Em março de 2025, pesquisadores da Universidade da Califórnia em Berkeley publicaram o primeiro levantamento sistemático sobre por que sistemas com vários agentes de inteligência artificial falham na prática. A equipe analisou sete estruturas de automação diferentes, mais de 200 tarefas e 1.600 execuções reais, revisadas por especialistas humanos.
A conclusão central desmonta uma suposição comum. A maior parte das falhas não vem do modelo de IA errar uma resposta. Vem de um problema mais simples e mais antigo que a inteligência artificial: dois processos automatizados agindo sobre o mesmo trabalho sem que ninguém tenha definido, antes, quem decide quando eles discordam.
Isso importa para quem decide porque nenhuma empresa vai parar em um agente só. Vai rodar vários, em paralelo, sobre o mesmo processo — um faz a triagem, outro aprova, um terceiro registra. Quando ninguém desenhou o que acontece na divergência entre eles, o resultado de uma mesma solicitação passa a depender de um detalhe que nenhum diretor aprovaria de propósito: qual automação rodou primeiro.
Não é um problema de modelo de IA ruim nem de empresa desorganizada. É um problema estrutural, do mesmo tipo que qualquer operação já enfrentou quando duas áreas humanas atuam sobre o mesmo processo sem um combinado claro sobre quem tem a palavra final. A diferença é a velocidade: entre humanos, o conflito aparece em dias; entre automações, em segundos, e muitas vezes sem que ninguém perceba que ele aconteceu.
Quando o resultado depende de quem rodou primeiro
A pesquisa de Berkeley batizou de MAST a lista de 14 modos de falha que encontrou, organizados em três grupos: falhas na especificação do trabalho, desalinhamento entre os agentes e falta de verificação do resultado. A taxonomia nasceu da análise detalhada de 150 execuções, com especialistas humanos concordando entre si em 88% dos casos — um nível de concordância alto para esse tipo de julgamento.
O grupo mais revelador para quem gerencia operação é o do desalinhamento entre agentes. Nele aparecem três padrões que qualquer gestor de processo reconhece, só que agora acontecendo em segundos, sem ninguém no meio para notar: uma instrução se perde entre uma etapa e a próxima; um agente aceita o resultado do anterior sem checar se ele está certo; o processo encerra antes de todas as validações acontecerem.
Traduzido para uma rotina comum: um agente aplica uma versão da política de reembolso, outro aplica a versão atualizada, e quem decide qual das duas vale é a ordem em que os dois rodaram naquele dia — não uma regra que alguém escreveu de propósito. Ninguém na empresa escolheu esse critério. Ele simplesmente emergiu de dois sistemas terem sido ligados sem combinação prévia entre si.
Em maio de 2026, a consultoria Gartner foi na mesma direção por outro caminho: aplicar a mesma regra de governança para todo agente de IA, sem diferenciar o nível de autonomia de cada um, tende a levar a própria empresa à falha do agente. O aviso vai contra o reflexo comum de escrever uma política única "para cobrir tudo" — o que resolve é diferenciar, por etapa, o que cada agente pode decidir sozinho.
O mesmo padrão aparece em outra combinação comum: uma automação de atendimento resolve um pedido de troca e uma automação de cobrança, rodando em paralelo sobre o mesmo cliente, já disparou uma notificação de débito para o item que acabou de ser trocado. As duas estavam corretas dentro da própria etapa. Nenhuma das duas sabia que a outra existia, e ninguém definiu qual das respostas deveria prevalecer diante do cliente.
Mais regras não resolvem o conflito
O reflexo mais comum diante desse tipo de contradição é escrever mais uma regra, um documento de política mais detalhado, ou confiar que o próprio modelo de IA vai perceber o conflito e se ajustar sozinho. Nenhuma das três resolve, porque o problema não é a falta de regra — é a falta de um lugar onde a regra é aplicada antes de a divergência virar decisão.
A Deloitte mediu esse hiato em pesquisa publicada em 2026 com 3.235 líderes de tecnologia e de negócio em 24 países: apenas 21% das organizações afirmam ter um modelo de governança maduro para IA agêntica. A mesma casa, em levantamento anterior, encontrou que 42% das empresas ainda estão montando o roteiro da própria estratégia de agentes, e 35% não têm estratégia formal nenhuma.
