O Que Todo Mundo Entende Errado Sobre IA Agentiva (E Como Corrigir)

Por que 40% dos projetos de IA agentiva serão cancelados até 2027 — e não é por causa dos modelos

Em julho de 2025, um desenvolvedor chamado Jason Lemkin passou nove dias construindo um banco de dados de contatos empresariais usando o agente de código da Replit. Antes de se afastar, ele digitou uma única instrução: "congele o código". O agente interpretou "congelar" como um convite para agir. Ele deletou todo o banco de dados de produção e, aparentemente incomodado com o vazio que criou, gerou cerca de 4.000 registros falsos para preencher a lacuna.

O CEO da Replit classificou o incidente como inaceitável. A Fortune chamou de "falha catastrófica". O AI Incident Database registrou como Incidente 1152.

Este é o artigo que explica por que esse incidente era totalmente previsível — e por que a maioria das equipes que constroem com IA agentiva hoje está caminhando para resultados semelhantes sem perceber.

Equívoco 1: "Autônomo" Significa Funcionar Sem Supervisão

A palavra "agentivo" é lida como "autônomo", e autônomo como "mãos livres". A maioria das equipes trata a autonomia do agente como um espectro de zero a um e assume que o objetivo é chegar o mais próximo possível de um, o mais rápido possível.

Esse é o modelo mental errado. A pergunta não é quão autônomo seu agente é, mas se a autonomia está estruturada corretamente.

Em junho de 2025, o Gartner entrevistou mais de 3.400 organizações investindo ativamente em IA agentiva e publicou uma descoberta contundente: mais de 40% dos projetos de IA agentiva serão cancelados até o final de 2027. O motivo citado não é que os agentes não funcionam — é que os humanos que os implementam estão tomando decisões erradas.

O padrão de falha é assim: a equipe vê uma demo impressionante, implanta o agente com supervisão mínima e o observa funcionar bem em entradas simples. Então um caso limite real aparece. O agente, operando sem checkpoint, toma uma decisão errada no passo três, propaga esse erro pelos passos quatro a dez e, quando alguém percebe, o dano está feito.

A solução não é menos automação. É entender onde os checkpoints humanos realmente pertencem. Nem todo passo precisa de um humano. Mas toda ação irreversível precisa: exclusões, compras, envios externos, alterações de permissão. São portas de mão única. Um agente que pode atravessar uma porta de mão única sem confirmação não é autônomo em um sentido útil — é um risco.

Equívoco 2: Uma Demo é Igual a um Deploy

Este é o equívoco mais caro e quase universal. Demos executam fluxos de 2 a 3 passos em dados limpos e controlados. Produção executa fluxos de 5 a 20 passos em dados reais bagunçados, com entradas ambíguas, respostas de API inesperadas e falhas parciais.

A matemática explica exatamente quão distantes esses dois ambientes estão. Na engenharia de confiabilidade, a Lei de Lusser afirma que a confiabilidade de um sistema com componentes sequenciais é igual ao produto da confiabilidade individual de cada componente.

Se seu agente tem 95% de precisão por passo (o que é genuinamente bom):

• Fluxo de 3 passos: 85,7% de sucesso total
• Fluxo de 5 passos: 77,4% de sucesso total
• Fluxo de 10 passos: 59,9% de sucesso total

Caia para 85% de precisão por passo (ainda melhor que a maioria dos agentes em produção não validados) em um fluxo de 10 passos: apenas 19,7% de sucesso. Quatro em cada cinco execuções incluirão pelo menos um erro em algum lugar da cadeia.

Equívoco 3: Mais Ferramentas = Agente Mais Inteligente

Existe um instinto recorrente ao construir um agente de IA: dê mais ferramentas a ele. Adicione a integração com o CRM. Conecte o banco de dados. Dê acesso a e-mail, calendário, busca na web, gerenciamento de arquivos. A suposição é que mais capacidade é igual a mais inteligência.

O que realmente acontece é mais superfície de ataque para falhas. O uso incorreto de ferramentas e argumentos errados são a causa imediata mais comum de falhas em produção de agentes de IA, representando aproximadamente 31% das falhas em implantações de 2024-2025.

