{"id":1083984,"date":"2026-02-06T10:30:03","date_gmt":"2026-02-06T10:30:03","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&#038;p=1083984"},"modified":"2026-02-10T16:20:00","modified_gmt":"2026-02-10T16:20:00","slug":"long-run-ai-agents-part-2-three-approaches-that-actually-work","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/long-run-ai-agents-part-2-three-approaches-that-actually-work\/","title":{"rendered":"Agentes AI de longo prazo, parte 2: Tr\u00eas abordagens que realmente funcionam"},"content":{"rendered":"<p><em><a href=\"https:\/\/www.linkedin.com\/in\/victor-coimbra-999a02a0\/\" target=\"_blank\" rel=\"noopener\">Victor Coimbra<\/a> foi reconhecido na lista Forbes Under 30 Brazil por suas contribui\u00e7\u00f5es excepcionais para a inova\u00e7\u00e3o em IA. Ele foi cofundador das opera\u00e7\u00f5es latino-americanas da Artefact, que agora funcionam como um centro tecnol\u00f3gico global com 200 funcion\u00e1rios. Ele traz uma profunda experi\u00eancia em dimensionar solu\u00e7\u00f5es de IA e criar equipes de tecnologia de alto desempenho em mercados internacionais.<\/em><\/p>\n<p>Em <a href=\"https:\/\/www.artefact.com\/br\/blog\/long-run-ai-agents-part-1-the-problem-nobody-talks-about\/\">Parte 1<\/a>, No ano passado, examinamos o problema: os sistemas de IA se degradam com o tempo, o desempenho de refer\u00eancia mascara as falhas de produ\u00e7\u00e3o e at\u00e9 mesmo profissionais experientes podem trabalhar mais lentamente com a assist\u00eancia da IA do que sem ela. A trajet\u00f3ria \u00e9 promissora. A realidade atual \u00e9 confusa.<\/p>\n<p>Ent\u00e3o, como o senhor cria sistemas que realmente sustentam o esfor\u00e7o ao longo das horas?<\/p>\n<p>Tr\u00eas abordagens surgiram de diferentes comunidades, cada uma atacando o mesmo problema fundamental: como um sistema de IA mant\u00e9m um progresso coerente quando sua mem\u00f3ria de trabalho \u00e9 limitada?<\/p>\n<h2>Abordagem 1: ciclismo de in\u00edcio recente<\/h2>\n<p>No final de 2025, uma t\u00e9cnica com o nome absurdo de \"Ralph Wiggum\" se tornou viral entre os praticantes. O nome vem de um personagem dos Simpsons - propositalmente bobo, porque a ideia central \u00e9 quase embara\u00e7osamente simples.<\/p>\n<p>Deixe a IA trabalhar. Quando ela come\u00e7ar a se degradar, pare. Comece do zero. Deixe que ela continue de onde parou.<\/p>\n<p>\u00c9 isso. A IA trabalha em uma tarefa at\u00e9 que seu desempenho comece a diminuir. Em seguida, ela para, salva seu progresso em um arquivo e sai. Uma nova sess\u00e3o come\u00e7a com um quadro limpo. A IA l\u00ea o que foi realizado, identifica o que resta e continua.<\/p>\n<p>A filosofia: parar de lutar contra a limita\u00e7\u00e3o da mem\u00f3ria. Trabalhe com ela. Cada sess\u00e3o de trabalho funciona de forma independente. O progresso vive em documentos e registros, n\u00e3o na cabe\u00e7a da IA.<\/p>\n<h3>Como isso se parece na pr\u00e1tica<\/h3>\n<p>Uma implementa\u00e7\u00e3o t\u00edpica tem tr\u00eas fases:<\/p>\n<ul>\n<li><strong>Fase 1 (Requisitos):<\/strong> Humanos e IA colaboram para identificar o que precisa ser feito. O resultado \u00e9 um documento de especifica\u00e7\u00e3o claro.<\/li>\n<li><strong>Fase 2 (Planejamento):<\/strong> A IA analisa a lacuna entre a especifica\u00e7\u00e3o e o estado atual. Resultado: uma lista priorizada de tarefas. Ainda n\u00e3o h\u00e1 trabalho real.<\/li>\n<li><strong>Fase 3 (Execu\u00e7\u00e3o):<\/strong> O AI processa uma tarefa por sess\u00e3o. Concluir a tarefa, verificar se funcionou, documentar o que foi feito e sair. Nova sess\u00e3o. Repetir.