SGAEIA Research Series — Article 20
Aridio Silva
Independent Researcher, Brazil
Creator of SGAEIA — Secure Governed Autonomous Edge Intelligence Architecture
ORCID: 0009–0008–2411–6995
Copyright: © 2026 Aridio Silva | License: CC BY 4.0
Resumo
A diferença entre agentes de AI e AI agêntica é conceitualmente defensável quando se distinguem uma entidade que age, as propriedades de seu comportamento e o sistema que permite realizar objetivos. Entretanto, a literatura e os fornecedores não estabelecem uma fronteira universal entre duas tecnologias. Um agente pode executar processos longos, e um sistema agêntico pode conter apenas um agente. Este artigo examina os antecedentes acadêmicos, confronta taxonomias recentes e compara os usos de OpenAI, Anthropic, Google, Microsoft e outros fornecedores. Propõe uma síntese didática, sem apresentá-la como consenso, e mostra por que autonomia, quantidade de agentes, geração de conteúdo, aprendizagem e autoridade precisam ser analisadas separadamente.
Palavras-chave: AI; agentes inteligentes; AI agêntica; autonomia; sistemas multiagentes; modelos de linguagem; governança.
1. A pergunta certa não começa pela quantidade de agentes
Imagine um assistente encarregado de pesquisar fornecedores, conferir condições comerciais e preparar uma recomendação. Ele pode seguir uma sequência fixa de chamadas de modelo, decidir a próxima busca conforme os resultados ou dividir a investigação entre vários agentes. Os três arranjos podem utilizar o mesmo modelo de linguagem. O que muda é a organização das decisões e das ações, não necessariamente uma nova espécie de modelo.
É tentador chamar o primeiro arranjo de agente de AI e reservar AI agêntica para o terceiro. Essa classificação, porém, mistura dois critérios: quantidade de componentes e autonomia de execução. Também exclui o segundo arranjo, no qual um único agente controla um processo com realimentação. A análise precisa primeiro especificar qual nível está sendo descrito: o agente, o comportamento ou a arquitetura.
Este trabalho é uma revisão narrativa crítica de fontes primárias, não uma revisão sistemática, um experimento original ou uma avaliação de desempenho dos fornecedores. Artigos acadêmicos, preprints, white papers e documentação comercial têm funções e graus de validação diferentes. A documentação oficial comprova o uso de uma expressão pelo fornecedor; não transforma esse uso em definição científica universal. Páginas mutáveis são consideradas conforme a pesquisa concluída em 14 de outubro de 2026.
2. Agentes existiam antes dos modelos de linguagem
Na tradição de Russell e Norvig, um agente recebe percepções de um ambiente e produz ações. A função de agente relaciona históricos de percepção a ações, enquanto o programa implementa essa função em uma arquitetura. Racionalidade significa escolher ações segundo uma medida de desempenho e as informações disponíveis; não implica conhecimento perfeito nem sucesso garantido. Essa definição inclui agentes reflexos, orientados a objetivos, orientados a utilidade e agentes que aprendem. [1]
Wooldridge e Jennings discutem autonomia, reatividade, proatividade e habilidade social, reconhecendo que o termo agente já comportava diferentes interpretações. Shoham examina a programação orientada a agentes, e Rao e Georgeff desenvolvem a tradição BDI, baseada em crenças, desejos e intenções. Esses antecedentes mostram que representação de objetivos, deliberação e coordenação não nasceram com os LLMs. Um agente pode ser reativo, simbólico, robótico ou baseado em aprendizagem por reforço. [2–4]
A palavra agentic também possui precedentes fora da computação. Bandura a utiliza na discussão da agência humana, envolvendo intencionalidade, antecipação e autorregulação. Aqui essa referência é um antecedente linguístico e conceitual, com base no resumo público do editor, não uma prova de que sistemas computacionais possuem experiência subjetiva ou intencionalidade humana. Empregar a mesma palavra não autoriza transportar automaticamente seus pressupostos psicológicos. [5]
Os LLMs ampliaram a viabilidade de interfaces em linguagem natural, seleção de ferramentas e adaptação a tarefas abertas. ReAct demonstrou a integração de raciocínio expresso e ações com observações do ambiente; a revisão de Wang e colaboradores organiza componentes como planejamento, memória e uso de ferramentas. Esses trabalhos caracterizam desenvolvimentos importantes da subclasse de agentes baseados em linguagem. Não redefinem retrospectivamente toda a história dos agentes inteligentes. [6,7]
3. Uma distinção útil: entidade, propriedade e sistema
Agente de AI pode designar a unidade funcional à qual se atribuem observações, decisões e ações. Agenticidade pode descrever o perfil de controle dessa unidade ou de uma composição em determinada tarefa. Sistema agêntico pode designar o conjunto de agentes, ferramentas, estado e mecanismos de execução que permite perseguir objetivos. Neste artigo, essa separação é uma síntese analítica proposta pelo autor, não uma norma terminológica estabelecida.
