O paradoxo da produtividade artificial
Há um ruído ensurdecedor nos timelines de tecnologia. Todo santo dia surge uma nova ferramenta que promete automatizar o que restava de trabalho manual em engenharia de software. O discurso é sedutor: delegue tarefas a agentes de inteligência artificial e foque no que realmente importa. Mas Matt Velloso, um profissional que circulou pelos corredores da Meta, Google DeepMind e Microsoft, soltou uma advertência que merece ser lida com calma, longe do hype: trabalhar de forma síncrona com vinte agentes de IA simultâneos não é o futuro da eficiência — é uma receita garantida para o burnout.
A provocação não vem de alguém alheio ao código. Velloso não é um palestrando motivacional que descobriu IA ontem. Ele esteve dentro dos laboratórios que estão moldando a próxima geração de modelos. Quando ele diz que o Brasil pode ficar para trás e que a exaustão entre desenvolvedores é real, é inteligente prestar atenção. Mas, mais do que repercutir o alerta, quero destrinchar o porquê disso acontecer sob a ótica de quem já teve que orquestrar pipelines, lidar com latência de sistemas distribuídos e entender o custo cognitivo de manter múltiplos contextos abertos ao mesmo tempo.
A falsa promessa do paralelismo infinito
Na teoria, coordenar vinte agentes autônomos parece trivial. Você despacha uma requisição para cada um, espera as respostas e consolida o resultado. Na prática, a engenharia de software nos ensinou que paralelismo não escala sem custo. Cada agente de IA opera com um contexto próprio, um estado interno que pode ou não ser compartilhado, e uma janela de atenção limitada. Quando você tenta sincronizar vinte dessas entidades, o custo de comunicação entre elas cresce de forma exponencial, não linear. É a velha lei de Amdahl aplicada à inteligência artificial: a aceleração máxima de um sistema é limitada pela parte sequencial do processo.
Velloso toca em um ponto sensível: a necessidade de supervisão constante. Diferente de um microsserviço bem definido, que responde com previsibilidade, um agente de IA pode alucinar, mudar de estratégia ou simplesmente travar em um loop improdutivo. Monitorar isso para cada agente exige do desenvolvedor uma carga mental que raramente é contabilizada. Não é apenas o tempo de CPU que pesa; é a atenção humana. E atenção, diferentemente de núcleos de processamento, não escala horizontalmente com facilidade.
Outro aspecto técnico frequentemente ignorado é o problema do context shift cognitivo. Cada vez que você alterna entre verificar o output de um agente de sumarização, depois o resultado de um agente de geração de código, e em seguida o log de um agente de teste, seu cérebro paga um tributo. Na computação clássica, chamamos isso de cache miss no processador. No cérebro humano, o efeito é similar: o tempo de reorientação para uma nova tarefa corrói a produtividade real. Com vinte agentes, o custo de chaveamento simplesmente inviabiliza qualquer ganho real.
O custo escondido da orquestração de agentes
Quando comecei a trabalhar com experimentos envolvendo múltiplos agentes de IA em pipelines automatizados, percebi rapidamente que o gargalo nunca era o modelo. O modelo respondia em segundos. O gargalo era a minha capacidade de interpretar, validar e integrar as respostas de forma coerente. Velloso acerta ao dizer que o desenvolvedor se transforma em um orquestrador de caos. A cada execução, você precisa verificar se o agente A não corrompeu a saída do agente B, se o agente C não ingeriu dados desatualizados, se o agente D não desrespeitou as diretrizes de segurança.
Para quem trabalha com infraestrutura, isso soa familiar. Lembra quando todo mundo queria colocar tudo em containers sem entender os fundamentos de orquestração? O resultado eram clusters Kubernetes ingerenciáveis que consumiam mais tempo de operação do que o valor que entregavam. Com agentes de IA, o movimento é parecido. A empolgação com a capacidade de gerar código ou texto automaticamente ofusca a realidade operacional: alguém precisa desenhar a arquitetura de comunicação, definir políticas de fallback, estabelecer limites de tempo de execução e, principalmente, decidir o que fazer quando um agente falha silenciosamente.
E falha silenciosa é o pior cenário. Diferente de uma exceção em linguagem de programação, que gera um stack trace claro, um agente de IA pode produzir uma resposta aparentemente correta, mas semanticamente equivocada. Detectar isso sem um sistema de validação automatizado e humano no loop é praticamente impossível. Multiplique essa preocupação por vinte instâncias e você terá uma jornada de trabalho que não termina no horário comercial. O burnout não vem do volume de tarefas, mas da vigilância constante.
O Brasil e a corrida da IA: o risco de importar o erro
Velloso também alerta que o Brasil corre o risco de ficar para trás. Discordo parcialmente do enquadramento. O risco não é ficar para trás em termos de modelos fundacionais — esse jogo já está definido entre Estados Unidos e China. O risco real é importar acriticamente as práticas ruins de orquestração de agentes sem o devido preparo técnico e cultural. Empresas brasileiras frequentemente pulam etapas. A pressão por resultados rápidos, combinada com a escassez de profissionais experientes em sistemas distribuídos e IA, cria um ambiente fértil para a adoção irresponsável de ferramentas.
Já vi times inteiros adotarem agentes de IA para automatizar processos sem sequer terem mapeado os fluxos de trabalho existentes. O resultado era uma complexidade adicional que gerava mais bugs, mais retrabalho e mais estresse. Não é que a tecnologia seja ruim. Ela é poderosa. Mas a ausência de uma camada de governança técnica — limites claros, métricas de qualidade, revisão humana obrigatória para decisões críticas — transforma a promessa de autonomia em uma fonte de ruído operacional.
