O Paradoxo das Operações de Agentes: Mais Agentes, Mais Trabalho, Menos Disponibilidade

Em 1983, a historiadora Ruth Schwartz Cowan publicou More Work for Mother. A tese era contraintuitiva: o aspirador de pó, a máquina de lavar e o fogão a gás não reduziram o trabalho doméstico. Mudaram quem fazia o trabalho, elevaram o padrão de limpeza esperado e, no saldo final, criaram mais trabalho.

Quarenta anos depois, estamos repetindo o mesmo padrão com agentes de IA.

A Fábrica Invisível de Tickets

A Linear, ferramenta de gestão de projetos que se tornou padrão em equipes de engenharia, publicou um dado revelador neste mês: a maioria dos tickets na plataforma já é gerada por agentes. Não por humanos descrevendo o que precisa ser feito. Por agentes identificando bugs, criando tarefas, e distribuindo trabalho para outros agentes.

Nan Yu, cofundador da Linear, descreveu a visão de forma direta: “Você terá membros da equipe IA a quem pode atribuir tarefas.” A Linear está construindo o produto para isso. Bugs simples e features pequenas atribuídas diretamente a agentes. Sem intermediário humano.

Na Ramp, a prática já passou do conceitual. Geoff Charles, VP de Produto, declarou: “Se você não está usando Claude Code, provavelmente está subperformando.” A empresa reporta mais de 500 features entregues via diferentes níveis de proficiência em IA, com agentes executando tarefas que antes exigiam engenheiros juniores.

O número impressiona. Mas esconde uma pergunta operacional que ninguém responde: quem cuida dos agentes?

O Problema dos Três Noves

Enquanto empresas tratam agentes como membros confiáveis da equipe, a infraestrutura que sustenta esses agentes não atinge os padrões mínimos de confiabilidade que exigimos de qualquer sistema em produção.

Lorin Hochstein, engenheiro de resiliência, levantou os números de uptime do ChatGPT em março de 2026: 98,86%. Parece alto para quem não trabalha com operações. Para quem trabalha, é preocupante.

O padrão mínimo de produção é 99,9% (três noves). O ChatGPT fica abaixo disso. A Anthropic enfrenta desafios semelhantes. Ambas as empresas cresceram 10x ano contra ano, e essa velocidade de crescimento torna estabilidade um alvo em movimento.

Coloque esses dois fatos lado a lado. De um lado, a Linear e a Ramp tratando agentes como membros da equipe que recebem tickets e entregam código. Do outro, a infraestrutura que sustenta esses agentes falhando mais do que toleraríamos para um banco de dados ou uma API de pagamento.

Se um engenheiro falta ao trabalho 1% do tempo, você percebe, mas absorve. Se o sistema que opera todos os seus agentes falha 1% do tempo, e cada agente gera dezenas de tarefas por dia, o efeito cascata é significativo. Tickets incompletos. Deploys parciais. Estado inconsistente.

Como exploramos em O Imposto Operacional da IA em Produção, o custo visível (tokens, latência) esconde custos invisíveis. Disponibilidade é um desses custos invisíveis. Você não percebe até que falhe em um momento crítico.

O Paradoxo de Cowan, Versão 2026

O aspirador de pó não eliminou a poeira. Eliminou a tolerância à poeira.

Um estudo de oito meses conduzido pela Berkeley Haas School of Business encontrou exatamente esse padrão em trabalhadores que adotaram ferramentas de IA. Eles não trabalharam menos. Expandiram suas funções. Assumiram tarefas que antes não eram deles. Ficaram mais ocupados.

A diferença entre 1983 e 2026 é a velocidade. O aspirador levou décadas para redefinir as expectativas domésticas. Agentes de IA estão redefinindo expectativas profissionais em meses.

Quando uma equipe de engenharia descobre que agentes podem gerar 500 features, a expectativa do próximo trimestre não é 500. É 750. Quando um agente resolve bugs simples sozinho, o engenheiro não ganha tempo livre. Ganha bugs mais complexos. Ou mais reuniões. Ou mais agentes para supervisionar.

Essa dinâmica aparece claramente no modelo que a Linear está construindo. Se agentes são membros da equipe, alguém precisa fazer a gestão dessa equipe. Definir prioridades. Revisar saídas. Corrigir erros. Escalar quando o agente falha. Essas são atividades operacionais que não existiam antes.

Como discutimos em Times de Agentes: Quando o Modelo Operacional Muda de Vez, a transição de “programador assistido por IA” para “gestor de agentes autônomos” não é uma evolução incremental. É uma mudança de função.

Três Convergências, Uma Conclusão

Três tendências distintas apontam na mesma direção.

Agentes estão se tornando operadores, não assistentes. A Linear está construindo infraestrutura para que agentes recebam, executem e completem tarefas sem supervisão direta. Isso funciona para bugs simples. Para qualquer coisa que envolva julgamento, contexto de negócio ou coordenação entre sistemas, o modelo ainda precisa de um humano no circuito.

A infraestrutura não está pronta para a demanda que criamos. Se você trata agentes como membros da equipe, precisa tratar a disponibilidade da plataforma de IA com o mesmo rigor que trata a disponibilidade do banco de dados. Uptime de 98,86% seria inaceitável para o Postgres. Por que aceitamos para o sistema que executa parte do nosso trabalho de engenharia?

IA cria trabalho novo enquanto automatiza trabalho antigo. O Paradoxo de Cowan não é um risco teórico. O estudo da Berkeley Haas demonstrou com dados o que Cowan argumentou com história: ferramentas que reduzem esforço individual aumentam expectativas coletivas. O saldo líquido não é menos trabalho. É trabalho diferente.

A conclusão prática é incômoda: operações de agentes de IA não são uma extensão de DevOps. São uma disciplina própria, com métricas próprias, falhas próprias e habilidades próprias. Empresas que tratam agentes como “ferramentas um pouco mais inteligentes” vão descobrir, tarde demais, que construíram uma fábrica sem supervisão.

O aspirador de pó prometeu tempo livre. Entregou pisos mais limpos e agendas mais cheias. Agentes de IA estão fazendo o mesmo com engenharia de software. A pergunta não é se vale a pena adotar. É se você está preparado para operar.

---

Fontes

• Schwartz Cowan, R. More Work for Mother. 1983.
• Creator Economy. “Linear, AI Agents, and the Future of Work.” Março 2026.
• Hochstein, L. “ChatGPT Uptime.” Surfing Complexity. Março 2026.
• SaaStr. “AI Makes Us Busier, Not Less.” Março 2026.

A Victorino Group ajuda empresas a estruturar operações de IA que escalam sem surpresas: contato@victorino.com.br | www.victorino.com.br