Anthropic: um agente único bate frotas de subagentes
A Anthropic passou a orientar empresas a avaliarem a consolidação de seus subagentes em um agente principal único, que carrega contexto conforme a necessidade. O argumento vem de comparações feitas pela própria companhia: em um dos testes, a execução com agente único foi cerca de duas vezes mais rápida do que o arranjo com vários agentes especializados. A empresa também disponibilizou no GitHub um kit de migração, voltado a equipes que queiram mapear padrões existentes, testar alternativas e verificar qual desenho entrega o melhor resultado.
O que mudou nos modelos mais recentes
Segundo a Anthropic, a partir do Opus 4.5 — e também no Opus 5.5 e no Fable 5.1 — os modelos conseguem administrar planos complexos dentro de um único ciclo de execução, o que tende a encurtar a espera e reduzir o gasto com inferência (o custo de processar cada comando enviado ao modelo). A conclusão não sai de um laboratório isolado: vem da experiência do time de IA Aplicada (Applied AI) da empresa em implantações corporativas. Nesses projetos, um agente único apoiado em skills — pacotes de instruções e rotinas acionados só quando necessário — superou com frequência tanto prompts monolíticos quanto arquiteturas com subagentes.
Onde o desenho multiagente trava
O padrão que a Anthropic encontrou em campo repete uma lógica burocrática: detecção de intenção, pipeline fixo de processamento, segmentação de usuários, ramificações separadas de recomendação e um orquestrador no topo. Boa parte desse trabalho o modelo já resolve sozinho. A companhia apelidou o fenômeno de Conway's Law aplicada a agentes: a arquitetura vira cópia do organograma, cada área lança seu próprio subagente e, no fim, centenas de agentes se sobrepõem sem padrão comum. O passo seguinte é o Frankenprompt, em que cada equipe acrescenta regras ao prompt de sistema até que elas se contradigam. Um caso citado envolve uma empresa que mantinha 12 subagentes especializados dentro do agente voltado ao cliente, o que prejudicou consistência de marca, usabilidade e latência.
| Critério | Agente único com contexto sob demanda | Frota de subagentes |
|---|---|---|
| Velocidade | Cerca de 2x mais rápido em um teste | Mais lento |
| Custo | Menor | Crescente |
| Informação | Contexto carregado na hora | Perda a cada passagem entre agentes |
| Qualidade | Superior com frequência nos casos analisados | Depende da coordenação entre times |
Quando ainda faz sentido separar agentes
A recomendação não é universal. A Anthropic mantém três situações em que subagentes continuam adequados: quando a janela de contexto de um agente único apresenta degradação mensurável de desempenho, quando há tarefas que precisam rodar em paralelo em contextos separados e quando o agente isolado tem dificuldade para escolher ferramentas.
Migração pede teste, não fusão cega
O kit publicado no GitHub conduz o time por um fluxo de trabalho: mapear o que existe, comparar alternativas e validar a escolha. A própria Anthropic relata um erro de percurso. Em um teste com agente de suporte, incorporar um subagente reduziu a latência, mas quebrou um processo que funcionava — o agente principal passou a responder por conta própria em vez de consultar o especialista correto.
Governança: prompt enxuto e biblioteca de skills
Em vez de um agente por equipe, a orientação é empacotar fluxos de trabalho em skills e carregar ferramentas sob demanda por meio de busca. Um time central pequeno responde pelo prompt de sistema e pela qualidade geral. A Anthropic observa que a seleção de ferramentas tende a piorar depois de 30 a 50 definições — daí a importância de donos designados em cada área para evitar que as bibliotecas inchem. Um prompt de sistema limpo, quatro ou cinco ferramentas de dados enxutas e guardrails fixos de saída cobrem boa parte dos casos. Como referência, a empresa cortou em mais de 80% o prompt de sistema do Claude Code nas versões mais novas. Materiais como diretrizes, especificações de produto e definições de métricas devem ficar em bases de conhecimento consultadas por busca, ou em arquivos de referência dentro de uma skill; buscar contexto via código e injetá-lo no prompt é desaconselhado.
Pesquisa externa reforça o diagnóstico
Um estudo da Vals aponta que equipes de agentes podem ser mais rápidas que um agente isolado, porém não entregam qualidade superior. Ao escalar de 10 para 30 ou 100 agentes, o ganho de qualidade foi nulo, com custo bem maior.
O que isso significa para o investidor
A tese de agentes de IA depende menos da quantidade de camadas e mais do custo por tarefa executada. Cada salto entre agentes consome contexto, adiciona espera e pressiona a conta de tokens — item que, em escala corporativa, aparece na linha de despesas de quem opera a aplicação e no volume de uso dos provedores de nuvem. Para quem acompanha a cadeia de tecnologia, o recado prático é separar discurso de arquitetura: empresas que anunciam centenas de agentes internos podem estar carregando complexidade sem retorno proporcional, enquanto as que consolidam fluxos tendem a mostrar ganho de margem à medida que o uso cresce. No Brasil, a leitura vale para integradoras, fornecedores de software corporativo e companhias que embarcaram automação em atendimento e backoffice: o indicador a seguir é a relação entre volume processado e despesa com infraestrutura, não o número de agentes no organograma.