Agentes de IA: como orquestrar tarefas, aprovações e custos

A orquestração de agentes de IA funciona melhor quando você define quem responde pela próxima etapa antes de acrescentar outro agente. Na triagem de solicitações, na pesquisa, na redação e na aprovação, 4 padrões cobrem as principais decisões: um líder com agentes auxiliares, transferências entre especialistas, um grafo com checkpoints e um workflow durável envolvendo os agentes. A permissão para enviar mensagens, gastar ou alterar registros deve ficar fora do poder de decisão do modelo.

A documentação e os preços de infraestrutura abaixo foram verificados em 13 de outubro de 2026. Os exemplos de negócio são propostas de arquitetura, não relatos de implantações nem benchmarks de desempenho.

O que é orquestração de agentes de IA?

A orquestração define qual agente atua em seguida, quais informações ele recebe e o que precisa acontecer antes que seu resultado se transforme em uma ação. Um agente combina um modelo com instruções e ferramentas. O orquestrador coordena o conjunto: responsáveis, estado compartilhado, transições permitidas e condições de parada.

Seu agente de triagem talvez já transforme uma solicitação confusa em um briefing útil. Ao acrescentar um pesquisador e um redator, surgem novas perguntas. Quem resolve as divergências entre as evidências? Qual versão do rascunho a pessoa responsável pela aprovação viu? Se o serviço de e-mail excedeu o tempo de espera, a mensagem chegou a ser enviada? Essas questões fazem parte do desenho do processo.

Escolha o padrão de acordo com a responsabilidade que você precisa delimitar:

Esses padrões podem ser combinados em camadas nos sistemas multiagentes. Um workflow durável que conduz o caso pode chamar um grafo; um nó, ou seja, uma etapa desse grafo, pode pedir a um agente líder que delegue a pesquisa. Cada camada deve ter uma função própria. Acrescentar camadas sem uma responsabilidade distinta só cria mais pontos para depurar.

A diferença em relação a um único agente está na atribuição de responsabilidades. A liderança de operações precisa de uma fila de casos com responsáveis e próximas ações. A liderança de engenharia precisa de estado salvo e de uma execução que possa ser recuperada. Quem contrata precisa saber quais dessas responsabilidades o serviço escolhido assume e quais continuam com a empresa.

Agente líder com auxiliares: mantenha um único responsável

Use um líder com auxiliares quando o trabalho se beneficia de especialistas, mas precisa chegar a uma resposta coesa. Pense no responsável por uma proposta pedindo evidências aos colegas e depois montando o documento. Os colegas contribuem; não fazem promessas ao cliente por conta própria.

Em uma solicitação da área de operações de vendas, o líder pode encomendar uma pesquisa sobre a conta e uma análise interna de adequação do produto, depois reunir as conclusões em um briefing para a redação.

1. 1

   Defina o resultado e os limites do líder

   O resultado esperado é um rascunho de proposta sustentado por evidências. O trabalho permitido é pesquisar e redigir. Enviar a proposta, prometer um desconto e atualizar um registro de cliente continuam sendo ações separadas.

2. 2

   Distribua tarefas de pesquisa com escopo definido

   Entregue a cada auxiliar o material de referência relevante, as ferramentas permitidas, o formato de saída esperado e a regra de parada. Execute pesquisas independentes em paralelo; aguarde quando uma tarefa de fato depender do resultado de outra.

3. 3

   Reúna as evidências antes de fazer a síntese

   Exija referências às fontes, conclusões e perguntas ainda sem resposta. O líder concilia as divergências e produz o rascunho. A falta de uma fonte continua sendo uma lacuna; resumir o material não a transforma em uma afirmação segura.

4. 4

   Encaminhe o artefato para aprovação

   O responsável pela conta revisa a mensagem proposta, o destinatário e os compromissos assumidos. Uma etapa de envio controlada pela aplicação executa apenas o artefato aprovado.

O Claude Agent SDK, ambiente de execução programável de agentes da Anthropic, implementa esse padrão com subagentes: instâncias separadas, cada uma com suas próprias instruções, contexto e acesso a ferramentas. Defina-os pela opção agents; o agente principal os aciona pela ferramenta Agent. Um subagente comum, sem fork, não recebe o histórico de conversa do agente pai, então o prompt da tarefa precisa trazer o contexto necessário. O agente pai recebe o relatório final. Documentação de subagentes do Claude.

