Quando a Anthropic fala o óbvio: IA, subagentes e a realidade no Brasil
Por que a internet aclamou o artigo da Anthropic sobre subagentes, o perigo do vibecoding sem método e como fazer engenharia de IA adaptada ao Brasil.
PorErick Mendes
7 min de leitura
Um post recente lá no LinkedIn, que passou pelo meu feed, viralizou aclamando como genial um artigo técnico publicado pela Anthropic no fim de outubro: "Building agents: When to fold subagents into your main agent loop". Nele, a equipe de IA aplicada da criadora do Claude recomenda que as empresas parem de desenhar arquiteturas cheias de subagentes e orquestradores barrocos, e passem a adotar, por padrão, um único loop de agente com contexto compartilhado e carregamento progressivo de ferramentas e habilidades (progressive disclosure).
Minha reação ao ler foi mista. O artigo é excelente, muito bem escrito e oferece um alívio técnico bem-vindo. Mas ele não descobriu a pólvora. O que a Anthropic fez foi pegar princípios clássicos de engenharia de software — incluindo a Lei de Conway, formulada em 1968, e a regra elementar de evitar complexidade desnecessária e repasses ruidosos de informação — e mostrar que eles continuam valendo para agentes inteligentes.
A pergunta que fica é: por que a internet técnica tratou como epifania o que no fundo é apenas bom senso de engenharia? E, principalmente, o que essa reação nos ensina sobre a forma como estamos adotando inteligência artificial no Brasil?
O fardo das receitas importadas
As grandes empresas de inteligência artificial lá fora não publicam seus artigos no dia em que descobrem algo. Elas documentam aquilo que já vêm experimentando, errando, medindo e refinando internamente há meses.
Quando esse material finalmente vem a público, acontece quase sempre o mesmo fenômeno na nossa timeline, isto é, o mercado corre para transformar uma recomendação pragmática em dogma inquestionável. Quem até ontem defendia que qualquer projeto precisava de cinco agentes especializados conversando entre si, hoje prega com a mesma convicção que ter mais de um agente é um erro crasso.
O problema de apenas copiar receitas de fora sem mastigar os fundamentos é que o terreno em que pisamos aqui é muito diferente. O ecossistema brasileiro de tecnologia é, em média, mais defasado tecnologicamente e carrega restrições de orçamento, infraestrutura e maturidade técnica que o Vale do Silício simplesmente não enfrenta.
Mais do que isso: o Brasil ainda vive, mesmo hoje, um tabu muito particular em relação ao uso de IA.
O tabu brasileiro: entre o pavor e o deslumbramento
No meu dia a dia profissional e de pesquisa, vejo essa tensão se manifestar em duas frentes muito claras.
A primeira está no mercado e nas empresas. Quase todas as conversas recaem em um de dois extremos: ou a empresa quer colocar IA a qualquer custo em algum processo só para dizer a clientes e investidores que está inovando, ou tem um receio paralisante de dar qualquer passo. Não são raras as reuniões em que um cliente hesita em contratar ou aprovar um produto desenvolvido com auxílio de IA com a justificativa de que "se foi feito com IA, vai quebrar logo ali na frente".
E a minha resposta para esse cliente é sóbria e bem clara. Eu digo que ele tem toda razão. Vai quebrar mesmo — se for construído sem método.
O medo do cliente não é irracional. Ele foi alimentado pela onda do vibecoding descompromissado: profissionais que abrem um chat, pedem um punhado de funções, juntam tudo sem arquitetura, sem testes de carga, sem documentação viva e sem governança, e depois entregam uma bomba-relógio que ninguém sabe como manter de pé. Quando esse código quebra na primeira mudança de schema, a credibilidade de todo o setor vai junto para o ralo.
A segunda frente é o meio acadêmico. Há pouco tempo, ao conduzir um processo de formação e acompanhamento no uso prático de grandes modelos de linguagem (LLMs) para um pesquisador de doutorado, ouvi relatos constantes sobre o ambiente ao redor: professores e pesquisadores seniores de renome sustentam a postura de que usar IA não deveria ser apoiado nem aceito na produção científica. Tratam ferramentas modernas como se fossem apenas um atalho preguiçoso para evitar pensar, ignorando o potencial gigantesco de acelerar a exploração e a estruturação de dados.
No fim, ficamos assim: de um lado, há quem rejeita por preconceito ou medo justificado da fragilidade técnica; do outro, há quem abraça sem critério e chama qualquer gambiarra gerada por prompt de software.