<\/li>\n<\/ul>\n<p>A principal restri\u00e7\u00e3o: as tarefas devem ter uma conclus\u00e3o claramente mensur\u00e1vel. Essa abordagem funciona mal para requisitos amb\u00edguos, decis\u00f5es ou trabalho explorat\u00f3rio sem pontos finais claros.<\/p>\n<h3>Resultados dos primeiros usu\u00e1rios<\/h3>\n<p>Os n\u00fameros dos profissionais s\u00e3o impressionantes, embora sejam provenientes de auto-reports em vez de estudos controlados.<\/p>\n<p>Um consultor entregou o que teria sido um projeto de $50.000 por menos de $300 em custos de IA - executando sess\u00f5es automatizadas durante a noite. Uma equipe de startup concluiu seis entregas importantes da noite para o dia com resultados funcionais, verifica\u00e7\u00e3o e documenta\u00e7\u00e3o. Um profissional criou um produto inteiro em tr\u00eas meses de sess\u00f5es automatizadas.<\/p>\n<p>Os custos t\u00edpicos variam de $50-100 para projetos substanciais com mais de 50 sess\u00f5es de trabalho. Cada sess\u00e3o dura de 30 a 45 minutos antes do ciclo.<\/p>\n<p>A Anthropic formalizou essa abordagem em dezembro de 2025, lan\u00e7ando o suporte oficial. O padr\u00e3o passou de solu\u00e7\u00e3o alternativa para metodologia aprovada.<\/p>\n<h3>A limita\u00e7\u00e3o<\/h3>\n<p>Essa abordagem \u00e9 determinista em um mundo imprevis\u00edvel. Como diz um profissional: \u201c\u00c9 melhor falhar de forma previs\u00edvel do que ter sucesso de forma imprevis\u00edvel\u201d.\u201d<\/p>\n<p>Esse \u00e9 o ponto forte e a restri\u00e7\u00e3o. O ciclismo de partida recente funciona quando o senhor pode definir claramente o sucesso. Ele tem dificuldades quando o sucesso \u00e9 subjetivo, quando a qualidade est\u00e1 impl\u00edcita e quando a resposta \u201ccerta\u201d requer julgamento humano para ser reconhecida.<\/p>\n<h2>Abordagem 2: Mem\u00f3ria seletiva<\/h2>\n<p>O ciclismo de in\u00edcio recente joga fora tudo o que foi feito entre as sess\u00f5es. Cada ciclo come\u00e7a completamente novo. E se o senhor pudesse preservar seletivamente as partes importantes?<\/p>\n<p>A mem\u00f3ria seletiva adota uma abordagem diferente: extrair e armazenar as informa\u00e7\u00f5es essenciais e descartar o restante. Em vez de come\u00e7ar tudo de novo, a IA herda um resumo com curadoria do que \u00e9 importante.<\/p>\n<h3>O padr\u00e3o de duas fun\u00e7\u00f5es<\/h3>\n<p>Uma implementa\u00e7\u00e3o comum usa duas fun\u00e7\u00f5es especializadas de IA:<\/p>\n<ul>\n<li><strong>Fun\u00e7\u00e3o de configura\u00e7\u00e3o:<\/strong> \u00c9 executado apenas no in\u00edcio. Estabelece o contexto, identifica as principais informa\u00e7\u00f5es e cria documentos de refer\u00eancia iniciais.<\/li>\n<li><strong>Fun\u00e7\u00e3o de trabalho:<\/strong> Lida com todas as sess\u00f5es subsequentes. Mant\u00e9m a continuidade por meio de tr\u00eas artefatos: um rastreador de progresso que mostra o trabalho conclu\u00eddo e pendente, uma lista de verifica\u00e7\u00e3o com itens marcados como conclu\u00eddos ou restantes e um hist\u00f3rico de altera\u00e7\u00f5es que mostra o que foi modificado e por qu\u00ea.<\/li>\n<\/ul>\n<p>O in\u00edcio da sess\u00e3o \u00e9 expl\u00edcito: confirmar o estado atual, revisar os documentos de progresso, selecionar o trabalho restante de maior prioridade, verificar a linha de base antes do novo trabalho.<\/p>\n<p>A diferen\u00e7a em rela\u00e7\u00e3o ao ciclismo de in\u00edcio recente: a etapa de compress\u00e3o. A fun\u00e7\u00e3o de trabalho herda um resumo com curadoria do contexto relevante. Pesquisas sugerem que essa abordagem pode permitir que a IA conclua longas sequ\u00eancias de tarefas usando apenas 16% das informa\u00e7\u00f5es que, de outra forma, seriam necess\u00e1rias. Uma redu\u00e7\u00e3o de 84% na sobrecarga.