AI Agents vs workflows: quando orquestrar e quando deixar o modelo decidir

1. Definições e Fundamentos

Workflows e AI Agents representam dois extremos de um espectro de automação. Um workflow é uma sequência previsível de passos orquestrados por lógica determinística — cada etapa sabe exatamente o que fazer e para onde ir. Já um AI Agent é uma entidade autônoma que usa modelos de linguagem para decidir quais ações tomar, em qual ordem e com quais ferramentas.

O trade-off fundamental é: previsibilidade vs flexibilidade. Workflows garantem consistência e auditabilidade, mas falham em cenários imprevistos. Agentes se adaptam a ambiguidades, mas introduzem variabilidade e riscos de alucinação.

# Exemplo: Workflow determinístico vs Agente flexível

# Workflow (pseudocódigo)
função workflow_valida_pedido(pedido):
    etapa1 = verificar_estoque(pedido.itens)
    se etapa1.falha: retornar erro
    etapa2 = calcular_frete(pedido.cep)
    etapa3 = aplicar_desconto(pedido.cupom)
    retornar consolidar(etapa1, etapa2, etapa3)

# Agente (pseudocódigo)
função agente_atendimento(pergunta):
    ferramentas = [consultar_base, calcular_frete, rastrear_pedido]
    decisao = modelo_llm(pergunta, ferramentas_disponiveis)
    resultado = executar(ferramentas[decisao])
    retornar modelo_llm(resultado, pergunta_original)

2. Quando Orquestrar com Workflows

Workflows são ideais para domínios com regras rígidas, compliance e tolerância zero a alucinações. Processos financeiros, validações de dados e auditorias exigem saídas exatas — um cálculo de imposto não pode variar conforme o humor do modelo.

Exemplo prático: pipeline de ETL com etapas fixas e retry determinístico

Pipeline ETL de vendas:
1. Extrair dados da API de vendas (formato JSON)
2. Validar schema: campos obrigatórios, tipos de dados
3. Transformar moedas (USD para BRL na cotação do dia)
4. Calcular métricas: total, média, desvio padrão
5. Carregar no data warehouse (tabela particionada por data)
6. Se falha em qualquer etapa: retry 3x com backoff exponencial
7. Se falha persistente: notificar equipe e pausar pipeline

Aqui, cada etapa é determinística. O modelo de linguagem não decide nada — ele apenas executa regras. Isso garante que R$ 100,00 em janeiro e R$ 100,00 em fevereiro sejam processados exatamente da mesma forma, com a mesma lógica de cotação.

3. Quando Delegar a AI Agents

Agents brilham em cenários de alta ambiguidade: interpretação de linguagem natural, resumo de documentos não estruturados, negociação de contexto. Quando a entrada pode variar infinitamente e a saída correta depende de nuances, workflows quebram.

Exemplo prático: assistente de suporte que decide ferramentas a usar

Usuário: "Meu pedido #4321 chegou com um item faltando e o outro veio amassado"

Agente analisa:
- Intenção: reclamação de pedido
- Ferramenta 1: consultar_pedido(#4321) → retorna status "entregue"
- Ferramenta 2: consultar_estoque(item_faltante) → disponível
- Ferramenta 3: gerar_cupom_troca(10%) → cupom gerado
- Decisão: abrir chamado de troca + enviar cupom + notificar logística

Resposta final:
"Pedido #4321 localizado. Vou abrir uma troca para o item amassado e
enviar o item faltante separadamente. Você receberá um cupom de 10%
de desconto como compensação. Prazo de coleta: 48h."

Um workflow teria que prever todas as combinações possíveis de problemas — algo inviável. O agente, com acesso a ferramentas e capacidade de raciocínio, adapta-se a cada caso.

4. Modelos Híbridos: Workflows que Chamam Agentes

A abordagem mais robusta combina os dois mundos: o workflow serve como esqueleto, garantindo passos obrigatórios, enquanto agentes atuam como nós flexíveis em pontos de decisão.

