Salesforce Revela Desafios na Coevolução de Agentes de IA e Suas Ferramentas

A pesquisa da Salesforce escancara um problema crítico na construção de agentes de IA: a coevolução entre o modelo e seu “harness”. O harness, para quem não está familiarizado, é a estrutura de suporte que envolve o modelo. Isso inclui desde o prompt do sistema, o conjunto de ferramentas à disposição, até os ganchos de execução e o gerenciamento de contexto. Ele dita como o modelo interage com o ambiente.

O estudo mostrou que, ao otimizar esse harness para um modelo menor e depois tentar treiná-lo com as trajetórias de um especialista mais potente, o desempenho caía significativamente. Essa regressão de performance, de 4 a 30 pontos percentuais, acontecia porque o modelo menor, mesmo com o conhecimento do especialista, não tinha a competência para executar as estratégias complexas. Ele adotava a lógica de planejamento do expert, mas perdia a sintonia com o harness que havia sido otimizado para seu estilo de planejamento original. Isso ecoa o que o CEVIU News já apontava em julho de 2026, com matérias como "Paradoxo da IA: Modelos Avançados, Ferramentas Menos Confiáveis" e "Modelos de IA Mais Potentes, Ferramentas Menos Confiáveis: Um Dilema no DevOps", onde modelos avançados mostravam dificuldade em aderir a esquemas de ferramentas.

Esta nova pesquisa da Salesforce traz um salto qualitativo na compreensão de um problema que já discutíamos. Antes, as matérias do CEVIU News, como as de julho de 2026 sobre "Modelos de IA Mais Potentes, Ferramentas Menos Confiáveis", apontavam o *sintoma*: modelos de IA, mesmo os mais avançados, tinham dificuldade em usar ferramentas de forma confiável ou aderir a schemas. Agora, a Salesforce identifica e explica o *mecanismo* por trás de uma das causas dessa dificuldade, especificamente na coevolução de agentes. Eles detalham como a imitação de trajetórias de especialistas em um harness já otimizado pode, paradoxalmente, prejudicar o desempenho, desorganizando o ajuste entre o modelo e suas ferramentas. Mais do que isso, eles oferecem uma "receita compatível" para resolver a questão, propondo uma pipeline de correção baseada em um meta-agente de IA. Isso representa um avanço da identificação do problema para o entendimento de sua causa e uma proposta de solução prática.

Entender a complexidade da coevolução entre agentes de IA e suas ferramentas é fundamental. Permite que desenvolvedores evitem armadilhas no treinamento, garantindo que os avanços em um componente não anulem o progresso em outro. Para empresas, isso se traduz em agentes autônomos mais confiáveis e eficientes, que podem realizar tarefas específicas com menor custo operacional, aproveitando o potencial de modelos menores. A descoberta da Salesforce abre caminho para métodos de treinamento mais inteligentes e práticos, essenciais para a implantação escalável de IA em ambientes corporativos.