Existem dois tipos distintos de alucinação em sistemas agentivos:

• Alucinação textual: quando o modelo inventa um fato ou gera nonsense plausível
• Alucinação funcional: o agente seleciona a ferramenta errada, passa argumentos malformados, fabrica um resultado em vez de chamar a função real, ou ignora um passo obrigatório

A alucinação funcional é muito mais perigosa em produção porque produz saída confiante e bem formatada enquanto faz algo completamente errado — e não dispara nenhum sinal de erro óbvio.

A solução: validar entradas explicitamente, registrar apenas as ferramentas relevantes ao contexto atual e marcar ações irreversíveis com gates de confirmação humana.

Equívoco 4: O Agente Não é Responsável por Seus Erros

Em novembro de 2022, Jake Moffatt estava de luto pela perda de sua avó e recorreu ao chatbot da Air Canada para informações sobre a política de tarifas de luto da companhia aérea. O chatbot informou que ele poderia comprar uma passagem com tarifa cheia e solicitar o reembolso com desconto retroativamente em até 90 dias.

Confiando nessa resposta, Moffatt comprou a passagem. Quando tentou solicitar o reembolso depois, a Air Canada negou — a política real não permitia aplicações retroativas.

Moffatt processou. Em fevereiro de 2024, o tribunal da Colúmbia Britânica decidiu a seu favor, ordenando que a Air Canada o compensasse em US$ 650,88 mais juros e taxas.

A defesa da Air Canada é a parte que merece atenção: eles argumentaram que o chatbot era, efetivamente, uma entidade legal separada — seu próprio "agente, funcionário ou representante" — e que, portanto, a Air Canada não poderia ser responsabilizada por suas respostas.

O tribunal rejeitou isso diretamente. A decisão estabeleceu um princípio que agora se aplica a toda empresa que implanta IA em contexto de atendimento ao cliente: você é responsável pelo que sua IA diz e faz, independentemente do que sua página de políticas diga.

A lição não é que você não deve implantar agentes de IA. É que "o agente tomou essa decisão" não é uma defesa utilizável, legal ou operacionalmente.

Equívoco 5: Modelos Melhores Resolvem o Problema de Confiabilidade

Este é o mais contraintuitivo de aceitar, porque vai contra o instinto mais natural no desenvolvimento de IA: quando algo quebra, atualize o modelo.

Pesquisas sobre falhas em sistemas multiagentes descobriram que as falhas não podem ser totalmente atribuídas às limitações dos LLMs, já que usar o mesmo modelo em uma configuração de agente único frequentemente supera as versões multiagentes. O problema de confiabilidade não é primariamente um problema de modelo — é um problema de arquitetura de sistemas.

O Gartner coloca números nisso: 57% das empresas estimam que seus dados simplesmente não estão prontos para IA. Um agente rodando em dados incompletos, desatualizados ou inconsistentes produzirá resultados ruins independentemente de estar no modelo de fronteira mais recente.

O segundo ponto é observabilidade. Software tradicional quebra ruidosamente: stack traces, erros 500, entradas de log com números de linha. Agentes falham silenciosamente. Eles retornam saída confiante e bem formatada enquanto estão errados, e a falha se propaga por múltiplos passos antes que alguém perceba.

A solução é tracing por passo: registrar entradas, saídas, latência e sinais de confiança em cada chamada de ferramenta, não apenas na resposta final.

Conclusão

A pesquisa de IA agentiva da PwC de maio de 2025 descobriu que 79% dos executivos seniores disseram que suas empresas já estavam usando agentes de IA. Mas a mesma pesquisa revelou que apenas 35% haviam implantado amplamente, apenas 17% em quase todos os fluxos de trabalho, e 68% admitiram que metade ou menos de seus funcionários interagem com agentes diariamente.

As equipes que vão fechar essa lacuna não serão as que têm o maior orçamento de infraestrutura ou acesso antecipado a modelos de fronteira. Serão as que tratam suas implantações de agentes da mesma forma que tratam qualquer outro sistema crítico: com autonomia estruturada, checkpoints humanos nos limites que importam, registros de ferramentas com escopo definido, observabilidade em nível de passo e uma resposta clara para a pergunta sobre o que acontece quando algo dá errado.

Essa resposta precisa existir antes da primeira implantação em produção. Não depois.

---

Fonte: KDnuggets — Here's What Everyone Gets Wrong About Agentic AI, por Shittu Olumide