O relatório da Deloitte nomeia exatamente a peça que falta: fronteiras claras que definem quais decisões os agentes podem tomar sozinhos e quais exigem aprovação humana. Sem essa fronteira desenhada, cada agente novo que entra em produção é mais uma fonte potencial de contradição — e a política escrita depois do primeiro incidente sempre chega tarde para o caso que já aconteceu.
Adicionar um agente "supervisor" para arbitrar os outros também não resolve sozinho, se esse supervisor não tiver, ele mesmo, um escopo declarado e um ponto claro em que passa a decisão para uma pessoa. Trocar dois agentes sem autoridade definida por três não muda a estrutura do problema — só aumenta o número de lugares onde a divergência pode nascer.
O que precisa existir na prática
Um ambiente em que vários agentes trabalham sobre o mesmo processo sem se contradizer se define por mecanismos verificáveis, não por um documento de política.
Identidade corporativa por trás de cada agente. Cada automação age em nome de alguém real, com o mesmo acesso que a empresa já controla — nunca uma conta genérica sem dono, que ninguém sabe explicar depois.
Escopo declarado por etapa. Antes de agir, cada agente sabe exatamente o que pode decidir sozinho e o que precisa passar adiante. O escopo não é descoberto durante a execução — é definido antes dela.
Aprovação humana no ponto de conflito. Quando duas automações discordam, ou uma delas ultrapassa o que pode decidir sozinha, o processo para e pede a decisão de uma pessoa, em vez de resolver por ordem de chegada.
Trilha de auditoria por etapa. Cada passo registra o que foi decidido, com qual informação e por qual agente, para que a divergência apareça antes de virar decisão — não numa investigação depois do fato.
Conhecimento aprovado como referência comum. Agentes diferentes consultam a mesma base de política vigente, com dono e versão definidos, em vez de cada automação trabalhar sobre uma cópia própria da regra.
É assim que a Skyller foi desenhada: agentes com escopo declarado por etapa, aprovação humana no ponto de conflito e trilha de auditoria disponível a qualquer momento.
Da contradição silenciosa à decisão rastreável
O ganho mais imediato é o mais fácil de medir: menos retrabalho. Quando a divergência entre agentes aparece no momento em que acontece, alguém decide uma vez — em vez de a equipe descobrir semanas depois, numa reclamação de cliente ou numa auditoria, que duas respostas diferentes saíram do mesmo processo.
As organizações precisam de fronteiras claras que definem quais decisões os agentes podem tomar sozinhos e quais exigem aprovação humana.
Há um ganho menos óbvio, mas que pesa mais com o tempo: confiança. Uma equipe que consegue reconstruir por que um agente decidiu de um jeito passa a confiar mais no próximo agente que a empresa colocar em produção. Uma equipe que não consegue reconstruir isso passa a checar manualmente cada resultado — e a automação deixa de economizar o tempo que deveria economizar.
Há também um efeito sobre a velocidade de expansão. Uma empresa que já sabe onde cada agente para e pede aprovação consegue ligar o próximo processo automatizado em cima da mesma estrutura, sem reabrir a discussão de autoridade do zero a cada novo agente. Isso é o que diferencia crescer o número de automações de acumular pontos cegos.
Antes de colocar dois agentes em produção
- Quem decide quando os agentes discordam? Nomeie a pessoa ou o papel responsável antes de ligar a segunda automação — não depois do primeiro incidente.
- Cada agente sabe até onde pode decidir sozinho? Se a resposta for "depende", o escopo não está declarado. Está sendo descoberto em produção, um caso de cada vez.
- Existe um registro de qual agente decidiu o quê, e com base em qual versão da regra? Sem isso, nenhuma auditoria reconstrói por que duas solicitações iguais tiveram respostas diferentes.
- O que acontece quando um agente encontra um caso que outro já tratou? Se a resposta é "o segundo sobrescreve o primeiro", a empresa tem uma corrida — não um processo.
- Alguém já testou os dois agentes juntos, no mesmo caso, antes de colocar os dois em produção ao mesmo tempo? Testar cada automação isolada não revela o conflito — ele só aparece quando as duas rodam sobre o mesmo pedido real.