Uma boa forma de delimitar o trabalho é estabelecer um contrato de evidências. O pesquisador pode devolver uma recomendação junto com os trechos das fontes que a sustentam. O limite: um contexto isolado também pode deixar de fora uma restrição essencial do cliente. Informe essa restrição explicitamente e mantenha o artefato de apoio disponível para revisão.

O CrewAI, framework de agentes e tarefas organizados por papéis, oferece um processo hierárquico com manager_llm ou manager_agent. O gerente planeja, delega e revisa os resultados das tarefas. Já o processo sequencial segue a lista de tarefas, usando os resultados anteriores como contexto. Documentação de processos do CrewAI.

Escolha a hierarquia quando a distribuição do trabalho exigir julgamento. Se a pesquisa sempre precisa vir antes da redação, uma sequência explícita é mais fácil de inspecionar. O limite: a revisão do gerente ainda é uma avaliação automatizada. A opção de tarefa human_input do CrewAI solicita uma revisão humana da resposta final; conceda apenas acesso de leitura às tarefas de pesquisa e redação para que a revisão não aconteça depois de uma gravação com efeitos relevantes. Documentação de tarefas do CrewAI.

Handoffs: passe a próxima decisão a um especialista

Use um handoff quando outro especialista deve assumir a próxima resposta ou frente de trabalho. É como transferir um chamado para a equipe de cobrança, junto com o registro do caso. Isso é diferente de consultar a cobrança e continuar responsável pelo atendimento.

O OpenAI Agents SDK, biblioteca para aplicações com agentes, explicita essa diferença de responsabilidade: os handoffs transferem o controle para um especialista; quando agentes são expostos como ferramentas, o gerente continua responsável pela resposta. O método agent.asTool() em JavaScript permite essa segunda opção. Handoffs podem incluir metadados estruturados ou um histórico filtrado. Documentação de orquestração da OpenAI.

Para uma caixa de entrada de atendimento ao cliente, use esta sequência:

1. O agente de triagem identifica uma contestação de cobrança e reúne as referências relevantes da conta e da fatura.
2. Ele transfere o caso ao especialista em cobrança com a solicitação do cliente, os fatos verificados, as dúvidas pendentes e as próximas ações permitidas.
3. O especialista em cobrança investiga e redige uma solução. Ele assume a próxima resposta, em vez de devolver um relatório de pesquisa à triagem.
4. Uma pessoa aprova qualquer reembolso ou alteração de conta propostos antes que a ferramenta correspondente seja executada.

O limite: um handoff transfere o controle, não a autorização do negócio. Um agente que recebe um caso não deve herdar a permissão para reembolsar só porque a triagem o encaminhou até ali. Faça a política de ação valer no ponto em que a ferramenta de reembolso é executada.

Defina também se um especialista pode devolver o caso. Permita um escalonamento explícito, com justificativa, e limite as transferências repetidas. Caso contrário, uma solicitação ambígua pode ficar indo e voltando entre especialistas, consumindo chamadas ao modelo sem avançar.

O ciclo de aprovação do SDK retorna interrupções e um estado que permite retomar a execução após a revisão pela aplicação. Persista esse estado quando a decisão puder demorar e retome a mesma execução. As proteções de entrada, ou guardrails, se aplicam ao primeiro agente; as de saída, ao agente que produz a resposta final. Coloque verificações nas ferramentas sensíveis, sem presumir que essas proteções nas extremidades inspecionam todas as ações internas. Documentação de revisão humana da OpenAI.

Grafos com checkpoints: deixe explícito o próximo passo

Use um grafo quando as rotas permitidas importam mais do que qual agente improvisa o plano. Um grafo é um conjunto de etapas conectadas por regras. Um checkpoint é um registro salvo do progresso, que permite pausar o processo e continuar depois.

O LangGraph, framework para workflows de agentes com estado, permite definir rotas explícitas, incluindo ramificações e trabalho em paralelo. Seus checkpointers salvam o estado do grafo para uma thread, enquanto o mecanismo interrupt() pausa a execução para receber uma entrada externa. Retome a thread interrompida com Command(resume=...). Padrões de workflow do LangGraph, documentação de interrupções.

