Quando os agentes começarem a agir, quem estará observando os agentes?

Durante muito tempo, observar um sistema significou acompanhar sinais relativamente conhecidos. Disponibilidade, latência, erros, consumo de recursos, logs, métricas e traces ajudam as equipes a entender se uma aplicação está funcionando, onde existe uma degradação e o que aconteceu antes de uma falha.

Os agentes de inteligência artificial acrescentam uma dificuldade diferente a esse problema. Eles não apenas processam uma entrada e devolvem uma saída previsível. Podem interpretar uma situação, consultar diferentes fontes, escolher ferramentas, executar uma sequência variável de passos, interagir com outros agentes e, dependendo da autonomia recebida, realizar ações sobre sistemas reais.

Nesse ambiente, saber que o agente está disponível é apenas o começo.

Ele pode estar respondendo dentro do tempo esperado e sem qualquer erro de infraestrutura, mas escolhendo uma ferramenta inadequada, repetindo chamadas desnecessárias, seguindo um caminho diferente do esperado ou produzindo resultados que começam a perder qualidade. Quando vários agentes participam de um mesmo processo, a dificuldade aumenta porque uma decisão tomada em um ponto pode alterar o comportamento de outros componentes mais adiante.

É por isso que a observabilidade começa a assumir um papel diferente na jornada da IA agêntica. Não se trata apenas de saber se o agente está funcionando, mas de conseguir compreender o que ele fez, por que percorreu determinado caminho e o que aconteceu como consequência.

Um trace deixa de mostrar apenas sistemas e passa a mostrar decisões

Em aplicações tradicionais, tracing é utilizado para reconstruir o caminho percorrido por uma requisição entre diferentes componentes. Essa capacidade continua necessária em sistemas agênticos, mas o que precisa ser reconstruído muda.

Uma única interação pode envolver várias chamadas a um modelo, consultas a fontes externas, recuperação de contexto, uso de ferramentas, tentativas adicionais e comunicação com outros agentes. A resposta final é apenas o último ponto dessa trajetória.

O trabalho que vem sendo desenvolvido pelo OpenTelemetry (OTel) ajuda a mostrar como essa nova camada está começando a ser estruturada. O OpenTelemetry é um projeto open source da Cloud Native Computing Foundation (CNCF) que estabelece padrões e ferramentas para gerar, coletar e exportar telemetria, como traces, métricas e logs, permitindo observar sistemas de forma consistente independentemente das tecnologias utilizadas [1].

As convenções semânticas para IA generativa permitem registrar informações como o modelo utilizado, consumo de tokens e operações relacionadas a agentes e ferramentas. Em uma execução instrumentada, o trace pode representar a invocação do agente e, abaixo dela, as chamadas ao modelo e às ferramentas utilizadas durante o processo [1][2].

Isso muda bastante a capacidade de investigação.

Se um agente levou tempo demais para concluir uma tarefa, podemos precisar descobrir se o problema ocorreu em uma chamada ao modelo, em uma API externa ou porque ele entrou em uma sequência desnecessária de tentativas. Se tomou uma decisão inadequada, talvez seja necessário reconstruir quais informações recebeu, quais ferramentas estavam disponíveis e qual caminho percorreu até chegar àquela ação.

Observar um agente não é apenas saber se ele respondeu. É conseguir reconstruir o caminho que transformou contexto em decisão e decisão em ação.

Esse tipo de visibilidade se torna ainda mais importante porque agentes não se comportam exatamente como software determinístico. A Microsoft chama atenção para essa diferença ao observar que o mesmo prompt pode levar a rotas diferentes de ferramentas conforme modelos, prompts e outras condições mudam. Por isso, sua abordagem de observabilidade para agentes combina tracing, avaliação, monitoramento e otimização, acompanhando desde chamadas de modelos e ferramentas até interações entre agentes [3].

A consequência é que traces, métricas e logs continuam sendo fundamentais, mas passam a contar apenas parte da história.

