Sub-agentes na prática: quando um agente de IA só não dá conta
Sub-agentes valem a pena quando a tarefa se divide em partes paralelas e independentes (pesquisa de mercado, auditoria de canais, geração de variantes de criativo). Não valem quando a tarefa é sequencial e interdependente, como escrever um copy coeso. A Anthropic mediu 90,2% de ganho de performance com multi-agentes, mas ao custo de rodar vários sub-agentes consumindo tokens em paralelo. Ganho real, preço real: decida com essa conta na mesa, não com hype.
O que são sub-agentes, na prática?
Um sistema multi-agente é uma arquitetura em que um agente líder, chamado orquestrador, quebra uma tarefa complexa em pedaços independentes e distribui cada pedaço pra um agente especializado. Cada sub-agente trabalha em paralelo, sem visibilidade do que os outros estão fazendo, e devolve seu resultado pro orquestrador consolidar numa resposta final.
É a diferença entre um funcionário fazendo uma tarefa do início ao fim e um chefe dividindo o trabalho entre uma equipe que só se fala através dele. Ninguém vê a partitura completa, exceto o maestro.
A Anthropic descreve isso como arquitetura orquestrador-trabalhador. No sistema deles, um Claude Opus 4 faz o papel de líder, decompondo a pergunta de pesquisa em subtarefas. Vários Claude Sonnet 4 tocam cada subtarefa em paralelo, depois devolvem os achados pro líder consolidar.
No marketing, isso se traduz em coisas como: um sub-agente pesquisa concorrentes, outro audita SEO técnico do site, um terceiro gera variantes de headline, e um quarto compara os achados com o histórico de campanhas anteriores. Cada um roda seu pedaço sem esperar o outro terminar.
É esse paralelismo que gera o ganho de velocidade. E é o mesmo paralelismo que gera o custo extra, porque cada sub-agente consome tokens de forma independente, mesmo quando dois deles chegam a conclusões parecidas. Rodar cinco agentes lendo e processando contexto ao mesmo tempo custa mais do que rodar um só, mesmo quando o resultado final é mais rápido de chegar.
Orquestrar agentes: como isso funciona na prática?
Orquestrar não é só ligar vários agentes ao mesmo tempo. É desenhar quem manda em quem, o que cada sub-agente pode ver, e como o resultado final é montado sem virar bagunça.
Do problema à execução
- Decompor a tarefaO orquestrador quebra a pergunta grande em partes que não dependem umas das outras pra começar. Se a parte B precisa do resultado da parte A antes de rodar, não é candidata a sub-agente paralelo.
- Especializar cada sub-agenteCada sub-agente recebe um escopo estreito e as ferramentas certas pra aquele escopo (busca, CRM, planilha, API de ads). Escopo largo demais faz o sub-agente se comportar como um agente único disfarçado.
- Rodar em paraleloOs sub-agentes executam ao mesmo tempo, sem se comunicar entre si. Isso economiza tempo, mas também multiplica o consumo de tokens porque cada um processa seu próprio contexto do zero.
- Consolidar no orquestradorO agente líder recebe os retornos, resolve contradições e monta a resposta final. Esse passo é onde a maioria dos sistemas mal desenhados quebra, porque ninguém pensou em como resolver quando dois sub-agentes discordam.
O ponto fino aqui, segundo a análise da ByteByteGo sobre a arquitetura da Anthropic, é que multi-agentes funcionam bem em problemas divisíveis em vertentes paralelas de pesquisa. Perdem força em tarefas fortemente interdependentes, como programação.
Marketing tem os dois tipos de tarefa dentro do mesmo funil. Pesquisa de audiência é paralelizável. Escrever um copy com começo, meio e fim não é.
Multi-agente vale a pena? A conta que ninguém faz antes de começar
Vale, mas só se você fizer a conta de custo antes de fazer a conta de resultado. A Anthropic testou o sistema orquestrador-trabalhador e mediu 90,2% de melhoria de performance sobre sistemas de agente único em avaliações internas de pesquisa complexa.
O detalhe que o hype costuma esconder: cada sub-agente processa seu próprio contexto de forma independente, o que multiplica bastante o consumo de tokens em relação a uma interface de chat padrão, segundo a análise da ByteByteGo sobre essa mesma arquitetura. O ganho de 90,2% só compensa quando o valor do resultado final justifica esse gasto.
A própria Anthropic é direta sobre isso no blog institucional: hoje, sistemas multi-agente muitas vezes são aplicados em situações onde um agente único teria performado melhor. A empresa já viu times gastarem meses construindo arquiteturas elaboradas só pra descobrir depois que um prompt melhor, num único agente, chegava ao mesmo resultado. Isso não é modéstia, é alerta de quem constrói o produto.
