Sua empresa provavelmente colocou o primeiro agente de IA pra rodar — um programa que age por conta própria, não só responde perguntas — em algum momento nesta primavera. Talvez ele revise pull requests no GitHub. Talvez faça triagem de tickets de suporte. Talvez fique de olho nos dashboards da sua nuvem às 3 da manhã pra você não precisar. Cada um reporta verdinho no seu próprio dashboardzinho. A vida é boa.

Só que os três escrevem no mesmo board do Jira, nos mesmos canais do Slack, nos mesmos repos do GitHub. E ninguém — nem seu time, nem o fornecedor — definiu o que acontece quando as ações deles colidem em recursos compartilhados. Você contratou três funcionários autônomos e sentou todos na mesma mesa sem apresentar um ao outro.

Três plataformas, zero semáforos

O Google abre o Cloud Next 2026 hoje (22 de abril, Las Vegas) com sua stack de IA agêntica em destaque: ADK v1.0 — um toolkit para construir agentes — mais o protocolo A2A (Agent-to-Agent, um padrão que permite agentes descobrirem e delegarem tarefas entre si), graduando para v1.0 hoje após seu preview inicial no Cloud Next 2025, agora com mais de 150 organizações apoiando, incluindo AWS, Microsoft e Salesforce. Duas semanas atrás (8 de abril), a Anthropic lançou Managed Agents em beta público — instâncias de longa duração do Claude que completam workflows inteiros, não só respondem prompts — com Notion, Asana e Sentry como early adopters. Uma semana atrás (15 de abril), a OpenAI atualizou seu Agents SDK com execução nativa em sandbox — containers isolados onde agentes rodam código com segurança — e um harness nativo do modelo.

Três runtimes concorrentes, cada um tratando seu agente como o único ator autônomo na sua infraestrutura. Nenhum deles inclui o conceito de "ei, outro agente já tá trabalhando nisso."

Como agentes se sabotam pelo próprio sucesso

Eis o padrão, já emergindo em produção. Agente A (seu bot de tickets) cria um issue no Jira. Agente B (seu bot de dedup) classifica como duplicado e fecha. Agente A detecta o fechamento como anomalia e reabre o ticket. Cada agente está correto dentro do seu próprio contexto — sua própria context window (o pedaço de informação que a IA consegue "enxergar" de uma vez). O sistema como um todo está errado, preso num loop infinito onde ações corretas produzem resultados incorretos.

A Cogent Infotech documentou três sabores disso em 26 de março: o efeito "Espelho, Espelho" (agentes sobrescrevendo infinitamente as edições uns dos outros, queimando milhares de dólares em minutos), consenso alucinado (múltiplos agentes convergindo em dados fabricados — "silencioso e convincente"), e deadlocks de recursos (agentes esperando uns pelos outros em dependências circulares). O veredito deles: "Você não pode perguntar a um agente se ele está em loop; você precisa provar matematicamente."

Os dados confirmam. O benchmark MAST da UC Berkeley, publicado em março de 2025 e revisado em outubro de 2025, analisou mais de 1.600 traces em sete frameworks multi-agente e encontrou taxas de falha entre 41% e 86,7%. O detalhe que dói: aproximadamente 79% dessas falhas vieram de problemas de especificação e coordenação — não porque os modelos eram burros. Os agentes eram espertos o suficiente. Eles simplesmente não sabiam da existência uns dos outros.

Um paper publicado em 16 de abril de 2026, "Semantic Consensus", dá um nome formal a isso: Semantic Intent Divergence — agentes cooperantes desenvolvendo interpretações inconsistentes de objetivos compartilhados porque cada um opera no seu próprio silo de informação. Em 600 testes no AutoGen, CrewAI e LangGraph, os pesquisadores alcançaram 100% de conclusão de workflows com o framework de coordenação proposto versus 25,1% para o segundo melhor baseline. A diferença é absurda, e confirma o que os números já sussurravam: o problema não é inteligência, é coordenação.

O preço da correção que ninguém entrega

O protocolo A2A do Google é o que mais se aproxima de uma solução. Ele permite que agentes se anunciem, descrevam suas capacidades através de "Agent Cards" (agora com verificação criptográfica de identidade) e deleguem tarefas. Mais de 150 organizações aderiram. Mas o A2A define descoberta e delegação — não resolução de conflitos. Se o Agente A e o Agente B têm autoridade legítima pra modificar o mesmo ticket no Jira, o A2A não tem opinião sobre quem vence. E adotar o A2A significa rotear a coordenação entre agentes pelo Vertex AI, a plataforma de nuvem do Google — resolvendo colisão de fornecedores com o lock-in de outro fornecedor.

Como John Furrier do SiliconANGLE escreveu em 20 de abril: "Quem é dono do control plane onde a IA de fato trabalha? Modelos estão virando commodity." Ele tá certo. A batalha não é sobre qual modelo é mais inteligente. É sobre quem constrói a camada de controle de tráfego que fica acima de todos eles.

A arquitetura de Managed Agents da Anthropic descreve explicitamente "muitos cérebros, muitas mãos" — mas documenta zero coordenação entre os cérebros. O Agents SDK da OpenAI suporta Handoffs (delegação de tarefas entre agentes) e Guardrails (validação de input/output), mas nenhuma resolução de conflitos entre agentes. Cada fornecedor construiu um operador solo extremamente capaz e assumiu que você só ia usar um de cada vez. Em 2026. Numa enterprise.

O que você faz na prática

Antes de colocar um segundo agente em qualquer sistema compartilhado — Jira, GitHub, Slack, seu console de nuvem — seu time precisa de três coisas que nenhum fornecedor oferece atualmente: regras explícitas de ownership de recursos (qual agente é dono de quais objetos), um registro de estado compartilhado (uma fonte única de verdade sobre o que cada agente fez) e políticas de resolução de conflitos (quando dois agentes discordam, quem vence e por quê). Construa isso como middleware interno ou pague o imposto do loop infinito.

A camada que falta

Lembra daquele primeiro agente que você colocou pra rodar, aquele que reporta verdinho no dashboard? Ele continua reportando verde. O segundo também. O terceiro também. Cada agente acha que tá mandando bem. O sistema que eles compartilham conta uma história diferente.

A camada de infraestrutura que falta na era dos agentes não é um modelo mais esperto — é controle de tráfego para os agentes que já estão rodando. A primeira plataforma que entregar isso captura o tier de orquestração acima do Google, da Anthropic e da OpenAI. Até lá, seus agentes são três gatos na cozinha, cada um convicto de que é o único que mora ali.