Agentes de IA e MCP: o guia completo de fazer a IA executar, não só responder

por Gui Loureiro7 min de leitura·22 de out. de 2026

O que é, exatamente, um agente de IA?

Um chatbot responde. Você pergunta, ele escreve um texto, a conversa acaba ali. Um agente de IA faz outra coisa: recebe um objetivo, quebra esse objetivo em passos, decide qual ferramenta usar em cada passo, executa, olha o resultado, e decide o próximo passo. Sem alguém clicando "próximo" a cada etapa.

Isso parece sutil, mas muda tudo. A IA que escreve um e-mail de follow-up é assistente. A IA que verifica no CRM se o lead respondeu, decide que não respondeu, escolhe o segundo e-mail da sequência, dispara, agenda o terceiro toque e registra tudo no histórico, sozinha, é agente.

A palavra "agêntico" virou moda em 2025 e 2026, e isso também abriu espaço pra maquiagem de marketing. O Gartner cunhou um termo pra isso: agent washing.

Isso importa porque quem está comprando ferramenta, ou decidindo onde investir hora da equipe, precisa de um teste simples: a ferramenta decide sozinha o que fazer a seguir, ou ela só executa um roteiro fixo com uma camada de linguagem natural por cima? Se é a segunda opção, é automação com fantasia nova.

Por que agente de IA não é a mesma coisa que automação (RPA)?

RPA (automação robótica de processo) segue regra fixa: se X acontece, faça Y. É determinístico, previsível, ótimo pra tarefa repetitiva com entrada padronizada. Um agente de IA opera diferente: interpreta contexto, lida com ambiguidade e escolhe entre caminhos que não foram todos pré-programados.

A analogia que funciona: RPA é um trilho de trem, vai sempre pro mesmo lugar pelo mesmo caminho. Agente é um motorista com GPS, que recalcula rota quando encontra bloqueio. Os dois têm valor. Mas confundir um pelo outro é a raiz de boa parte da frustração que empresa relata com "IA que não entrega o prometido".

A pergunta certa não é "isso usa IA?". É "isso decide sozinho, ou só executa o que alguém já decidiu antes?"

Gui Loureiro

O que é o MCP e por que ele apareceu agora?

Até novembro de 2024, cada modelo de IA que precisava acessar uma ferramenta externa (um CRM, uma planilha, um banco de dados) exigia uma integração sob medida. Cada empresa de IA, cada fornecedor de ferramenta, construindo sua própria ponte. Isso não escala.

A Anthropic resolveu publicar o Model Context Protocol como padrão aberto: um jeito único de um agente de IA "conversar" com qualquer ferramenta que fale esse mesmo protocolo. Em vez de N integrações customizadas, uma integração no padrão MCP serve pra qualquer agente compatível.

O crescimento foi rápido mesmo pros padrões do setor de tecnologia. No primeiro mês, cerca de 100 mil downloads. Até março de 2026, 97 milhões de downloads mensais do SDK, segundo a Knak, um salto de quase mil vezes em 18 meses. Hoje o protocolo tem suporte nativo da Anthropic, OpenAI, Google DeepMind e Microsoft, segundo a Toloka AI, que também contabiliza mais de 9.400 servidores MCP públicos em funcionamento.

Virar "padrão de fato" (não imposto por norma, mas escolhido pelo mercado) em menos de dois anos é raro. Pra comparação: protocolos de integração costumam levar anos pra ganhar essa tração, quando ganham.

Como um agente de IA com MCP funciona na prática, passo a passo?

Pensa num agente de marketing que precisa qualificar um lead que chegou por formulário. Sem MCP, alguém (ou algum script fixo) teria que programar manualmente cada chamada a cada sistema. Com MCP, o agente consulta os servidores disponíveis e decide o caminho.

Repara que em nenhum desses passos alguém escreveu, linha por linha, "se o lead vier do formulário X, mande o e-mail Y". O agente decide isso em tempo real, com base no que encontra. Isso é execução, não resposta.

Isso já está em produção de verdade, ou ainda é promessa?

Aqui vale separar intenção de execução real, porque o hype e o fato nem sempre coincidem.

Pelo lado otimista: a PwC encontrou que 52% dos executivos seniores dizem que agentes de IA já estão ampla ou totalmente adotados em sua empresa, e outros 27% relatam adoção limitada, segundo dados citados pela Talkwalker. Do lado do marketing especificamente, a Salesforce (via McKinsey) aponta que 34% das equipes de marketing empresarial já rodam agentes autônomos de IA em produção, o dobro do registrado no quarto trimestre de 2025.

Mas o Gartner Hype Cycle, citado pela Omnibound, traz um número bem mais conservador: apenas 17% das organizações já implantaram agentes de IA de fato, mesmo que mais de 60% digam que pretendem fazer isso nos próximos dois anos. A distância entre "dizer que adotou" e "ter implantado" é onde mora boa parte da confusão do mercado.

Um dado específico de infraestrutura ajuda a calibrar essa conversa: a pesquisa de software da Stacklok, de 2026, mostra que 41% das organizações pesquisadas já estão em produção limitada ou ampla com servidores MCP especificamente. Esse número vem de uma amostra de empresas de software (não é uma média geral da economia), mas é um dos poucos dados que medem produção real, não intenção declarada em pesquisa.

Por que o Gartner prevê que mais de 40% dos projetos de IA agêntica vão fracassar?

Esse é o número que toda empresa animada com agente deveria colar na parede. O Gartner projeta que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, segundo a RCR Wireless. As razões apontadas não são "a tecnologia não funciona". São mais chatas que isso: custo crescente sem controle, valor de negócio que ninguém consegue medir direito, e controles de risco inadequados.

