Eu construí mais de 12 sistemas de agentes de IA de produção em todo o desenvolvimento, DevOps e operações de dados.Eis por que o hype atual em torno de agentes autônomos é matematicamente impossível e o que realmente funciona na produção. Todos dizem que 2025 é o ano dos agentes de IA. Os títulos estão em toda parte: "A IA autônoma transformará o trabalho", "Agentes são a próxima fronteira", "O futuro é agente."Enquanto isso, eu passei o último ano construindo muitos sistemas de agentes diferentes que realmente funcionam na produção. Ao longo do ano passado, construí mais de uma dúzia de sistemas de agentes de produção ao longo de todo o ciclo de vida do desenvolvimento de software: Geradores de UI que criam componentes funcionais React a partir de linguagem natural, agentes de refactoring de código que modernizam bases de código legadas, geradores de documentação que mantêm automaticamente os documentos da API e geradores de funções que convertem especificações em implementações de trabalho. Development agents Agentes de operação de banco de dados que lidam com consultas e migrações complexas, sistemas de automação de IA da DevOps que gerenciam infraestrutura como código em vários provedores de nuvem. Data & Infrastructure agents Pipelines de CI/CD alimentados por IA que corrigem problemas de fita, geram suítes de teste abrangentes, realizam revisões automatizadas de código e criam solicitações de puxar detalhadas com descrições apropriadas. Quality & Process agents Estes sistemas funcionam. Eles fornecem valor real. Eles economizam horas de trabalho manual todos os dias. E é exatamente por isso que eu acho que muito do que você está ouvindo sobre 2025 sendo "o ano dos agentes" perde realidades-chave. TL;DR: Three Hard Truths About AI Agents TL;DR: Três verdades difíceis sobre os agentes de IA Depois de construir mais de 12 sistemas de produção, aqui está o que aprendi: As taxas de erro se multiplicam exponencialmente em fluxos de trabalho em várias etapas. 95% de confiabilidade por passo = 36% de sucesso em 20 etapas. 
 
 
 Janelas de contexto criam custos quadrados de token. conversas longas se tornam proibitivamente caras em escala. O verdadeiro desafio não é as capacidades de IA, é projetar ferramentas e sistemas de feedback que os agentes possam realmente usar de forma eficaz. A realidade matemática de que ninguém fala Aqui está a verdade desconfortável que toda empresa de agentes de IA está dançando: composição de erros torna fluxos de trabalho autônomos em vários passos matematicamente impossíveis em escala de produção. Se cada passo em um fluxo de trabalho de agente tem confiabilidade de 95%, o que é otimista para os LLMs atuais, então: 
 
 
 
 5 passos = 77% taxa de sucesso 10 passos = 59% taxa de sucesso 20 passos = 36% taxa de sucesso Os sistemas de produção precisam de 99,9% mais de confiabilidade. Mesmo que você alcance magicamente 99% de confiabilidade por passo (que ninguém tem), você ainda recebe apenas 82% de sucesso em 20 passos. Este não é um problema de engenharia imediata. Meu agente DevOps funciona precisamente porque não é realmente um fluxo de trabalho autônomo de 20 passos. É 3-5 operações discretas, independentemente verificáveis com pontos de reversão explícitos e portas de confirmação humana. O "agente" lida com a complexidade de gerar código de infraestrutura, mas o sistema é arquitetado em torno das restrições matemáticas de confiabilidade. Cada sistema de agente bem-sucedido que eu construí segue o mesmo padrão: contextos limitados, operações verificáveis e pontos de decisão humanos (às vezes) em junções críticas. A economia do token que não adiciona Há outra realidade matemática que os evangelistas de agentes ignoram convenientemente: as janelas de contexto criam uma escalação de custos quadrática que torna os agentes de conversação economicamente impossíveis. Aqui está o que realmente acontece quando você constrói um agente "conversativo": 
 
 
 
