Times de agentes de IA custam até 5,1 vezes mais e quase nunca entregam ganho mensurável

Dez cabeças pensam melhor que uma. Em teoria.

Na prática, a aritmética começou a ficar feia. A Vals AI (abre em nova aba), empresa que mantém benchmarks de agentes de IA, publicou um estudo em que rodou dois modelos de fronteira — GPT-6 Sol, da OpenAI, e Claude Opus 5.5, da Anthropic — sobre o Vibe Code Bench em duas configurações: agente único e time de agentes. Em quatro comparações, os times custaram de 1,8 a 5,1 vezes mais em tokens. O ganho de qualidade foi estatisticamente significativo em exatamente uma delas.

O anúncio oficial resume o espírito do resultado:

Times pagam a pena? Rodamos o GPT-6 Sol e o Claude Opus 5.5 no Vibe Code Bench, sozinhos e em times, com esforço de raciocínio médio e máximo. Times custam de 1,8× a 5,1× mais, mas apenas uma das quatro comparações time-versus-agente-único produziu melhora estatisticamente significativa: o Sol com esforço médio, que ganhou 7,3 pontos.

— Vals AI (@ValsAI), 9 de out. de 2026, no X

Antes de descartar a arquitetura multiagente — ou de defendê-la por fé —, vale entender o que exatamente foi medido e por que o custo explode.

O que o teste mediu

O Vibe Code Bench reúne 50 aplicativos web full-stack. A nota de cada execução é a proporção de testes de interface que passam, média das 50 aplicações. Cada modelo rodou em dois níveis de esforço de raciocínio (quanto o modelo pode "pensar" antes de responder): médio e máximo. Isso define oito configurações no total, quatro solo e quatro em time.

Na configuração em time, o agente líder pode delegar trabalho a subagentes — até cinco em paralelo. Subagentes não geram outros subagentes. O líder recebe uma instrução curta e padronizada para dividir a tarefa, delegar, integrar e verificar. O prompt da tarefa, o sandbox e o avaliador eram idênticos entre solo e time.

Os números, por comparação:

O único resultado sólido foi o Sol em esforço médio: teste t pareado com p de 0,005 e intervalo de confiança de 95% entre +2,3 e +12,4 pontos. Pagando 2,5 vezes mais (US$ 1,22 para US$ 3,07 por app, na média do benchmark), o time entregou 7,3 pontos a mais. É um ganho real, dentro do que o desenho estatístico consegue afirmar. Os outros três casos não sobrevivem ao teste: o intervalo inclui o zero, o que significa que a diferença observada pode ser ruído.

O caso extremo dói mais: Opus no esforço máximo saiu de US$ 23,77 para cerca de US$ 122 por aplicativo — 5,1 vezes — para ganhar 3,4 pontos sem significância estatística.

Por que o custo multiplica

O mecanismo não é misterioso. Cada subagente precisa ingerir contexto próprio: a descrição da tarefa, o código relevante, o resultado parcial dos pares. O Vals AI afirma que a maior parte do gasto adicional vem de entrada em cache, tokens de contexto reprocessados a cada subagente, cobrados mesmo quando reaproveitados. Some a isso os tokens de coordenação (o líder lendo o que cada subagente devolveu, reconciliando conflitos, reexecutando verificações) e o orçamento cresce de forma quase determinística.

Há uma ironia estrutural aqui. A promessa do multiagente é paralelismo: cinco subagentes trabalhando ao mesmo tempo deveriam terminar mais rápido. E terminam. O que não aparece na conta é que paralelismo em tokens não é paralelismo em custo, cada linha paralela tem sua própria fatura. O The Decoder relata, citando testes separados no ProgramBench, que ganhos de velocidade vieram acompanhados de uso maior de tokens. Velocidade e custo são variáveis independentes, e a arquitetura em time compra a primeira pagando a segunda.

O contraponto que salva os times

Seria tentador fechar o caso com "times nunca valem a pena". Os dados da própria Anthropic sugerem algo mais matizado.

O system card do Opus 5.5, o documento oficial que acompanha o lançamento do modelo, traz comparações entre 1, 10, 30 e 100 agentes. Os valores abaixo são a leitura que o The Decoder fez das figuras do documento, não uma tabela em texto no original, o que exige cautela na precisão de cada casa decimal. A tendência, porém, é clara: em uma tarefa de base de conhecimento, o escore vai de 0,53 com um agente a 0,70 com dez; com cem, chega a 0,74. Em prova de teoremas no Lean, salta de 0,39 para 0,66 com dez agentes e estagna em 0,68 com cem.

Dois padrões emergem. Primeiro, o ganho grande está no salto de 1 para 10 agentes, não de 10 para 100, a curva satura cedo. Segundo, as tarefas onde o time brilha não são as do Vibe Code Bench: são problemas decomponíveis em subproblemas verificáveis e relativamente independentes, como consultas a base de conhecimento ou demonstrações formais. Em código full-stack, onde as partes do aplicativo se acoplam, uma mudança de layout quebra o teste de navegação, , a integração devora o benefício da divisão.

As ressalvas, porque existem

O estudo tem limitações que o próprio Vals AI declara. Cada uma das oito configurações rodou uma única vez; os intervalos estatísticos refletem variação entre os 50 aplicativos, não repetições da mesma execução. É um benchmark só, de um domínio só (aplicativos web full-stack), e os autores afirmam explicitamente que os resultados podem não se generalizar. Há também uma variável de confusão: a comparação solo-versus-time mistura a delegação em si com o prompt adicional dado ao líder, e os dois modelos rodaram em harnesses diferentes.

Em termos práticos: o estudo não prova que times de agentes são inúteis. Prova que o ônus da prova está com quem cobra 5 vezes mais. Isso muda a conversa de "multiagente é o futuro" para "mostre-me o delta medido no seu caso".

Quando (não) pagar pelo time

Na leitura que faço dos dois conjuntos de dados, o benchmark da Vals e as figuras da Anthropic, , a decisão se reduz a condições verificáveis:

• Tarefa decomponível em subproblemas independentes: consultas paralelas, varreduras, casos de teste isolados. Se os pedaços conversam entre si, o time vira comitê.
• Verificação barata e automática: se cada subagente pode ser validado por um teste objetivo, o erro de um não contamina os outros. Sem isso, o líder gasta tokens arbitrando.
• O salto de 1 para poucos agentes: os ganhos grandes aparecem cedo na curva. Dezenas de subagentes parecem comprar prestígio arquitetural, não escore.
• Latência importa mais que orçamento: se o relógio vale mais que a fatura, o paralelismo pode justificar o excesso de tokens.
• O oposto também vale: tarefa sequencial, contexto fortemente acoplado, orçamento apertado, agente único, ponto. O baseline de 77,6% a 93,2% dos agentes solo do estudo não é ruim; é competitivo.

Há um detalhe de engenharia que merece mais atenção do que costuma receber: no único resultado significativo do estudo, o time venceu no esforço de raciocínio médio e perdeu a vantagem no máximo. Uma hipótese plausível, e é só isso, uma hipótese, é que raciocínio mais profundo no agente único substitui parte do que a delegação faria. Se for confirmado em outros benchmarks, a recomendação muda de "não use times" para "esgotue o esforço do agente solo antes de dividir a conta".

O número que fica, afinal, não é o 5,1x. É o 1 em 4, a taxa de acerto de uma arquitetura vendida como padrão. Até que benchmarks independentes digam outra coisa, ela é a aposta, não o padrão.

Perguntas frequentes