<\/p>\n<h3>Mem\u00f3ria avan\u00e7ada: Preserva\u00e7\u00e3o de relacionamentos<\/h3>\n<p>O estado da arte em mem\u00f3ria seletiva preserva n\u00e3o apenas fatos, mas relacionamentos.<\/p>\n<p>Pense em como os seres humanos se lembram de projetos. N\u00e3o nos lembramos apenas de fatos isolados. Lembramos que essa decis\u00e3o levou a essa consequ\u00eancia, que essa pessoa tem essa responsabilidade, que esse documento est\u00e1 relacionado a esse requisito. As conex\u00f5es s\u00e3o t\u00e3o importantes quanto o conte\u00fado.<\/p>\n<p>Os sistemas avan\u00e7ados de mem\u00f3ria de IA agora capturam esses relacionamentos. Ao armazenar informa\u00e7\u00f5es, eles extraem n\u00e3o apenas o que aconteceu, mas tamb\u00e9m quem estava envolvido, a que isso estava ligado e por que era importante. Ao recuperar informa\u00e7\u00f5es, eles podem reconstruir o contexto seguindo essas linhas de relacionamento.<\/p>\n<p>M\u00e9tricas de desempenho desses sistemas: 26% melhoria nas avalia\u00e7\u00f5es de qualidade. Redu\u00e7\u00e3o de 90%+ na sobrecarga de informa\u00e7\u00f5es, mantendo a coer\u00eancia. Tratamento significativamente melhor de tarefas que abrangem v\u00e1rias sess\u00f5es.<\/p>\n<h3>A troca<\/h3>\n<p>A mem\u00f3ria seletiva aumenta a complexidade. O senhor precisa de infraestrutura para armazenamento e recupera\u00e7\u00e3o. O senhor precisa decidir o que manter e o que descartar. O senhor precisa confiar que a compacta\u00e7\u00e3o preserva o que importa.<\/p>\n<p>Esse n\u00e3o \u00e9 um problema resolvido. Os sistemas de mem\u00f3ria podem perder detalhes importantes. A compacta\u00e7\u00e3o pode introduzir distor\u00e7\u00f5es sutis. A IA pode recuperar o contexto errado no momento errado. A redu\u00e7\u00e3o do 84% parece impressionante, at\u00e9 que o 16% que o senhor manteve estava perdendo algo essencial.<\/p>\n<h2>Abordagem 3: Coordena\u00e7\u00e3o da equipe<\/h2>\n<p>E se a resposta n\u00e3o for uma IA com melhor mem\u00f3ria, mas muitos sistemas de IA com fun\u00e7\u00f5es claras?<\/p>\n<p>A coordena\u00e7\u00e3o da equipe decomp\u00f5e o trabalho complexo em fun\u00e7\u00f5es especializadas coordenadas por um gerente central. Cada fun\u00e7\u00e3o tem um escopo limitado, necessidades limitadas de informa\u00e7\u00f5es e um trabalho espec\u00edfico. O gerente mant\u00e9m o panorama geral e encaminha apenas as informa\u00e7\u00f5es relevantes para cada funcion\u00e1rio.<\/p>\n<h3>O padr\u00e3o nos bastidores<\/h3>\n<p>As principais empresas de IA usam isso internamente. A estrutura:<\/p>\n<p><strong>Coordenador:<\/strong> Um sistema de IA capaz, respons\u00e1vel pela an\u00e1lise de solicita\u00e7\u00f5es, planejamento de abordagem, manuten\u00e7\u00e3o da mem\u00f3ria e direcionamento de especialistas.<\/p>\n<p><strong>Especialistas:<\/strong> Sistemas de IA focados operando em paralelo para tarefas espec\u00edficas.<\/p>\n<p>O resultado: os sistemas baseados em equipe superam os sistemas de IA individuais em 90% em tarefas de pesquisa complexas. N\u00e3o \u00e9 uma melhoria marginal. Quase o dobro do desempenho.<\/p>\n<p>O principal insight: o gerenciamento de informa\u00e7\u00f5es explica 80% das diferen\u00e7as de desempenho na IA baseada em equipe. As ferramentas espec\u00edficas e os modelos de IA s\u00e3o menos importantes do que a forma como as informa\u00e7\u00f5es fluem entre as fun\u00e7\u00f5es.