De chatbot a agente: o que mudou e por que importa

Módulo 1 · Agentes de IA

Você terminou o Bloco anterior conhecendo o que é IA generativa, como ela funciona por dentro, o que são tokens, como acessar por app ou por API e como escrever bons prompts. Tudo isso continua valendo daqui em diante.

Mas existe um salto qualitativo entre aquilo que você usou até agora — o chatbot — e o que vamos usar de fato no resto do curso: o agente. Esse salto é o que dá nome a Vibe Coding e o que torna IA, em 2026, qualitativamente diferente do que era há dois anos. Este capítulo é sobre essa diferença.

Recap rápido: o que é um chatbot

Você já interagiu com chatbots: ChatGPT no navegador, Claude.ai, Gemini. O padrão é simples:

Você digita uma mensagem.
O modelo lê e devolve uma resposta em texto.
Para fazer alguma coisa com a resposta — rodar o código, salvar o arquivo, abrir a planilha — você precisa agir.

O chatbot fala. Não tem braços nem mãos. Não enxerga seu computador. Não pode ler nem alterar nada no sistema. O que sai dali é texto, e o texto só vira ação quando você executa.

Isso gera um fluxo de cópia-cola que é familiar para qualquer pessoa que usa IA hoje:

Você pergunta → modelo responde → você copia → cola no R / Word / Excel → vê o resultado → encontra um erro → volta para o chat com a mensagem de erro → modelo corrige → você cola de novo → roda de novo → …

Esse loop é o estado da arte do uso “padrão” de IA. Funciona. Mas é caro em fricção, e cada cópia/cola é uma chance de erro de transcrição.

O que é um agente

Um agente de IA é um LLM com três coisas a mais:

Ferramentas — funções que ele pode invocar para interagir com o mundo: ler um arquivo, escrever um arquivo, rodar um comando de terminal, fazer uma requisição HTTP, consultar uma base de dados, abrir uma página na web.
Autonomia para iterar — pode chamar várias ferramentas em sequência, observar o resultado de cada uma, ajustar a próxima ação, sem aguardar que você digite algo entre os passos.
Loop de execução — um ciclo pensar → agir → observar → pensar que continua até a tarefa ficar pronta ou até ele decidir pedir confirmação.

Em uma frase: um agente é um LLM com permissão para mexer em coisas, autonomia para iterar, e a responsabilidade de te entregar uma tarefa pronta — não apenas uma resposta.

Anatomia de uma interação agêntica

Vamos abrir o capô. Imagine que você diz ao Claude:

“Calcule a idade média e o desvio padrão dos pacientes em data/raw/coorte.csv.”

No chatbot, a resposta seria algo como:

library(readr)
dados <- read_csv("data/raw/coorte.csv")
mean(dados$idade, na.rm = TRUE)
sd(dados$idade, na.rm = TRUE)

Você copia, cola, roda, lê o output. Se der erro, copia o erro de volta para o chat.

No agente, o que acontece é diferente — em vez de devolver código para você executar, ele executa:

Pensa: “preciso ler o arquivo primeiro para saber o que tem dentro.”
Age: chama a ferramenta de leitura — read_file("data/raw/coorte.csv").
Observa: vê que são 1.247 linhas, com colunas idade, sexo, desfecho, e que idade tem alguns valores faltantes.
Pensa: “preciso usar na.rm = TRUE por causa dos faltantes.”
Age: escreve um script R/analise/01-descritiva.R e chama a ferramenta de execução.
Observa: lê o output. Média = 64,3 anos, DP = 14,2.
Responde: “A idade média foi 64,3 anos (DP 14,2). Salvei o script em R/analise/01-descritiva.R e o resultado bruto em output/descritiva-idade.txt. Quer que eu inclua também mediana e quartis?”

Você não vê o código nem o output diretamente — vê o resultado curado, com os artefatos já organizados no projeto, prontos para a próxima etapa.

