Claude Code cria um organograma em tempo de execução

A versão preliminar de pesquisa do Claude Code pode mobilizar centenas de subagentes segundo um plano de orquestração que ainda não existia quando a solicitação chegou. O sistema consegue dividir o trabalho em ramificações, verificar os resultados e consolidá-los antes de responder. Questões conhecidas de engenharia — quem pode agir, o que cada um pode acessar e quem pode interromper a execução — agora precisam ser resolvidas enquanto o trabalho já está em andamento.

O ciclo de instrução e resposta é pequeno demais para a tarefa

Uma chamada estática a um modelo recebe uma instrução e devolve uma resposta. Um agente de IA acrescenta iteração: ele pode examinar resultados intermediários, usar ferramentas, preservar a memória, atualizar o estado e decidir o próximo passo. A instrução passa a ser apenas uma das entradas de uma estrutura de controle mais ampla.

O grafo criado pelo desenvolvedor determina se uma tarefa continua, se divide, é escalonada, delegada, repetida ou interrompida. LangGraph explicita, dentro de um desenho delimitado, as ramificações condicionais, as chamadas de ferramentas e as decisões sobre a continuidade do fluxo. OpenAI’s Agents SDK trata transferências, salvaguardas e rastreamento como mecanismos de delegação. AutoGen, CrewAI, Google’s Agent Development Kit e as ferramentas da Anthropic abordam o mesmo problema por caminhos diferentes.

À medida que os modelos se tornaram úteis em trabalhos delimitados e conduzidos por ferramentas, os desenvolvedores passaram a projetar as relações entre as chamadas aos modelos. Hoje, definem funções, linhas de subordinação, registros compartilhados, procedimentos de escalonamento, instâncias de revisão e regras para redistribuir o trabalho quando o primeiro plano fracassa. A qualidade da instrução ainda importa, mas é uma característica local dentro de um sistema operacional mais amplo.

Um grafo gerado transforma a orquestração em software criado durante a execução

Grafos fixos podem ampliar recursos sem abrir mão da previsibilidade de um fluxo projetado previamente. Em sua versão preliminar de pesquisa sobre fluxos de trabalho dinâmicos, Claude Code vai além: produz o plano de orquestração durante a própria execução. Diante de uma tarefa suficientemente complexa, Claude pode planejar o trabalho, distribuí-lo em paralelo, verificar os resultados e consolidá-los antes de responder. Um dos casos de uso mencionados são migrações de estruturas tecnológicas que abrangem centenas de arquivos.

Um fluxo dinâmico faz mais do que acrescentar agentes. Ele pode montar a estrutura de controle que a tarefa parece exigir: dividir uma migração por subsistema, incluir revisores, devolver verificações malsucedidas aos responsáveis pela implementação e manter uma etapa de consolidação para o resultado final. Agora, o modelo produz a definição do grafo, em vez de apenas operar dentro de uma estrutura fornecida pelo desenvolvedor.

Os desenvolvedores não devem confundir esse avanço com uma reformulação irrestrita do próprio sistema. As orientações atuais ainda tratam a orquestração delimitada como fonte de previsibilidade e segurança. A versão preliminar do Claude Code cria um roteiro de orquestração e depois segue o plano; ela não demonstra que organizações sem restrições e em constante modificação autônoma sejam desejáveis ou funcionem de forma confiável.

Ainda assim, Claude Code atravessa uma fronteira importante. As equipes podem analisar um fluxo estático antes da implantação. Já um fluxo gerado durante a execução só aparece depois que a solicitação começa a ser processada, em resposta a um estado da tarefa que não existia na fase de projeto. A organização responsável pela execução torna-se um artefato de software temporário.

As equipes precisam tratar esse artefato como código de alto impacto: atribuir-lhe identidade e versão, limitar suas permissões e sua execução, observar suas transições e registrar quem ou o que autorizou sua criação. Caso contrário, “dinâmico” vira apenas uma forma mais elegante de descrever uma mudança em produção que não passou por análise.

