![\"\"](\"https:\/\/netproject.com.br\/blog\/wp-content\/uploads\/2024\/10\/netinho-new.png\")
<\/figure>\n\n\n\nEste artigo apresenta uma linha do tempo que descreve a evolu\u00e7\u00e3o das defini\u00e7\u00f5es de agentes de IA <\/strong>desde os prim\u00f3rdios do campo at\u00e9 os dias atuais, destacando os principais marcos te\u00f3ricos e tecnol\u00f3gicos.<\/p>\n\n\n\n O conceito de agentes inteligentes come\u00e7ou a ser discutido antes mesmo da formaliza\u00e7\u00e3o da IA como disciplina cient\u00edfica. Em 1950, Alan Turing<\/strong> publicou seu artigo “Computing Machinery and Intelligence”<\/em>, onde prop\u00f4s a famosa quest\u00e3o: “As m\u00e1quinas podem pensar?”<\/em> (Turing, 1950).<\/a> Embora Turing n\u00e3o usasse explicitamente o termo “agente”, sua proposta do Teste de Turing<\/strong> j\u00e1 indicava a ideia de uma entidade capaz de interagir linguisticamente com humanos, simulando intelig\u00eancia.<\/strong><\/p>\n\n\n\n Em 1956, na Confer\u00eancia de Dartmouth<\/strong>, a IA foi formalizada como um campo de pesquisa. A defini\u00e7\u00e3o inicial era ampla e ambiciosa, sugerindo que \u201ctodo aspecto de aprendizagem ou qualquer outra caracter\u00edstica da intelig\u00eancia pode, em princ\u00edpio, ser descrita de forma t\u00e3o precisa que uma m\u00e1quina pode ser constru\u00edda para simul\u00e1-la\u201d (McCarthy et al., 1956).<\/a><\/p>\n\n\n\n Durante as d\u00e9cadas de 1960 e 1970, a IA foi dominada pelo paradigma simb\u00f3lico, no qual a intelig\u00eancia era vista como um processo de manipula\u00e7\u00e3o de s\u00edmbolos e aplica\u00e7\u00e3o de regras expl\u00edcitas<\/strong> (Nilsson, 2010).<\/a> Os agentes eram concebidos como programas que operavam em ambientes bem definidos, baseados em l\u00f3gica formal, sistemas de infer\u00eancia e estruturas simb\u00f3licas.<\/p>\n\n\n\n Nesta fase, os sistemas eram essencialmente baseados em regras<\/strong>, seguindo instru\u00e7\u00f5es determin\u00edsticas para resolver problemas espec\u00edficos, mas com pouca ou nenhuma capacidade de adapta\u00e7\u00e3o ao ambiente (Russell & Norvig, 2021<\/a>).<\/p>\n\n\n\n Nos anos 1970, surgem os primeiros sistemas especialistas<\/strong>, como o MYCIN<\/a><\/strong> (para diagn\u00f3stico m\u00e9dico) e o DENDRAL<\/a><\/strong> (para an\u00e1lise qu\u00edmica), que aplicavam conhecimento codificado para resolver problemas espec\u00edficos (Nilsson, 2010<\/a>). Estes sistemas j\u00e1 podem ser considerados agentes no sentido de que modelavam o conhecimento de especialistas humanos para tomar decis\u00f5es em dom\u00ednios espec\u00edficos<\/strong>.<\/p>\n\n\n\n O conceito de agente passa, ent\u00e3o, a incorporar a no\u00e7\u00e3o de um sistema que n\u00e3o apenas executa comandos, mas toma decis\u00f5es com base em conhecimento pr\u00e9-programado, refor\u00e7ando a ideia de racioc\u00ednio simb\u00f3lico estruturado.<\/strong><\/p>\n\n\n\n Na d\u00e9cada de 1980, a crise dos sistemas simb\u00f3licos \u2014 muitas vezes incapazes de lidar com ambientes incertos, incompletos ou ruidosos \u2014 levou \u00e0 ascens\u00e3o de abordagens conexionistas, como as redes neurais artificiais<\/strong> (Russell & Norvig, 2021)<\/a>. Neste contexto, surge a ideia de agentes que aprendem com dados, adaptando-se dinamicamente ao ambiente<\/strong>.<\/p>\n\n\n\n O conceito de agente adaptativo<\/strong> emerge, ampliando a defini\u00e7\u00e3o al\u00e9m da simples execu\u00e7\u00e3o de regras para incluir capacidades de percep\u00e7\u00e3o e aprendizagem cont\u00ednua, algo que os sistemas especialistas da d\u00e9cada anterior n\u00e3o eram capazes de realizar eficientemente (Nilsson, 2010).<\/p>\n\n\n\n O conceito moderno de agente foi formalizado principalmente atrav\u00e9s dos trabalhos de Stuart Russell e Peter Norvig<\/strong>, no livro “Artificial Intelligence: A Modern Approach”<\/em> (Russell & Norvig, 1995). Eles definem agente como:<\/p>\n\n\n\n \u201cQualquer coisa que percebe seu ambiente por meio de sensores e age sobre esse ambiente por meio de atuadores.\u201d<\/strong> (Russell & Norvig, 1995, p. 33).