Mesma tarefa, dois mundos

Para tornar a diferença concreta, vamos comparar chatbot e agente em uma tarefa real de pesquisa: gerar a Tabela 1 de um estudo de coorte.

Etapa	Chatbot	Agente
Você pede	“Gere o código da Tabela 1.”	“Gere a Tabela 1 do meu estudo.”
Ele descobre o que tem nos dados	Não pode — supõe nomes de variáveis.	Lê o CSV, identifica colunas, tipos e faltantes.
Você executa o código	Você copia, cola no R, roda.	Ele roda.
Erro de sintaxe ou pacote ausente	Você copia o erro de volta para o chat, espera correção, roda de novo.	Ele lê o erro, corrige, roda de novo.
Resultado final	Tabela renderizada na tela. Você precisa salvar, transformar em imagem, colar no Word.	Tabela salva em `tables/tabela1.docx` e referenciada num chunk Quarto, pronta para o relatório.
Risco de erro de transcrição	Alto (cada cópia/cola é uma chance).	Baixo (não há cópia/cola).

A diferença não está só em velocidade. A unidade de trabalho mudou: deixou de ser mensagem e passou a ser tarefa.

O que isso muda para a pesquisa científica

Quatro mudanças práticas vale registrar:

1. A fricção entre ideia e teste despenca

No fluxo do chatbot, testar uma hipótese custa esforço: pedir o código, configurar o ambiente, rodar, depurar, interpretar. Cada passo cobra atenção. Com agente, testar uma ideia volta a custar quase o mesmo que ter a ideia. Você diz “ajuste o modelo logístico controlando por idade e sexo” e em segundos vê o resultado. Isso muda o ritmo do trabalho intelectual: você explora mais alternativas, porque cada alternativa custa pouco.

2. A qualidade do prompt importa ainda mais

No chatbot, um prompt ruim gera uma resposta ruim — você nota, refaz e segue. No agente, um prompt ruim pode gerar arquivos ruins de verdade no seu projeto, antes de você ter chance de revisar. Tudo o que vimos no capítulo de Prompts (M1-B1-04) — papel, contexto, plan-first, restrições explícitas — vale dobrado em uso agêntico.

3. Documentar o uso fica mais difícil e mais importante

Como vimos em Documentar uso de IA (M1-B1-05), registrar modelo, versão, prompt, output e edição humana é parte do método. Em uso agêntico, a “interação” não é uma única troca de mensagens — pode ser dezenas de chamadas de ferramentas, mudanças incrementais em vários arquivos, ao longo de uma sessão de horas. O Git, que vamos ver no Módulo 3, passa a ser o seu log primário: cada commit é uma “rodada” do agente, com mensagem descrevendo o que foi feito.

4. A reprodutibilidade ganha um asterisco

Mesmo com prompt idêntico, duas sessões agênticas em momentos diferentes podem tomar caminhos ligeiramente diferentes — escolher um nome de variável distinto, decidir por uma estrutura de pastas alternativa, ordenar os passos de outra forma. Isso significa que o produto final (os arquivos, os números, as figuras) é o que conta como reprodutível, não o processo agêntico em si. A boa notícia: se o produto final está versionado no Git, com lockfile de pacotes, qualquer pessoa consegue regenerar os números a partir dali — independentemente de como o agente chegou neles.

O humano no loop

Embora o agente “atue”, você continua sendo o responsável. Os agentes desenhados para uso profissional sério — Claude Code, Cowork, Codex, Gemini CLI — implementam portões de aprovação:

Antes de editar um arquivo que já existe, o agente mostra o diff e pergunta “posso aplicar?”.
Antes de rodar um comando potencialmente destrutivo (rm, git push --force, DROP TABLE), o agente pede confirmação explícita.
Antes de criar arquivos em massa, o agente apresenta o plano completo (a técnica de plan-first do capítulo de Prompts).