Um agente pode estar funcionando e ainda assim estar errado

Essa talvez seja uma das diferenças mais importantes entre observar aplicações tradicionais e observar sistemas baseados em agentes.

Uma API que responde corretamente dentro de seus parâmetros técnicos normalmente oferece sinais relativamente objetivos de funcionamento. Para um agente, saúde técnica e qualidade de comportamento não são necessariamente a mesma coisa.

Ele pode permanecer disponível, apresentar boa latência e consumir recursos dentro do esperado enquanto sua capacidade de completar determinada tarefa se deteriora. Pode selecionar ferramentas incorretas com maior frequência, produzir respostas aparentemente plausíveis que não resolvem o problema ou começar a utilizar caminhos mais caros para chegar ao mesmo resultado.

Por isso, observabilidade e avaliação começam a se aproximar.

O OpenTelemetry destaca que, devido à natureza não determinística dos agentes, a telemetria não serve apenas para diagnóstico. Ela também pode alimentar mecanismos de avaliação e melhoria contínua [1]. A Microsoft segue uma direção semelhante ao combinar os traces das execuções com avaliações de qualidade, segurança e conclusão das tarefas [3].

Em sistemas agênticos, estar disponível não significa necessariamente estar se comportando corretamente.

Essa diferença tem implicações práticas importantes. Uma operação madura precisará acompanhar sinais técnicos, mas também critérios ligados ao resultado. O agente concluiu a tarefa? Utilizou as ferramentas adequadas? Respeitou as políticas definidas? A ação produziu o efeito esperado? Houve necessidade de intervenção humana? O comportamento está mudando ao longo do tempo?

Nem todas essas perguntas serão respondidas por métricas tradicionais.

Também não haverá uma única métrica universal para todos os agentes. Um agente de atendimento terá critérios de qualidade diferentes de um agente que investiga incidentes, assim como um agente que apenas recomenda uma ação poderá ser avaliado de maneira diferente daquele autorizado a executá-la.

A observabilidade precisará, portanto, carregar também o contexto do que aquele agente deveria fazer.

Quando vários agentes trabalham juntos, o problema deixa de ser individual

A dificuldade cresce novamente quando passamos de um agente para sistemas multiagentes.

Imagine que um primeiro agente receba um evento, outro reúna informações adicionais, um terceiro avalie possíveis causas e um quarto execute ou recomende uma ação. Se o resultado final estiver errado, em qual ponto ocorreu o problema?

Talvez nenhum agente tenha falhado isoladamente.

O primeiro pode ter interpretado corretamente o evento, mas transmitido contexto incompleto. O segundo pode ter encontrado informações válidas, porém insuficientes. O terceiro pode ter tomado uma decisão razoável com base naquilo que recebeu, enquanto o quarto executou exatamente a ação solicitada. Cada componente, observado separadamente, pode parecer correto, embora o resultado do sistema esteja errado.

Essa característica levou pesquisadores da IBM a argumentar que sistemas agênticos podem apresentar comportamentos que não são compreendidos apenas pela análise dos agentes individualmente. Em trabalho apresentado na AAAI 2026, conferência internacional promovida pela Association for the Advancement of Artificial Intelligence e uma das principais referências acadêmicas da área de inteligência artificial, os autores defendem a importância de camadas de observabilidade capazes de acompanhar tanto as interações entre agentes quanto as relações entre agentes e o ambiente em que atuam [4].

Quanto mais a inteligência estiver distribuída entre agentes, mais importante será observar as relações entre eles, e não apenas cada agente isoladamente.

Essa mudança lembra um problema conhecido em sistemas distribuídos. Durante muitos anos, monitorar individualmente servidores ou aplicações deixou de ser suficiente porque o comportamento relevante surgia das dependências entre componentes. Foi necessário desenvolver formas melhores de reconstruir transações, relações e causas através do ambiente.

Com agentes, algo semelhante pode acontecer, mas agora existe uma camada adicional: além das dependências técnicas, precisamos compreender transferências de contexto, decisões, delegações e ações.