 
 Cada nova interação requer o processamento de TODOS os contextos anteriores Custo do token escala quadraticamente com o comprimento da conversa Uma conversa de 100 voltas custa US $ 50-100 em tokens sozinho Multiplicado por milhares de usuários e você está olhando para economia insustentável Eu aprendi isso de maneira difícil quando prototipava um agente de banco de dados de conversação. As primeiras interações eram baratas. Na 50a consulta em uma sessão, cada resposta custava vários dólares - mais do que o valor fornecido. Meu agente de geração de funções é bem sucedido porque é completamente sem status: descrição → função → feito. sem contexto para manter, sem conversação para rastrear, sem explosão de custos quadrados.Não é uma experiência de "chatear com seu código", é uma ferramenta focada que resolve um problema específico de forma eficiente. Os "agentes" mais bem-sucedidos na produção não são conversáveis, são ferramentas inteligentes e limitadas que fazem uma coisa bem e saem do caminho. Muro de Realidade de Engenharia de Ferramentas Mesmo que você resolva os problemas de matemática, você bate em um tipo diferente de parede: construir ferramentas de nível de produção para agentes é uma disciplina de engenharia completamente diferente que a maioria das equipes subestima. As chamadas de ferramentas são realmente bastante precisas agora. O verdadeiro desafio é o design de ferramentas. Cada ferramenta precisa ser cuidadosamente concebida para fornecer o feedback correto sem sobrecarregar a janela de contexto. 
 
 
 
 
 Como o agente sabe se uma operação foi parcialmente bem sucedida?Como você comunica mudanças complexas de estado sem queimar tokens? Uma consulta de banco de dados pode retornar 10.000 linhas, mas o agente só precisa saber "a consulta foi bem-sucedida, 10k resultados, aqui estão os primeiros 5". Quando uma ferramenta falha, que informações o agente precisa recuperar?Muito pouco e está preso; muito e você desperdiça contexto. Como você lida com operações que afetam umas às outras? transações de banco de dados, bloqueios de arquivos, dependências de recursos. Meu agente de banco de dados não funciona porque as chamadas de ferramentas não são confiáveis, mas porque passei semanas projetando ferramentas que se comunicam efetivamente com a IA. Cada ferramenta retorna feedback estruturado que o agente pode realmente usar para tomar decisões, não apenas respostas de API brutas. As empresas que prometem "conectar suas APIs e nosso agente vai descobrir" não fizeram esse trabalho de engenharia. Eles estão tratando ferramentas como interfaces humanas, não interfaces de IA. O resultado é agentes que tecnicamente fazem chamadas de API bem-sucedidas, mas não podem realmente realizar fluxos de trabalho complexos porque eles não entendem o que aconteceu. O segredo sujo de qualquer sistema de agente de produção é que a IA está fazendo talvez 30% do trabalho.O outro 70% é engenharia de ferramentas: projetando interfaces de feedback, gerenciando o contexto de forma eficiente, lidando com falhas parciais e construindo mecanismos de recuperação que a IA pode realmente entender e usar. Verificação da realidade da integração Mas digamos que você resolve os problemas de confiabilidade e a economia.Você ainda tem que se integrar com o mundo real, e o mundo real é uma bagunça. Os sistemas empresariais não estão limpando APIs esperando que os agentes de IA os orquestrem.São sistemas legados com quirks, modos de falha parcial, fluxos de autenticação que mudam sem aviso prévio, limites de taxa que variam de hora em hora e requisitos de conformidade que não se encaixam bem em modelos de solicitação. Meu agente de banco de dados não apenas "executa consultas de forma autônoma."Naviga o agrupamento de conexões, lida com os rollbacks de transações, respeita as réplicas de apenas leitura, gerencia os timeouts de consultas e registra tudo para trilhas de auditoria.A IA lida com a geração de consultas; tudo o resto é programação tradicional de sistemas. As empresas que prometem “agentes autônomos que se integram com toda a sua pilha de tecnologia” são ou excessivamente otimistas ou não tentaram realmente construir sistemas de produção em escala. O que realmente funciona (e por quê) Depois de construir mais de uma dúzia de sistemas de agentes diferentes ao longo de todo o ciclo de vida do desenvolvimento de software, aprendi que os bem-sucedidos compartilham um padrão: 
 
 
 
 
 