Shavit e colaboradores já tratavam a agenticidade de forma gradual em 2023. O trabalho discute complexidade dos objetivos, complexidade do ambiente, adaptabilidade e independência de execução como dimensões relevantes. A contribuição sustenta a leitura de agenticidade como propriedade contextual, mas é um white paper de governança produzido por pesquisadores da OpenAI. Não estabelece uma escala universal validada nem exige autonomia irrestrita. [34]
Sapkota, Roumeliotis e Karkee propõem uma separação mais marcada entre agentes especializados e sistemas de AI agêntica com coordenação, memória e processos mais amplos. A taxonomia tem valor acadêmico e foi publicada em periódico, com publicação online em 2025 e volume de 2026. Ainda assim, uma taxonomia proposta não é consenso terminológico. A perspectiva crítica de Botti ressalta continuidades com sistemas multiagentes, enquanto a revisão de Arunkumar, Gangadharan e Buyya documenta a diversidade arquitetural do campo. [8–10]
Formalmente, pode-se representar um agente por uma política π que associa histórico de observações a ações: π: O* → A. Para um agente probabilístico, a saída é uma distribuição sobre ações, e o ambiente determina como a ação altera o estado e produz novas observações. Isso é uma abstração funcional: não afirma que todo LLM implementa sozinho o agente completo. Ferramentas, memória e execução frequentemente pertencem à aplicação que o envolve. [1,6]
Como síntese própria, um sistema pode ser descrito por S = (G, T, M, E, C): agentes, ferramentas, memória ou estado, ambiente de execução e controles. A agenticidade pode ser discutida como um perfil de autonomia, horizonte, realimentação, adaptabilidade, autoridade e coordenação. Essas notações explicitam o nível de análise; não são uma fórmula publicada para medir agenticidade nem um índice experimentalmente validado. A autoridade merece tratamento separado, porque o que o sistema consegue fazer pode exceder aquilo que está autorizado a fazer.
4. Autonomia, coordenação e aprendizagem são eixos diferentes
Um único agente pode escolher ferramentas, verificar resultados e revisar seu plano durante uma investigação. Vários componentes chamados agentes podem executar apenas etapas predeterminadas, sem decidir a sequência global. Assim, a contagem de agentes não determina a autonomia da composição. O grau de controle precisa ser observado no comportamento efetivo, nas condições da tarefa e nas regras de execução. [11,13,23]
Uma arquitetura multiagente pode facilitar especialização, investigação paralela e distribuição de contexto. Ela também cria custos de comunicação, dependências e problemas de verificação das contribuições. O sistema de pesquisa da Anthropic oferece um exemplo técnico de coordenação, mas seus ganhos relatados são resultados internos sob condições específicas. AutoGen demonstra uma arquitetura baseada em conversas entre agentes; a existência dessa arquitetura não garante que qualquer configuração seja mais autônoma ou confiável. [14,21]
Memória não é sinônimo de aprendizagem dos parâmetros do modelo. Registrar uma conversa, recuperar documentos e manter o estado de uma tarefa podem alterar o comportamento sem atualizar os pesos. Da mesma forma, revisão de um plano com novas observações não implica aprendizagem contínua. Agentes clássicos e aplicações atuais podem operar com políticas e modelos fixos; aprender durante a execução é uma possibilidade adicional, não uma condição universal de agência. [1,7]
AI generativa e AI agêntica também respondem a perguntas diferentes. A primeira caracteriza principalmente a produção de conteúdo; a segunda destaca a organização de decisões e ações orientadas a objetivos. Um modelo generativo pode integrar um chatbot sem controle de processos, enquanto um agente clássico pode agir sem gerar linguagem. Quando um fornecedor apresenta AI agêntica como evolução da AI generativa, é necessário identificar o recorte de produtos ao qual essa afirmação se aplica. [1,11,24]
5. Como os fornecedores usam os termos
A comparação seguinte examina definições e escolhas arquiteturais publicadas pelos próprios fornecedores. Ela não é um ranking de modelos de fronteira e não mede capacidade, segurança ou custo de produtos. A unidade comparada é o vocabulário técnico adotado em documentos específicos. Mesmo dentro de uma empresa, páginas conceituais e frameworks podem usar níveis diferentes de abstração.
