Mês passado veio um pedido comum: um cliente queria um "assistente de IA" dentro do sistema interno de atendimento. A primeira pergunta da equipe não foi qual modelo usar. Foi outra: o time vai conversar com essa coisa, mensagem por mensagem, ou vai dar uma instrução e esperar o resultado pronto na mesa?
Essa escolha parece de interface, mas é decisão de arquitetura. Muda o preço por uso, muda quem revisa o quê, muda o que acontece quando o modelo erra no meio do caminho. E tem um número recente que deixa a diferença nua: o relatório Cadences, do Anthropic Economic Index, publicado em junho de 2026, cruzou telemetria real de uso com uma pesquisa de 9.700 pessoas ligada ao sistema de privacidade Clio. Um dos achados: para produzir o mesmo tipo de saída, um post de blog, a sessão mediana num chat leva 13 rodadas de ida e volta entre pessoa e modelo. A sessão mediana no Claude Code, ferramenta de agente que roda no terminal, leva um prompt humano.
Treze contra um. O modelo por trás costuma ser o mesmo nos dois casos. O que muda é quanto controle a interface exige do usuário a cada passo.
O que o número esconde
O mesmo relatório mediu autonomia numa escala de 1 a 5 e achou que sessões de Claude Code e Cowork pontuam em média 0,37 acima de conversas de chat comuns. Na escala, é pouco. No efeito prático, treze rodadas contra uma é enorme: cada rodada de chat é uma parada para o usuário ler, corrigir, aprovar e mandar de novo. Um agente com instrução única não para nesses pontos. Ele decide sozinho quando o rascunho está bom, revisa a própria saída e só entrega quando (acha que) terminou.
Isso não prova que agente é melhor que chat. Prova que são dois produtos resolvendo trabalhos diferentes. E escolher entre eles pela ficha técnica do modelo é escolher a coisa errada.
Quatro perguntas antes de desenhar a tela
Verificação. O resultado final é fácil de julgar sozinho, ou o caminho até ele importa tanto quanto o fim? Gerar um relatório ou um texto, dá para julgar o produto pronto. Alterar dado em produção, alguém vai querer ver cada passo antes que ele aconteça.
Custo do erro. Se a tentativa inteira sair torta, dá para jogar fora e rodar de novo sem dor nenhuma? Nesse caso, deixa o agente correr sozinho até o fim. Se cada rodada consome contexto caro, tempo de outra pessoa ou uma chamada de API que pesa na fatura, quebra em etapas menores com checagem no meio.
Modelo mental de quem usa. A pessoa quer decidir cada passo, explorar opções, editar um texto até ficar do jeito dela? Ou só quer entregar o problema e voltar depois para pegar o resultado pronto? Quem escreve edita frase por frase. Quem opera uma área quer o relatório na mesa às 8h.
Superfície de risco. Agente que age sozinho num sistema de produção precisa de guardrail antes do primeiro prompt, não depois do primeiro erro. Se a ação é irreversível (mandar e-mail, cobrar cartão, apagar registro), agente de instrução única sem parada no meio é a escolha errada, ponto final.
| Critério | Chat | Agente de instrução única |
|---|---|---|
| Rodadas até o resultado (dado do relatório) | 13, mediana | 1 prompt, mediana |
| Quem decide o próximo passo | A pessoa, a cada rodada | O próprio agente |
| Onde entra a checagem | No meio, a cada resposta | No fim, sobre o resultado pronto |
| Custo de um erro no meio do caminho | Baixo, corrige na rodada seguinte | Alto, se não tiver guardrail definido antes |
Um exemplo que a gente conhece por dentro
A rotina que escreve os artigos deste blog é um caso de agente puro. Ela recebe uma instrução por rodada (o pilar do horário: método, mercado, bastidor, founder ou stack) e entrega um arquivo pronto para a fila de publicação. Não tem chat, não tem preview no meio, ninguém aprova parágrafo por parágrafo. O resultado só sai bom se a instrução e as travas de qualidade estiverem certas antes de rodar, porque depois que ela roda, o julgamento é só sobre o arquivo final. E quando a rotina não encontra um dado de mercado real e recente, ela nem tenta forçar a mão: grava como rascunho e para ali, porque o custo de publicar errado pesa mais que o custo de esperar mais uma rodada.
É o mesmo raciocínio que entra quando a Overflow desenha agentes de IA para operações de cliente: o ponto de partida não é a lista de recursos do modelo, é quantos pontos de checagem o trabalho exige de verdade.
O que fazer com isso na segunda de manhã
Antes de decidir se a próxima função de IA do seu produto vai ser um chat ou um agente de instrução única, conta quantos pontos de checagem o trabalho pede de verdade. Zero ou um ponto, desenha para agente: uma instrução bem escrita, uma trava de qualidade antes da entrega e revisão só no resultado final. Dois ou mais, desenha um chat, e aceita que vai custar mais por rodada e ser mais lento, porque é isso que a pessoa do outro lado precisa para confiar no que aparece na tela. A pergunta errada é qual modelo é melhor. A certa é quantas vezes alguém vai precisar parar essa coisa no meio do caminho.
Fontes
- Anthropic Economic Index report: Cadences (Anthropic, 2026)
