Intel alerta: a IA agêntica saiu da "infância" e exige um novo modelo de controle

A Intel propõe enxergar a IA agêntica como uma criança que, de repente, parou de engatinhar e começou a correr. As empresas ainda discutem políticas e comitês, enquanto agentes autônomos já ganham acesso a fluxos de trabalho, orçamentos e sistemas críticos. Ou seja, as abordagens antigas de controle deixaram de funcionar.

Dos chatbots aos agentes

Em um texto para a MIT Technology Review, os autores comparam o estágio atual da agentic AI à "primeira infância". A transição foi rápida: no fim de 2025 e no início de 2026, chegou ao mercado uma onda de ferramentas no-code e, com ela, o OpenClaw, um agente pessoal open-source disponível no GitHub. Antes, a IA basicamente esperava um pedido na interface de um chatbot. Agora, ela mesma percorre uma cadeia de ações: lê dados, toma decisões intermediárias e faz o processo avançar sem confirmação humana constante.

É justamente aí, segundo a Intel, que o antigo modelo de governance quebra. Até então, as empresas se concentravam nos riscos das respostas do modelo: alucinações, drift, vazamento de dados e envenenamento de dados. Mas quando o agente passa a executar workflows em velocidade de máquina, o sentido do human in the loop diminui drasticamente. Para a empresa, a questão deixa de ser "o que o bot disse" e passa a ser "o que o bot já fez": quais registros alterou, quais permissões usou e quais ações disparou ao longo da cadeia.

Onde o controle quebra

A ideia central do texto é que já é tarde para gerenciar agentes por meio de documentos e comitês. Os limites precisam estar embutidos diretamente no código e nos processos de negócio, levando em conta o nível de risco, as permissões de acesso e a possível responsabilização. Caso contrário, um agente com lógica probabilística ganha liberdade demais em sistemas onde um erro sai caro. Isso muda tanto a arquitetura quanto a divisão de responsabilidades: se o agente errar, quem responde não é o modelo, e sim a empresa que lhe deu acesso ao ambiente de produção.

"A IA faz o trabalho, e as pessoas carregam o risco."

• um agente pode encadear ações em vários sistemas corporativos e acumular mais influência do que um único funcionário;
• a empresa acumula rapidamente contas de serviço, tokens de API de longa duração e permissões para alterar arquivos e dados essenciais;
• surge uma nova camada de shadow AI, em que funcionários criam seus próprios assistentes sem arquitetura, suporte ou auditoria adequada;
• quando um funcionário muda de área ou deixa a empresa, ficam para trás agentes "órfãos" vinculados ao seu ID e às suas permissões;
• neglected AI pilots e "projetos zumbis" continuam rodando na nuvem e queimando recursos sem um responsável claro.

Os autores também fazem uma analogia com uma criança pequena que, de repente, ganha um brinquedo poderoso demais. Para o ambiente corporativo, a mensagem é simples: não se pode colocar um agente autônomo em produção sem observabilidade, sem a possibilidade de revogar acessos rapidamente e sem um mecanismo de parada forçada. São necessários discovery, audit trail, remediation e um procedimento claro de desativação. Do contrário, o ganho com a automação desaparece no primeiro incidente, e lidar com as consequências acaba custando mais do que o próprio benefício da implementação.

O preço da autonomia

A Intel também contesta a ideia popular de que a IA agêntica é só uma forma de cortar a folha de pagamento. No modelo enterprise, os custos se comportam de outra maneira: não se trata de uma licença fixa por usuário, mas do consumo de tokens, computação e APIs externas conforme os workflows crescem. A economia com pessoal se revela uma métrica grosseira demais, porque, junto com a automação, crescem os gastos com observabilidade, suporte, segurança e controle financeiro de toda a infraestrutura de agentes.

O texto cita uma pesquisa da IDC de dezembro, encomendada pela DataRobot: 96% das empresas que implementam generative AI e 92% das organizações que implementam agentic AI relataram que os custos ficaram acima ou muito acima do esperado. É um sinal importante para o mercado: o problema não se resume ao preço do modelo por token. O dinheiro também vai para a manutenção de dezenas de agentes internos, a correção de erros, a revisão de permissões de acesso e a manutenção das equipes que precisam manter tudo isso sob controle.

A imprevisibilidade da economia baseada em uso agrava o problema. Diferentemente do FinOps clássico, em que os gastos com nuvem são mais ou menos determinísticos, a IA agêntica se comporta de forma probabilística: longas cadeias de chamadas, ciclos autônomos e erros de planejamento podem levar o custo de uma única sessão a valores extremos. Os autores chegam a mencionar que alguns AI-first founders já se deparam com gastos na casa de $100 000 por uma única sessão agêntica. Se os limites não forem definidos desde o início, um workflow autônomo pode facilmente "devorar" um orçamento equivalente à contratação de mais um funcionário.

O que isso significa

Para as empresas, a IA agêntica já não é uma interface experimental sobre um LLM, e sim uma nova camada operacional. Vão sair na frente não as companhias que liberarem mais rápido para os funcionários "montarem seu próprio agente", mas aquelas que embutirem antes nos processos as permissões de acesso, a auditoria, a desativação, os limites de orçamento e o monitoramento contínuo do que o agente faz nos sistemas reais.