Agentes de IA fortes passam a vez ao humano em 80% dos casos em que o caminho dele é mais curto

Se um agente pede ajuda ao humano cada vez menos, isso não significa necessariamente que a colaboração esteja desandando. Talvez o trabalho simplesmente tenha sido dividido do jeito certo. Um novo estudo do Hugging Face Daily Papers testa essa hipótese em um labirinto com dois avatares. Quatro modelos de linguagem, GPT 5.6 Sol, Command A+, Qwen 3.8 27B e Command R, jogaram junto com pessoas. Os que resolvem a tarefa sozinhos de forma confiável passaram ao humano cerca de 80% das primeiras decisões quando o trajeto dele era mais curto. Quando o humano não tinha vantagem, esses modelos agiam por conta própria quase sempre.

Um labirinto em que é possível passar a vez

Os autores partem de uma observação simples: pela taxa de participação humana, não dá para distinguir uma colaboração ruim de uma boa divisão de trabalho. Se o agente não chama a pessoa, ele pode estar sendo excessivamente confiante ou simplesmente se saindo melhor. Para separar esses casos, é preciso controlar quem é mais forte na tarefa.

Para isso, os pesquisadores criaram um labirinto compartilhado. Nele há dois avatares: um controlado pelo agente e outro pelo humano. O objetivo é comum: chegar a um mesmo ponto no menor número possível de jogadas da equipe. A cada turno, o agente escolhe entre agir sozinho ou passar a vez ao parceiro.

A vantagem do humano é definida apenas pela disposição inicial, ou seja, pelo comprimento do caminho mais curto dele. Todo o resto da tarefa permanece igual. Isso gera três condições: o humano tem vantagem clara, ninguém tem vantagem, ou o agente tem vantagem.

Primeiro sozinho, depois em dupla

O experimento teve duas etapas. Primeiro, cada modelo foi testado sozinho: um avatar, com observabilidade total do mapa. Isso mediu a capacidade pura de resolver o labirinto sem parceiro. Depois, os modelos jogaram em dupla com pessoas nas três condições.

O principal resultado é este: quanto melhor o modelo se sai sozinho, mais seletivo ele é ao acionar o humano, e isso depende do trajeto. Os números principais:

• Modelos que resolvem o labirinto sozinhos de forma confiável agem por conta própria, quase sem exceções, quando o humano não tem vantagem.
• Quando o trajeto do humano é mais curto, esses mesmos modelos passam a ele cerca de 80% das decisões iniciais.
• O Command R, claramente mais fraco no modo individual, não mostrou essa seletividade.
• A intervenção do humano muda conforme a condição da tarefa, e não é um hábito fixo do modelo.

A conclusão sobre o Command R merece destaque. O comportamento dele não parece uma distribuição consciente de papéis. Pelo resultado, a capacidade de perceber quem tem o caminho mais curto está ligada à capacidade de resolver a tarefa. Um modelo que traça mal a própria rota também avalia mal a rota do parceiro.

Por que a métrica «quantas vezes chamou o humano» engana

Para a indústria de agentes, é uma notícia incômoda sobre métricas bem estabelecidas. Muitas equipes medem a taxa de escalonamento para humanos e tentam reduzi-la. Aqui, uma taxa menor pode indicar tanto maturidade quanto cegueira. Um agente que não passa a vez quando o humano é mais rápido perde eficiência. Um agente que passa a vez sem critério transfere um trabalho que ele mesmo poderia fazer.

Por isso, o que importa no estudo não é a frequência dos pedidos, mas a adequação deles às condições. Um bom agente se comporta de forma diferente em cada configuração: assume a tarefa quando é mais forte e a entrega quando o parceiro está mais perto do objetivo.

O que mudar na avaliação de agentes

Para equipes que desenvolvem agentes com participação humana, a conclusão prática se resume a alguns passos.

• Avaliar não a porcentagem geral de escalonamentos, mas sua relação com quem é objetivamente mais forte em cada subtarefa.
• Montar testes com vantagem controlada do humano, do agente e com vantagem zero, como neste labirinto.
• Medir primeiro a capacidade individual do modelo e só depois interpretar o comportamento dele em dupla. Sem essa base, não dá para saber se o agente delega de forma consciente ou às cegas.
• Não considerar um modelo fraco mais «cooperativo» só porque ele pede ajuda com mais frequência. O Command R não tem seletividade, e a frequência de pedidos, por si só, não diz nada.

O labirinto continua sendo uma tarefa de laboratório, e é preciso cautela ao transpor o resultado para fluxos de trabalho reais. Mesmo assim, a metodologia é útil: ela separa a pergunta «o agente sabe trabalhar com humanos?» da pergunta «ele sabe resolver a tarefa sozinho?».