Sabe aquela história de montar um time gigante pra resolver um problema que uma pessoa boa resolveria sozinha? A Apple acabou de testar isso com agentes de IA — e o resultado é um tapa na cara da hype.

Pesquisadores da Apple Machine Learning Research pegaram um agente simples — um modelo rodando com acesso direto ao terminal do computador — e botaram pra disputar contra os sistemas mais elaborados que existem: times de agentes que planejam, delegam, criticam e coordenam um ao outro.

Resultado no benchmark MLE-bench (que mede se um agente consegue fazer engenharia de machine learning sozinho):

Por que o simples ganhou

A explicação dos pesquisadores é direta: o que faz o agente funcionar é a força do modelo + acesso direto ao ambiente. Todo o resto — orquestrador, agente-crítico, cadeia de revisão — adiciona complexidade sem adicionar resultado.

Pior: complexidade multi-agente custa mais e quebra mais. Cada agente extra é mais uma chamada de API, mais um ponto de falha, mais uma camada onde o erro pode se esconder. É a versão em IA do "muitos cozinheiros estragam a sopa".

O que isso NÃO significa

Importante ser honesto aqui: isso não prova que multi-agente é inútil. Pra tarefa que era o teste (engenharia de ML), o agente simples venceu. Em cenários onde você realmente precisa de papéis diferentes — um monitora, outro executa, outro audita — a divisão de trabalho ainda faz sentido.

O que o estudo prova é que começar complexo é erro. O instinto da indústria nos últimos 2 anos foi "mais agentes = mais poder". A Apple mostrou: não necessariamente.

E na sua empresa?

Se você tá avaliando projeto de IA e o fornecedor tá te vendendo uma "arquitetura multi-agente orquestrada" pra resolver um problema que parece direto — desconfia. A pergunta certa é: "dá pra fazer com um agente simples primeiro?"

Na prática, é exatamente o nosso modelo de blocos: um agente, uma tarefa, um bloco. Se precisar de mais um, adiciona. Se um já resolve, pronto — economizou o preço da orquestração inteira.

Fonte: CryptoBriefing — paper Apple Machine Learning Research (arXiv)

Quer um agente que funciona de verdade em vez de uma arquitetura linda que não entrega? A gente começa simples.

Chamar no WhatsApp