DeepMind: mais agentes, resultado pior?

A indústria de inteligência artificial viveu por muito tempo sob uma lógica simples: mais é melhor. Mais parâmetros, mais dados, mais computação. Agora a DeepMind desafia a próxima etapa dessa ideia: a crença de que aumentar o número de agentes de IA dentro de um sistema amplia automaticamente suas capacidades. A nova pesquisa da empresa sugere que as arquiteturas multiagente têm um teto estrutural, e chegar perto dele pode sair caro para quem apostou no escalonamento de agentes como principal caminho a seguir.

A ideia de sistemas multiagente não é nova. Nos últimos dois anos, os principais laboratórios (OpenAI, Anthropic, Google) promoveram ativamente um conceito em que vários agentes de IA especializados trabalham juntos, dividem tarefas e conferem os resultados uns dos outros. Supunha-se que essa arquitetura imitava a inteligência coletiva: um agente escreve código, outro o testa, um terceiro procura erros e um coordenador geral acompanha o processo. A lógica parecia impecável, até a DeepMind começar a medir o que acontece na prática.

A pesquisa registrou um efeito contraintuitivo: a partir de certo limiar, adicionar novos agentes não melhora o resultado, mas o piora. A causa está nos custos de coordenação. Cada novo agente no sistema não é apenas poder computacional extra, mas também uma nova fonte de possíveis contradições. Os agentes precisam conciliar resultados intermediários, repassar contexto e resolver conflitos de interpretação. Com poucos participantes, esse custo adicional é insignificante. À medida que o número cresce, ele passa a devorar o próprio ganho para o qual o sistema foi criado. Em algum momento, a orquestra deixa de ser orquestra e vira uma multidão.

Do ponto de vista técnico, o problema se agrava porque os modelos de linguagem atuais não têm um mecanismo confiável para resolver contradições entre agentes. Quando dois agentes chegam a conclusões diferentes, o que acontece com mais frequência quanto mais complexa a tarefa, o sistema precisa de um árbitro, de um protocolo de votação ou de um retorno a uma das opções. Cada um desses métodos introduz distorções próprias. O árbitro também pode errar. A votação por maioria elimina soluções incomuns, mas corretas. O retorno significa que parte do trabalho foi feita em vão. Nada disso são bugs de implementações específicas, e sim propriedades fundamentais de sistemas distribuídos, com as quais engenheiros lidam há décadas, mesmo em software clássico.

Para a indústria, a descoberta tem consequências práticas sérias. Startups e grandes empresas investiram recursos significativos nos chamados frameworks de agentes (AutoGen, da Microsoft, CrewAI, LangGraph e muitas outras ferramentas), voltados justamente para orquestrar grande quantidade de agentes. A tese de que o escalonamento de agentes compensa as limitações de cada modelo virou quase um dogma nos pitch decks de tecnologia. Se a DeepMind estiver certa, parte dessas decisões de arquitetura precisará ser revista não daqui a anos, mas agora.

Ao mesmo tempo, é importante não superestimar o pessimismo do estudo. O "teto de agentes" não é uma sentença contra a abordagem multiagente em si, mas sim um sinal de que o escalonamento precisa ser inteligente, e não mecânico. Sistemas com poucos agentes bem especializados, áreas de responsabilidade claramente separadas e sobreposição mínima de tarefas continuam apresentando ganhos reais de desempenho. O problema surge quando desenvolvedores adicionam agentes pela lógica do "quanto mais, melhor", sem pensar em como a coordenação entre eles funciona.

A descoberta da DeepMind se insere em um debate mais amplo sobre os limites do escalonamento em IA, que ganhou força nos últimos meses. Depois de vários anos em que mais capacidade computacional elevava a qualidade quase automaticamente, a indústria enfrenta cada vez mais retornos decrescentes, seja no pré-treinamento de grandes modelos ou, agora, nas arquiteturas de agentes. Isso não significa que o progresso parou. Significa que receitas simples deixam de funcionar e que o crescimento quantitativo precisa dar lugar a soluções arquitetônicas qualitativas. Para os laboratórios que disputam a liderança na era da IA agêntica, os resultados da DeepMind não são motivo de pânico, mas sim de repensar seriamente como pretendem construir os sistemas da próxima geração.