Na última semana, o CEO da Anthropic alertou que enxames de agentes autônomos poderiam tomar conta da Internet em seis a doze meses. Dias antes, um pesquisador da mesma empresa pediu demissão publicamente, acusando Anthropic e OpenAI de apostar com vidas humanas na corrida por superinteligência. O CEO da OpenAI concordou que é preciso desacelerar. O Relatório Internacional de Segurança em IA de 2026, coordenado por Yoshua Bengio com mais de cem especialistas, descreve a probabilidade e a natureza dos riscos como “incomumente ambíguas”. Em meio a tudo isso, uma pergunta segue sem resposta: quando se fala que um agente de IA “decide”, “planeja”, “executa”, o que exatamente ele interpreta, com base em qual conhecimento, e a serviço de quem?
Vale uma distinção que o debate corrente ignora e que importa. Um agente de IA (AI agent) é uma entidade computacional que percebe um ambiente e age sobre ele para cumprir uma tarefa específica. O conceito não é novo. Russell e Norvig o formalizaram em 1995, no livro que reorganizou todo o campo da IA em torno da noção de agente racional. No mesmo ano, Wooldridge e Jennings definiram que um agente inteligente deveria ter autonomia, reatividade e proatividade. Antes deles, o modelo de atores, de Hewitt (1973) e a Sociedade da mente, de Minsky (1988) já trabalhavam com a ideia de entidades computacionais que cooperam e competem. Agentes de IA existem como conceito há mais de meio século. IA agêntica (agentic AI) designa algo diferente: não um agente isolado cumprindo uma tarefa, mas uma arquitetura em que múltiplos agentes se orquestram para perseguir objetivos complexos, adaptando planos em tempo real, com graus de autonomia que vão além da execução de instruções. A diferença é entre um trabalhador que executa e um sistema que coordena. O que mudou não foi a ideia, foi a escala: modelos de linguagem com bilhões de parâmetros deram a esses agentes uma capacidade de processamento textual que torna a simulação de raciocínio convincente o suficiente para ser confundida com a coisa real.
Há outra distinção que importa tanto quanto a primeira, e que o discurso dominante faz questão de borrar: a diferença entre produtos de IA e fronteira do conhecimento. A indústria chama seus últimos modelos de “modelos de fronteira” (frontier models), como se lançar uma versão mais poderosa de um produto comercial equivalesse a avançar o conhecimento. Não equivale. Fronteira do conhecimento é o que pode ser verificado, reproduzido, contestado, estendido por outros. É o que se submete ao escrutínio e sobrevive a ele. Um paper que anuncia resultados sem liberar dados, sem permitir reprodução, sem abrir metodologia, não está na fronteira do conhecimento. Está na fronteira do marketing. E um relatório que afirma riscos ou capacidades sem oferecer base reproduzível não é ciência, é posicionamento. Confundir as duas coisas é aceitar que quem tem mais dinheiro para treinar modelos é, automaticamente, quem mais sabe sobre eles.
É aí que a confusão se instala. Quando alguém diz que um agente de IA “sabe” navegar na Internet, reservar um voo, preencher um formulário, o que esse agente faz é aplicar padrões estatísticos extraídos de bilhões de textos a uma sequência de ações. Isso é uma interpretação possível do que “reservar um voo” significa. Não é conhecimento sobre o que reservar um voo implica para uma pessoa concreta, com orçamento concreto, vivendo num lugar concreto. A distância entre as duas coisas é enorme, e é essa distância que some quando se fala em “autonomia” ou “agência.”
Uma interpretação possível, o output de um modelo, está sendo tratada como conhecimento consolidado. E conhecimento consolidado, que é o produto de verificação, contexto, experiência e diálogo, está sendo rebaixado a algo que a máquina supostamente já faz. As duas operações acontecem ao mesmo tempo e servem ao mesmo interesse: o de quem vende esses sistemas. Inflar o que o modelo faz é bom para o valuation. Inflar o perigo do que o modelo faz também é bom, porque justifica regulação sob medida que protege quem já está dentro e levanta barreiras para quem está fora.
O alarme e o entusiasmo não são apenas exagerados; são estreitos. Vêm do mesmo punhado de pessoas, formadas nos mesmos lugares, operando com os mesmos pressupostos. Quando a concentração de poder sobre esses sistemas é tão aguda, o repertório de visões sobre o que eles significam encolhe proporcionalmente. O medo é formulado por quem construiu o sistema. A promessa também. O debate gira sobre si mesmo, entre variações da mesma perspectiva, sem que entrem na conversa as perguntas de quem vai viver com as consequências.
Na coluna anterior, argumentei que os estudos sobre IA provam o que já existe, não o que está sendo decidido, e que o poder real está em quem liga e desliga esses sistemas. O debate sobre agentes e IA agêntica torna isso mais visível. Um agente de IA não age no vazio. Ele age dentro dos limites que a empresa que o construiu definiu: quais APIs ele acessa, quais ações pode executar, quais restrições foram impostas ao seu comportamento. A “autonomia” do agente é uma autonomia concedida e revogável a qualquer momento por quem controla a infraestrutura. É como dizer que um funcionário terceirizado é autônomo porque escolhe a ordem em que executa as tarefas que lhe foram atribuídas.
