Principais destaques
- Um agente pode superar vários: a Anthropic afirma que agentes únicos com acesso contextual sob demanda podem entregar resultados melhores, com menor custo e latência.
- Modelos mais capazes mudam a arquitetura: sistemas recentes conseguem planejar tarefas complexas, selecionar ferramentas e verificar o próprio trabalho, reduzindo a necessidade de camadas extras de coordenação.
- Migração exige testes: a empresa publicou um kit no GitHub para ajudar equipes a avaliar quando consolidar agentes e quando manter especialistas separados.
Durante anos, desenvolver agentes de inteligência artificial mais sofisticados significava, muitas vezes, dividir o trabalho entre vários agentes especializados. Um escrevia o código, outro criava testes, um terceiro revisava os resultados e um agente coordenador tentava manter tudo funcionando.
Agora, a Anthropic está questionando essa abordagem.
A empresa recomenda que organizações reavaliem suas arquiteturas e considerem concentrar mais responsabilidades em um único agente principal, capaz de consultar ferramentas, carregar informações conforme necessário e executar tarefas complexas sem transferir continuamente o trabalho entre diferentes sistemas.
A mudança acompanha o avanço dos modelos de IA. Segundo a Anthropic, agentes mais capazes conseguem administrar fluxos de trabalho que antes exigiam estruturas elaboradas de coordenação.
Um agente só pode ser mais rápido e barato 🚀
A equipe de Applied AI da Anthropic chegou a essa recomendação após trabalhar com diferentes implantações empresariais. Nessas experiências, agentes únicos que utilizam skills, ou habilidades especializadas carregadas conforme a necessidade, frequentemente superaram tanto prompts monolíticos quanto arquiteturas baseadas em múltiplos subagentes.
A empresa relata que, em uma comparação, a arquitetura de agente único foi aproximadamente duas vezes mais rápida que a configuração com vários agentes.
A vantagem não está apenas na velocidade. Cada transferência de responsabilidade entre agentes pode exigir novas chamadas de modelo, repetição de instruções e reconstrução do contexto. Isso aumenta a complexidade e pode introduzir inconsistências.
💸 O custo escondido da colaboração: vários agentes trabalhando juntos não significam necessariamente mais inteligência. Significam também mais processamento, mais coordenação e mais oportunidades para que informações importantes se percam.
Em um dos exemplos citados pela Anthropic, uma empresa mantinha uma dúzia de subagentes especializados em seu agente de atendimento ao cliente. A estrutura dificultava a manutenção de uma experiência de marca consistente e aumentava a latência, prejudicando a usabilidade.
O contexto perdido entre uma tarefa e outra 🧩
O problema fica especialmente evidente em fluxos de desenvolvimento de software.
Imagine um sistema em que um agente implementa uma funcionalidade, outro escreve os testes e um terceiro revisa o código. Embora cada um tenha uma função definida, as transferências podem fazer com que detalhes importantes da implementação original sejam perdidos.
Em uma arquitetura mais simples, o mesmo agente pode implementar a funcionalidade e escrever os testes, preservando o contexto entre as etapas. Um agente verificador separado fica responsável por executar os testes e comunicar os resultados.
A diferença é sutil, mas importante: em vez de reconstruir o raciocínio a cada transferência, o agente principal continua trabalhando com as informações que já acumulou.
💡 Mais agentes não significam automaticamente melhores resultados. Quando o modelo consegue manter o contexto e coordenar o próprio trabalho, adicionar especialistas pode introduzir custos e falhas sem oferecer ganhos proporcionais de qualidade.
Isso não significa que todo sistema de múltiplos agentes esteja errado. A recomendação da Anthropic é avaliar o desempenho real de cada arquitetura, em vez de presumir que a divisão do trabalho sempre produzirá resultados superiores.
A arquitetura começou a copiar o organograma das empresas
A Anthropic descreve um problema que chama de uma espécie de Lei de Conway aplicada aos agentes de IA.
Nas organizações, sistemas de software frequentemente acabam refletindo a estrutura de comunicação das equipes que os desenvolvem. Segundo a empresa, algo semelhante acontece com agentes: cada departamento cria seu próprio especialista, adiciona regras e ferramentas e passa a depender de uma camada de orquestração para conectar tudo.
O resultado pode ser uma coleção de agentes sobrepostos, com responsabilidades pouco claras e padrões inconsistentes.
🛠 Quando o prompt vira um Frankenstein: cada equipe adiciona instruções ao prompt principal para resolver seu próprio problema. Com o tempo, essas regras podem se acumular, entrar em conflito e dificultar a manutenção do sistema.
