loop é apenas um grafo direcionado cíclico, ou seja, uma versão simples de um grafo, não uma tecnologia concorrente.
A vantagem do grafo aparece quando o fluxo do agente tem ramificações: você fixa de antemão os pontos em que quer controle determinístico e deixa o modelo decidir só onde isso agrega valor. O LangGraph não está sozinho nessa disputa, a Microsoft aposta no AutoGen para o mesmo problema, com foco em fazer vários agentes conversarem entre si dentro de uma topologia definida.
O tema já virou objeto de pesquisa acadêmica: um grupo de mais de trinta pesquisadores publicou em agosto de 2026 um paper no arXiv propondo graph engineering como base para orquestrar agentes heterogêneos em sistemas inteiros, não só ciclos individuais.
Uma distinção útil que aparece nesse debate: grafo de execução descreve como o trabalho flui entre os nós, enquanto grafo de conhecimento descreve como os fatos e entidades se conectam entre si. São dois problemas de design diferentes que costumam aparecer juntos no mesmo sistema.
Na minha leitura, os dois termos não abrem uma terceira camada além de Guides e Sensors. São duas formas de implementar o mesmo Sensor que já descrevi no pilar: o loop confere de forma aberta, a cada iteração; o grafo confere em pontos fixos, escolhidos antes de o agente começar a trabalhar.
Um agente de triagem de currículos que reavalia a própria decisão a cada currículo processado está rodando um loop. O mesmo agente com um nó específico, obrigatório, de revisão humana antes de qualquer reprovação de finalista, está rodando um grafo. A escolha entre os dois não é filosófica, é sobre onde o risco de errar é alto o suficiente para exigir um ponto de parada fixo, e onde uma verificação contínua já basta.
Guardrails de IA: o termo que virou sinônimo de tudo, e não devia
De onde vem o termo, e por que virou sinônimo de tudo
Guardrails de IA é hoje o termo mais usado do mercado para descrever controle de agente autônomo. Uma checagem rápida de artigos brasileiros publicados em 2026 sobre o tema mostra o problema: cada fornecedor usa a palavra para descrever uma coisa diferente, de filtro de entrada até o sistema de governança inteiro.
O termo tem origem técnica real. O projeto open source NeMo Guardrails, da NVIDIA, nasceu como um kit de ferramentas para adicionar regras programáveis a sistemas conversacionais baseados em modelo de linguagem, uma implementação concreta e específica. O uso solto do mercado ampliou o termo para qualquer controle, sem distinguir quando ele age.
O termo pegou porque não ficou só na NVIDIA. A Meta lançou o Llama Guard, um modelo dedicado a classificar entrada e saída como seguras ou não. A AWS batizou de Amazon Bedrock Guardrails o filtro nativo da plataforma. A Databricks integrou o controle ao Unity AI Gateway, e até ferramenta de automação sem código como o n8n já tem um node dedicado de guardrails.
Quando fornecedores de portes tão diferentes embutem a mesma peça, o termo deixa de ser feature de nicho e vira item de checklist de compra. É por isso que guardrails de IA virou sinônimo de tudo mais rápido do que qualquer um dos outros termos deste artigo.
Guide ou Sensor: onde cada guardrail se encaixa
É aí que o harness já resolve a confusão.
Guardrail que trava a ação antes dela acontecer é um Guide. Um limite de orçamento que o agente não pode ultrapassar sem aprovação é um exemplo: atua antes de a ação sair do papel.
Guardrail que confere o resultado depois de pronto é um Sensor. Verificar se a resposta gerada está fora do padrão esperado é esse segundo tipo: atua depois.
Quando alguém usa a palavra guardrail para descrever o sistema inteiro, sem dizer se está falando do antes ou do depois, está descrevendo o harness inteiro com outro nome. Vale perguntar diretamente qual dos dois blocos aquele guardrail específico ocupa.
Agent Identity: quem é esse agente e o que ele pode acessar
O componente Guides do harness já cobria permissões, o que delimita a quais sistemas e dados um agente tem acesso. Agent identity é a versão mais rigorosa dessa ideia, tratando o agente como uma carga de trabalho com identidade própria, não como uma extensão anônima de quem o configurou.
