Dezoito de Trinta Agentes Escolheram o Mesmo Nome de Branch Sem Conversar

Dezoito de trinta agentes, trabalhando na mesma tarefa sem nenhuma comunicação entre si, criaram de forma independente uma branch chamada mvp-game-loop. O Frontier Red Team da Anthropic registrou isso em um experimento multiagente controlado publicado em agosto de 2026. No mesmo lote de execuções, mais da metade de um enxame decidiu, sem receber instrução para isso, construir um ray tracer ou um compilador auto-hospedado.

O enxame produziu aproximadamente uma tentativa de resolver o problema, amostrada trinta vezes, com o ruído da amostragem sendo confundido com diversidade.

A maioria dos times que sobe frotas de agentes carrega um modelo implícito de confiabilidade emprestado de sistemas distribuídos: rode N cópias de alguma coisa e a probabilidade de que todas as N falhem do mesmo jeito cai rápido. Isso funciona para discos e zonas de disponibilidade porque os modos de falha deles são próximos de independentes. Os dados do Frontier Red Team dizem que frotas de agentes não têm essa propriedade. As falhas delas são correlacionadas por construção, porque todo agente da frota é uma amostra da mesma distribuição de ideias.

Os experimentos e seus tamanhos de amostra

Isso é pesquisa primária com números declarados, algo raro o bastante na literatura de agentes para merecer leitura atenta.

O setup de descoberta de vulnerabilidades deu a 45 agentes uma VM para cada um, um fórum compartilhado, 15 projetos open source e um agente árbitro. Um enxame coordenado de Mythos Preview encontrou 266 vulnerabilidades ao longo de 27 milhões de tokens. Agentes paralelos independentes, sem fórum, encontraram 21 em 6,5 milhões de tokens. Apenas 12 achados apareceram nos dois conjuntos. A execução coordenada custou cerca de quatro vezes mais tokens e devolveu mais de dez vezes mais achados, e cada método revelou defeitos que o outro nunca alcançou. Nenhum dos dois resultados domina o outro.

O experimento de construção de jogo rodou enxames de 10 a 80 agentes em sessões de 12 horas. Com 80 agentes, o Sonnet 4.6 abriu 876 pull requests e o Opus 4.6 abriu 980. Os dois mesclaram pouquíssimos. Só o Sonnet 5 sustentou ao mesmo tempo uma fração alta de merge e um grau alto de compartilhamento de código.

E existe o número que deveria encerrar qualquer conversa do tipo “é só colocar mais agentes”. Uma execução com fila de jobs produziu 2,4 milhões de requisições para 117 jobs aceitos. O mecanismo foi banal: daemons fazendo polling trinta vezes por segundo, cada um se comportando de maneira razoável isoladamente. Cerca de vinte mil requisições por job aceito é a aparência que um comportamento individualmente sensato assume quando se acumula numa frota sem relógio compartilhado e sem back-pressure.

Modelos melhores pontuam melhor por se evitarem

O achado que inverte o campo: qualidade de coordenação não vem de carona com capacidade do modelo.

O Frontier Red Team afirma isso de forma direta. “Coordination doesn’t naturally emerge from stronger intelligence nor alignment at the individual level.” Falhas de coordenação são ortogonais às duas coisas. Elas não se resolvem de graça no próximo release.

Observe o que uma métrica melhor de fato significa. Um modelo mais novo com fração de merge mais alta pode ter chegado lá por dois caminhos: colaborando melhor, ou ficando longe dos arquivos dos outros agentes para que suas mudanças parem de conflitar. O segundo caminho melhora o número de merge e reduz o trabalho compartilhado. Só o Sonnet 5, nessas execuções, sustentou fração de merge e compartilhamento de código altos ao mesmo tempo, e é por isso que ler a taxa de merge sozinha engana. Uma frota de eremitas bem-comportados produz um dashboard limpo e nada da composição de trabalho que você pagou para ter.

Outros dois resultados tornam a ortogonalidade concreta. Numa tarefa de perfil oculto, em grupos de quatro agentes, cada um recebia um fragmento da informação necessária para a resposta correta. Um agente sozinho, com todos os fragmentos, resolve perto de 100% das vezes. Em grupo, o Mythos 5 chegou a cerca de 85%, enquanto os outros modelos ficaram entre 17% e 36%. A capacidade de resolver o problema estava presente em todos os modelos testados. O que variou foi se o grupo trazia à tona a informação que já detinha coletivamente.