Aprovação por reflexo é o oposto de controle

Clicar “aprovar” sem olhar o que vai ser feito anula a proteção. Cada portão de aprovação existe porque aquela ação merece um momento de revisão. Mesmo que demore três segundos a mais por ação, esse hábito é o que separa “agente como assistente” de “agente como descontrole”.

Há também um cuidado específico para pesquisa, ligado ao capítulo de LGPD (M1-B1-06): ao trabalhar com dados de pacientes, você precisa entender que o agente lê o que você der acesso. Se sua pasta data/raw/ contém prontuários identificados, e o agente tem acesso a essa pasta, esses dados podem ser enviados para os servidores do modelo. Tratamento de dados sensíveis exige decisões deliberadas — não default.

Limites honestos

Para fechar a parte conceitual com honestidade — agentes não são mágica. Quatro limites a manter em mente:

Ainda alucinam. A diferença é que agora alucinam agindo: inventam o nome de um pacote inexistente e tentam instalar; supõem uma coluna que não está no CSV e usam mesmo assim. Você precisa conferir o trabalho, não delegar cegamente.
Quanto maior a tarefa, maior o desvio. Tarefas curtas e bem delimitadas dão excelente resultado. Tarefas longas e abertas tendem a derivar — o agente “perde o fio” depois de muitas iterações. A boa prática é dividir tarefas grandes em pedaços testáveis.
A janela de contexto é finita. Mesmo modelos com janelas enormes (Claude Opus 4.7 tem 1M de tokens) não enxergam tudo de uma vez em projetos grandes. Estruturar bem o projeto (Módulo 2) e usar arquivos de configuração como CLAUDE.md ajuda a manter o contexto certo na memória do agente.
Não substituem julgamento metodológico. Um agente não decide se p < 0,05 é apropriado para o seu desenho, não escolhe entre regressão de Cox ou Poisson sem orientação, não te avisa que o desfecho composto não faz sentido clínico. Essas decisões continuam suas.

Sobre-confiança é o erro mais caro

A armadilha mais comum em quem começa a usar agentes é tratar o output como verdade pelo simples fato de ter sido escrito com fluência. Texto bem escrito não garante código correto, e código que roda não garante análise correta. Revisão é parte do método.

Vibe Coding: o nome do método

O termo vibe coding foi popularizado em 2025 para descrever esse modelo de trabalho: você descreve o que quer em linguagem natural, o agente faz, você revisa e itera. Não é “programar sem saber programar” — é trabalhar em outro nível de abstração, com a IA cuidando da tradução entre intenção e código.

Para um pesquisador, o ganho é direto: você consegue produzir scripts, tabelas, análises, relatórios e até sites inteiros sem dominar a sintaxe de R ou Python. O custo é desenvolver duas habilidades novas — saber pedir (prompts cuidadosos) e saber avaliar (revisão crítica do output) — que são exatamente as habilidades que este curso prioriza.

Curiosidade: o próprio site que você está lendo

Este site, do título à página de créditos, foi construído em colaboração com agentes de IA — Claude Cowork e Claude Code. Os detalhes de modelos, período, e divisão de trabalho entre humano e agente estão na página de Créditos, seguindo o protocolo de declaração que você acabou de ver no capítulo Documentar uso de IA. É o exemplo do método aplicado a si mesmo.

O que vem a seguir

Os próximos dois capítulos descem do conceitual para o concreto:

02 · Claude — o agente recomendado do curso. Cowork e Claude Code em detalhes, e o caso SaaSpocalypse que ilustra o impacto do salto agêntico no mercado em 2026.
03 · Codex — a alternativa da OpenAI, em CLI, útil para quem quer comparar agentes ou já vive no ecossistema OpenAI.

Depois disso, o curso volta para a infraestrutura prática (Terminal, no Bloco 3, e Ambientes de trabalho, no Bloco 4) — agora com a moldura conceitual completa para entender o que você está fazendo, e por quê.