DeepMind: quanto mais agentes, pior o resultado?

A indústria de inteligência artificial viveu por muito tempo sob uma lógica simples: mais significa melhor. Mais parâmetros, mais dados, mais poder de computação. Agora o DeepMind está desafiando o próximo passo dessa ideia—a crença de que aumentar o número de agentes de IA dentro de um sistema automaticamente leva a um aumento em suas capacidades. A nova pesquisa da empresa sugere que arquiteturas multiagente têm um teto estrutural, e aproximar-se dele pode ser custoso para quem apostou no dimensionamento de agentes como o caminho principal a seguir.

A ideia de sistemas multiagente não é nova em si mesma. Nos últimos dois anos, os principais laboratórios—OpenAI, Anthropic, Google—têm promovido ativamente um conceito no qual vários agentes de IA especializados trabalham juntos, distribuindo tarefas e verificando os resultados uns dos outros. Presumia-se que essa arquitetura imitaria inteligência coletiva: um agente escreve código, outro o testa, um terceiro procura por erros, e um coordenador geral supervisiona o processo. A lógica parecia impecável—até o DeepMind começar a medir o que realmente acontece na prática.

A pesquisa descobriu um efeito contraintuitivo: a partir de um certo limiar, adicionar novos agentes não melhora o resultado, mas o piora. A razão está nos custos de coordenação. Cada novo agente no sistema não é apenas poder computacional adicional, mas também uma nova fonte de contradições potenciais. Os agentes devem coordenar resultados intermediários, passar contexto e resolver conflitos de interpretação. Com um pequeno número de participantes, esses custos gerais são insignificantes. À medida que o número cresce, começam a consumir os próprios ganhos pelos quais o sistema foi criado. Em certo ponto, o sistema deixa de ser uma orquestra e se torna uma multidão.

Tecnicamente, o problema é agravado pelo fato de que os modelos de linguagem modernos carecem de um mecanismo confiável para resolver contradições entre agentes. Quando dois agentes chegam a conclusões diferentes—e isso acontece com mais frequência quanto mais complexa a tarefa—o sistema requer um árbitro, um protocolo de votação ou uma reversão para uma das variantes. Cada uma dessas abordagens introduz suas próprias distorções. Um árbitro pode cometer erros. A votação por maioria elimina soluções não convencionais, mas corretas. Uma reversão significa que parte do trabalho foi feita em vão. Tudo isso—não bugs em implementações específicas, mas propriedades fundamentais de sistemas distribuídos com os quais engenheiros lidam há décadas, até mesmo em software clássico.

Para a indústria, essa descoberta tem consequências práticas sérias. Startups e grandes empresas investiram recursos significativos na construção dos chamados frameworks de agentes—AutoGen da Microsoft, CrewAI, LangGraph e muitas outras ferramentas orientadas especificamente para orquestrar um grande número de agentes. A tese de que o dimensionamento de agentes compensa as limitações dos modelos individuais tornou-se quase um dogma em apresentações tecnológicas. Se o DeepMind estiver certo, algumas dessas soluções arquitetônicas precisarão ser reconsideradas não em anos, mas agora.

Ao mesmo tempo, é importante não superestimar o pessimismo da pesquisa. O "teto de agentes" não é uma sentença de morte para a abordagem multiagente como tal, mas sim uma indicação de que o dimensionamento deve ser inteligente, não mecânico. Sistemas com um pequeno número de agentes bem especializados, zonas de responsabilidade claramente definidas e sobreposição mínima de tarefas continuam a demonstrar ganhos reais de produtividade. O problema surge quando desenvolvedores adicionam agentes segundo o princípio de "quanto mais, melhor" sem considerar como a coordenação entre eles está organizada.

A descoberta do DeepMind se encaixa em uma discussão mais ampla sobre limitações de dimensionamento em IA, que se intensificou notavelmente nos últimos meses. Após vários anos em que aumentar o poder computacional quase automaticamente fornecia melhorias de qualidade, a indústria enfrenta cada vez mais retornos decrescentes—seja no pré-treinamento de grandes modelos ou, agora, em arquiteturas de agentes. Isso não significa que o progresso parou. Significa que as receitas simples não funcionam mais e devem ser substituídas por soluções arquitetônicas qualitativas. Para laboratórios competindo pela liderança na era da IA baseada em agentes, os resultados do DeepMind não são causa para pânico, mas razão para reconsiderar seriamente como exatamente eles planejam construir sistemas de próxima geração.