A alternativa defendida pela Anthropic é mais enxuta: um prompt de sistema claro, quatro ou cinco ferramentas de dados bem definidas e restrições explícitas sobre o formato das respostas podem atender a muitos casos de uso.
A lógica é deixar o modelo lidar com parte da coordenação, em vez de construir uma camada de software para cada decisão que ele já consegue tomar sozinho.
Modelos melhores também reduzem a necessidade de supervisão
A mudança está relacionada à capacidade dos modelos mais recentes de planejar tarefas, acompanhar o próprio progresso e verificar resultados.
A Anthropic cita a redução de mais de 80% no tamanho do prompt de sistema do Claude Code para modelos mais novos como exemplo de como essa abordagem pode funcionar. Parte dessa simplificação foi possível porque habilidades e ferramentas passaram a ser carregadas somente quando necessárias.
Em vez de incluir todas as instruções em um único bloco extenso, o sistema pode consultar recursos especializados no momento adequado.
Isso reduz a quantidade de informações desnecessárias que o modelo precisa processar e torna a arquitetura mais fácil de manter.
🔎 E as ferramentas? A Anthropic alerta que a seleção de ferramentas tende a perder qualidade quando suas definições ultrapassam aproximadamente 30 a 50. Por isso, recomenda manter bibliotecas de habilidades organizadas, com responsáveis definidos e sem expansão descontrolada.
Documentação, especificações de produtos, diretrizes e definições de métricas também podem ficar em bases de conhecimento consultadas sob demanda, em vez de serem inseridas permanentemente nos prompts.
Mas os subagentes não vão desaparecer
A própria Anthropic reconhece situações em que a arquitetura com múltiplos agentes continua sendo útil.
| Cenário | Abordagem indicada |
|---|---|
| O agente mantém o contexto e executa bem todas as etapas | Agente único |
| O contexto extenso prejudica o desempenho | Avaliar a divisão em agentes |
| Várias tarefas independentes precisam ocorrer simultaneamente | Múltiplos agentes podem ajudar |
| O agente tem dificuldade para selecionar ferramentas | Considerar especialização ou uma camada de coordenação |
A execução paralela é um dos principais motivos para manter múltiplos agentes. Quando várias tarefas independentes precisam acontecer ao mesmo tempo, dividir o trabalho pode compensar o custo adicional.
Também é importante medir a qualidade, e não apenas a velocidade.
A Anthropic relata um teste em que incorporar um subagente a um agente de suporte reduziu a latência, mas prejudicou um processo que já funcionava. O agente principal começou a responder por conta própria, em vez de consultar o especialista correto.
O episódio mostra por que a consolidação não deve ser automática: simplificar a arquitetura pode melhorar alguns indicadores e piorar outros.
A empresa publicou um kit para facilitar a migração
Para ajudar equipes a avaliar essa mudança, a Anthropic disponibilizou o projeto Single Agent Loop Kit no GitHub.
O material orienta as equipes a identificar padrões existentes, comparar alternativas arquiteturais e verificar qual configuração oferece os melhores resultados.
A proposta não é simplesmente apagar os subagentes de um sistema. É testar quais deles realmente contribuem para a qualidade, a execução paralela ou a confiabilidade do processo.
A recomendação também está alinhada a pesquisas recentes mencionadas pelo The Decoder. Um estudo da Vals apontou que equipes de agentes podem consumir mais tokens sem produzir ganhos relevantes de qualidade. Segundo os resultados relatados, aumentar o número de agentes de dez para 30 ou 100 não trouxe melhorias de qualidade, embora tenha elevado significativamente os custos.
O desenvolvedor Eric Provencher, da OpenAI, também questionou o valor de grandes conjuntos de agentes trabalhando em conjunto.
O próximo desafio é saber quando dividir o trabalho
A tendência apontada pela Anthropic não é necessariamente a substituição de todos os sistemas multiagentes por um único modelo. É uma mudança de critério.
Antes, a complexidade era frequentemente enfrentada com mais agentes, mais instruções e mais camadas de controle. Agora, modelos mais capazes permitem reconsiderar quanto dessa infraestrutura ainda é necessária.
Para as empresas, isso pode significar sistemas mais rápidos, menos caros e mais simples de manter. Mas também exige testes cuidadosos, porque uma arquitetura enxuta não é automaticamente a mais confiável.
A questão deixa de ser quantos agentes uma aplicação consegue colocar para trabalhar e passa a ser outra: quais tarefas realmente precisam de um agente separado?