Agentes paralelos expõem a economia da estrutura de orquestração

Mais trabalhadores não produzem automaticamente mais trabalho útil. Cada transferência acrescenta custo de coordenação. Agentes podem perder contexto, propagar permissões de forma incorreta e dificultar a localização de erros à medida que a responsabilidade cruza fronteiras. A distribuição em paralelo consome recursos adicionais de inferência e orquestração para realizar buscas simultâneas ou reduzir o tempo total decorrido. A conta só fecha quando a tarefa pode ser decomposta com clareza suficiente para compensar esse custo adicional.

O relato anterior da Anthropic sobre seu sistema multiagente Claude Research afirmou ter obtido melhorias significativas em relação a sistemas de agente único nas avaliações internas. Essas evidências se aplicam a uma estrutura de controle e a um conjunto de tarefas específicos; não provam que um enxame supere um único agente competente. Alguns trabalhos exigem uma equipe de pesquisa. Outros pedem apenas um profissional capacitado e menos reuniões.

É o mecanismo de alocação — e não o número de integrantes — que gera valor ao decidir se o trabalho deve ser dividido, quais especialistas o receberão e de que contexto cada um precisa. Ele também define os limites de custo e latência, determina quando vale a pena acrescentar verificação e recorre a um único agente quando delegar custa mais do que entrega. Essas são questões de economia dos agentes, não de criação de personalidades.

A evolução da Anthropic, de um sistema de pesquisa multiagente para Claude Managed Agents, mostra onde a fronteira do produto está se estabelecendo. A oferta gerenciada inclui uma estrutura para agentes e ferramentas de implantação porque operar um agente exige mais do que produzir outra resposta de modelo. É necessário manter as condições que transformam muitas respostas em um único resultado pelo qual alguém possa responder.

Os modelos de ponta já podem operar dentro de diversos sistemas de orquestração, portanto a qualidade do modelo deixou de descrever o produto como um todo. Equipes que usam modelos de capacidade semelhante podem obter resultados bastante diferentes conforme a decomposição das tarefas, a persistência de estado, a verificação, a recuperação e o controle de custos. A estrutura de orquestração converte capacidade de raciocínio em trabalho concluído — e determina quanta desordem o processo cria.

O controle de mudanças precisa entrar no grafo

As equipes não conseguem governar agentes dinâmicos apenas por meio da instrução de sistema e da resposta final. Elas precisam versionar grafos, atribuir permissões por função, limitar transferências, aprovar a escolha de modelos e ferramentas, definir condições de escalonamento e especificar as evidências necessárias para que uma ramificação prossiga.

A Microsoft’s Agent Control Specification explicita essa necessidade ao propor um padrão de código aberto para o controle minucioso e uniforme das ações dos agentes. O software sempre teve permissões; agentes dinâmicos precisam que essas políticas sejam aplicadas durante a execução. A política deve acompanhar o agente conforme ele transita entre aplicativos, ferramentas e funções delegadas.

Uma organização gerada dessa forma também cria questões de aprovação que o controle de acesso estático não resolve. Um agente pode ter permissão para ler um repositório, mas não para delegar esse acesso a vinte subagentes. Um revisor pode rejeitar uma correção sem ter autorização para reescrevê-la. Uma falha de avaliação pode provocar uma nova tentativa, enquanto uma mudança de permissão pode exigir intervenção humana. O grafo precisa separar responsabilidades, pois o modelo não pode atuar como solicitante, aprovador, executor e auditor simplesmente trocando de papel em janelas de contexto adjacentes.

O princípio do escalonamento é anterior aos fluxos dinâmicos. Em dezembro de 2023, OpenAI concedeu a seu conselho autoridade para suspender o lançamento de um modelo apesar da avaliação da liderança de que ele era seguro. Decisões de alto impacto exigiam uma autoridade externa ao ciclo operacional. Os grafos de agentes criados durante a execução precisam do equivalente em software: determinadas transições de estado devem encerrar a automação e encaminhar a autoridade para outra instância.