<\/p>\n<h3>Dois padr\u00f5es de coordena\u00e7\u00e3o<\/h3>\n<p><strong>Padr\u00e3o de transfer\u00eancia:<\/strong> Um sistema de IA passa o controle para outro no meio da tarefa. Cada um sabe sobre os outros e decide quando adiar. O thread de trabalho continua, mas a responsabilidade \u00e9 transferida. Funciona bem para fluxos de trabalho sequenciais e em etapas.<\/p>\n<p><strong>Padr\u00e3o de gerente:<\/strong> Um coordenador central atribui trabalho a especialistas e coleta resultados. Os especialistas retornam os resultados; o coordenador mant\u00e9m o controle e toma decis\u00f5es. N\u00e3o h\u00e1 transfer\u00eancia do thread principal. Funciona bem para processamento paralelo e s\u00edntese de resultados.<\/p>\n<p>A escolha depende de seu fluxo de trabalho. Os handoffs funcionam bem quando as tarefas se decomp\u00f5em naturalmente em etapas. Os padr\u00f5es de gerente funcionam bem quando o senhor precisa de processamento paralelo com tomada de decis\u00e3o centralizada.<\/p>\n<h3>Padroniza\u00e7\u00e3o do setor<\/h3>\n<p>Em 2025, o setor padronizou a forma como os sistemas de IA se conectam uns aos outros e a recursos externos. Pense nisso como a padroniza\u00e7\u00e3o das tomadas el\u00e9tricas - produtos de diferentes fabricantes agora podem trabalhar juntos.<\/p>\n<p>Um padr\u00e3o define como a IA se conecta a fontes e ferramentas de informa\u00e7\u00e3o. Outro define como os sistemas de IA se comunicam entre si. Juntos, eles possibilitam blocos de constru\u00e7\u00e3o que podem ser montados em diferentes configura\u00e7\u00f5es.<\/p>\n<p>Isso \u00e9 importante porque permite a modularidade. Um fluxo de trabalho criado por uma equipe pode incorporar componentes criados por outra. Os sistemas de mem\u00f3ria tornam-se intercambi\u00e1veis. As fontes de informa\u00e7\u00e3o podem ser descobertas. O \u201cecossistema de IA\u201d n\u00e3o \u00e9 marketing - \u00e9 uma realidade t\u00e9cnica que esses padr\u00f5es tornam poss\u00edvel.<\/p>\n<h3>A sobrecarga<\/h3>\n<p>A IA baseada em equipe usa aproximadamente 15 vezes mais recursos do que a IA de intera\u00e7\u00e3o \u00fanica. Esse \u00e9 o custo da coordena\u00e7\u00e3o. Para tarefas simples, essa sobrecarga supera qualquer benef\u00edcio. Para tarefas complexas, a maior confiabilidade justifica a despesa.<\/p>\n<p>Os modos de falha tamb\u00e9m s\u00e3o mais complexos. Um projeto de handoff deficiente fez com que uma empresa de com\u00e9rcio eletr\u00f4nico observasse um abandono de clientes de 40% quando as transi\u00e7\u00f5es de IA confundiram os usu\u00e1rios. As falhas em cascata podem se propagar pelas redes de IA. Uma an\u00e1lise do setor de 2025 identificou 14 padr\u00f5es de falha exclusivos no projeto do sistema, falhas de coordena\u00e7\u00e3o e verifica\u00e7\u00e3o de qualidade.<\/p>\n<h2>Escolhendo a abordagem correta<\/h2>\n<p>A seguir, o que penso sobre essas op\u00e7\u00f5es:<\/p>\n<ul>\n<li><strong>Ciclo de in\u00edcio recente<\/strong> funciona quando as tarefas t\u00eam uma conclus\u00e3o claramente mensur\u00e1vel, o senhor pode tolerar um progresso incremental previs\u00edvel, o progresso pode ser totalmente capturado em documentos e registros e o senhor deseja simplicidade em vez de sofistica\u00e7\u00e3o.<\/li>\n<li><strong>Mem\u00f3ria seletiva<\/strong> funciona quando as tarefas exigem a preserva\u00e7\u00e3o de relacionamentos entre sess\u00f5es, o senhor tem infraestrutura para armazenamento e recupera\u00e7\u00e3o, a efici\u00eancia \u00e9 importante em escala e o senhor pode investir na cria\u00e7\u00e3o de sistemas de compacta\u00e7\u00e3o.<\/li>\n<li><strong>Coordena\u00e7\u00e3o da equipe<\/strong> funciona quando as tarefas se decomp\u00f5em naturalmente em subtarefas especializadas, o senhor precisa de processamento paralelo, a sobrecarga de coordena\u00e7\u00e3o (15x recursos) \u00e9 aceit\u00e1vel e o senhor pode lidar com modos de falha mais complexos.