Cinco vezes o custo, e na prática o mesmo resultado. Um estudo publicado pela Vals AI (abre em nova aba), empresa especializada em avaliar modelos de inteligência artificial, em 9 de outubro de 2026, chegou a essa conclusão ao testar o que anda na moda entre desenvolvedores: em vez de um agente de IA trabalhando sozinho, uma equipe deles, com um "chefe" distribuindo tarefas para subordinados.
Agentes são programas que usam um modelo de IA para executar tarefas com certa autonomia, como escrever ou revisar código. Tokens são os pedaços de texto que o modelo processa, e é por eles que as empresas cobram. A promessa era simples: dividir o trabalho entre vários agentes consumiria mais tokens, mas entregaria qualidade superior.
O teste diz que não, pelo menos na maior parte dos casos. A Vals AI rodou dois modelos, o GPT-6 Sol e o Claude Opus 5.5, num conjunto de avaliação chamado Vibe Code Bench. Eram 50 aplicativos de web, e a nota media quantos testes de interface cada aplicativo passava, ou seja, quantas funcionalidades funcionavam de fato quando o agente terminava. Cada configuração foi testada no modo individual e no modo equipe, com dois níveis de "esforço de raciocínio", que é o quanto o modelo pensa antes de responder: médio e máximo. No modo equipe, o agente principal podia criar até cinco subagentes ao mesmo tempo, e recebia a mesma instrução curta: dividir o trabalho, delegar, depois integrar e verificar.
Das quatro comparações entre equipe e agente solitário, apenas uma mostrou melhora que resiste ao acaso. Foi o GPT-6 Sol no esforço médio, com ganho de 7,3 pontos, saindo de 77,6% para 84,9% de testes aprovados.
Equipes de agentes compensam? Rodamos o GPT-6 Sol e o Claude Opus 5.5 no Vibe Code Bench, sozinhos e em equipes, com esforço de raciocínio médio e máximo. Equipes custaram de 1,8 a 5,1 vezes mais, mas apenas uma das quatro comparações equipe-contraste-solo produziu uma melhoria estatisticamente significativa: Sol com esforço médio, que ganhou 7,3 pontos.
"Significativa", aqui, tem sentido técnico. Os pesquisadores aplicam um teste matemático para verificar se a diferença observada não é obra do azar. Nas outras três comparações, os resultados variaram de uma queda de 0,3 ponto a um ganho de 3,4 pontos, e nenhum passou nesse filtro. Cada uma das oito configurações foi executada uma única vez, o que reforça a cautela com números isolados.
Onde o dinheiro vai embora
A tabela abaixo resume os números publicados pela Vals AI, com custo médio por aplicativo e nota final:
| Modelo e esforço | Custo solo | Custo equipe | Nota solo | Nota equipe | Vezes mais caro |
|---|---|---|---|---|---|
| GPT-6 Sol, médio | US$ 1,22 | US$ 3,07 | 77,6% | 84,9% | 2,5x |
| GPT-6 Sol, máximo | US$ 4,82 | US$ 8,54 | 89,0% | 90,4% | 1,8x |
| Opus 5.5, médio | US$ 4,08 | US$ 9,10 | 91,5% | 91,2% | 2,2x |
| Opus 5.5, máximo | US$ 23,77 | US$ 122,00 | 89,8% | 93,2% | 5,1x |
O caso extremo é o Claude Opus 5.5 no esforço máximo. A equipe custou US$ 122 por aplicativo contra US$ 23,77 do agente individual, e levou 174 minutos contra 74,7. O ganho de 3,4 pontos não foi estatisticamente significativo. Um dos motivos do custo, segundo os dados divulgados pela Vals AI: os subagentes liam, em mediana, 224 milhões de tokens em cache por aplicativo, contra 17 milhões do agente principal e 55 milhões do agente solitário. Tokens em cache são aqueles já processados antes e guardados na memória do sistema; reler custa menos que processar do zero, mas o volume continua enorme.
