Um chatbot responde. Um agente age. Ele lê um pedido, planeja as etapas, chama ferramentas, altera registros e presta contas. Essa diferença muda quem você precisa no time.
O interesse é alto. Na pesquisa State of AI 2025 da McKinsey, 62% das organizações disseram que pelo menos experimentam agentes de AI, mas só 23% os escalam em ao menos uma área do negócio. As vagas que mencionam AI agêntica cresceram 280% em um ano, segundo o Stanford AI Index 2026 com dados da Lightcast.
A distância entre experimentar e escalar é onde a composição do time mais pesa.
Por que agentes falham
Antes de escolher papéis, ajuda saber o que dá errado. O Gartner projeta que mais de 40% dos projetos de AI agêntica serão cancelados até o fim de 2027, e aponta três causas: custos crescentes, valor de negócio pouco claro e controles de risco insuficientes.
Nenhuma delas é problema do modelo. São problemas de design, permissões, medição e integração. Cada um aponta para um papel.
O núcleo: dois papéis obrigatórios
AI Agent Engineer
O AI Agent Engineer desenha como o agente pensa e age. Isso inclui:
- Fluxos de trabalho e, quando preciso, vários agentes trabalhando juntos.
- Chamada de ferramentas e conexões com APIs e dados, incluindo o Model Context Protocol (MCP).
- Memória, planejamento e os pontos em que um humano aprova ou corrige.
- Avaliação e rastreamento, para você ver por que o agente fez o que fez.
Um agente que funciona uma vez numa demo é fácil. Um agente que se comporta igual em milhares de pedidos é o trabalho desse papel.
AI Architect
O AI Architect é dono das decisões que causam cancelamentos quando ninguém é dono delas: permissões, risco e custo.
- O que o agente pode tocar, e com a identidade de quem?
- O que acontece quando ele erra?
- Qual modelo roda cada etapa, e quanto custa uma tarefa?
- Como isso se encaixa nas regras de segurança e compliance que você já tem?
Essas escolhas são difíceis de mudar tarde. Elas pertencem ao começo.
Os papéis recomendados
Backend Engineer
Um agente é tão útil quanto as ações que consegue executar. Essas ações são APIs. Muitas vezes elas ainda não existem, ou foram feitas para pessoas clicando em telas, não para software chamando em loop.
O Backend Engineer expõe as APIs que o agente chama, com autenticação, limites de taxa e erros claros. É um trabalho fácil de subestimar. A integração é uma dor conhecida: 77% dos líderes de engenharia disseram ao Gartner que integrar AI em aplicações é um grande desafio.
ML Engineer
Quando o agente roda de verdade, alguém precisa vigiá-lo. O ML Engineer traz a disciplina de produção:
- Observabilidade em cada etapa e cada chamada de ferramenta.
- Avaliação contínua, para a qualidade não derivar em silêncio.
- Custo por tarefa, acompanhado como qualquer outra métrica operacional.
- Versionamento e rollback quando uma mudança piora as coisas.
É isso que transforma "funcionou semana passada" num sistema que você consegue operar.
Os papéis opcionais
Alguns agentes precisam de mais. Dois papéis entram quando o projeto pede.
AI Product Designer, quando o agente conversa com usuários finais. As pessoas precisam entender o que o agente está fazendo, confiar na medida certa e se recuperar quando ele falha. Isso é um problema de design.
Data Engineer, quando o agente depende de uma base de conhecimento. Se os documentos estão espalhados ou desatualizados, o agente vai agir com informação ruim. Preparar essa base para busca e recuperação é um trabalho à parte.
E o AI Engineer?
O AI Engineer e o AI Agent Engineer têm muito em comum: prompts, recuperação, avaliação. Muitos projetos de agente ganham com os dois. A diferença é o foco. O AI Engineer faz as saídas do modelo serem boas dentro de um produto. O Agent Engineer faz um sistema que executa ações com segurança ao longo de muitas etapas.
Se o seu "agente" só responde perguntas a partir de documentos, um AI Engineer pode bastar. Quando ele começa a mudar coisas em outros sistemas, você entrou no território dos agentes.
Juntando tudo
Um time típico para um agente em produção fica assim:
- Obrigatórios: AI Agent Engineer, AI Architect.
- Recomendados: Backend Engineer, ML Engineer.
- Opcionais: AI Product Designer, Data Engineer.
Essa é a composição do AI Agent Pod. É um ponto de partida, não um modelo fixo. Um piloto rodando em um time precisa de menos. Um agente que mexe em registros financeiros precisa de mais controle, não de mais gente.
Três erros de montagem do time
Montar só o trabalho de prompt. Um bom engenheiro de prompt faz um agente parecer brilhante numa demo. Sem alguém dono de permissões e APIs, ele nunca toca um sistema real.
Deixar a operação para o fim. Monitoramento e avaliação parecem opcionais até o primeiro incidente. Aí ninguém consegue explicar por que o agente fez o que fez, e a confiança é difícil de recuperar.
Tratar o agente como projeto paralelo. Agentes agem em sistemas centrais. Precisam da mesma revisão, segurança e responsabilidade que qualquer outro software que escreve em produção.
Comece pequeno, de propósito
O primeiro agente mais seguro tem uma tarefa estreita, uma lista curta de ações e um humano aprovando as arriscadas. Esse escopo não é falta de ambição. É como o time aprende o que o agente faz com pedidos reais, antes de lhe dar mais liberdade.
Perguntas para fazer antes de começar
- O que o agente vai poder fazer? Liste as ações, não as intenções.
- Quem aprova o quê? Defina onde um humano continua no circuito.
- Como você vai saber que funciona? Combine a avaliação antes do primeiro prompt.
- Quanto custa uma tarefa? Estime cedo e acompanhe desde o primeiro dia.
- Quem opera depois do lançamento? Um agente sem dono se degrada.
Se essas perguntas têm respostas claras, você está pronto para montar o time. Se não têm, essa é a primeira coisa em que o time deve ajudar você.