O mesmo pedido, dois tamanhos de conversa
Pedir pra um agente escrever um rascunho de post e pedir a mesma coisa num chat comum produzem números de mensagens completamente diferentes. Segundo o relatório Cadences, publicado pela Anthropic em 26 de junho de 2026, a sessão mediana de chat que termina num post de blog tem treze rodadas de ida e volta entre pessoa e modelo. A sessão mediana do Claude Code que produz o mesmo tipo de resultado tem um prompt humano. Um.
O relatório amostrou conversas hora a hora entre 10 de abril e 10 de junho de 2026 e cruzou isso com respostas de 9.700 usuários. Um dos achados: sessões em Claude Code e Cowork chegam com 0,37 ponto a mais de autonomia numa escala de 1 a 5 do que conversas de chat comuns, e cerca de dois terços dessa diferença vêm da mesma tarefa sendo executada com mais delegação quando passa pelo agente. Não é um agente melhor. É a mesma tarefa chegando de outro jeito.
Isso importa pra quem está tirando um piloto de IA do chat e colocando pra rodar como agente numa operação real, porque o erro mais comum nessa transição é copiar o hábito de conversa e só trocar a interface. O time continua mandando um pedido curto, esperando a primeira resposta, corrigindo, mandando de novo. Só que agora cada rodada custa uma chamada de ferramenta, um contexto recarregado, às vezes uma ação real no sistema. Treze rodadas num chat são baratas. Treze rodadas com um agente que lê planilha, escreve em CRM e manda e-mail são treze chances de errar em produção.
Por que o agente precisa de menos idas e voltas
A diferença não está no modelo. Está no que chega junto com o pedido. Numa conversa de chat, a pessoa testa o terreno: escreve uma frase, vê o que volta, ajusta. É assim que a gente também trabalha com um estagiário no primeiro dia. Num agente de execução, o pedido costuma vir com o contexto todo de uma vez: arquivos anexados, exemplos do formato esperado, acesso às ferramentas certas, critério de aceite explícito. O agente não pergunta menos porque é mais esperto. Pergunta menos porque já recebeu a resposta antes de precisar perguntar.
A pergunta que sobra depois do prompt é o contexto que faltou entregar antes dele.
Isso vira método quando você para de tratar a primeira mensagem pra um agente como abertura de conversa e passa a tratar como um briefing completo. A diferença prática é o que entra nesse pacote:
| No chat | No pacote pro agente |
|---|---|
| "Escreve um post sobre X" | Tema, público, tamanho, três exemplos do tom certo, o que não pode faltar |
| Corrige depois que erra o formato | Formato definido antes, com um exemplo real anexado |
| Explica o contexto do cliente na segunda mensagem | Contexto do cliente já no primeiro prompt, nunca pressuposto |
| Aprova ação por ação na conversa | Critério de aceite escrito, o agente roda até bater com ele |
O passo a passo pra segunda-feira
Antes de delegar a próxima tarefa recorrente pra um agente, monte o pacote assim:
- Escreva o pedido como se você fosse sair de férias logo depois de mandar. Se a resposta certa depende de uma pergunta que só você sabe responder, a pergunta faz parte do pacote, não da conversa.
- Anexe um exemplo do resultado esperado, não uma descrição dele. Descrição gera interpretação, exemplo gera imitação, e imitação erra menos.
- Liste as ferramentas que a tarefa precisa antes de começar (planilha, API, base de conhecimento) em vez de deixar o agente descobrir no meio da execução que falta acesso.
- Escreva o critério de aceite em uma frase que dá pra checar sim ou não, tipo "o e-mail sai com nome, valor e prazo corretos", não "o e-mail fica bom".
- Rode o teste cego: mostre o pacote pra alguém do time que não sabe do assunto. Se essa pessoa precisa voltar com uma pergunta antes de conseguir fazer a tarefa, o agente também vai precisar.
O ponto 5 é o mais barato de aplicar e o que mais aparece quebrado. A gente escreve prompt pensando em quem já sabe o contexto, que geralmente é a própria pessoa que escreveu. Um agente novo numa fila de produção não sabe nada disso, do mesmo jeito que um colega que entrou essa semana.
Nenhum desses passos exige trocar de modelo ou de fornecedor. Exige rever o hábito de escrever pedido igual quem está batendo papo. Times que já tiraram esse hábito do jeito de trabalhar reportam sessões mais curtas e menos retrabalho, o que bate com o gap de autonomia que o próprio relatório da Anthropic mede entre chat e agente fazendo a mesma tarefa.
Quem está desenhando o piloto de um agente agora tem uma métrica simples pra medir se o pacote de tarefa está bom: contar quantas mensagens de correção o agente pede depois do primeiro prompt. Se o número não cai depois de duas ou três rodadas do piloto, o problema não é o modelo escolhido. É o que está faltando no início. A implementação IA-first da Overflow começa exatamente por aí: desenhar o pacote da tarefa antes de escolher qual agente vai rodar ela.
Fontes
- Anthropic Economic Index report: Cadences (Anthropic, 2026)
- Anthropic Economic Index June 2026: Cadences, Artifacts, and Survey Results (Tony Reviews Things, 2026)