Isso bate com um padrão que se repete em qualquer ciclo de tecnologia nova: a empresa compra a ferramenta antes de redesenhar o processo que a ferramenta vai rodar. O agente vira mais um sistema plugado em cima da bagunça existente, em vez de ser a razão pra organizar a bagunça primeiro.

Agente de IA não conserta processo ruim. Ele executa o processo ruim mais rápido, e sem ninguém no meio pra perceber que algo deu errado.

Gui Loureiro

A conexão com o pilar "fosso é sistema" do GNDM é direta aqui. Empresa que tem dado organizado, processo claro e governança definida consegue colocar um agente pra rodar em cima disso e colher o ganho. Empresa que não tem isso só automatiza a confusão num ritmo mais rápido e com menos visibilidade sobre onde o erro aconteceu.

Quais são os riscos de segurança reais do MCP?

Esse é o ponto que menos gente discute e que mais deveria preocupar quem está conectando agente a sistema de produção. O protocolo é aberto, qualquer um pode publicar um servidor MCP, e isso tem um preço.

Um levantamento de 2026 da Bonfy AI é direto: entre 30% e 82% dos servidores públicos de MCP carregam alguma falha explorável, como path traversal, SSRF (falsificação de requisição do lado do servidor) ou injeção de comando. Só 8,5% dos servidores usam OAuth pra autenticação, padrão de segurança básico pra esse tipo de conexão. E 88% das organizações relataram ao menos um incidente de segurança confirmado ou suspeito envolvendo agentes de IA no último ano.

Entre janeiro e abril de 2026, pesquisadores divulgaram mais de 40 CVEs (vulnerabilidades catalogadas publicamente) contra implementações do protocolo em SDKs de Python, TypeScript, Java e Rust, segundo a comunidade de desenvolvedores do DEV Community. Isso afetou servidores de referência da própria Anthropic, ferramentas de terceiros com 150 milhões de downloads combinados, e 9 de 11 marketplaces de MCP auditados.

Isso não é motivo pra não usar MCP. É motivo pra tratar a conexão de um agente com dado sensível (CRM, financeiro, dado de cliente) com o mesmo rigor que se trataria qualquer outra integração de sistema crítico: autenticação forte, permissão mínima necessária, e auditoria de quem acessou o quê.

Agente de IA em marketing substitui a equipe?

Não, e quem vende essa promessa está vendendo fórmula, não ferramenta. O que o agente substitui é a execução mecânica de uma decisão que já tem critério claro: qualificar lead segundo regra definida, disparar sequência de nutrição, consolidar relatório de performance, monitorar menção de marca.

O que o agente não substitui é a decisão de qual critério usar, o julgamento sobre o que fazer quando o critério não cobre o caso, e a responsabilidade por quando algo sai errado. Isso continua sendo trabalho humano, só que em outro nível: menos "executar a tarefa", mais "desenhar e supervisionar o sistema que executa a tarefa".

É aqui que entra a verdade-âncora de pessoa: idade e experiência viram ativo, não passivo. Quem já viu processo de marketing dar errado de vinte jeitos diferentes reconhece, num segundo, quando o agente está prestes a repetir um desses vinte erros. Isso é julgamento que não se automatiza, porque é construído em cima de experiência acumulada.

Quando faz sentido usar agente de IA (e quando NÃO faz)?

Nem todo processo merece um agente. Faz sentido quando a tarefa é repetitiva, tem volume suficiente pra justificar o investimento de configuração, e o critério de decisão pode ser razoavelmente bem definido, mesmo que não seja 100% determinístico.

Não faz sentido (ainda) quando a decisão exige julgamento de marca de alto risco, quando o custo de erro é alto e difícil de reverter, ou quando a empresa não tem o dado organizado pra alimentar o agente com contexto confiável. Um agente sem dado bom é um motorista com GPS desatualizado: decide com confiança e erra o caminho com a mesma confiança.

Como começar a usar agentes de IA sem virar estatística do Gartner?

A estatística que assusta (mais de 40% de projetos cancelados até 2027) tem um padrão comum por trás dela: empresa compra ferramenta de IA agêntica achando que isso resolve um problema de processo que já existia antes da IA chegar.

O caminho inverso funciona melhor. Primeiro, escolhe um processo real, de volume comprovado, que já é bem entendido por quem trabalha nele. Depois, documenta o critério de decisão desse processo até o fim, mesmo as exceções chatas que ninguém gosta de escrever. Só então entra o agente, rodando em cima de um processo que já faz sentido sem IA nenhuma.

Esse é o ponto onde a promessa de "montar a operação e ensinar a não depender de quem montou" faz mais sentido do que em qualquer outro momento do ciclo de IA até agora. Um agente mal entendido pela própria empresa que o usa é um passivo, não um ativo. Ele decide coisas que ninguém dentro da empresa sabe explicar depois.

O que medir pra saber se o agente está funcionando?

Medir "quantas tarefas o agente executou" é medir atividade, não resultado. O que importa é: o resultado de negócio melhorou, o tempo humano liberado foi redirecionado pra algo de maior valor, e os erros que aconteceram foram identificados e corrigidos rápido, ou ficaram escondidos até virar problema grande.

Um agente bom gera rastro auditável: toda decisão que ele tomou devia poder ser reconstruída depois, com o contexto que ele usou e o motivo da escolha. Se isso não existe, a empresa não tem um agente, tem uma caixa-preta com boa conversa.

A combinação de métrica de resultado (vendas, custo, tempo de resposta) com métrica de governança (quantos incidentes, quanto tempo pra detectar erro, quantas decisões foram revisadas) separa quem de fato opera IA agêntica de quem só tem um painel bonito mostrando "tarefas automatizadas".