 O agente de geração de UI funciona porque os humanos revisam cada interface gerada antes da implantação.A IA lida com a complexidade de traduzir a linguagem natural em componentes funcionais do React, mas os humanos tomam as decisões finais sobre a experiência do usuário. Meu agente de banco de dados funciona porque confirma cada operação destrutiva antes da execução.A IA lida com a complexidade de traduzir requisitos de negócios para SQL, mas os humanos mantêm o controle sobre a integridade dos dados. Meu agente de geração de funções funciona porque funciona dentro de limites claramente definidos. Dê uma especificação, receba uma função. Sem efeitos colaterais, sem gestão de estado, sem complexidade de integração. A minha automação de DevOps funciona porque gera infraestrutura-como-código que pode ser revisada, versionada e rolada de volta.A IA lida com a complexidade de traduzir requisitos em Terraform, mas o pipeline de implantação mantém todos os mecanismos de segurança que aprendemos a confiar. Meu agente CI/CD funciona porque cada etapa tem critérios de sucesso claros e mecanismos de rollback.A IA lida com a complexidade de analisar a qualidade do código e gerar correções, mas o pipeline mantém o controle sobre o que realmente se fusiona. O padrão é claro: a IA lida com a complexidade, os humanos mantêm o controle e a engenharia de software tradicional lida com a confiabilidade. My Predictions Minhas previsões Aqui está minha previsão específica sobre quem vai lutar em 2025: As startups financiadas por empreendimentos "agentes totalmente autônomos" atingirão a parede econômica em primeiro lugar. Suas demonstrações funcionam muito bem com fluxos de trabalho de 5 passos, mas os clientes exigirão mais de 20 processos de passos que se decompõem matematicamente. Empresas de software corporativo que acoplaram "agentes de IA" a produtos existentes verão a adoção estagnada. Enquanto isso, os vencedores serão equipes que criam ferramentas restritas e específicas de domínio que usam a IA para as partes duras, mantendo o controle humano ou limites rigorosos sobre decisões críticas. O mercado aprenderá a diferença entre a IA que demonstra bem e a IA que navega de forma confiável. Eu não estou apostando contra a IA. Estou apostando contra a abordagem atual à arquitetura de agentes. mas acredito que o futuro será muito mais valioso do que o hype sugere. Construindo o caminho certo Se você está pensando em construir com agentes de IA, comece com esses princípios: O que exatamente seu agente pode fazer, e o que ele entrega aos seres humanos ou sistemas deterministas? Define clear boundaries. Como você lida com os 20-40% dos casos em que a IA comete erros? Design for failure. Quanto custa cada interação, e como isso escala com o uso? Solve the economics. Os usuários confiam em ferramentas que funcionam consistentemente mais do que eles valorizam sistemas que ocasionalmente fazem magia. Prioritize reliability over autonomy. Use a IA para as partes duras (entender a intenção, gerar conteúdo), mas confie na engenharia de software tradicional para as partes críticas (execução, gerenciamento de erros, gerenciamento de estado). Build on solid foundations. A revolução dos agentes está chegando.Não vai parecer nada do que todos estão prometendo em 2025. As verdadeiras lições dos trechos A diferença entre “obras em demo” e “obras em escala” é enorme, e a maioria da indústria ainda está descobrindo isso. Os desafios em torno da confiabilidade do agente, otimização de custos e complexidade de integração são fascinantes problemas de engenharia que ainda não têm soluções óbvias. Eu aconselho regularmente equipes e empresas a navegar por esses desafios exatos - desde decisões de arquitetura até evitar as armadilhas que aprendi sobre a primeira mão.Se você está avaliando as decisões de construção versus compra, debugging por que seus agentes não estão trabalhando na produção, ou apenas quer implementá-los, sinta-se livre para alcançá-los. Quanto mais pessoas construam sistemas reais e compartilham experiências honestas, mais rápido vamos descobrir o que realmente funciona. Se você quiser mergulhar mais profundamente em qualquer um desses tópicos. X

Read My Stories

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Make resilience your competitive advantage

Deixe de acreditar no agente Hype - Os números não mentem

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Modelo Bitcoin UTXO, alimentando um ecossistema único

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Modelo Bitcoin UTXO, alimentando um ecossistema único

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps