Novo sistema de controle reduz etapas desnecessárias em agentes autônomos de IA

Uma equipe liderada por Dongsheng Xiao publicou, em 28 de setembro de 2026, um artigo que descreve um problema chamado “parkinsonismo de LLM”. O termo se refere a agentes de IA que continuam trabalhando mesmo depois de concluir uma tarefa, fazendo ajustes de pouco valor e revisando o próprio trabalho. Segundo os autores, isso acontece porque o mesmo ciclo que gera as ações também decide quando parar. A solução proposta é uma nova arquitetura chamada Global Executive Control (GEC) v0.2, que separa a geração de ações da supervisão no nível do projeto.

Como chegamos até aqui

Os grandes modelos de linguagem (LLMs) conseguem planejar, escrever código e usar ferramentas, mas muitas vezes não têm um sinal claro de “parar”. Em testes, um agente de referência que seguia um único plano mais provável teve sucesso em 67% das metas difíceis. Quando o mesmo teste permitiu que o modelo escolhesse entre um conjunto de ações candidatas, a taxa de sucesso subiu para 96,5%. Os pesquisadores argumentam que oferecer várias opções ao modelo explica a maior parte da melhora, mas também aumenta o uso de tokens — as unidades básicas de texto processadas pelo modelo.

O que a nova arquitetura faz

O GEC acrescenta uma camada de governança que leva a incerteza em conta, acompanha o progresso do agente e decide quando já é suficiente. Em um benchmark com 24.000 episódios e um limite de 40.000 tokens, o GEC igualou a taxa de sucesso de 96,5% do método baseado em conjuntos de ações candidatas, reduzindo o consumo médio de tokens de 19.782 para 12.574 — uma queda de 36%. Também reduziu de 16.136 para 13.114 a média de tokens necessária para concluir uma tarefa no limite máximo, uma economia de 18,7%. As etapas extras de governança custam cerca de 500 tokens sintéticos por ciclo, o que, segundo os autores, ainda é eficiente.

O que vem a seguir

O artigo observa que as simulações respaldam a governança explícita do escopo, das evidências, do uso de recursos e da interrupção, mas que ainda é preciso validar a abordagem no mundo real. Trabalhos futuros provavelmente testarão o GEC em agentes ativos que interagem com ferramentas externas ou usuários. Se a abordagem se mostrar eficaz, desenvolvedores poderão incorporar uma camada de controle semelhante a chatbots, assistentes de programação e outros serviços autônomos de IA para evitar processamento desnecessário e impedir que os sistemas continuem trabalhando em tarefas já concluídas.