O roadmap do Model Context Protocol (MCP), publicado em agosto de 2026 pela comunidade que hoje mantém o protocolo sob a Agentic AI Foundation, lista identidade de agente e segurança pronta para empresa entre as cinco prioridades correntes. O documento descreve o objetivo como padronizar a forma como agentes rodando como cargas de trabalho na nuvem provam quem são.
Dois mecanismos técnicos aparecem citados: finalizar a adoção do DPoP (Demonstrating Proof of Possession, um jeito de provar posse de credencial sem apenas exibi-la) conforme padrões já existentes, e consolidar a Federação de Identidade de Carga de Trabalho, que em termos simples é deixar um agente usar a mesma identidade verificada ao acionar outro sistema, sem precisar de uma credencial nova a cada etapa.
O mercado de segurança já tinha um nome mais amplo para esse problema antes de agent identity pegar: NHI, non-human identity, a categoria guarda-chuva que cobre toda credencial de máquina, de um script automatizado a um agente que decide sozinho. Agent identity é o recorte mais específico dentro do NHI, reservado para carga de trabalho que toma decisão, não só executa tarefa fixa. Do lado técnico, o padrão mais citado por fornecedor de segurança é o SPIFFE (Secure Production Identity Framework for Everyone), projeto da Cloud Native Computing Foundation que emite um certificado de identidade verificável para cada carga de trabalho, funcionando como uma espécie de RG digital que o agente apresenta a cada sistema que tenta acessar.
Microsoft, Okta e SailPoint já lançaram produtos batizados como identidade de agente, respectivamente Entra Agent ID, Auth0 para GenAI e Agent Identity Security. Isso confirma que a categoria deixou de ser conceito de paper e virou item de compra que sua empresa provavelmente já está avaliando com algum desses fornecedores.
Traduzindo para quem decide fora do time técnico: sem identidade de agente clara, a empresa não sabe dizer com certeza qual sistema um agente específico tocou, nem consegue revogar o acesso de um agente isoladamente sem desligar outros que compartilham a mesma credencial genérica. É o mesmo problema que o pilar de harness já descrevia na seção de registro auditável, agora com um nome técnico e um padrão de mercado em construção para resolvê-lo. Quem quer entender a camada de entrega de contexto por trás disso encontra mais profundidade no artigo sobre engenharia de contexto para agentes de IA.
Agent Observability e AgenticOps: o harness não para no dia do deploy
Todo o framework de Guides e Sensors até aqui descreve como projetar o harness antes de o agente entrar em produção. Falta a pergunta que aparece depois: como saber se ele continua funcionando direito, mês após mês, sem alguém olhando toda hora.
A Cisco define AgenticOps como um modelo operacional voltado a agentes desde o início, feito para ação autônoma com supervisão humana, diferente do AIOps tradicional, que apenas gera alerta e deixa a resolução para uma pessoa.
| AIOps tradicional | AgenticOps | |
|---|---|---|
| O que faz | Detecta anomalia e alerta | Raciocina, planeja e age |
| Velocidade | Limitada pela capacidade humana de responder | Contínua, em velocidade de máquina |
| Fluxo | Playbook estático | Adaptável, ponta a ponta |
A própria Cisco resume a diferença numa frase: AIOps ajuda a ver o problema, AgenticOps ajuda a resolver. Dentro do harness, isso é a operação contínua do componente Sensors depois do deploy, e não um bloco novo. Um agente de recrutamento com Sensors bem desenhados no primeiro dia ainda precisa de alguém, ou de outro agente, monitorando desvio de comportamento seis meses depois (exemplo hipotético, para ilustrar o tipo de desvio que aparece com o tempo, não um caso real documentado), quando o volume de currículos processados muda o padrão que o Sensor original foi calibrado para reconhecer.
