Agentes vs. Pipelines: qual abordagem escolher ao integrar LLMs no seu projeto?

O debate entre agentes e pipelines não é técnico ou filosófico: é operacional. Pipelines são a espinha dorsal de sistemas estáveis, ETLs que processam milhões de eventos por segundo, workflows de CI/CD com SLA de 99,99%, APIs com contrato OpenAPI rigoroso. Agentes, por outro lado, entram onde o contrato falha: quando o input é ambíguo (ex.: um ticket de suporte em linguagem natural), o contexto muda entre uma chamada e outra (ex.: análise fiscal em tempo real com novas alíquotas), ou o objetivo evolui dinamicamente (ex.: otimização contínua de queries em bancos com esquemas em mutação). A diferença prática? Um pipeline roda com 100% de previsibilidade se os dados entrarem no formato esperado. Um agente pode lidar com o mesmo fluxo *mesmo quando os dados estão quebrados*, desde que tenha backpressure, avaliação robusta (como o Agent Judge) e gatilhos bem projetados, webhooks com retry semântico, não polling cego.

Isso explica por que equipes que adotaram agentes em produção não os colocaram no core do sistema, mas como camadas de adaptação: um agente analisa logs de erro para sugerir correções em PRs, enquanto o pipeline de deploy continua imutável; outro orquestra testes de integração baseado em mudanças de schema detectadas por LLM local (Ollama), mas delega a execução real a runners determinísticos. A arquitetura vencedora em 2026 não é 'agente vs pipeline', mas 'pipeline como estrutura, agente como nervo'. E o nervo só funciona se tiver feedback rápido, supervisão técnica (não humana) e mecanismos de contenção, exatamente o que o conceito de backpressure formaliza.

A cobertura CEVIU de maio mostrava agentes como experimentos isolados: um agente de imposto auto-aprimorável, outro avaliado com Agent Judge, outro testado em analytics. Agora, em junho, o foco migrou para a *integração intencional*: não mais 'se' usar agente, mas 'onde' ele substitui ou complementa o pipeline sem quebrar a confiabilidade. A mudança concreta está na adoção de padrões como Map → Reduce → Align em pipelines LLM, na exigência de contratos explícitos para gatilhos (webhooks com delivery guarantees), e na normalização de backpressure como camada obrigatória entre o agente e o sistema produtivo, algo que antes era feito à mão, agora é parte de frameworks como LangChain 0.3 e Wren AI 2.1.

Porque a escolha errada custa caro, não só em infraestrutura, mas em confiança. Um pipeline forçado a lidar com ambiguidade gera erros silenciosos (ex.: classificação incorreta de transações financeiras). Um agente solto sem backpressure gera código inseguro ou respostas enganosas com alta frequência, estudos mostram que 70% dos agentes em produção ainda dependem de revisão humana em pelo menos uma etapa crítica. A decisão entre as duas abordagens define o ciclo de vida do software: pipelines encurtam o tempo entre commit e deploy, agentes encurtam o tempo entre problema detectado e solução aplicada. E isso impacta diretamente DX: desenvolvedores passam menos tempo escrevendo regras fixas para cenários raros, e mais tempo definindo limites, métricas de qualidade e contratos de comportamento, o que, no fim, é programação de verdade.