O preocupante não é a tecnologia em si. É o que essa confusão faz com a capacidade das pessoas de pensar sobre ela. Na comunidade da computação, percebe-se um encolhimento progressivo do que conta como raciocínio válido. A pergunta “o que isso significa?” vai sendo substituída por “o que isso faz?”. A interpretação, que exige contexto, dúvida e negociação com o que não se entende de imediato, vai sendo substituída pela execução, que exige apenas instrução clara e métrica de sucesso. A execução é o que os agentes fazem bem, ou simulam fazer bem, e o efeito é circular: o modelo define o padrão do que conta como inteligência, e tudo o que escapa desse padrão parece ineficiente, lento, dispensável.
As manifestações recentes de pesquisadores e engenheiros apontam para riscos reais. Mas vale prestar atenção em quais riscos são nomeados e quais ficam de fora. O alarme se concentra na possibilidade de o agente “escapar ao controle” ou “agir de formas imprevistas.” É um medo legítimo, mas conveniente, porque mantém o debate dentro do terreno técnico: alinhamento, segurança, guardrails. O que não se discute é o risco epistêmico: ao delegar interpretação a sistemas que processam, correlacionam e predizem, mas não interpretam, o repertório do que conta como pensamento válido encolhe.
Existe um risco ainda mais concreto, e ele aparece quando a IA sai do mundinho tech (se é que esse mundinho existe como espaço separado) e entra na casa, na escola, no posto de saúde, no tribunal. Um agente que agenda consultas não está “otimizando” o sistema de saúde. Ele está interpretando quem precisa de atendimento, com que urgência e em que ordem. Um agente que filtra currículos não está “agilizando” o RH. Ele está interpretando quem merece uma chance. Quando essas interpretações operam em escala, sem que as pessoas afetadas saibam que estão sendo interpretadas e por quais critérios, o problema deixa de ser sobre tecnologia e passa a ser sobre proteção direta à vida.
É aqui que o debate sobre regulação precisa mudar de registro. A infraestrutura regulatória não pode funcionar apenas como arcabouço limitante, um conjunto de regras que dizem o que a empresa não pode fazer. Precisa funcionar como proteção direta: garantir que a pessoa saiba que um agente está tomando decisões sobre ela, que ela possa contestar essas decisões, que exista recurso quando o sistema erra, e que o erro não caia sobre quem tem menos poder para absorvê-lo. Isso não é hostilidade à inovação. É o mínimo para uma sociedade que leva a sério o fato de que essas ferramentas já estão dentro da vida das pessoas, não como experimento, como infraestrutura.
A pergunta sobre quem tem o direito de interpretar, sobre quais corpos e quais credenciais são necessários para que uma leitura do mundo seja levada a sério, é política antes de ser técnica. Os marcadores sociais que sempre determinaram quem podia abstrair, teorizar e propor enquadramentos interpretativos não desapareceram. Se reconfiguraram. O credenciamento não passa mais apenas por ter o diploma certo ou publicar no periódico certo. Passa por ter acesso ao modelo certo, à capacidade de cálculo certa, ao dataset certo. O resultado é o mesmo de antes: um grupo pequeno define o que conta como conhecimento, e o resto consome o produto dessa definição como se fosse neutro.
O contraponto não é recusar os agentes nem fingir que a tecnologia vai desaparecer. É insistir na pergunta que o mercado não quer que se faça: interpretação a serviço de quem? Quando um agente “decide” por alguém, ele está aplicando uma interpretação definida por quem construiu o sistema, treinada com dados que ninguém escolheu, otimizada para métricas que podem não ter nada a ver com o que a pessoa precisa. Aceitar isso sem perguntar não é eficiência. É abdicação. E a abdicação do julgamento, como Weizenbaum argumentou em Computer Power and Human Reason (1976), é ela mesma o dano, independentemente de a máquina acertar ou errar.
O mais preocupante, no fim, não são os agentes em si. É o que a forma desse debate está fazendo com a capacidade das pessoas de pensar. A maneira como a conversa sobre IA está sendo conduzida empurra para dois extremos: ou a tecnologia vai salvar tudo, ou vai destruir tudo. Não existe meio. Não existe nuance. Não existe espaço para dizer “depende de quem constrói, de como se usa, de quem é afetado.” Esse empurrão não é espontâneo. Ele é produzido pela mesma estrutura que concentra o poder sobre os sistemas: quem controla a narrativa controla a interpretação, e quem controla a interpretação define os termos em que todo mundo é obrigado a pensar. O resultado é uma população que consome posições prontas sobre IA sem ter ferramentas para construir as suas próprias. Pessoas que sabem repetir que agentes são perigosos ou que agentes são o futuro, mas que não sabem perguntar: perigosos para quem? Futuro de quem? Essa incapacidade de formular a própria pergunta, de interpretar o fenômeno a partir da própria experiência em vez de reagir às interpretações que vêm de cima, é o dano mais profundo que a confusão entre interpretação e conhecimento produz. E nenhum guardrail vai consertar isso.
Nina da Hora