Agent observability é a engenharia por trás desse monitoramento: instrumentar cada decisão do agente do mesmo jeito que um time de infraestrutura instrumenta uma API, registrando não só o que o agente respondeu, mas por que decidiu responder daquilo. O padrão que está se consolidando para isso é o OpenTelemetry (OTel), projeto open source que já rastreava sistema tradicional e ganhou extensão específica para capturar o raciocínio de um agente, passo a passo. Ferramentas como AgentOps e Splunk Agent Observability nasceram justamente para isso.
O ganho que a Cisco cita para justificar o investimento é concreto: MTTR, tempo médio de resolução, caindo de horas para minutos, quando a própria telemetria já aponta a causa raiz do problema, em vez de depender de alguém abrir um painel e investigar do zero.
Os cargos que estão nascendo para tocar isso
A ODSC, organização de referência em conferências e pesquisa de dados, publicou em dezembro de 2025 um mapeamento de cargos emergentes de IA para 2026. Quatro deles se encaixam direto nos dois blocos do harness:
- Trust Engineer: cuida da confiabilidade, da ausência de viés e da conformidade ética do agente, o trabalho que sustenta a parte de Guides voltada a regra e critério permitido.
- AI Reliability Engineer, também chamado de AI SRE: monitora o desempenho do agente em produção, detecta anomalia e responde a incidente como desvio de comportamento, o trabalho de Sensors em operação contínua.
- AI Safety ou Evaluation Engineer: projeta os testes e métricas que validam se o agente está dentro do padrão de segurança e qualidade antes de qualquer deploy, o trabalho de Sensors aplicado antes de o agente ir ao ar.
- Director of AI Governance & Risk: já citado no pilar de harness, é quem decide onde fica a fronteira da autonomia delimitada e responde por essa decisão perante o restante da empresa.
No Brasil, esse movimento já chegou ao setor público. A Portaria SGD/MGI nº 5.921, publicada em 22 de julho de 2026 e em vigor desde 1º de setembro, ampliou de 14 para 20 os perfis técnicos reconhecidos nos contratos de TI do governo federal e criou o cargo de especialista em infraestrutura de inteligência artificial, dedicado à arquitetura, implantação, operação e monitoramento dos clusters com GPU que sustentam os modelos, não ao desenvolvimento dos modelos em si.
Não é um cargo de mercado privado como os quatro acima, mas confirma o mesmo diagnóstico: cuidar de agente de IA em produção virou função reconhecida o suficiente para entrar em norma de contratação pública. Os valores de referência salarial variam por perfil e por reajuste, vale conferir o texto oficial da portaria antes de usar como parâmetro de mercado.
Nenhum desses quatro cargos substitui o RH, o Jurídico ou o Marketing na decisão de negócio sobre o que um agente pode fazer. Eles existem para construir e manter os mecanismos técnicos que tornam essa decisão executável, o mesmo território que o artigo sobre governança de IA, risco, auditoria e compliance trata do ponto de vista de quem assina embaixo da decisão.
O que fazer com esse vocabulário essa semana
Da próxima vez que um fornecedor ou uma consultoria trouxer um termo novo de agente de IA, uma pergunta resolve a maior parte da confusão: isso age antes do agente executar, ou depois? Regra de permissão, identidade de agente e critério de decisão entram em Guides. Avaliação automática, alerta de desvio e log de auditoria entram em Sensors.
Quando a resposta for “os dois ao mesmo tempo”, como costuma acontecer com o uso solto de guardrails de IA, peça o detalhe: qual parte específica desse guardrail age antes, e qual parte age depois? Fornecedor que não consegue responder está vendendo um rótulo, não um mecanismo. Fornecedor que responde com precisão está descrevendo, com nome de mercado, exatamente os mesmos dois blocos que sustentam o harness da sua empresa desde o primeiro dia.
Para uma leitura complementar sobre como esse tipo de decisão chega ao nível de conselho e diretoria, o artigo sobre responsabilidade do conselheiro diante da IA trata da parte que já está decidida e quase ninguém aplica. E para quem ainda está mapeando o básico de como um agente de IA funciona antes de chegar a esse vocabulário todo, vale começar por agentes de IA para empresas: como funcionam de verdade.
