"Agente de IA" já foi usado para descrever autocomplete, um chatbot com três botões e sistemas que compram passagem aérea sem supervisão. Quando uma palavra cobre tudo isso, ela para de carregar informação.
Aqui vai uma definição estreita o bastante para ser útil:
> Um agente de IA é um modelo de linguagem rodando em loop, com tools que ele pode chamar e um lugar onde as pessoas conseguem falar com ele.
Três partes, todas obrigatórias. Tire o loop e você tem um prompt. Tire as tools e você tem uma caixa de busca sobre os seus documentos. Tire a porta de entrada e você tem uma demo.
O loop é a diferença inteira
Uma chamada normal ao modelo é um tiro só. Texto entra, texto sai, o modelo nunca fica sabendo se a resposta estava certa.
Um agente recebe um objetivo em vez de uma pergunta. Ele olha as tools disponíveis, escolhe uma, vê o que voltou e decide de novo:
cliente: "onde está o pedido 4471?"
turno 1 modelo decide: chamar lookup_order(orderId: "4471")
tool devolve: { status: "in_transit", eta: "2026-08-14" }
turno 2 modelo decide: não precisa de mais tools
resposta: "Está a caminho e deve chegar no dia 14."Esse segundo turno é o que um prompt comum não consegue fazer. O modelo viu dado real e mudou a resposta por causa disso. Tudo o que impressiona nos agentes vem de repetir esses dois passos até o trabalho terminar.
O loop também explica por que agentes falham de um jeito que chatbots não falham. Um chatbot com botão quebrado mostra um botão quebrado. Um agente com uma tool mal descrita chama a tool errada, recebe um resultado plausível e responde com toda a confiança em cima dele.
As quatro partes
| Parte | O que faz | O que acontece sem ela |
|---|---|---|
| Modelo | Decide o próximo passo | Nada decide |
| Tools | Leem e mudam o mundo real | Ele só fala sobre o seu negócio, nunca age nele |
| Memória | Guarda a conversa e o que ele aprendeu | Toda mensagem começa do zero |
| Canal | Onde um humano alcança ele | É um script que só você consegue rodar |
Quase tudo o que se escreve sobre agentes trata da primeira parte, e quase toda a engenharia trata das outras três.
Tools são funções com uma descrição que o modelo lê. lookup_order, book_slot, create_ticket, transfer_to_human. A descrição importa tanto quanto o system prompt, porque é por ela que o modelo decide se é hora de chamar aquilo.
Memória costuma ser duas coisas fingindo ser uma: a conversa atual e um knowledge base que o agente consulta. A primeira é estado, indexado por quem está falando. A segunda é retrieval, e é o que impede o agente de inventar a sua política de trocas.
Canal é a parte que transforma projeto em produto. O que nos leva à pergunta que quase todo mundo pula.
Onde os agentes moram de verdade
Um agente que só existe atrás de um widget de chat no seu site alcança o pequeno grupo de pessoas que já está no seu site.
Os agentes que são realmente usados moram onde a conversa já acontece:
- WhatsApp para suporte, agendamento e qualquer coisa conversacional no Brasil, LATAM, Índia, sudeste asiático e sul da Europa, onde ele é o app de mensagem padrão.
- SMS para alcançar qualquer um com celular, sem precisar de app, com a maior taxa de abertura de toda esta lista.
- Email para contexto longo, anexos e threads de B2B, onde um agente consegue ler um pedido de orçamento inteiro e responder com um.
- Voz para quem não vai digitar, o que ainda é a maior parte das pessoas acima de certa idade e todo mundo que está com as mãos ocupadas.
- Telegram, Instagram e Messenger para comunidades e marcas de consumo cujo público já mora ali.
É por isso que "qual modelo eu uso" raramente é a decisão que determina se o agente funciona. O modelo é mais ou menos intercambiável. O canal não é.
Os tipos que existem em produção
Deixando as demos de lado, estes são os formatos que sobrevivem:
O agente de suporte. Responde perguntas a partir de um knowledge base, consulta o estado de um pedido ou de uma conta, e escala para uma pessoa quando não consegue. De longe o mais comum, e o mais fácil de medir: taxa de deflexão e taxa de escalada.