Para uma equipe de compras preparando uma recomendação de fornecedor:

1. 1

   Armazene o caso como estado estruturado

   Mantenha a solicitação, as referências às evidências, as informações faltantes, a localização do rascunho e o status da revisão em campos nomeados. A transcrição da conversa pode acompanhar o caso, mas não deve ser o único lugar onde consta o status atual.

2. 2

   Desenhe as rotas permitidas

   A triagem avança para a pesquisa quando os campos obrigatórios estão preenchidos. Se faltarem informações, o caso volta ao solicitante. A pesquisa alimenta a redação; uma verificação das evidências pode devolver o caso para uma pesquisa direcionada.

3. 3

   Salve um checkpoint e pause para revisão

   Salve a recomendação proposta e interrompa a execução antes do trabalho que depende de aprovação. O responsável por compras revisa o artefato exato, as evidências de apoio e a ação solicitada.

4. 4

   Retome por uma ramificação permitida

   A aprovação libera a submissão. Pedidos de alteração devolvem o caso à redação e invalidam a aprovação anterior. A rejeição encerra o caso com o motivo registrado.

O limite: ao retomar uma interrupção no LangGraph, o nó que a contém recomeça do início. O código anterior à interrupção é executado novamente. Coloque uma gravação com efeitos relevantes em uma etapa controlada separadamente e torne idempotentes as operações que podem se repetir: repetir a mesma solicitação lógica não pode produzir um efeito adicional. Regras de interrupção do LangGraph.

Por exemplo, um nó que envia um registro de fornecedor e só depois pede aprovação já ultrapassou esse limite. Ao ser retomado, ele também pode enviar o registro outra vez. Prepare a alteração proposta primeiro, obtenha a aprovação e só então execute a mudança aprovada com um identificador de ação estável.

Escolha um armazenamento persistente de checkpoints para produção. Os mecanismos de armazenamento em memória do LangGraph perdem os checkpoints quando o processo reinicia. Um identificador persistente de thread e um estado salvo em banco de dados fazem parte do desenho da recuperação. Documentação de persistência do LangGraph.

Workflow durável: mantenha o caso ativo entre as chamadas dos agentes

Use um workflow durável quando o processo de negócio precisar sobreviver ao fim de uma chamada ao agente, à reinicialização de um worker ou à demora de uma resposta externa. Ele controla o ciclo de vida do caso: iniciar, aguardar, tentar novamente, retomar, concluir ou escalar. O agente participa desse ciclo.

O Cloudflare Workflows, serviço de execução durável em várias etapas, oferece etapas persistidas e novas tentativas configuráveis. Use step.do para executar o trabalho, step.waitForEvent para aguardar uma decisão externa e instance.sendEvent para entregar essa decisão à instância em espera. Cloudflare Workflows, documentação de eventos.

Para uma equipe de operações que atende uma solicitação de serviço personalizado:

1. Crie um registro do caso e um identificador estável de workflow quando a solicitação chegar.
2. Acione o agente de pesquisa, persista seu artefato de evidências e depois acione o agente de redação com esse artefato.
3. Salve a resposta proposta e aguarde o evento de aprovação da liderança de operações. A interface de aprovação identifica tanto o caso quanto a versão do artefato.
4. Valide a decisão e execute o envio ou a atualização de registro aprovados em uma etapa separada.
5. Registre o comprovante retornado pelo serviço externo e conclua o caso. Se houver dúvida sobre a conclusão, confira o resultado no sistema externo antes de emitir outra gravação.

O limite: uma execução durável não torna automaticamente segura a repetição de uma ação em um serviço externo. A Cloudflare recomenda explicitamente chamadas de API idempotentes, etapas granulares e nomes de etapas determinísticos, além de alertar contra efeitos colaterais fora de step.do. Se um serviço aceitou um envio, mas a resposta se perdeu, tentar novamente sem deduplicação pode repetir o envio. Regras do Workflows.

Configure novas tentativas para falhas transitórias, ou seja, as que podem se resolver sem alterar a solicitação. Uma falha de autenticação, uma aprovação negada ou uma instrução de negócio inválida normalmente exige intervenção. A Cloudflare oferece configuração de novas tentativas e NonRetryableError para falhas que devem encerrar essas tentativas. Documentação de novas tentativas.

