Sistemas multiagentes: como coordenar agentes de IA e evitar falhas em cadeia

Imagine uma empresa que utiliza diferentes agentes de inteligência artificial para atender solicitações de clientes. Um agente identifica o problema, outro consulta informações financeiras e um terceiro verifica a situação de determinado serviço antes de executar uma ação.

Cada agente pode funcionar corretamente quando avaliado individualmente. Mas o que acontece quando uma informação incorreta é transmitida entre eles? Ou quando dois agentes tomam decisões incompatíveis sobre a mesma solicitação?

Esse é um dos desafios dos sistemas multiagentes, estruturas nas quais diferentes agentes de IA colaboram para executar tarefas que exigem múltiplas capacidades, conhecimentos ou etapas de processamento.

Segundo pesquisa da Deloitte publicada em agosto de 2026, apenas 15% das organizações pesquisadas haviam alcançado adoção orquestrada de múltiplos agentes em escala. O mesmo estudo mostra que somente 5% consideravam seus processos empresariais altamente preparados para trabalhar com agentes de IA [1].

Os indicadores ajudam a dimensionar uma dificuldade importante. Colocar agentes em operação é uma coisa. Coordená-los de forma confiável, especialmente quando participam de processos que atravessam diferentes sistemas e departamentos, é outra.

Por que coordenar agentes é diferente de colocar vários agentes em operação

A principal vantagem dos sistemas multiagentes é permitir que diferentes agentes sejam especializados em determinadas funções.

Um agente pode interpretar solicitações, outro analisar informações e um terceiro executar atividades em sistemas corporativos. Quando trabalham de maneira coordenada, eles podem participar de processos mais complexos do que aqueles realizados individualmente.

Entretanto, essa colaboração não acontece automaticamente.

É necessário definir como as tarefas serão distribuídas, quais informações serão compartilhadas, quando um agente poderá transferir uma atividade para outro e quais condições precisam ser atendidas antes que determinada ação seja executada.

A Microsoft descreve diferentes padrões de orquestração de agentes de IA, incluindo execução sequencial, processamento paralelo e transferência dinâmica de tarefas entre agentes especializados [2].

Essas abordagens atendem a necessidades distintas. Em um processo sequencial, a conclusão de uma etapa depende do resultado anterior. Já em atividades paralelas, diferentes agentes podem trabalhar simultaneamente e seus resultados precisam ser reunidos posteriormente.

Existe também o mecanismo conhecido como handoff, no qual um agente transfere o controle de determinada tarefa para outro agente mais adequado à situação.

O ponto central é que ter vários agentes disponíveis não significa possuir um sistema multiagente efetivamente coordenado.

A organização precisa compreender como esses agentes interagem, quais decisões podem tomar e como suas atividades contribuem para o resultado final do processo.

Além disso, nem toda atividade exige múltiplos agentes. A própria Microsoft recomenda avaliar se a complexidade adicional de coordenação é justificada, considerando custos, latência e possíveis falhas [2].

Como surgem as falhas em cadeia nos sistemas multiagentes

Quando vários agentes participam de um processo, um erro pode deixar de ser um problema isolado.

Considere novamente o exemplo do atendimento. Um agente interpreta incorretamente a solicitação de um cliente e encaminha informações incompletas para outro agente. Este, por sua vez, utiliza esses dados para tomar uma decisão que será executada por um terceiro.

Mesmo que os agentes seguintes funcionem conforme suas instruções, o resultado final poderá estar comprometido.

O problema não está necessariamente em um único agente, mas na forma como informações e decisões circulam entre eles.

Um estudo acadêmico apresentado na NeurIPS 2025, uma das principais conferências internacionais de pesquisa em inteligência artificial e aprendizado de máquina, intitulado Why Do Multi-Agent LLM Systems Fail?, analisou desafios de sistemas multiagentes baseados em modelos de linguagem e identificou 14 modos distintos de falha, organizados em três categorias: problemas de especificação e desenho do sistema, desalinhamento entre agentes e falhas de verificação ou encerramento das tarefas [3].

Entre as situações identificadas estão dificuldades para cumprir corretamente as funções definidas, perda de informações durante a colaboração, repetição de etapas e encerramento inadequado das atividades.

Esses resultados foram obtidos em ambientes experimentais e não representam uma taxa geral de falhas nas operações empresariais. Ainda assim, oferecem evidências de que a confiabilidade de um sistema multiagente depende de fatores que vão além da qualidade individual dos modelos utilizados.

Um agente pode executar corretamente sua própria tarefa e, mesmo assim, contribuir para um resultado incorreto quando recebe informações inadequadas ou participa de uma sequência mal coordenada.