O agente de agendamento. Consulta disponibilidade, segura um horário, confirma. Poucas tools, valor alto e nenhuma tolerância a erro: marcar dois clientes no mesmo horário é pior do que não responder.
O qualificador. Fala com leads que chegam, faz três ou quatro perguntas, grava o resultado no CRM e encaminha os que valem um humano. O ROI mais claro do grupo, porque dá para colocar preço num lead qualificado.
O agente agendado. Ninguém fala com ele. Ele roda num cron, verifica alguma coisa e manda mensagem para uma pessoa quando a resposta é interessante. Estoque baixo, pagamento recusado, cliente calado há trinta dias. Subestimado, porque o enquadramento "conversacional" esconde que agentes também são bons em começar conversas.
O voice agent. Atende o telefone, faz o mesmo trabalho do agente de suporte, com um orçamento de latência de mais ou menos um segundo. Toda decisão de design vem depois desse número.
O que não é um agente
Ser preciso aqui vale mais do que parece, porque o rótulo errado cria expectativa que você depois vai ter que pagar.
Um chatbot com árvore de decisão não é um agente. Se um humano escreveu cada ramificação, o modelo não está decidindo nada. Isso ainda pode ser o produto certo: um flow com script é previsível, auditável e barato, e para um menu de cinco opções ele ganha do agente. Veja agente vs chatbot para saber quando cada um vence.
Um modelo respondendo a partir de documentos é retrieval. Genuinamente útil, e muitas vezes é tudo o que você precisa. Vira agente quando ele também consegue fazer algo: abrir o chamado, não só explicar como abrir.
Um workflow com um modelo em uma das etapas é um workflow. Se a sequência é fixa e o modelo só reescreve um texto no meio, chamar de agente não acrescenta nada além de expectativa.
Uma única chamada ao modelo com um prompt longo é um prompt, por mais longo que seja.
Quanto custa um agente
Três medidores separados, e a maioria das páginas de preço só menciona o primeiro.
Tokens. Cada turno do loop é uma chamada ao modelo carregando a conversa inteira. Um agente de três turnos custa aproximadamente três vezes uma resposta única, mais o histórico que cresce. É por isso que o limite de turnos é controle de orçamento, não só válvula de segurança.
Entrega no canal. WhatsApp, SMS e voz cobram por mensagem ou por minuto, e essas tarifas vêm da Meta e das operadoras, não do modelo. Para um agente com volume, essa linha costuma ser maior que a de tokens.
Escalada humana. As conversas que o agente passa adiante continuam custando o que custam. Um agente que deflete 60 por cento dos chamados é uma economia de 60 por cento, não de 100, e o business case honesto diz isso.
Na Zavu, agentes podem rodar no provider gerenciado zavu, cobrado do saldo do projeto, ou na sua própria chave da OpenAI, Anthropic, Google ou Mistral sem markup sobre o custo do modelo. A página de preços tem os números atuais.
Testar um
O caminho mais rápido entre ler sobre agentes e falar com um. Nada aqui é código que você escreve:
terminalnpx skills add zavudev/zavu-skills npx zavudev@latest login npx zavudev agents init
A primeira linha ensina essa API ao seu coding agent para ele parar de inventar endpoints. A segunda autoriza. A terceira é guiada.
O agents init guia a criação do sender, puxa um agente pronto do catálogo e configura os secrets. Dali, npx zavudev deploy coloca no ar, e:
terminalnpx zavudev agents test --agent <agentId> --message "tem mesa para quatro na sexta?"
roda o agente real e mostra o que ele diria, sem entregar nada a ninguém e sem cobrar nada.
Continue lendo
- Como criar um agente de IA: o loop do zero e depois deployado num canal.
- Agente de IA vs chatbot: a decisão, com os casos em que o chatbot vence.
- Frameworks de agentes de IA comparados: qual camada LangChain, CrewAI e os outros realmente resolvem.
- Agentes de IA para WhatsApp, SMS e email: a visão de plataforma.