| Organização | Uso observado | Consequência conceitual |
|---|---|---|
| OpenAI | Agentes realizam tarefas em nome do usuário; nos agentes baseados em LLM, o modelo controla o processo e utiliza ferramentas. [11,12] | Ênfase no controle da execução, sem exigir vários agentes. |
| Anthropic | “Sistemas agênticos” abrangem workflows e agentes; workflows seguem caminhos definidos e agentes dirigem dinamicamente processos e ferramentas. [13] | O adjetivo agêntico pode ser mais amplo que a categoria agente usada no mesmo texto. |
| Página conceitual do Google Cloud destaca colaboração entre agentes; o ADK diferencia agentes baseados em LLM, workflows e outras classes. [15,16] | A definição comercial não deve ser tratada como limite universal do framework ou da área. | |
| Microsoft | A FAQ adota noções amplas de agentes; o Agent Framework combina agentes e workflows. [19,20] | Delegação, composição e controle precisam ser especificados por aplicação. |
| AWS e IBM | Fontes consultadas admitem sistemas com um ou mais agentes. [23,24] | “Agêntico = obrigatoriamente multiagente” falha como regra transversal. |
| Mistral | Ferramentas, instruções, objetivos e handoffs integram aplicações de agentes. [26,27] | Componentes de produto não estabelecem uma taxonomia universal. |
| Meta | Materiais históricos do Llama 3.1 descrevem modelos em sistemas com ferramentas. [28] | É necessário separar modelo, aplicação e sistema; essa fonte não representa o catálogo atual completo. |
A diferença entre OpenAI e Anthropic é especialmente instrutiva. No guia da OpenAI, controle de workflow e capacidade de usar ferramentas são centrais para a delimitação dos agentes baseados em LLM. Na Anthropic, o termo agentic systems inclui tanto workflows predeterminados quanto agentes dinamicamente controlados pelo modelo. Não há contradição operacional obrigatória: há uma diferença no conjunto de objetos designado por cada expressão. [11–13]
No Google, a linguagem da página conceitual precisa ser lida junto com a documentação do ADK, que organiza mecanismos de orquestração sem reduzir toda aplicação a uma configuração única. A pesquisa do DeepMind sobre assistentes avançados acrescenta questões de delegação, alinhamento e interação social; a abordagem do Google para agentes seguros examina proteções em aplicações com acesso a ferramentas. Esses documentos tratam de problemas que não se resolvem apenas escolhendo entre dois rótulos. [15–18]
Na Microsoft, o Agent Framework e o trabalho AutoGen ilustram diferentes formas de compor aplicações. O modelo de responsabilidade compartilhada distingue obrigações relacionadas à plataforma e à aplicação, reforçando que segurança depende da integração e da operação. A IBM também discute riscos e mitigação de agentes, além de definições conceituais. Não é defensável inferir que um produto é seguro ou superior porque foi chamado de agêntico. [19–22,25]
AWS, IBM e Mistral ampliam a comparação, embora não ocupem exatamente a mesma posição no desenvolvimento de modelos de fronteira. Sua inclusão esclarece a circulação dos termos na arquitetura e no mercado. Os documentos da Meta citados são históricos e servem para distinguir modelos e aplicações, sem atribuir a eles uma definição atual e exaustiva de AI agêntica. Uma análise conceitual precisa explicitar essas diferenças de papel e de período. [23,24,26–28]
6. O que muda tecnicamente — e o que continua limitado
O ganho técnico mais importante dos agentes baseados em LLM é a combinação entre interpretação de objetivos, uso de ferramentas e realimentação durante a execução. Isso pode reduzir a necessidade de antecipar todas as sequências de uma tarefa aberta. Em contrapartida, decisões dinâmicas tornam comportamento, custo e tempo de conclusão menos previsíveis. Para tarefas estáveis, um workflow explícito pode ser mais simples de validar e operar; a própria Anthropic recomenda começar com arquiteturas simples. [6,11,13]
Mais componentes podem ampliar a cobertura de uma investigação, mas também introduzir falhas de coordenação. Cemri e colaboradores propõem a taxonomia MAST, com 14 modos de falha organizados em três grupos, baseada em análise de trajetórias de sistemas multiagentes. A taxonomia ajuda a identificar problemas de desenho, desalinhamento entre agentes e verificação ou término. Não prova que sistemas multiagentes sejam sempre inferiores, nem esgota todos os tipos de falha possíveis. [35]