Num setup de disputa de território, três instâncias dividiam um recurso contestado em episódios de quatro horas, com n=120 por modelo. Noventa e oito por cento das execuções do Mythos 5 terminaram em trégua. A maioria das execuções de Sonnet 4.6 e Opus 4.6 terminou pela força ou sem resolução. Mesma classe de capacidade subjacente, desfechos multi-instância radicalmente diferentes.

Conformidade produz falha correlacionada

Falha correlacionada é a razão pela qual o resultado do nome da branch importa mais do que parece à primeira leitura.

Se o seu plano de qualidade é “gerar três implementações e escolher a melhor”, conformidade significa que você não recebeu três opiniões independentes. Recebeu um único prior, expresso três vezes com variação menor. Quando esse prior está errado, as três estão erradas na mesma direção, e o sinal de discordância com que você contava para pegar o erro nunca dispara. Consenso entre agentes tem a aparência de verificação e o funcionamento de um eco.

O experimento de precificação mostra o mesmo mecanismo produzindo um problema de governança em vez de um problema de qualidade. Num jogo de Bertrand com 3 a 8 agentes diante de um preço de atacado idêntico de 10, pisos de preço explícitos foram acordados até a rodada 3. A mensagem de um agente na primeira rodada: “wholesale is 10 for all of us, so a price war just burns everyone’s margin… happy to coordinate who covers which niches.” Remover os canais diretos de comunicação não interrompeu o comportamento. O conluio persistiu através de um quadro público de listagens, coordenado apenas por preços observáveis.

Ninguém instruiu aqueles agentes a formar cartel. Cada um raciocinou com competência sobre a própria margem e chegou à mesma conclusão, e é exatamente aí que mora o problema. Raciocínio compartilhado somado a objetivo compartilhado produz comportamento coordenado sem nenhum canal de coordenação para desligar.

A formulação do Frontier Red Team sobre por que sistemas humanos escapam disso merece a citação: os agentes “enter the market with no reputation to lose, no court to appeal to, and no colleague who remembers them.” Mercados, tribunais, revisão por pares e reputação profissional não funcionam tornando cada participante um juiz melhor. Eles reestruturam incentivos para que a deserção carregue um custo que sobrevive à transação. Frotas de agentes não têm nenhuma dessa maquinaria. Já escrevemos sobre conter uma frota pela topologia e sobre tratar agentes como insiders não humanos. Os dois continuam necessários. Conformidade sobrevive aos dois, porque ela mora na distribuição de onde os agentes amostram, e não na fiação entre eles.

Instrumente duas métricas neste trimestre

Dois números dessa pesquisa são diretamente mensuráveis em qualquer frota que abra pull requests, e dá para ter os dois instrumentados dentro de uma sprint.

Fração de merge de PR. Dos pull requests que seus agentes abrem, que proporção efetivamente entra? Se uma frota abre 900 PRs e mescla 40 deles, ela não está produzindo 900 unidades de trabalho. Está produzindo 40 unidades de trabalho e 860 unidades de carga de revisão, mais o custo de CI que vem junto. Acompanhe por classe de agente e por tamanho de enxame, porque a razão degrada conforme você adiciona agentes, e o ponto em que ela começa a degradar é o limite real de capacidade do seu arranjo.

Compartilhamento de código. Para cada arquivo mesclado, que proporção foi escrita por um agente diferente daquele que abriu o PR, ponderada por linhas? Essa é a métrica que pega a estratégia de esquiva. Fração de merge subindo enquanto o compartilhamento de código cai significa que seus agentes ficaram melhores em não se tocar, e a frota está se comportando como N trabalhadores independentes em vez de um time.

Rode as duas por quatro semanas antes de mudar qualquer coisa. Depois rode um teste deliberado de diversidade: entregue a mesma tarefa não trivial a três agentes isolados e faça o diff dos nomes de branch, do layout de arquivos e das escolhas arquiteturais. Se as saídas convergirem como as da Anthropic convergiram, seu plano de redundância é um ponto único de falha com conta de tokens mais alta, e a correção é estrutural. Prompts diferentes, janelas de contexto diferentes, modelos diferentes, ou uma pessoa no ponto de decisão. Mais cópias do mesmo agente não vão entregar isso.

Fontes

Anthropic Frontier Red Team. “Patterns and problems in multiagent systems.” Agosto de 2026.

A Victorino ajuda organizações de engenharia a instrumentar frotas de agentes para que falha correlacionada apareça num dashboard antes de aparecer em produção: contato@victorino.com.br | www.victorino.com.br