Quando usar um único modelo e quando usar um time de agentes de IA

Durante uma expansão recente de capacidade de data center, Naveen Goel, gestor de programas da Amazon, agendou um nó de plano de controle para uma onda de migração antecipada porque o snapshot de tráfego de duas semanas que ele tinha parecia isolado. Não estava. Era um job mensal de reconciliação de capacidade. No dia 21, o job “acordou”, metade da reconciliação cruzou a fronteira entre data centers e a latência do pipeline saltou de cerca de 10 minutos para perto de 60.

O gráfico não estava errado — a janela de observação estava. O time usou duas semanas de captura como fonte de verdade para um job que roda uma vez por mês. Esse é o tipo de falha que um único modelo de raciocínio tende a esconder, e que um time de agentes especializados tende a expor.

Por que um único modelo é a forma errada

O trabalho nessa escala não é uma pergunta só — são dezenas de perguntas que compartilham pouco contexto entre si. Inferir o que se comunica com o quê a partir de logs de fluxo não tem nada a ver com prever a cauda da utilização sob um teto de throughput de rede virtual, que por sua vez não tem nada a ver com ler um runbook que não é tocado há anos.

Goel testou primeiro a versão monolítica: um único modelo de raciocínio forte, bem instruído, alimentado com todas as evidências, perguntado “vai ou não vai” para cada host. Ele falhou de duas formas. Em execuções em que mantinha o fio de todas as cinco tarefas, produzia uma síntese bonita que silenciosamente fazia a média das contradições entre o grafo de fluxo e o runbook. Em execuções em que a evidência de uma tarefa ficava longa, ele simplesmente abandonava aquela tarefa e respondia com confiança sobre as outras quatro. Os dois modos de falha produzem saídas que parecem corretas na tela — o que os torna caros.

Cinco especialistas e um coordenador que nomeia contradições

A solução foi dividir o problema em cinco especialistas, cada um devolvendo um “achado tipado” — alegação, evidência, confiança, atualidade e um veredito entre “ok”, “avisar” e “segurar”. O agente de inferência (Codex) agrega logs de fluxo; o de sequenciamento (Claude Code) transforma grupos em um plano ordenado; o de capacidade (Codex) projeta a cauda de utilização em P90/P95 com backtest de cobertura; o de monitoramento (Codex no detector, Claude Sonnet como porta-voz das 3h da manhã) vigia regressões silenciosas; e o de extração (Claude Skills) lê runbooks e devolve fatos estruturados, não prosa.

A peça mais importante é o coordenador. Ele dispara a mesma pergunta para os cinco especialistas em paralelo e, em vez de fazer a média dos vereditos, nomeia as contradições. Quando o agente de inferência diz “sem dependências entre ondas” (atualidade de 1 dia) e o de extração diz “agregador de reconciliação mensal” (runbook sem atualização há 3 anos), o coordenador não escolhe a maioria: ele entrega um relatório de decisão marcando o conflito e apontando um dono humano, resolvido para uma rotação de plantão.

O que os dados mostram

Os números vêm de um único programa ao longo de 90 dias — o próprio autor alerta que não são um benchmark. Ainda assim, são ilustrativos: em 90 dias, humanos ignoraram o agente de sequenciamento 71 vezes. Cerca de um terço foi o humano pegando uma dependência periódica que o agente perdeu; dois terços foram o humano errado, com os dados de fluxo vencendo o argumento na sessão seguinte. Roteando humanos por risco — e não por tipo de operação —, o time cortou cerca de um terço da carga humana com o mesmo resultado líquido.

Sobre a escolha de modelos, a avaliação interna apontou uma divisão nítida: Codex é superior em tarefas quantitativas específicas levadas até o fim (inferência de fluxo, backtest de P90, manutenção do detector), enquanto Claude Code vence na orquestração de várias tarefas menores e na reconciliação do coordenador.

Por que isso importa

A lição central vai além de qual modelo venceu em 2026 — os modelos vão mudar. A forma é o que permanece: divida o problema em especialistas cujas saídas um coordenador possa comparar; faça cada um devolver um achado tipado com atualidade e confiança; coloque um coordenador que se recusa a fazer a média das contradições; roteie humanos por risco; e escreva um nome humano como dono da decisão antes de a janela abrir. Qual modelo fica atrás de qual especialista é a última decisão, não a primeira.