Outro ponto: o custo financeiro. Rodar vinte agentes de IA de forma síncrona não é barato. Cada chamada de API para modelos grandes tem um custo computacional e monetário. Quando a orquestração é mal feita, você paga duas vezes: pelo processamento ocioso e pelo tempo humano de depuração. Em um cenário de margens apertadas, isso pode inviabilizar o business case inteiro. O alerta de Velloso, portanto, não é apenas sobre saúde mental; é sobre sustentabilidade econômica do uso de agentes em escala.
Sincronia versus autonomia: quando cada modelo é um time
A alternativa que tenho adotado em projetos reais é pensar em agentes como times, não como funcionários individuais. Em vez de ter vinte agentes disputando minha atenção simultaneamente, prefiro arquiteturas em que poucos agentes são altamente especializados e operam de forma assíncrona. Um agente especialista em sumarizar logs não precisa conversar em tempo real com um agente especialista em gerar relatórios. Ele pode deixar o resultado em um buffer ou fila, e o outro agente consome quando estiver pronto. Isso reduz a carga cognitiva humana e torna o sistema mais resiliente a falhas.
Essa abordagem não é nova. São os padrões de message queuing e event-driven architecture que usamos há décadas em sistemas distribuídos. A diferença é que agora os consumidores e produtores são modelos de IA, não microsserviços tradicionais. Mas os princípios de design continuam válidos: desacoplamento, tolerância a falhas, idempotência e observabilidade. Ignorar esses fundamentos é construir um castelo de areia que desaba no primeiro pico de demanda.
Para quem está começando, minha recomendação prática é: limite o número de agentes que você gerencia de forma síncrona a, no máximo, três. Esse é o ponto em que um ser humano médio consegue manter um modelo mental coerente do sistema. Acima disso, você precisa de ferramentas de observabilidade robustas — dashboards que mostram não apenas métricas de performance, mas também a qualidade semântica das saídas. E lembre-se: a melhor orquestração é aquela que você não precisa monitorar a cada segundo. Invista em criar pipelines auto-corretivos e com human-in-the-loop apenas para exceções.
O que não está sendo dito sobre o futuro do trabalho
Matt Velloso toca em uma ferida que a indústria prefere ignorar: o discurso de que a IA vai liberar os profissionais para tarefas criativas é verdadeiro apenas para quem consegue desenhar sistemas que realmente funcionam sem supervisão constante. Para a maioria, a realidade imediata é de sobrecarga cognitiva. As empresas vendem a ideia de que você terá um exército de assistentes silenciosos. O que elas não contam é que você se torna o general que precisa ler todos os relatórios de batalha em tempo real.
Há também um viés geracional e cultural. Profissionais mais jovens, que cresceram com múltiplos estímulos digitais, podem ter mais tolerância ao ruído, mas isso não significa que o custo cognitivo desaparece. A exaustão é cumulativa. Em médio prazo, o burnout atinge independentemente da idade. Velloso acerta ao trazer o debate para o centro da conversa sobre produtividade. Não se trata de ser contra agentes de IA. Trata-se de entender que a ferramenta certa usada da maneira errada gera mais dano do que benefício.
Do ponto de vista de carreira, o profissional que souber orquestrar agentes de forma eficiente — com arquiteturas assíncronas, limites claros e supervisão inteligente — terá um diferencial enorme. Não é quem usa mais agentes que vence, mas quem usa melhor. E “melhor” significa, na maioria das vezes, usar menos agentes, com mais qualidade e menos intervenção humana.
Lições de implementação que aprendi na prática
Em um projeto recente de automação de documentação técnica, eu precisei decidir entre duas abordagens: uma com cinco agentes especializados rodando em paralelo com coordenação centralizada, e outra com dois agentes mais genéricos operando de forma sequencial com revisão humana. A primeira abordagem prometia mais velocidade. A segunda, mais controle. No fim, a primeira gerou um número tão alto de inconsistências que o tempo de revisão superou o tempo de geração. A segunda, embora mais lenta, produziu um resultado utilizável com pouco retrabalho.
A lição foi clara: a eficiência de um sistema multiagente não se mede apenas pelo throughput de geração, mas pelo custo total de validação. Esse custo inclui o tempo humano de leitura, correção e reentrada no pipeline. Ignorar essa métrica é o caminho mais rápido para a exaustão. Velloso está certo. O mercado precisa de parâmetros objetivos para avaliar quando a orquestração de agentes vale a pena e quando ela se torna um peso morto.
Outra lição: a importância de estabelecer um contrato de interface entre agentes. Assim como em APIs tradicionais, cada agente precisa ter uma especificação clara de entrada, saída, efeitos colaterais e comportamento em caso de erro. Sem isso, a integração vira um amontoado de suposições. E suposição em IA é o mesmo que convite ao caos.
Oportunidade disfarçada de cansaço
O alerta de Matt Velloso não deve ser lido como um veto ao uso de agentes de IA. Deve ser lido como um chamado à maturidade técnica. A indústria está amadurecendo, e com o amadurecimento vem a responsabilidade de usar as ferramentas com discernimento. O desenvolvedor que ignorar esse recado e continuar acumulando agentes como quem acumula guias de navegador abertas vai, sim, se exaurir. Mas aquele que entender que orquestrar é um projeto de engenharia, e não um exercício de entusiasmo, vai construir sistemas que realmente entregam valor sem destruir quem os opera.
O Brasil não precisa correr atrás do trem da IA desesperadamente. Precisa, isso sim, aprender a embarcar nos vagões certos, com passagens que o profissional consegue pagar sem deixar a saúde no caminho. O futuro do trabalho com IA não será definido por quem tem mais agentes rodando. Será definido por quem tem mais inteligência para saber quando parar de adicionar complexidade e começar a simplificar.