Penso em agentes da mesma forma que penso em pessoas. Um agente é um trabalhador. Mil agentes são uma organização, e uma organização de máquinas é um sistema distribuído. As pessoas continuam me dizendo que os agentes podem rodar para sempre. Tecnicamente, isso é verdade. Você pode chamar um modelo em um loop até que seu cartão de crédito seja recusado. Mas o agente ainda roda em coisas finitas: tokens, contexto, computação, memória, ferramentas, dinheiro. Algo sempre acaba. Os humanos não são tão diferentes. Trabalhamos por um tempo e ficamos cansados. Nossa memória de trabalho é minúscula. Esquecemos coisas. Então escrevemos as partes importantes, dormimos e voltamos na manhã seguinte com a cabeça limpa e a mesma identidade. As máquinas têm a mesma restrição em uma forma diferente. Uma caixa fica sem CPU. Um pod fica sem memória. Ninguém conserta isso assumindo que todo processo deveria viver para sempre. Agendamos o trabalho sobre os recursos que temos. Não vejo por que a inteligência recebe uma folga. Um agente pode trabalhar por um tempo, escrever o que importa, limpar seu contexto e deixar a si mesmo ou a outro agente continuar a partir daí. Executamos nossos próprios agentes de codificação em VPS na Ins Forge, e eles são mortos, reiniciados e ficam sem contexto o tempo todo. As falhas que realmente doem são aquelas em que o plano vivia apenas dentro da janela de contexto do agente.

Adicionar agentes ajudou o trabalho paralelo em até 80,9% e prejudicou o trabalho sequencial em 39% a 70% no estudo de 180 configurações do Google Research. A forma da tarefa decide. Um orquestrador reduziu a amplificação de erros de 17,2× para 4,4× no mesmo estudo. Coordenação é um trabalho real. No Silo-Bench (ACL 2026), equipes de 2 a 100 agentes falaram muito e raciocinaram mal. As tarefas mais difíceis atingiram sucesso zero com 50 agentes. Portanto, a coisa durável deve ser o estado, não o agente. Agende agentes como processos e recupere-os como nós.

Os agentes estão começando a parecer processos. Isso deixou de ser uma analogia há um tempo. Há toda uma linha de pesquisa construindo isso. AIOS, um "Sistema Operacional de Agentes LLM" da Rutgers, abre com o problema em uma frase: "Permitir acesso irrestrito a recursos de LLM ou ferramentas pode levar a uma alocação e utilização de recursos ineficiente ou até potencialmente prejudicial para os agentes." A resposta deles é um kernel. Cada solicitação de agente é dividida em chamadas de sistema, um agendador decide qual chamada é executada em seguida, e um gerenciador de contexto tira um instantâneo do agente no meio da tarefa para que ele possa ser interrompido e retomado. Eles relatam até 2,1× de execução mais rápida ao servir agentes construídos em frameworks existentes. Agendamento, troca de contexto, gerenciamento de memória, armazenamento, controle de acesso. Isso é um sistema operacional. Os processos apenas acontecem de pensar.

Também compensa um nível acima. LLM-as-Scheduler, do ACL 2026, parte da observação de que a maioria das consultas não merece um fluxo de trabalho multiagente pesado, e deixa um agendador escolher o fluxo de trabalho por consulta. Eles obtiveram 43% menos tokens e mais de 36% menos latência de ponta a ponta, com uma queda de precisão de no máximo 1,4 ponto percentual contra um fluxo de trabalho fixo forte. Então, um agente parece um processo, e milhares de processos precisam de um agendador. Bem. Mas agendar computação é apenas metade. Você também precisa coordenar os agentes entre si, e é aí que fica interessante. Dez pessoas se coordenam. Dez mil inventam gerentes. Dez pessoas podem se coordenar em uma sala. Mil pessoas não podem todas conversar entre si e decidir independentemente o que a empresa deveria fazer, então inventamos equipes, gerentes, departamentos e, eventualmente, um CEO. Os gerentes existem em parte porque a coordenação é em si um trabalho, e alguém tem que fazê-lo. Eu assumi que os agentes teriam o mesmo problema. Agora há dados. Google Research e MIT realizaram um estudo controlado de 180 configurações de agentes em cinco arquiteturas e três famílias de modelos. Sua manchete: "a abordagem de 'mais agentes' muitas vezes atinge um teto, e pode até..."