A IA não substitui o método; ela exige mais dele
A lição que o artigo da Anthropic traz (e que muitos que aplaudiram deixaram de lado) é que adicionar agentes não resolve problemas de especificação ruim. Na verdade, só os multiplica.
Quando uma equipe divide um problema em múltiplos subagentes sem uma fronteira de contexto clara, ela cria o clássico "telefone sem fio", onde a cada repasse, detalhes essenciais se perdem, instruções se chocam (o que o time da Anthropic apelidou espirituosamente de Frankenprompt) e o tempo de resposta dobra.
Por isso a recomendação deles de simplificar realmente faz sentido como ponto de partida:
- Adote o loop único por padrão: Um único modelo que enxerga o histórico da conversa, recebe um conjunto enxuto de ferramentas (via MCP) e carrega procedimentos especializados apenas quando necessário (progressive disclosure via skills) resolve a imensa maioria dos casos de uso reais com metade da latência e um custo muito menor.
- Saiba exatamente quando delegar: Delegar para subagentes é uma decisão de exceção, não de regra.
E quando essa exceção se justifica? A própria literatura técnica e a prática que aplicamos na Síntese Labs (abre em outra aba) apontam três cenários:
- Quando há saturação real da janela de contexto: a tarefa exige processar um volume tão massivo de texto temporário que manter isso na conversa principal degradaria o raciocínio do modelo.
- Quando há restrições estritas de segurança: uma operação sensível que precisa rodar sob um conjunto blindado de permissões que o agente principal não possui.
- Quando há trabalho "paralelizável": tarefas independentes que podem avançar simultaneamente sem depender do resultado intermediário uma da outra.
Na Síntese, essa distinção é o alicerce do nosso método. No artigo comparativo que publicamos no blog sobre o Método Síntese e o mercado (abre em outra aba), detalhamos exatamente isso. Usamos múltiplos agentes orquestrados pelo Playmaker (abre em outra aba) não por fetiche em orquestração, mas estritamente para trabalho paralelo, isolando cada agente em sua própria git worktree e exigindo que cada entrega cumpra uma especificação formal antes de qualquer merge.

Construir métodos para o nosso chão
Nós não vamos disputar com a Anthropic, a OpenAI ou o Google quem treina o modelo de 100 bilhões de parâmetros. Essa não é a nossa corrida.
A nossa oportunidade real no Brasil é disputar quem constrói a melhor engenharia em torno desses modelos.
Isso significa acompanhar tudo o que é pesquisado lá fora com olhar atento, mas sem deslumbramento cego. Em vez de adotar cada nova biblioteca da moda ou replicar organogramas em grafos de agentes, precisamos filtrar o que é ruído e construir métodos rigorosos adaptados à nossa realidade:
- Que reduzam o custo por tarefa;
- Que entreguem rastreabilidade e observabilidade para quem contrata;
- Que garantam ao cliente que o sistema não vai ruir no primeiro caso de borda;
- Que mostrem à academia e ao mercado tradicional que desenvolvimento assistido por IA não é atalho sem dono, mas engenharia de software levada a sério.
As big techs lá fora vão continuar publicando artigos a cada poucos meses para dizer o que funciona e o que falhou na infraestrutura deles. Nosso papel aqui não é esperar a próxima cartilha para saber como trabalhar, e sim praticar a boa e velha disciplina técnica todos os dias: medir, simplificar e só sofisticar quando houver prova de que vale a pena.
E no seu contexto profissional ou acadêmico, você sente que a maior barreira para a IA hoje é técnica, ou ainda é a desconfiança de quem acha que tudo não passa de vibecoding?
Um desafio para a sua próxima sprint
Se você tem hoje um sistema ou fluxo de trabalho com agentes desenhado com múltiplos nós, roteadores e subespecialistas, faça um experimento nesta semana:
Pegue uma fatia desse sistema e colapse os subagentes em uma única rotina, transformando as instruções deles em skills carregadas sob demanda e as ações em ferramentas bem definidas. Rode uma bateria de 10 casos reais e meça coisas como
- O tempo de resposta final;
- O consumo total de tokens;
- A taxa de acerto ponta a ponta.
Depois me conte o que aconteceu. Na maioria dos casos, você vai perceber que metade da sua arquitetura existia apenas para justificar a própria existência.
Fontes
- Anthropic (Diane Sarkis). Building agents: When to fold subagents into your main agent loop. Claude Platform Resources, out/2026. Link (abre em outra aba)
- Mendes, Erick; Nicolau, Luis Felipe. Kiro e IBM Bob decidem quando delegar. A nossa stack decide também onde isso fica registrado. Blog Síntese Labs, nov/2026. Link (abre em outra aba)
- Conway, Melvin E. How Do Committees Invent? Datamation, abr/1968. Link (abre em outra aba)
- Bäckeler, Birgitta. Exploring Gen AI: Specification-Driven Development Tools. Martin Fowler, jul/2025. Link (abre em outra aba)
Quem escreveu
Escrito por Erick Mendes.

Erick Mendes
Produto e Capacitação
Sócio da Síntese Labs. Escreve sobre a evolução da Inteligência Artificial no Brasil.
LinkedInContinuar lendo
Engenharia e stack
Como a maneira com que lidamos com orquestração de agentes é única.
Como a Síntese Labs transforma práticas e ferramentas do desenvolvimento agêntico global em soluções próprias, antecipando tendências e aproximando essas tecnologias do mercado brasileiro.
Comunidade e open source
Rodar agentes em paralelo parece simples. A Síntese sabe onde a conta realmente pesa.
O Playmaker transforma seu agente em gerente de tarefas paralelas, deixando o código decidir o que pode rodar junto e validar os resultados. Aberto (MIT), e por enquanto usa as CLIs que você já tem.
Comunidade e open source
Vale a pena virar desenvolvedor em 2026?
Com IA, empresas escrevem 30% mais código e entregam o mesmo. Por que isso não é o fim do dev, e um desafio pra quem quer entrar na área.
Tem um problema parecido para resolver?
A Síntese constrói software sob medida e capacita times em desenvolvimento agêntico, com cada etapa observável e rastreável.
Falar com a Síntese