Realidade dos Agentes de IA do Vale do Silício: desperdício massivo de tokens, integração dos sistemas “extremamente caótica”, previsão de Huang Renxun sobre o “próximo ChatGPT” a aguardar validação

De acordo com um relatório aprofundado da CNBC, nas duas reuniões fechadas que decorreram esta semana no Vale do Silício, vários CEO de novas empresas de IA e engenheiros afirmaram que a implementação em escala de agentes de IA enfrenta dois grandes problemas estruturais: “enorme desperdício de tokens” e “extrema confusão entre sistemas”. Este registo presencial contrasta fortemente com a expectativa optimista do CEO da Nvidia, Jensen Huang, em março, quando disse que os agentes de IA são o “próximo ChatGPT”, sugerindo que o verdadeiro gargalo nesta via não está no poder de computação, mas sim no desenho da tomada de decisão, na eficiência dos tokens e na integração de múltiplos sistemas.

O maior problema é entregar tudo ao LLM

O CEO da nova empresa de IA Meibel, Kevin McGrath, assinalou na reunião: “O maior problema que estamos a enfrentar agora é pensarmos erradamente que tudo precisa de ser processado por modelos de linguagem grandes — colocar todos os tokens e todo o dinheiro num único bot de IA, e ele vai queimar alguns milhões de tokens.” Ele sublinhou que, ao conceber fluxos de trabalho de agentes, as empresas precisam de avaliar com mais clareza quais tarefas realmente exigem LLM e quais podem ser concluídas com lógica mais barata baseada em regras ou com aprendizagem automática tradicional.

Esta observação acompanha a reacção do mercado após a viragem da versão empresarial da Anthropic Claude para faturação por quantidade — quando o consumo de tokens se traduz diretamente em custos, o modelo de desenvolvimento de “entregar cegamente ao agente” evidencia imediatamente a pressão financeira. A perspectiva da Meibel representa um grupo de profissionais de engenharia menos dadas ao hype: a arte da arquitectura de agentes está em impor limites, e não em dar rédea solta.

Confusão gerada pela dependência mútua de sistemas de multi-agentes

Uma outra palavra-chave que surge repetidamente na reportagem da CNBC é “caótico”. Quando as empresas executam vários agentes de IA em simultâneo — por exemplo, um para lidar com apoio ao cliente, outro para gerir agendamentos e outro para tratar de finanças — a transmissão de mensagens entre agentes, a consistência do estado e a resposta a erros acabam por influenciar-se mutuamente, e qualquer comportamento anómalo de um agente pode propagar-se em cadeia. O Karpathy também mencionou esta semana que, pessoalmente, executa fluxos de trabalho com 10–20 agentes ao mesmo tempo, mas admitiu que o code review e o processo de PR se tornaram o novo gargalo.

A confusão destes sistemas de multi-agentes é, no fundo, a repetição dos antigos problemas dos sistemas distribuídos na era do LLM: não há um SLA claro, não existem limites transaccionais e não existe semântica de tentativas de falha e re-tentativas. Embora a Anthropic e a OpenAI tenham lançado camadas de protocolo como MCP e Agent SDK, na prática de adopção empresarial a normalização ainda fica muito atrás do crescimento do número de agentes.

A proposta salarial em tokens de 250 mil dólares de Jensen Huang cai em desuso

Em março, o CEO da Nvidia, Jensen Huang, promoveu fortemente o conceito de “salário em tokens” em GTC e em entrevistas subsequentes, afirmando: “Se um engenheiro com um salário anual de 500 mil dólares não consumir pelo menos 250 mil dólares em tokens, eu ficaria profundamente inquieto.” A lógica dele é a seguinte: os engenheiros devem usar agentes de IA para substituir as suas acções mais básicas, e a quantidade absoluta de tokens consumidos é um indicador delegado de produtividade. Esta argumentação pode ser consultada na entrevista mais recente de Jensen Huang (parte superior), com uma exposição completa sobre a procura de capacidade informática de IA.

Mas as opiniões presenciais na reportagem da CNBC mostram que o grupo de engenheiros do Vale do Silício está cada vez mais reticente: a quantidade de tokens consumidos não equivale a produtividade e, até, pode ser um sinal de que o desenho do agente é inadequado. O verdadeiro valor do engenheiro continua a residir em “decidir quais tarefas valem a pena ser chamadas de agente, como decompor tarefas e como desenhar o tratamento de erros” — e esse trabalho, por si só, não pode ser medido pela quantidade de tokens consumidos.

Crypto e agentes de IA ainda exigem tempo

Para a indústria cripto, a tendência desta semana de a IA estar a absorver 80% do capital de risco global e de projectos DeFi integrarem activamente agentes autónomos baseia-se no pressuposto de que a tecnologia de agentes atingiu um nível já deployável. Mas esta reportagem da CNBC lembra: mesmo em ambientes empresariais puramente web2, a eficiência dos tokens dos agentes e a integração de múltiplos sistemas ainda não estão estabilizadas. Colocar agentes em ambientes on-line 7×24, onde os activos podem ser roubados em tempo real, ampliará tanto o risco técnico como o risco financeiro. O verdadeiro ponto de partida para Crypto × IA poderá ainda esperar pela maturidade da normalização na camada de frameworks de agentes (como MCP, LangGraph, Cloudflare Agents).

Este artigo “Realidade dos Agentes de IA no Vale do Silício: enorme desperdício de tokens, integração de sistemas ‘extremamente caótica’, previsão de Jensen Huang sobre ‘o próximo ChatGPT’ aguarda validação” foi publicado pela primeira vez em 鏈新聞 ABMedia.