Uma aplicação LangGraph com checkpoints persistentes já dispõe de recursos de recuperação. Um motor de workflow adicional se justifica quando assume um ciclo de vida mais amplo, que atravessa serviços, callbacks e ambientes de execução de agentes. Evite que as duas camadas repitam, de forma independente, a mesma operação paga ou com efeitos colaterais. Essa divisão de responsabilidades é aprofundada em resultados de agentes gerenciados, webhooks e o workflow da Cloudflare.

Exija aprovação humana antes de executar a ação

Uma pessoa deve aprovar a ação exata que terá efeitos relevantes antes de sua execução. Revisar um rascunho bem escrito não basta se outro agente puder mudar depois o destinatário, o valor ou o anexo.

No caso de uma proposta, a interface de revisão deve mostrar o destinatário, a mensagem final, o documento anexo, os compromissos comerciais e as evidências por trás das afirmações incertas. O registro de aprovação deve vincular a identidade de quem revisou àquela versão do artefato e àqueles argumentos da ação.

Projete o executor para conferir esse registro imediatamente antes de agir. Se o rascunho ou o destino mudou após a aprovação, devolva o caso à revisão. Use uma decisão explícita de aprovação da pessoa autorizada; mantenha comentários e sugestões de alteração separados dessa decisão.

CrewAI Flows pode persistir estado com @persist e pausar para receber feedback com @human_feedback. Um detalhe importa para ações com efeitos relevantes: quando configurado com resultados emit, o mecanismo de feedback usa um modelo de linguagem para interpretar comentários em texto livre e classificá-los em um resultado. Use um campo de aprovação validado separadamente para autorizar a ação, em vez de tratar a interpretação de um comentário como a única permissão para agir. Documentação do CrewAI Flows.

Estabeleça outro ponto de autorização sempre que o processo puder fazer uma nova compra. Repetir uma conexão que falhou e comprar uma nova saída porque o agente não gostou do resultado concluído são decisões diferentes. A segunda exige uma verba definida ou uma nova aprovação. Veja aprovação humana para novas tentativas de agentes de IA para esse modo de falha específico.

O que registrar nos logs e quais limites impor

Registre o suficiente para reconstruir o caso e aplique limites antes de iniciar mais trabalho. Uma resposta final bem acabada não explica por que um processo enviou o artefato errado ou estourou o orçamento.

Use estes grupos de campos no registro do caso e nos eventos de execução:

• Identificação e relações entre execuções: ID do caso, ID do workflow ou da execução, IDs das execuções pai e filhas, papel do agente, etapa e tentativa atuais. Esses dados ligam a falha de um auxiliar à solicitação de negócio.
• Entradas e configuração: referências e versões dos artefatos de entrada, identificador do modelo, versão do prompt ou da configuração e conjunto de ferramentas permitidas. Esses dados permitem identificar o que mudou entre execuções.
• Decisões e evidências: decisão de encaminhamento, destino escolhido, referências às fontes, resultados da validação e informações faltantes. Registre decisões observáveis e justificativas concisas; não dependa do raciocínio privado do modelo.
• Aprovação: responsável pela revisão, decisão, data e hora, hash do artefato, argumentos da ação e prazo de validade. O hash funciona como uma impressão digital do conteúdo revisado.
• Ações e recuperação: nome da ferramenta, argumentos com dados sensíveis ocultados, chave de ação ou de idempotência, ID da solicitação externa, comprovante, categoria da falha e próxima tentativa agendada. Preserve um status explícito de incerteza quando o resultado for desconhecido.
• Consumo e resultado: categorias de tokens do modelo, gasto estimado e conciliado, uso de ferramentas pagas, tempo decorrido, espera pela revisão, status final e indicação de que uma pessoa aceitou ou não o resultado.

Restrinja o acesso a esses logs. Não inclua segredos, minimize os dados de clientes e use referências a artefatos com controle de acesso quando copiar todo o conteúdo criaria exposição desnecessária.

O tracing do OpenAI Agents SDK registra chamadas ao modelo, chamadas de ferramentas, handoffs e guardrails. Vincule esses rastros técnicos ao registro do caso; o rastro, sozinho, não deve ser a fonte de autoridade do negócio para determinar se uma ação voltada ao cliente foi aprovada. Documentação de tracing da OpenAI.