Avaliação precisa considerar a tarefa concluída, e não apenas a plausibilidade da resposta final. Kapoor e colaboradores destacam problemas metodológicos e a relação entre qualidade e custo. O tau-bench avalia interações entre agente, usuário e ferramentas, incluindo consistência em execuções repetidas. Seu pass^k expressa sucesso em todas as k repetições e não deve ser confundido com pass@k, que considera pelo menos uma tentativa bem-sucedida. Taxas históricas pertencem às versões e condições avaliadas, não a toda a tecnologia em 2026. [29,30]
O acesso a ferramentas amplia o efeito de erros e ataques. AgentDojo examina prompt injection em ambientes nos quais conteúdo não confiável pode influenciar ações do agente. Isso torna relevantes permissões mínimas, confirmação de ações sensíveis e validação de resultados, além da qualidade do modelo. Nenhum benchmark isolado comprova segurança em produção: a conclusão depende do cenário, dos ataques, das ferramentas e das defesas avaliadas. [18,22,31]
MCP e A2A tratam de interoperabilidade em níveis diferentes. MCP organiza a integração com ferramentas e contexto, enquanto A2A trata de comunicação e colaboração entre agentes. Ambos podem facilitar arquiteturas agênticas, mas adotá-los não demonstra autonomia, correção, autoridade legítima ou resistência a ataques. São protocolos de integração, não testes de agência nem selos de segurança. [32,33]
7. A contribuição do SGAEIA: capacidade e autoridade
No SGAEIA, a distinção entre capacidade e autoridade oferece um contexto útil para analisar autonomia. Uma aplicação pode conseguir consultar registros, enviar mensagens e executar operações, mas sua autorização em determinada tarefa pode permitir apenas consulta e preparação de uma recomendação. Limites, condições e revogabilidade da autoridade precisam ser definidos independentemente da capacidade do modelo. O projeto e o artigo sobre autoridade limitada e revogável são citados aqui por essa contribuição conceitual específica. [36,37]
Essas referências são trabalhos do próprio autor e não constituem avaliação independente da arquitetura, validação experimental ou prova da taxonomia proposta neste artigo. Sua função é tornar explícita uma implicação de governança: um sistema pode selecionar meios dentro de um objetivo delegado sem receber autoridade ilimitada. Supervisão humana e restrições de execução podem coexistir com agência. O desenho de controles deve ser examinado pelo que efetivamente impede, permite e registra, não pelo rótulo comercial utilizado.
8. A diferença é defensável ou é marketing?
A diferença é conceitualmente e tecnicamente defensável quando identifica níveis de análise e propriedades observáveis. Não é defensável como uma fronteira universal que separa “agentes simples” de uma tecnologia necessariamente multiagente e autônoma. O agente é uma unidade funcional; a agenticidade é uma propriedade contextual; o sistema agêntico é uma organização de componentes. Esses sentidos podem se sobrepor no mesmo objeto.
O marketing participa da circulação dos termos e frequentemente apaga essas nuances. Isso não torna o conceito de agência vazio, nem torna todo uso de AI agêntica meramente promocional. A tradição acadêmica dos agentes, as arquiteturas com realimentação e os problemas de delegação oferecem conteúdo técnico real. O problema surge quando uma definição particular é apresentada como se fosse consenso ou quando o nome substitui a demonstração do comportamento.
Para comparar sistemas, é mais informativo perguntar quem escolhe a próxima ação, como resultados alteram a trajetória, quanto tempo o objetivo persiste, quais permissões existem e como falhas são verificadas. Depois disso, a quantidade de agentes e a escolha de ferramentas podem ser analisadas como decisões arquiteturais. Definir esses critérios reduz ambiguidades entre pesquisas, documentação e produtos. A contribuição deste artigo é organizar essa leitura, preservando a diversidade das fontes e os limites da evidência.