<\/li>\n<\/ul>\n<p>A maioria dos sistemas de produ\u00e7\u00e3o combinar\u00e1 elementos de todos os tr\u00eas. Um sistema baseado em equipe em que cada especialista usa o ciclo de inicializa\u00e7\u00e3o recente. Um coordenador com mem\u00f3ria aumentada que dirige trabalhadores sem estado. As abordagens s\u00e3o complementares, n\u00e3o exclusivas.<\/p>\n<p>O ponto em comum: todas as tr\u00eas abordagens externalizam informa\u00e7\u00f5es que a IA n\u00e3o consegue manter internamente de forma confi\u00e1vel. Elas diferem quanto ao grau de externaliza\u00e7\u00e3o e \u00e0 forma como gerenciam a recupera\u00e7\u00e3o.<\/p>\n<p><em>Em <a href=\"https:\/\/www.artefact.com\/br\/blog\/long-run-ai-agents-part-3-what-this-actually-means-for-organizations\/\">Parte 3<\/a>, Na se\u00e7\u00e3o \"O que a IA de longa dura\u00e7\u00e3o significa para as organiza\u00e7\u00f5es: como o trabalho muda, qual \u00e9 a governan\u00e7a necess\u00e1ria e onde est\u00e3o as oportunidades realistas em 2026.<\/em><\/p>\n<p>&nbsp;<\/p>\n<p><strong>Refer\u00eancias<\/strong><\/p>\n<p><span style=\"text-decoration: underline;\">Trabalhos de pesquisa<\/span><\/p>\n<ul>\n<li>Criando IA pronta para a produ\u00e7\u00e3o com mem\u00f3ria de longo prazo dimension\u00e1vel - (em ingl\u00eas) <a href=\"http:\/\/arxiv.org\/abs\/2504.19413\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2504.19413<\/a><\/li>\n<li>Arquitetura de mem\u00f3ria baseada em m\u00faltiplos gr\u00e1ficos para IA <a href=\"http:\/\/arxiv.org\/abs\/2601.03236\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2601.03236<\/a><\/li>\n<li>Medindo a IA na produ\u00e7\u00e3o - O senhor est\u00e1 se sentindo bem? <a href=\"http:\/\/arxiv.org\/abs\/2512.04123\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2512.04123<\/a><\/li>\n<\/ul>\n<p><span style=\"text-decoration: underline;\">Relat\u00f3rios e documentos t\u00e9cnicos do setor<\/span><\/p>\n<ul>\n<li>Modos de falha em sistemas de IA - Microsoft<\/li>\n<li>Li\u00e7\u00f5es de 2025 sobre IA e confian\u00e7a - Google Cloud<\/li>\n<li>Estado da engenharia de IA - LangChain<\/li>\n<li>Avalia\u00e7\u00e3o de refer\u00eancia vs. avalia\u00e7\u00e3o do mundo real - METR<\/li>\n<\/ul>\n<p><span style=\"text-decoration: underline;\">Documenta\u00e7\u00e3o t\u00e9cnica<\/span><\/p>\n<ul>\n<li>Como criamos nosso sistema de pesquisa multiagente - Anthropic<\/li>\n<li>Especifica\u00e7\u00e3o do protocolo de contexto de modelo - modelcontextprotocol.io<\/li>\n<li>Documenta\u00e7\u00e3o de ciclismo de in\u00edcio recente (\u201cRalph Wiggum\u201d) - Geoffrey Huntley (<a href=\"http:\/\/ghuntley.com\/ralph\/\" target=\"_blank\" rel=\"noopener\">ghuntley.com\/ralph\/<\/a>)<\/li>\n<\/ul>","protected":false},"excerpt":{"rendered":"<p>No final de 2025, uma t\u00e9cnica com o nome absurdo de \"Ralph Wiggum\" se tornou viral entre os praticantes. O nome vem de um personagem dos Simpsons - propositalmente bobo, porque a ideia central \u00e9 quase embara\u00e7osamente simples.<\/p>","protected":false},"featured_media":1086606,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1083984","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog\/1083984","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/1086606"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=1083984"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=1083984"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=1083984"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}