Há um detalhe que complica ainda mais a defesa das equipes. A própria Vals AI observou que simplesmente aumentar o esforço de raciocínio do GPT-6 Sol, mantendo o agente sozinho, elevou a nota em 11,4 pontos. Mais do que os 7,3 pontos conquistados pela equipe, que custou 2,5 vezes mais. Ou seja: no único cenário em que a equipe funcionou, teria sido mais barato apertar um botão de configuração.
O platô aparece antes
Os resultados da Vals AI ecoam um dado que a Anthropic, empresa por trás do Claude Opus 5.5, já havia registrado. Conforme relata o veículo The Decoder, citando o documento técnico oficial do modelo, a qualidade também estagnou quando os testes internos da Anthropic adicionaram mais agentes. Equipes maiores chegavam mais rápido a um determinado nível de desempenho, mas saltar de 10 para 100 agentes elevou as notas apenas discretamente após 24 horas de trabalho.
Nas duas tarefas descritas, o padrão se repete. Numa tarefa de base de conhecimento, as notas foram 0,53 com um agente, 0,70 com dez, 0,71 com trinta e 0,74 com cem. Numa tarefa de demonstração de teoremas matemáticos, 0,39 com um agente, 0,66 com dez, 0,66 com trinta e 0,68 com cem. O salto grande vem dos primeiros agentes; depois, a curva praticamente deita. Um modelo concorrente, o Fable 5.1, se beneficiou um pouco mais de equipes grandes na tarefa matemática, mas ainda assim ficou abaixo do Opus 5.5 em todos os testes, e sua nota na base de conhecimento até caiu levemente entre 30 e 100 agentes.
Limites do estudo
A Vals AI foi explícita sobre o alcance: os dados vêm de um único conjunto de avaliação, focado em aplicativos web completos, e podem não se aplicar a outros tipos de tarefa. O teste também rodou cada configuração uma única vez, sem repetições, e cobriu apenas dois modelos.
Não é uma sentença definitiva contra equipes de agentes. Houve um caso em que a equipe foi mais rápida: o GPT-6 Sol no esforço máximo fechou os aplicativos em 27,6 minutos contra 38,4 do agente sozinho, com custo 1,8 vez maior e ganho de qualidade pequeno. Para quem precisa de velocidade e aceita pagar por ela, o formato ainda pode fazer sentido. E tarefas muito grandes, que um único agente não conseguiria abraçar, ficam fora do que este estudo mediu.
O que os números sustentam é mais modesto e mais útil: na configuração testada, a equipe não se pagou em qualidade. O ganho típico foi de décimos de ponto por um custo multiplicado por 2 ou mais. Antes de montar um batalhão de subagentes, o caminho mais barato pode ser o mais simples: um agente bom, bem configurado, trabalhando sozinho.
Perguntas frequentes
O que é um agente de IA?
É um programa que usa um modelo de inteligência artificial para executar tarefas com autonomia, como escrever código, sem que uma pessoa comande cada passo. Em equipes, um agente principal pode criar subagentes para dividir o trabalho.
Por que equipes de agentes custam mais caro?
Porque cada agente consome tokens, a unidade de processamento pela qual os modelos cobram. Vários agentes lendo e escrevendo ao mesmo tempo multiplicam o consumo. No estudo da Vals AI, o pior caso custou 5,1 vezes mais que o agente sozinho.
O estudo prova que equipes de agentes nunca compensam?
Não. O teste cobriu um único tipo de tarefa, aplicativos web, com dois modelos, e cada configuração rodou apenas uma vez. A própria Vals AI alertou que os resultados podem não valer para outras situações. O que o estudo mostra é que, nesse cenário, o custo extra quase nunca se converteu em ganho comprovado de qualidade.
O que significa "melhora estatisticamente significativa"?
Significa que a diferença observada tem pouca chance de ser fruto do acaso, segundo um teste matemático. No estudo, apenas uma das quatro comparações passou nesse critério; as demais podem muito bem ter sido variação normal entre execuções.