Ferramentas de orquestração de agentes de IA precisam aplicar limites de fato

Defina limites para gasto total do caso, turnos dos agentes, chamadas de ferramentas, auxiliares em paralelo, profundidade de delegação, quantidade de handoffs, novas tentativas e tempo total decorrido. Separe o prazo de execução ativa do prazo de revisão humana. Escolha os valores a partir do custo e da demora aceitáveis para o negócio; não existe um padrão universalmente seguro.

Reserve orçamento antes de distribuir trabalho em paralelo e faça a conciliação quando cada chamada terminar. Caso contrário, cada auxiliar pode enxergar o mesmo saldo restante e gastá-lo por conta própria. Desconte as execuções retomadas do mesmo orçamento do caso.

O Claude Agent SDK oferece controles de gasto por consulta, incluindo maxBudgetUsd em TypeScript e max_budget_usd em Python, além de controles de profundidade e concorrência dos subagentes. Confira os requisitos da versão instalada na documentação de subagentes.

O escopo da contabilização importa: o campo usage exclui a atividade dos subagentes, enquanto modelUsage ou model_usage a inclui. O campo total_cost_usd inclui subagentes, mas é uma estimativa calculada no cliente. O teto de gasto de uma consulta cobre o gasto daquela chamada, não os gastos anteriores restaurados de uma sessão retomada. Mantenha um registro financeiro por caso e concilie as estimativas com os dados oficiais de consumo. Documentação de acompanhamento de custos do Claude.

Uma configuração de orçamento no SDK também não garante um teto exato para a fatura final: o resultado documentado de uma execução com limite pode terminar no valor definido ou acima dele. Deixe margem para o trabalho em andamento e pare de distribuir novas tarefas antes de esgotar a verba do negócio.

O custo da orquestração de IA está no caso inteiro

Faça o orçamento do resultado de negócio concluído, incluindo o trabalho que não deu certo e a revisão. Mais agentes podem reduzir o tempo de pesquisas independentes, mas também podem repetir contexto, acrescentar chamadas de síntese e criar ciclos de revisão. A justificativa de negócio está em saber se o resultado aceito melhora o suficiente para compensar esse custo adicional.

Use este modelo mensal:

Custo do processo = consumo de modelos + ferramentas pagas + infraestrutura de workflow + armazenamento de estado e logs + revisão humana + operação.

Depois, divida pelo número de resultados aprovados, não pelo número de execuções de agentes. Casos malsucedidos e rascunhos descartados continuam no numerador. Compare esse custo com o processo atual usando o mesmo critério de aceitação e as mesmas premissas de custo de pessoal; sem esses dados, não há como calcular um percentual confiável de economia.

Como referência concreta de infraestrutura, a Cloudflare publica estes valores:

Fontes: preços do Workers e preços do Workflows. O mínimo da conta cobre infraestrutura, não o preço completo de um agente. Requisições, tempo de CPU (trabalho do processador), chamadas a modelos e outros serviços ainda precisam entrar na conta. O anúncio de cobrança informa que a cobrança de etapas e armazenamento não começaria antes de 10 de agosto de 2026; o texto público não confirma a ativação para uma conta específica.

Nosso cálculo: dividir os $0.80 publicados por 100,000 resulta em $0.000008 por etapa adicional, antes das outras cobranças. Isso é uma conversão de unidade da tarifa publicada, não uma estimativa de carga de trabalho nem uma fatura medida. Tarifa publicada por etapa.

A espera não precisa manter um modelo em um loop ativo. A Cloudflare informa que esperas por APIs, períodos de suspensão e tempo ocioso não geram consumo de tempo de CPU. O armazenamento do estado e a contabilização das etapas continuam separados. Persista o caso e aguarde um evento, em vez de perguntar repetidamente a um agente se a pessoa responsável pela aprovação já respondeu. Preços do Workflows.

Frameworks de orquestração de agentes de IA fazem parte de um processo maior

Defina a divisão de responsabilidades antes de escolher o framework. Mantenha um único responsável quando precisar de síntese, transfira a responsabilidade quando o próximo especialista tiver de atuar de forma independente, use um grafo quando as transições permitidas forem importantes e acrescente um controle durável do ciclo de vida quando o trabalho precisar continuar além de uma chamada.