<\/p>\n<\/blockquote>\n\n\n\n Essa defini\u00e7\u00e3o generaliza desde sistemas simples, como termostatos, at\u00e9 rob\u00f4s aut\u00f4nomos e sistemas complexos de IA. Al\u00e9m disso, os autores prop\u00f5em uma tipologia de agentes:<\/p>\n\n\n\n Esse modelo consolidou-se como refer\u00eancia tanto na pesquisa quanto no ensino de IA.<\/p>\n\n\n\n Paralelamente, o campo de sistemas multiagentes<\/strong> tamb\u00e9m cresceu, trazendo a no\u00e7\u00e3o de agentes que interagem entre si, sejam eles cooperativos, competitivos ou neutros (Wooldridge, 2009).<\/p>\n\n\n\n Com o crescimento do aprendizado de m\u00e1quina<\/strong>, especialmente t\u00e9cnicas supervisionadas e n\u00e3o supervisionadas, os agentes passam a ser definidos n\u00e3o apenas por sua capacidade de atua\u00e7\u00e3o, mas tamb\u00e9m por sua habilidade de aprender a partir de dados e melhorar seu desempenho ao longo do tempo<\/strong> (Russell & Norvig, 2021<\/a>).<\/p>\n\n\n\n Os agentes agora incorporam modelos probabil\u00edsticos, algoritmos de otimiza\u00e7\u00e3o e t\u00e9cnicas estat\u00edsticas, permitindo uma atua\u00e7\u00e3o mais robusta em ambientes incertos, al\u00e9m de apresentar maior escalabilidade.<\/p>\n\n\n\n A partir de 2010, com o advento do deep learning<\/strong>, a capacidade dos agentes se expande drasticamente. Eles passam a integrar m\u00f3dulos de percep\u00e7\u00e3o avan\u00e7ada, como:<\/p>\n\n\n\n Sistemas como assistentes virtuais (Siri, Alexa, Google Assistant)<\/strong>, ve\u00edculos aut\u00f4nomos<\/strong> e rob\u00f4s industriais inteligentes<\/strong> s\u00e3o exemplos claros desse avan\u00e7o. Os agentes agora combinam sensores digitais, racioc\u00ednio e atuadores em ambientes tanto virtuais quanto f\u00edsicos, com uma capacidade perceptiva e decis\u00f3ria muito mais ampla.<\/p>\n\n\n\n Na d\u00e9cada de 2020, a emerg\u00eancia dos modelos fundacionais<\/strong>, como GPT, Claude, Gemini e Llama<\/strong>, leva a um novo salto conceitual. Surge o conceito de:<\/p>\n\n\n\n Atualmente, a defini\u00e7\u00e3o mais ampla de agente incorpora caracter\u00edsticas como:<\/p>\n\n\n\n De acordo com Bornet et al. (2024)<\/a>, um agente de intelig\u00eancia artificial (Agentic AI)<\/strong> \u00e9 uma entidade digital aut\u00f4noma, orientada a objetivos, capaz de executar tarefas de m\u00faltiplos passos de maneira independente, sem depender de comandos constantes dos humanos. Diferente da IA generativa, que responde a comandos isolados, o agente funciona de forma proativa, planejando, tomando decis\u00f5es, monitorando, ajustando suas a\u00e7\u00f5es e executando fluxos de trabalho completos.<\/p>\n\n\n\n Esses agentes s\u00e3o projetados para operar como colaboradores inteligentes, semelhantes a profissionais experientes, que n\u00e3o apenas realizam tarefas, mas tamb\u00e9m aprendem com intera\u00e7\u00f5es anteriores, adaptam-se dinamicamente \u00e0s mudan\u00e7as no ambiente e mant\u00eam mem\u00f3ria persistente de contextos e processos. <\/p>\n\n\n\n Eles s\u00e3o capazes de integrar-se profundamente com APIs, bancos de dados e sistemas externos, o que lhes permite n\u00e3o s\u00f3 gerar informa\u00e7\u00f5es, mas tamb\u00e9m agir efetivamente no mundo digital ou f\u00edsico, promovendo automa\u00e7\u00e3o de processos, aumento de produtividade e transforma\u00e7\u00e3o nos neg\u00f3cios.<\/p>\n\n\n\n Al\u00e9m disso, a discuss\u00e3o contempor\u00e2nea sobre agentes inclui preocupa\u00e7\u00f5es \u00e9ticas, riscos de alinhamento, seguran\u00e7a e governan\u00e7a de sistemas aut\u00f4nomos (Russell & Norvig, 2021<\/a>; Bommasani et al., 2021).<\/a><\/p>\n\n\n\n1. Origens e Primeiras Reflex\u00f5es (1950\u20131956)<\/h2>\n\n\n\n
2. IA Simb\u00f3lica e Manipula\u00e7\u00e3o de S\u00edmbolos (1960\u20131970)<\/h2>\n\n\n\n
3. Sistemas Especialistas e Tomada de Decis\u00e3o (1970\u20131980)<\/h2>\n\n\n\n
4. Paradigmas Alternativos e Aprendizado (1980\u20131990)<\/h2>\n\n\n\n
5. Formaliza\u00e7\u00e3o do Conceito de Agente (1990\u20132000)<\/h2>\n\n\n\n
\n
\n
6. Expans\u00e3o com Aprendizado de M\u00e1quina (2000\u20132010)<\/h2>\n\n\n\n
7. Agentes Inteligentes na Era do Deep Learning (2010\u20132020)<\/h2>\n\n\n\n
\n
8. Agentes Generativos e Generalistas (2020\u2013Presente)<\/h2>\n\n\n\n
\n
\n
Quadro Resumo \u2013 Defini\u00e7\u00e3o de Agente de IA ao Longo dos Anos<\/strong><\/h2>\n\n\n\n