Exemplo prático: processo de aprovação de pedido com agente analisando exceções

Workflow de aprovação:
1. Verificar crédito do cliente (regra fixa: score > 700)
2. Verificar disponibilidade de estoque (regra fixa)
3. Se score < 700:
    3.1. Chamar agente_analise_excecao(cliente, pedido, score)
    3.2. Agente consulta histórico, documentos anexados, justificativa
    3.3. Agente retorna: "aprovar" | "rejeitar" | "escalar para humano"
4. Se aprovado: gerar nota fiscal, disparar logística
5. Se rejeitado: notificar cliente com motivo
6. Se escalado: pausar workflow, notificar operador

Aqui, 80% do fluxo é determinístico. O agente entra apenas na exceção (score baixo), onde a decisão requer interpretação contextual. Isso reduz custos de tokens e mantém a previsibilidade do fluxo principal.

5. Modelos Híbridos: Agentes que Orquestram Workflows

O inverso também funciona: um agente como orquestrador principal que invoca workflows especializados para tarefas bem definidas.

Exemplo prático: agente de viagens que chama workflows modulares

Agente de viagens:
1. Usuário: "Quero ir de SP para NY em março, 7 dias, orçamento até R$ 8.000"
2. Agente interpreta intenção e divide em sub-tarefas:
   - Workflow_reserva_aerea(origem=SP, destino=NY, datas, orçamento)
   - Workflow_hotel(destino=NY, datas, preferências)
   - Workflow_seguro_viagem(destino, datas, cobertura)
3. Cada workflow retorna resultados estruturados (JSON)
4. Agente consolida e apresenta:
   "Encontrei voo da Latam por R$ 3.200 (ida 05/mar, volta 12/mar),
    hotel Ibis Times Square por R$ 3.500 (7 noites),
    seguro Allianz por R$ 280. Total: R$ 6.980. Quer confirmar?"

Se o usuário mudar de ideia ("agora quero hotel mais perto do Central Park"), o agente reexecuta apenas o workflow de hotéis, mantendo os outros resultados. Estratégias de fallback: se o agente detectar ambiguidade (ex: "março" sem dia específico), ele delega para um workflow de confirmação de data.

6. Critérios de Decisão e Padrões de Projeto

Use esta matriz para decidir:

Critério Workflow Agente Híbrido
Previsibilidade da entrada Alta Baixa Média
Criticidade do erro Alta (financeiro) Média (sugestão) Alta com fallback
Variabilidade de saída Baixa Alta Média
Custo de falha Alto Baixo Gerenciável

Padrão “Human-in-the-loop”: workflow pausa para agente consultar operador quando confiança é baixa.

Agente: "Confiança na resposta: 65%. Acionando human-in-the-loop."
Workflow pausa, notifica operador com contexto completo.
Operador aprova ou rejeita. Workflow continua.

Padrão “Self-correcting agent”: agente com ciclo de reflexão e retry limitado.

Agente executa ação, verifica resultado, se inconsistente:
- Tenta até 3 vezes com estratégias diferentes
- Se falhar todas: retorna "não foi possível completar" + logs
- Workflow registra falha e aciona fallback humano

7. Monitoramento e Governança

Rastreabilidade é crítica. Workflows geram logs de execução lineares (etapa 1, etapa 2, etc.). Agentes geram logs de decisão (qual ferramenta escolheu, por quê, qual confiança).

Métricas essenciais:

  • Latência: workflows são previsíveis (ms); agentes variam (s a min)
  • Taxa de sucesso: workflows perto de 100%; agentes 70-95% dependendo da complexidade
  • Taxa de desvio: quantas vezes o workflow chamou o agente vs seguiu rota padrão
  • Budget de tokens: limite por sessão de agente para evitar custos explosivos
  • Número máximo de iterações: agente não pode entrar em loop infinito
Configuração de governança para agente:
- Máximo de tokens por chamada: 4.000
- Máximo de iterações: 5
- Confiança mínima para resposta direta: 80%
- Se < 80%: acionar human-in-the-loop
- Log de todas as decisões: timestamp, ferramenta, entrada, saída, confiança

A escolha entre workflow e agente não é binária. Sistemas maduros usam workflows para o que é previsível e crítico, agentes para o que é ambíguo e adaptável, e modelos híbridos para equilibrar controle e flexibilidade. O segredo está em definir claramente os limites de autonomia e os pontos de fallback, garantindo que a previsibilidade do workflow proteja as partes críticas enquanto a flexibilidade do agente lida com a complexidade do mundo real.

Referências