Glossário
| Termo | Sentido neste artigo |
|---|---|
| Agente de AI | Unidade funcional que observa e age em um ambiente; sua definição concreta depende da tradição adotada. |
| Agenticidade | Perfil contextual de controle, adaptação e execução orientada a objetivos; não um índice universal. |
| AI agêntica | Expressão usada para comportamentos ou sistemas orientados a objetivos; sua extensão varia por fonte. |
| Sistema multiagente | Composição de mais de um agente; a pluralidade não determina autonomia. |
| Workflow | Processo organizado em etapas; pode ser fixo, híbrido ou parcialmente controlado por modelos. |
| Autonomia | Controle delegado sobre escolhas dentro de condições especificadas. |
| Realimentação | Uso dos resultados observados para orientar ações posteriores. |
| BDI | Tradição de agentes baseada em crenças, desejos e intenções como abstrações computacionais. |
| Memória | Estado ou informação mantida ou recuperada; não implica atualização de pesos. |
| Aprendizagem | Alteração de política ou modelo a partir de experiência; é distinta da recuperação de informação. |
| Ferramenta | Interface pela qual uma aplicação obtém informação ou executa ações. |
| Handoff | Transferência de uma tarefa ou de seu controle a outro agente. |
| Autoridade | Permissão válida para agir em determinada tarefa, âmbito e condição. |
| Prompt injection | Tentativa de desviar o comportamento por instruções presentes em conteúdo não confiável. |
| MCP / A2A | Protocolos de integração com ferramentas/contexto e entre agentes, respectivamente. |
Referências bibliográficas
[1] Russell, S.; Norvig, P. Artificial Intelligence A Modern Approach. 4ª ed., capítulo 2. Material oficial dos autores. 2020. Fonte primária. Tipo: Fundamento clássico e didático.
[2] Wooldridge, M.; Jennings, N. R. Intelligent agents theory and practice. The Knowledge Engineering Review, 10(2), 115-152, 1995. DOI 10.1017/S0269888900008122. Fonte primária. Tipo: Artigo acadêmico clássico.
[3] Shoham, Y. Agent-oriented programming. Artificial Intelligence, 60(1), 51-92, 1993. DOI 10.1016/0004-3702(93)90034-9. Fonte primária. Tipo: Artigo acadêmico clássico.
[4] Rao, A. S.; Georgeff, M. P. BDI Agents From Theory to Practice. Proceedings of ICMAS, 312-319, 1995. Fonte primária. Tipo: Artigo acadêmico clássico.
[5] Bandura, A. Social Cognitive Theory An Agentic Perspective. Annual Review of Psychology, 52, 1-26, 2001. DOI 10.1146/annurev.psych.52.1.1. Fonte primária. Tipo: Antecedente na psicologia; resumo público.
[6] Yao, S. et al. ReAct Synergizing Reasoning and Acting in Language Models. ICLR 2023; preprint de 2022, arXiv 2210.03629. Fonte primária. Tipo: Pesquisa técnica revisada por pares.
[7] Wang, L. et al. The Rise and Potential of Large Language Model Based Agents A Survey. arXiv 2309.07864, 2023. Fonte primária. Tipo: Revisão acadêmica; versão consultada no arXiv.
[8] Sapkota, R.; Roumeliotis, K. I.; Karkee, M. AI Agents vs. Agentic AI A Conceptual Taxonomy Applications and Challenges. Information Fusion, 126, 103599, 2026; publicação online em 22 ago. 2025. DOI 10.1016/j.inffus.2025.103599; arXiv v5 de 30 set. 2025. Fonte primária. Tipo: Taxonomia acadêmica publicada em periódico.
[9] Botti, V. Agentic AI and Multiagentic Are We Reinventing the Wheel? arXiv 2506.01463, 2 jun. 2025. O PDF apresenta a variante de título Agentic AI and Multi-Agent Systems. Fonte primária. Tipo: Ensaio crítico em preprint.
[10] Arunkumar V.; Gangadharan, G. R.; Buyya, R. Agentic Artificial Intelligence AI Architectures Taxonomies and Evaluation of Large Language Model Agents. arXiv 2601.12560, 18 jan. 2026. Fonte primária. Tipo: Revisão em preprint.
