Mais IA significa melhor resultado? O custo da sobrecarga em sistemas multi-agente

Existe uma suposição confortável escondida em muita arquitetura de IA: se um agente ajuda, três agentes conversando entre si devem ajudar mais ainda. Na prática, colocar mais IA conversando com mais IA não é uma operação de soma. Cada etapa nova é também uma nova chance de errar, e ninguém cancela esse risco só porque a etapa em questão também é inteligente.

Erro se acumula em cadeia, não se cancela

Quando a saída de um agente vira entrada de outro, qualquer imprecisão da primeira etapa passa para a segunda como se fosse fato estabelecido. O segundo agente não tem motivo para desconfiar do que recebeu, então ele constrói em cima daquilo, e o terceiro agente da cadeia constrói em cima do resultado já duas vezes distorcido do segundo.

Isso é bem diferente de redundância que corrige erro, como acontece quando múltiplas fontes independentes são comparadas entre si. Numa cadeia sequencial de agentes, cada etapa depende do resultado da anterior, então o erro tende a se propagar e, em alguns casos, se amplificar, em vez de ser filtrado no caminho.

Quando dois agentes discordam, alguém precisa decidir quem está certo

Um padrão comum em arquitetura multi-agente é ter um agente gerando uma resposta e outro revisando ou corrigindo essa resposta, numa espécie de ciclo de avaliação. Isso funciona bem quando existe um critério claro de avaliação e o agente revisor realmente consegue identificar o problema.

O que não é raro acontecer é o ciclo virar um vaivém sem convergência: o agente revisor pede uma mudança, o agente gerador aplica, o revisor encontra outro problema (às vezes reintroduzido pela própria correção anterior), pede outra mudança, e assim por diante. Sem um limite claro de tentativas ou um critério objetivo de parada, esse ciclo de correção pode continuar rodando, consumindo tempo e tokens, sem necessariamente terminar num resultado melhor do que a primeira versão gerada.

O que perguntar antes de adicionar mais um agente

A pergunta “isso melhora o resultado?” é mais difícil de responder do que parece, porque exige comparar contra uma métrica clara, e nem todo sistema multi-agente tem uma. Antes de adicionar mais uma etapa, mais um agente revisor ou mais uma camada de coordenação, vale perguntar:

• existe uma forma objetiva de medir se o resultado com essa camada extra é realmente melhor do que sem ela?
• existe um critério de parada claro, para que um ciclo de correção não rode indefinidamente?
• o ganho de qualidade esperado compensa o custo adicional de tokens, latência e complexidade de depuração que cada etapa nova introduz?

Se a resposta para qualquer uma dessas perguntas for “não sei”, a etapa extra provavelmente está sendo adicionada por intuição, não por evidência.

Complexidade não é sinônimo de qualidade

Mais IA processando o mesmo problema pode ajudar. Também pode só adicionar mais superfície para erro se espalhar e mais custo para gerar um resultado que um fluxo mais simples já entregaria igualmente bem. A pergunta que realmente importa nunca foi “quantos agentes eu consigo colocar nisso”. Continua sendo “o que cada etapa adicional está realmente contribuindo, e isso pode ser medido, ou é só uma sensação de que mais complexidade parece mais sofisticado”.