Não basta saber que o agente A chamou o agente B. Em determinadas situações, será necessário entender o que foi transferido entre eles e como isso influenciou aquilo que aconteceu depois.

Observabilidade também será uma forma de governança

Quando agentes apenas recomendam ações, uma decisão inadequada pode ser percebida antes de produzir consequências. À medida que recebem permissão para executar tarefas, o intervalo entre decisão e impacto diminui.

Um agente pode abrir um chamado, consultar dados corporativos, alterar uma configuração, iniciar um workflow, acionar outro sistema ou solicitar a atuação de outro agente. Quanto maior a autonomia, maior a importância de manter uma trilha que permita reconstruir o que aconteceu.

Essa trilha não serve apenas para troubleshooting. Ela passa a fazer parte da própria governança.

Será necessário saber qual agente realizou determinada ação, sob qual versão, com quais permissões, utilizando quais informações e ferramentas e, quando aplicável, quem autorizou a execução. Dependendo do processo, também será importante registrar quando houve intervenção humana ou quando o agente decidiu transferir a situação para uma pessoa.

A IBM descreve a observabilidade de IA como a capacidade de compreender modelos e sistemas baseados em IA a partir de telemetria específica, incluindo elementos como uso de tokens, qualidade das respostas e model drift [5]. Em ambientes agênticos, essa visibilidade se amplia para as interações dos agentes com APIs, serviços e outros componentes do processo.

À medida que agentes ganham autonomia, observabilidade deixa de ser apenas uma ferramenta de diagnóstico e passa a ser também um mecanismo de controle e prestação de contas.

Isso não significa registrar indiscriminadamente tudo o que passa por um agente. Prompts, respostas, argumentos de ferramentas e dados utilizados durante uma execução podem conter informações sensíveis. A própria documentação do OpenTelemetry prevê que determinados conteúdos sejam registrados apenas quando essa captura estiver habilitada [2].

Observabilidade também precisa ser governada.

A organização terá de decidir o que registrar, por quanto tempo armazenar, quem pode consultar e como proteger essa telemetria. O objetivo não é criar uma reprodução irrestrita de tudo aquilo que os agentes viram, mas garantir evidências suficientes para compreender e governar seu comportamento.

Observar agentes será parte da infraestrutura da confiança

Nos artigos anteriores desta série, discutimos a passagem dos agentes para produção, a necessidade de AgentOps e o redesenho dos processos para que pessoas, sistemas, automações e agentes possam trabalhar juntos.

A observabilidade conecta esses temas.

Não é possível operar adequadamente aquilo que não conseguimos compreender. Também é difícil aumentar a autonomia de um agente quando não temos condições de reconstruir seu comportamento depois que algo inesperado acontece.

Por isso, a observabilidade de agentes não deveria surgir apenas como reação aos primeiros incidentes. Ela precisa fazer parte da arquitetura desde o momento em que esses sistemas começam a participar de processos relevantes.

Isso inclui instrumentação, traces, métricas e logs, mas também avaliação de qualidade, acompanhamento das ações, identificação dos agentes, relações entre componentes e capacidade de conectar aquilo que o agente fez com aquilo que aconteceu no ambiente.

A discussão não elimina a observabilidade que já conhecemos. Ao contrário, torna-a ainda mais necessária.

Um agente não atua no vazio. Ele depende de modelos, APIs, bancos de dados, aplicações, redes, serviços e informações produzidas por outros sistemas. Quando uma ação falha, pode ser necessário entender simultaneamente o comportamento do agente e o estado do ambiente em que ele estava operando.

A confiança para ampliar a autonomia dos agentes dependerá, em boa medida, da nossa capacidade de enxergar o que eles estão fazendo quando ninguém está olhando diretamente para eles.

Talvez essa seja uma das mudanças mais relevantes trazidas pela IA agêntica para a observabilidade. Até agora, observávamos principalmente sistemas para ajudar pessoas a decidir. Em um ambiente com agentes, precisaremos observar também as inteligências que começam a participar dessas decisões.