O comparativo de frameworks de agentes de IA detalha a escolha entre frameworks. Se a decisão estiver entre estado explícito em grafo e equipes organizadas por papéis, consulte LangGraph vs CrewAI.

A liderança de engenharia deve explicitar a persistência, as permissões de execução e quem responde pela recuperação. A liderança de operações deve definir os critérios de aceitação, os responsáveis pela aprovação, o escalonamento e o gasto permitido. Quem contrata deve perguntar quem opera esses controles, onde ficam os registros e como um caso pausado é recuperado após uma falha.

Uma plataforma pode operar a infraestrutura para você. Ela não pode decidir o que sua empresa considera um reembolso aprovado, uma afirmação de proposta sustentada por evidências ou uma compra adicional aceitável.

Onde há exagero nas promessas

Mais agentes não garantem resultados melhores. Dê a cada agente fontes, ferramentas ou responsabilidades distintas. Pedir que agentes intercambiáveis critiquem uns aos outros repetidamente pode consumir orçamento sem acrescentar evidências.

O desenho de um grafo também não prova que a execução é durável. O estado salvo, o mecanismo de persistência e o comportamento de reexecução determinam o que sobrevive a uma falha. Da mesma forma, um prompt que diz "pergunte antes de enviar" não faz uma política de envio ser cumprida; o executor precisa verificar a permissão.

Por fim, mantenha o planejamento orientado pelo modelo dentro de uma tarefa delimitada. Deixe o pesquisador escolher qual fonte relevante examinar em seguida. Mantenha as decisões de expor dados privados, aprovar uma despesa ou enviar uma mensagem ao cliente sob as regras de acesso e aprovação da aplicação.

Por onde começar na segunda-feira

Comece com um processo e acrescente apenas o limite de responsabilidade que falta. Mantenha o agente que já funciona. Registre sua entrada, artefato de saída, ferramentas, responsável, condição de sucesso e condição de parada; depois, acrescente a responsabilidade de pesquisa ou redação que estiver faltando.

Antes de liberar gravações que afetem clientes, exercite cenários de falha com entradas representativas e sem dados sensíveis: interrompa a execução depois de salvar um rascunho, entregue uma aprovação duas vezes, rejeite uma proposta, altere um artefato aprovado, esgote o orçamento e simule uma gravação externa cuja resposta se perdeu. Confirme que o caso chega a um estado registrado, com uma próxima ação clara.

Avance agora se o trabalho passa de um especialista a outro, espera por aprovação ou exige recuperação confiável. Adie a inclusão de agentes se o problema atual for a baixa qualidade das fontes ou um critério de aceitação mal definido. Um processo confiável com um único agente, sem essas necessidades de coordenação, pode continuar como está.

Perguntas de quem responde pelo processo

Preciso de uma plataforma de orquestração de agentes de IA se um agente já funciona?

Só quando você precisar de coordenação ou de recursos operacionais que sua aplicação ainda não tem. Comece identificando a responsabilidade que falta: um especialista assumir o caso, salvar o progresso, aguardar uma aprovação demorada ou recuperar a execução. Esse requisito determina se vale acrescentar uma biblioteca, um serviço de workflow ou um pouco de código na aplicação.

Posso combinar esses padrões no mesmo processo?

Sim. Um workflow durável pode conduzir o caso enquanto um grafo controla as rotas de revisão e um agente líder delega a pesquisa. Dê a cada camada uma responsabilidade clara e evite políticas sobrepostas de novas tentativas para a mesma operação.

Aprovar um rascunho também autoriza outra tentativa paga?

Só se a aprovação incluir explicitamente esse gasto. A aprovação para usar um artefato e a permissão para comprar outra tentativa devem ser registradas separadamente. Um rascunho alterado também precisa de revisão antes que a ação correspondente, com efeitos relevantes, prossiga.

O que deve acontecer se a pessoa responsável pela aprovação nunca responder?

Encerre a validade da decisão pendente conforme uma política definida, avise o responsável e mantenha o caso em espera ou encerre-o. Guarde contexto suficiente para uma revisão posterior. O silêncio não pode virar aprovação automática.

Assine a newsletter para receber guias práticos sobre como criar e operar workflows de negócio com IA.