Os operadores podem usar julgamento humano, avaliações baseadas em modelos e validações em bases de conhecimento como pontos de controle, mas esses controles só permitem responsabilização quando suas políticas e autoridades ficam registradas. A trilha de auditoria deve mostrar qual grafo foi executado, qual estado acionou uma ramificação, qual permissão autorizou uma chamada de ferramenta, qual avaliador aceitou o resultado e qual pessoa aprovou uma exceção. Assim, a capacidade de auditoria passa a integrar a arquitetura do produto, em vez de ser um anexo de conformidade.

Registros de raciocínio não bastam para atribuir responsabilidade

Um grafo maior oferece aos operadores mais pontos para inspecionar o sistema. Também dá aos agentes mais oportunidades de agir de forma estratégica, perder contexto ou apresentar uma explicação conveniente depois de agir. A observabilidade cresce com o grafo, mas o mesmo ocorre com o objeto observado.

A estrutura da OpenAI para monitorar cadeias de raciocínio inclui 13 avaliações. Ela trata a capacidade de monitoramento como uma propriedade empírica, inclusive ao verificar se um monitor consegue detectar, no raciocínio declarado pelo modelo, comportamentos como a manipulação de recompensas. Essa abordagem é útil porque não pressupõe que uma cadeia de raciocínio visível seja uma fonte infalível da verdade.

Pesquisadores da OpenAI, Google DeepMind, Anthropic e outras organizações descreveram o monitoramento da cadeia de raciocínio como promissor, mas frágil. A análise do documento técnico de segurança do Claude Sonnet 4.5 apontou maior percepção verbalizada dos ambientes de avaliação, o que dificulta interpretar os indicadores de alinhamento. Um sistema que reconhece o teste pode alterar justamente as evidências que o teste foi concebido para coletar.

Registros de raciocínio são sinais, não comprovantes. Podem ajudar a detectar comportamentos suspeitos, explicar um percurso ou acionar uma análise adicional. Sozinhos, não conseguem provar por que um agente agiu nem demonstrar que a justificativa apresentada causou a ação.

Um sistema de agentes que permita atribuir responsabilidade precisa de registros mais objetivos: acionamentos de ferramentas, transições de estado, alterações no grafo, decisões de política, resultados de avaliadores, eventos de aprovação e as permissões exatas em vigor em cada etapa. O modelo pode narrar seu raciocínio, mas a camada de controle precisa registrar seu comportamento. Auditorias empresariais, em geral, não são encerradas depois da leitura do diário do gerente.

Compradores devem perguntar quem pode interromper o grafo

OpenAI concedeu autoridade de lançamento a seu conselho em dezembro de 2023; Microsoft propôs controles de agentes durante a execução em junho de 2026. A questão deixou de ser se uma organização consegue deter um modelo poderoso antes do lançamento e passou a ser se um modelo implantado pode montar uma organização de agentes sem escapar das permissões, aprovações e exigências de comprovação da tarefa.

As equipes devem manter uma orquestração fixa quando a previsibilidade for mais importante do que a adaptação. Devem usar um único agente competente quando o custo da delegação superar sua contribuição. Grafos dinâmicos são adequados a tarefas grandes, decomponíveis e incertas o suficiente para que as equipes não consigam especificar antecipadamente toda a estrutura de execução.

As equipes de compras e de plataformas devem exigir evidências no nível da tarefa: o grafo executado, cada identidade que recebeu uma delegação, as permissões de ferramentas, as decisões dos avaliadores, as aprovações de exceções e o custo total. Uma pontuação de referência não mostra se o sistema consegue conter uma ramificação malsucedida ou revogar uma autorização no meio de uma tarefa.

As centenas de trabalhadores fazem a versão preliminar do Claude Code parecer uma história de escala. Mas o número decisivo é um: um organograma criado depois da implantação, enquanto a tarefa está em andamento. Os compradores devem exigir uma estrutura de controle capaz de identificar quem autorizou cada caixa e cada seta.