Da visão à prática: ARGUS

Esse novo cenário, em que agentes passam a participar ativamente das operações, também amplia o papel do ARGUS.

Em operações de TI e Telecom, compreender um incidente raramente depende de uma única informação. Alarmes, aplicações, infraestrutura, mudanças, topologia, serviços e outras fontes ajudam a construir uma visão sobre aquilo que está acontecendo. À medida que agentes passam a participar da investigação, das decisões e da execução de ações, eles também precisam trabalhar sobre esse contexto.

O ARGUS nasceu justamente com o propósito de correlacionar eventos de múltiplas fontes, reduzir o ruído e construir um contexto operacional compartilhado. Com a incorporação das capacidades de AI Gateway e AgentOps, essa visão passa a incluir também os agentes de IA como participantes da operação.

Isso significa não apenas fornecer aos agentes um contexto mais consistente para suas decisões, mas também criar condições para orquestrar sua atuação, aplicar políticas, acompanhar execuções e ações e ampliar sua autonomia de forma controlada e com supervisão humana.

O AgentOps acrescenta uma nova dimensão à observabilidade. Traces, chamadas de ferramentas, erros, latência, custos e resultados ajudam a compreender o comportamento dos agentes, enquanto o contexto operacional permite relacionar esse comportamento ao que estava acontecendo no ambiente quando determinada decisão foi tomada.

O objetivo é construir uma visão sistêmica em que infraestrutura, serviços, ferramentas, automações, pessoas e agentes possam compartilhar contexto e fazer parte de uma mesma timeline operacional.

À medida que a IA agêntica avança, essa capacidade passa a ser importante não apenas para investigar incidentes, mas também para orquestrar e governar agentes, compreender suas decisões e aumentar sua autonomia de forma gradual e responsável.

Conheça o ARGUS e veja como funciona na prática.

Sobre a Target Solutions

A Target Solutions é uma empresa brasileira de tecnologia especializada em soluções para ambientes críticos de TI e Telecom.

Ao longo de mais de 15 anos, participamos de projetos envolvendo infraestrutura, monitoramento, observabilidade, automação, integração de plataformas e operações de redes e serviços, trabalhando com grandes organizações e ambientes de alta complexidade.

Essa experiência nos permitiu acompanhar de perto a evolução das operações, do monitoramento tradicional à observabilidade, da automação à AIOps e, agora, aos primeiros passos em direção a operações cada vez mais orientadas por inteligência artificial.

É nesse contexto que desenvolvemos o ARGUS, nossa plataforma AIOps que correlaciona eventos de múltiplas fontes, reduz o ruído e constrói contexto operacional compartilhado, agora ampliada com capacidades de AI Gateway e AgentOps para apoiar a orquestração, observabilidade e governança de agentes de IA.

Sobre o autor

Paulo Florêncio de Menezes é sócio e CoFounder da Target Solutions e atua há mais de 15 anos em projetos relacionados a infraestrutura, monitoramento, observabilidade, automação e operações de TI e Telecom.

É graduado em Processamento de Dados pela Universidade Federal do Amazonas (UFAM), possui MBA em Gestão Empresarial pela Fundação Dom Cabral (FDC) e Mestrado Profissional em Economia pela Fundação Getulio Vargas (FGV).

Em sua pesquisa de Mestrado, desenvolveu o IBEOP-IA (Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial), investigando a exposição potencial das ocupações brasileiras às capacidades da IA por meio da combinação de dados ocupacionais, patentes de inteligência artificial e técnicas de processamento de linguagem natural.

Referências

[1] OpenTelemetry. AI Agent Observability – Evolving Standards and Best Practices. 2025.

[2] OpenTelemetry. Inside the LLM Call: GenAI Observability with OpenTelemetry. 2026.

[3] Microsoft. From observability to ROI for AI agents on any framework. Microsoft Build 2026.

[4] IBM Research. Formalizing Observability in Agentic AI Systems. AAAI 2026.

[5] IBM. What is AI Observability? 2026.