Outro risco aparece quando diferentes agentes possuem permissões para atuar sobre os mesmos sistemas ou recursos. Sem limites adequados, decisões tomadas em etapas distintas podem gerar conflitos ou executar ações que deveriam depender de validação.

Por isso, a coordenação precisa considerar não apenas a sequência das atividades, mas também as condições em que cada agente pode agir, interromper uma execução ou solicitar intervenção humana.

A observabilidade de agentes também ganha importância nesse cenário. Quando uma tarefa envolve vários agentes, analisar apenas o resultado final pode ser insuficiente para compreender onde ocorreu um problema.

É necessário acompanhar a trajetória da execução e identificar quais informações, decisões e interações contribuíram para determinado resultado.

O desafio aumenta quando agentes de diferentes plataformas precisam trabalhar juntos

A complexidade dos sistemas multiagentes tende a crescer quando os agentes são desenvolvidos por equipes diferentes ou utilizam plataformas e ferramentas de fornecedores distintos.

Nesse cenário, cada agente pode possuir mecanismos próprios de comunicação, autenticação, execução e monitoramento.

A interoperabilidade passa a ser uma necessidade importante.

Um exemplo dessa evolução é o protocolo Agent2Agent (A2A), criado para facilitar a comunicação e a colaboração entre agentes de IA. Em abril de 2026, a Linux Foundation informou que o padrão já contava com o apoio de mais de 150 organizações, incluindo empresas relevantes do ecossistema tecnológico [4].

O avanço desses padrões favorece a integração entre diferentes plataformas. Entretanto, permitir que agentes se comuniquem não resolve automaticamente os desafios de coordenação e governança.

Uma empresa ainda precisa saber quais agentes participam de determinado processo, como as tarefas são transferidas, quais permissões estão envolvidas e de que maneira as decisões podem ser acompanhadas.

Esse controle se torna especialmente importante quando os agentes deixam de apenas recomendar ações e passam a executá-las em sistemas corporativos.

Quanto maior a autonomia e a interdependência entre os agentes, maior a necessidade de acompanhar o processo completo, e não apenas o funcionamento individual de cada componente.

Isso não significa criar uma supervisão humana para cada atividade, como abordamos em human-in-the-loop e autonomia. O objetivo é estabelecer critérios proporcionais ao risco, com limites claros de atuação, mecanismos de acompanhamento e possibilidade de intervenção quando necessário.

A expansão dos sistemas multiagentes dependerá não apenas da capacidade dos agentes de executar tarefas, mas da confiabilidade com que conseguem trabalhar em conjunto.

Da visão à prática: ARGUS

A coordenação de múltiplos agentes exige uma visão operacional que permita acompanhar suas interações, decisões e atividades em diferentes sistemas.

É nesse contexto que o ARGUS, plataforma de Inteligência Operacional e Agêntica da Target Solutions, contribui para a operação corporativa.

Por meio de suas capacidades de AgentOps, o ARGUS apoia a orquestração, o monitoramento, a observabilidade e a governança dos agentes de IA, oferecendo visibilidade sobre sua atuação e contribuindo para o acompanhamento dos processos em que participam.

A proposta é conectar agentes, pessoas e ferramentas em um contexto operacional compartilhado, permitindo que diferentes componentes da operação atuem de forma mais coordenada, com rastreabilidade e controle.

Essa abordagem ganha relevância quando os agentes são desenvolvidos em plataformas distintas ou precisam interagir com sistemas corporativos já existentes.

Em vez de substituir essas ferramentas, o ARGUS atua como uma camada de inteligência e governança que ajuda as organizações a ampliar a utilização de agentes sem perder a visão sobre sua operação.

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 inteligência artificial e, agora, a ambientes nos quais agentes de IA começam a participar de processos, decisões e operações corporativas.

É nesse contexto que desenvolvemos o ARGUS, nossa plataforma de Inteligência Operacional e Agêntica, que combina capacidades de AgentOps, AI Gateway e AIOps para integrar o contexto da operação à atuação dos agentes de IA, ampliando visibilidade, governança, rastreabilidade e controle à medida que pessoas, automações, sistemas e agentes passam a compartilhar o ambiente operacional.

Sobre o autor

Paulo Florêncio de Menezes é cofundador 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] Deloitte. AI Agents Are Only the Beginning: Deloitte Survey Examines AI Readiness for Agentic AI Success. 12 ago. 2026.

[2] Microsoft. AI Agent Orchestration Patterns. Azure Architecture Center.

[3] Cemri, M. et al. Why Do Multi-Agent LLM Systems Fail? NeurIPS 2025.

[4] Linux Foundation. A2A Protocol Surpasses 150 Organizations, Lands in Major Cloud Platforms, and Sees Enterprise Production Use in First Year. 9 abr. 2026.