[11] OpenAI. A practical guide to building agents. Guia técnico, 34 páginas, s.d. Fonte primária. Tipo: Definição e orientação oficial de fornecedor.
[12] OpenAI. Agents. Documentação oficial da API, página vigente na consulta. Fonte primária. Tipo: Documentação técnica oficial.
[13] Anthropic. Building effective agents. 19 dez. 2024; página com atualizações posteriores de ferramentas. Fonte primária. Tipo: Distinção arquitetural oficial.
[14] Anthropic. How we built our multi-agent research system. 13 jun. 2025. Fonte primária. Tipo: Relato técnico e avaliação interna.
[15] Google Cloud. What is agentic AI Definition and differentiators. Atualizada em 16 set. 2026. Fonte primária. Tipo: Página conceitual de fornecedor.
[16] Google. Agent Development Kit Agents. Documentação vigente; endereço original redireciona para adk.dev. Fonte primária. Tipo: Documentação técnica oficial.
[17] Gabriel, I. et al. The Ethics of Advanced AI Assistants. Google DeepMind, 2024; arXiv 2404.16244. Fonte primária. Tipo: Pesquisa sobre delegação e riscos.
[18] Google Research. An introduction to Googles approach for secure AI agents. 2025. Fonte primária. Tipo: Registro oficial de pesquisa técnica.
[19] Microsoft. AI Agents FAQ. Microsoft 365 Copilot, página vigente na consulta. Fonte primária. Tipo: Definições oficiais de fornecedor.
[20] Microsoft. Microsoft Agent Framework Overview. Microsoft Learn, documentação vigente. Fonte primária. Tipo: Documentação técnica oficial.
[21] Wu, Q. et al. AutoGen Enabling Next-Gen LLM Applications via Multi-Agent Conversation. COLM 2024; arXiv 2308.08155, 2023. Fonte primária. Tipo: Pesquisa técnica revisada por pares.
[22] Microsoft. AI agent shared responsibility model. Microsoft Learn, documentação vigente. Fonte primária. Tipo: Governança técnica oficial.
[23] AWS. Definitions. AWS Well-Architected Agentic AI Lens, documentação vigente. Fonte primária. Tipo: Definição arquitetural oficial.
[24] IBM. Agentic AI vs. Generative AI. IBM Think, página vigente na consulta. Fonte primária. Tipo: Definição conceitual de fornecedor.
[25] IBM. AI agents Opportunities risks and mitigations. White paper, 15 páginas, 2025. Fonte primária. Tipo: Discussão técnica de riscos.
[26] Mistral AI. Agents Introduction. Documentação oficial, página vigente na consulta. Fonte primária. Tipo: Definição técnica oficial.
[27] Mistral AI. Build AI agents with the Mistral Agents API. 2025. Fonte primária. Tipo: Anúncio técnico oficial.
[28] Meta. Introducing Llama 3.1 Our most capable models to date. 23 jul. 2024. Fonte primária. Tipo: Registro histórico oficial de arquitetura.
[29] Kapoor, S. et al. AI Agents That Matter. arXiv 2407.01502, 2024. Fonte primária. Tipo: Pesquisa sobre avaliação e custo.
[30] Yao, S.; Shinn, N.; Razavi, P.; Narasimhan, K. tau-bench A Benchmark for Tool-Agent-User Interaction in Real-World Domains. 2024; ICLR 2025. Fonte primária. Tipo: Benchmark de interação e confiabilidade.
[31] Debenedetti, E. et al. AgentDojo A Dynamic Environment to Evaluate Prompt Injection Attacks and Defenses for LLM Agents. arXiv 2406.13352, 2024. Fonte primária. Tipo: Benchmark de segurança.
[32] Model Context Protocol. Architecture overview. Documentação oficial, revisão 2026-07-28 na consulta. Fonte primária. Tipo: Especificação e arquitetura de protocolo.
[33] A2A Protocol. What is A2A. Documentação oficial vigente. Fonte primária. Tipo: Protocolo de interoperabilidade.
[34] Shavit, Y.; Agarwal, S.; Brundage, M. et al. Practices for Governing Agentic AI Systems. OpenAI, 14 dez. 2023; especialmente seção 2.1. Fonte primária. Tipo: Pesquisa técnica de fornecedor; white paper de governança.