Sub-agente é uma arquitetura que só compensa sob três condições ao mesmo tempo. A tarefa precisa se dividir em partes que não dependem uma da outra pra começar, como pesquisar cinco concorrentes em paralelo. O valor do resultado final precisa justificar o consumo extra de tokens que vem de rodar vários agentes processando contexto ao mesmo tempo, em vez de um só. E alguém precisa ter desenhado, antes de rodar, como o orquestrador resolve quando dois sub-agentes trazem respostas conflitantes, porque sem esse desenho o sistema quebra em silêncio. Faltando qualquer uma das três, a conta pende pro agente único: mais barato, mais simples de manter, e muitas vezes com o mesmo resultado final se o prompt for bem escrito.
Sub-agente não é status de maturidade em IA. É ferramenta pra um tipo específico de problema, e o problema errado com a ferramenta certa ainda dá resultado errado.
Gui LoureiroQuando um agente único é a escolha melhor?
Quando a tarefa é sequencial, quando você precisa de coerência de tom do início ao fim, ou quando o custo do erro é baixo o suficiente pra não justificar o gasto extra de tokens de uma orquestração. Escrever um post, responder um ticket de suporte, gerar uma legenda: raramente precisam de orquestração.
O mercado ainda reflete isso na prática, não só na teoria. Segundo dados compilados pela Nevermined a partir de GM Insights e Grand View Research, sistemas de agente único detêm 59,24% de participação de mercado hoje, favorecidos por simplicidade, menor custo e adequação a tarefas bem definidas.
A mesma fonte projeta um CAGR de 48,5% para sistemas multi-agente entre 2025 e 2030. Isso mostra pra onde o interesse está indo, mesmo que a adoção majoritária ainda seja de agente único.
| Critério | Agente único | Sistema multi-agente |
|---|---|---|
| Tipo de tarefa | Sequencial, interdependente | Paralelizável, com partes independentes |
| Custo de tokens | Baseline | Bem maior, cada sub-agente processa contexto próprio |
| Complexidade de manutenção | Baixa | Alta (orquestração, consolidação, conflitos) |
| Ganho de performance em pesquisa complexa | Baseline | +90,2% (medição Anthropic) |
| Veredito | Escolha padrão pra tarefas bem definidas | Só compensa se o valor do resultado supera o custo extra de tokens |
O hype está maior que a adoção real?
Sim, e vale nomear isso antes de decidir gastar orçamento. O Gartner registrou um aumento de 1.445% nas consultas sobre Sistemas Multi-Agentes entre o primeiro trimestre de 2024 e o segundo trimestre de 2025. Isso é curiosidade e busca por informação, não necessariamente implantação.
A mesma consultoria projeta que 40% das aplicações enterprise estarão integradas com agentes de IA task-specific até o fim de 2026, contra menos de 5% em 2025. É uma curva de adoção rápida, mas ainda em rampa, não no platô.
No lado da execução, a pesquisa da McKinsey em 2025 mostra que 88% dos respondentes já usam IA regularmente em pelo menos uma função de negócio, contra 78% no ano anterior. 62% das organizações dizem estar experimentando agentes de IA, mas só 23% já os usam em escala em pelo menos uma função. A maioria ainda está testando, não escalando.
No Brasil, o abismo entre intenção e execução aparece mais claro ainda. Um estudo da MIT Technology Review Brasil em parceria com a Skyone mostra que 99% dos entrevistados acreditam que agentes de IA terão papel central nos negócios nos próximos três anos. Mas 57% afirmam que suas empresas ainda não têm orçamento dedicado à área. A ambição está na frente do caixa.
+ O que fazer antes de montar sub-agentes
- Mapear se a tarefa é paralelizável de verdade
- Calcular o custo de tokens de rodar vários agentes em paralelo antes de aprovar o projeto
- Testar primeiro se um prompt melhor no agente único resolve
− O que evitar
- Montar orquestração pra tarefa sequencial
- Copiar arquitetura de pesquisa (Anthropic) pra tarefa de execução criativa
- Escalar multi-agente sem orçamento dedicado definido
Dúvidas sobre sub-agentes na prática: quando um agente de ia só
- Anthropic — How we built our multi-agent research system — descrição da arquitetura orquestrador-trabalhador e o ganho de 90,2% de performance
- ByteByteGo — análise da arquitetura multi-agente da Anthropic — leitura sobre custo de tokens e tipos de tarefa que se beneficiam de multi-agentes
- Nevermined, via GM Insights e Grand View Research — participação de mercado de sistemas agente único (59,24%) e CAGR projetado de multi-agentes (48,5%)
- Gartner — aumento de 1.445% nas consultas sobre Sistemas Multi-Agentes e projeção de 40% de aplicações enterprise integradas até 2026
- McKinsey — The State of AI 2025 — 88% de uso regular de IA em ao menos uma função de negócio, 62% experimentando agentes, 23% em escala
- MIT Technology Review Brasil / Skyone — 99% creem em papel central de agentes de IA em três anos, 57% sem orçamento dedicado
Qual é o seu teto?
Descubra onde sua operação está na curva de IA e qual é a menor ação pra subir de nível.
Continue no tema