Perguntas frequentes sobre o novo vocabulário de agentes de IA
O que são guardrails na inteligência artificial?
Guardrails são os controles que impedem um agente de IA de fazer algo fora do permitido, seja antes da ação (uma regra que bloqueia uma tentativa) ou depois dela (uma verificação que sinaliza uma saída fora do padrão). No harness engineering, guardrail é o termo guarda-chuva do mercado para o que já existia dividido em dois blocos: Guides, que atuam antes da ação, e Sensors, que atuam durante e depois.
Qual a diferença entre loop engineering e graph engineering?
Loop engineering projeta um ciclo aberto que o agente repete até atingir um objetivo, verificando o resultado a cada volta. Graph engineering estrutura o mesmo tipo de verificação em pontos fixos, definidos antes de o agente começar a trabalhar. A própria LangChain descreve o loop como apenas um grafo direcionado cíclico, ou seja, uma versão mais simples do grafo, não uma tecnologia concorrente.
O que é agent identity e por que isso importa para uma empresa?
Agent identity é a definição de quem um agente de IA é como carga de trabalho: qual credencial ele usa para se autenticar, quais sistemas pode acessar e como essa identidade é verificada e revogada quando necessário. É a extensão do componente Guides do harness: sem identidade de agente clara, a empresa não consegue saber com certeza qual sistema um agente tocou nem revogar o acesso dele isoladamente.
O que é AgenticOps?
AgenticOps é a disciplina de operar agentes de IA depois que eles entram em produção, com agentes que raciocinam, planejam e agem em tempo real, em vez de só gerar alerta para um humano resolver. A Cisco resume a diferença em relação ao AIOps tradicional assim: AIOps ajuda a ver o problema, AgenticOps ajuda a resolver. No harness, AgenticOps é a operação contínua do componente Sensors depois do deploy.
Guardrails de IA é a mesma coisa que harness engineering?
Não exatamente. Harness engineering é o conjunto completo de controles que envolve um agente de IA, incluindo Guides e Sensors. Guardrail costuma descrever uma regra ou verificação específica dentro desse conjunto, como o limite de orçamento que um agente de campanha não pode ultrapassar. Quando alguém usa guardrail para descrever o sistema inteiro, na prática está descrevendo o harness com outro nome.
Quais são os novos cargos que estão surgindo para cuidar de agentes de IA?
A ODSC documentou, entre os cargos emergentes de IA para 2026, o Trust Engineer (confiabilidade e viés do agente), o AI Reliability Engineer ou AI SRE (monitoramento do agente em produção), o AI Safety ou Evaluation Engineer (testes de segurança antes do deploy) e o Director of AI Governance & Risk (decisão sobre os limites de autonomia). Cada um deles toca uma parte específica dos Guides ou dos Sensors do harness.
Como saber em qual parte do harness um termo novo de IA se encaixa?
A pergunta prática é: isso age antes do agente executar, ou depois? Regra que define o que o agente pode fazer, permissão de acesso e identidade de agente entram em Guides. Avaliação automática, alerta de desvio e log de auditoria entram em Sensors. Termo que não responde a essa pergunta com clareza, como acontece com boa parte do uso solto de guardrails, provavelmente está descrevendo os dois blocos ao mesmo tempo.
O que é NHI e qual a diferença para agent identity?
NHI, non-human identity, é a categoria guarda-chuva do mercado de segurança para toda credencial de máquina, de um script automatizado a um agente que decide sozinho. Agent identity é o recorte mais específico dentro do NHI, reservado para agentes que tomam decisão em tempo real, não só executam uma tarefa fixa e previsível.
O que é agent observability?
Agent observability é a prática de instrumentar cada decisão de um agente de IA, não só a resposta final, registrando o raciocínio, as ferramentas acionadas e o custo em tokens de cada passo. O padrão que está se consolidando para isso é o OpenTelemetry, com extensões específicas para capturar o comportamento de agente. No harness, é a base técnica que sustenta o componente Sensors em produção.
Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Participou da criação de 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.