[35] Cemri, M. et al. Why Do Multi-Agent LLM Systems Fail? NeurIPS 2025, Datasets and Benchmarks; arXiv 2503.13657v3, 26 out. 2025. Fonte primária. Tipo: Pesquisa empírica revisada por pares; taxonomia MAST.
[36] Silva, Aridio. (2026). SGAEIA Secure Governed Autonomous Edge Intelligence Architecture. Research software artifact and reference architecture. Zenodo. DOI 10.5281/zenodo.22557796. Descrição pública do projeto. Fonte primária. Tipo: Pesquisa e artefato do próprio autor; contexto arquitetural, não avaliação independente.
[37] Silva, Aridio. (2026). Why Autonomous AI Agents Need Bounded and Revocable Authority. SGAEIA Research Series, Article 2. Edição DEV, 1 out. 2026. DOI da obra 10.5281/zenodo.22715664. Fonte primária. Tipo: Artigo conceitual do próprio autor; não evidência experimental.
Sobre o autor
Aridio Silva é pesquisador independente no Brasil, dedicado à arquitetura, segurança, governança e confiabilidade de sistemas de AI autônomos e distribuídos. Seu trabalho examina como capacidades de modelos se tornam ações em aplicações reais. Essa perspectiva relaciona autonomia técnica com limites de autoridade e evidência de comportamento.
Sua pesquisa abrange AI agêntica, sistemas multiagentes, Edge AI, AI Security, Zero Trust, Security-by-Design, AI Governance, Specification-Driven Development e garantia contínua de segurança. Os conceitos são tratados em seus respectivos níveis de abstração e de evidência. Propostas de arquitetura não são apresentadas como certificações ou garantias de produção.
É criador e pesquisador responsável pelo SGAEIA, iniciativa aberta de pesquisa sobre fundamentos arquiteturais de AI autônoma segura, governada, auditável e confiável em ambientes distribuídos entre borda e nuvem. O projeto constitui o contexto de sua produção na SGAEIA Research Series. Este artigo trata de conceitos públicos e não especifica mecanismos privados do projeto.
Research & Project Resources
- ORCID: https://orcid.org/0009-0008-2411-6995
- Google Scholar: https://scholar.google.com/citations?user=rPn5O48AAAAJ
- Zenodo — SGAEIA Community: https://zenodo.org/communities/sgaeia
- OpenAIRE: https://explore.openaire.eu/search/find?fv0=Aridio%20Silva&f0=q
- Medium: https://medium.com/@aridiosilva
- DEV Community: https://dev.to/aridiosilva
- GitHub: https://github.com/aridiosilva
- LinkedIn: https://www.linkedin.com/in/aridio-silva-74997111/
- Homepage: https://aridiosilva.com
- SGAEIA Homepage: https://aridiosilva.com/sgaeia
- SGAEIA LinkedIn: https://www.linkedin.com/company/sgaeia/
- Kaggle: https://www.kaggle.com/aridiosilva2
- Academia.edu: https://independent.academia.edu/AridioSilva
Figures
The cover image is not numbered. Figures 1–3 are numbered sequentially and referenced consistently in this article.
All images are original conceptual illustrations prepared for this article. They carry visible attribution and publication metadata identifying Aridio Silva as creator, SGAEIA as the project, and CC BY 4.0 as the license. They remain within the public disclosure boundary by communicating properties and high-level governance relationships without exposing private protocols, algorithms, state machines, policy logic, or reconstruction-enabling implementation details.
Suggested citation
Silva, Aridio. (2026). Agentes de AI e AI agêntica: o que os distingue? SGAEIA Research Series, Article 20. Revisão de 14 de outubro de 2026. CC BY 4.0. DOI: 10.5281/zenodo.23373900
Leia o artigo completo no MediumRegistro no ZenodoDEV CommunityAcademia.edu
Edição correspondente
English edition. A edição portuguesa é a referência do projeto; as duas versões preservam o argumento, as figuras e a numeração bibliográfica.
License
Except where otherwise noted, the text and original conceptual illustrations in this article are licensed under the Creative Commons Attribution 4.0 International License (CC BY 4.0).
© 2026 Aridio Silva. You may share and adapt this work for any purpose, provided appropriate attribution is given.
The SGAEIA software research artifact remains subject to its own Apache License 2.0.
Autonomous AI. Governed by Design. Trusted by Evidence.