Agentes de IA que se aprimoram sozinhos esquecem o que sabiam
Estudo com 16 agentes que alteraram as próprias instruções e ferramentas mostra que todos ganharam algumas tarefas e perderam outras; na maioria das melhorias, o custo por tentativa subiu

Agentes de IA programados para melhorar a si mesmos, reescrevendo as próprias instruções, ferramentas e até o código, costumam subir na nota média dos testes. Mas todos os 16 agentes avaliados num estudo publicado em 5 de novembro no arXiv passaram a resolver tarefas novas e deixaram de resolver outras que já dominavam.
O trabalho, assinado por pesquisadores da Universidade de Ciência e Tecnologia da China, da Universidade da Califórnia em Berkeley, do Instituto de Pequim de Inteligência Artificial Geral e de outras instituições, questiona o principal argumento a favor do autoaperfeiçoamento de agentes: o de que uma nota mais alta significa um agente mais útil.
Como um agente se aperfeiçoa sozinho
Um agente é a combinação de um modelo de linguagem, como o GPT, com o sistema que o cerca: as instruções, as ferramentas que ele pode usar e as regras que transformam as respostas do modelo em ações. Nos métodos de autoaperfeiçoamento, o modelo fica igual. O que muda é esse sistema. O agente executa tarefas, um processo automático analisa os erros, propõe alterações e testa a nova versão; se ela tiver nota maior, substitui a anterior. O ciclo se repete por várias rodadas.
Os pesquisadores aplicaram quatro desses métodos (AHE, HyperAgents, A-Evolve e GEPA) a dois tipos de agente: um em que o próprio código pode ser alterado e outro, baseado no Codex, da OpenAI, em que só instruções, habilidades e configurações podem mudar. Todos usaram o modelo GPT-5.4. As tarefas vieram de dois testes conhecidos: 97 atendimentos simulados de um banco e 89 tarefas de programação em terminal. Cada versão final foi rodada oito vezes em cada tarefa e comparada com a versão inicial.
Ganhos com perdas e conta mais alta
A confiabilidade média, que mede a taxa de acerto nas repetições, subiu em 11 dos 16 agentes. A cobertura, que conta quantas tarefas o agente resolve ao menos uma vez, subiu em 10. Mas nenhum agente apenas somou: todos ganharam e perderam tarefas. Em um caso de atendimento bancário, a confiabilidade subiu 5,2 pontos enquanto o agente deixou de resolver dez tarefas que antes resolvia.
As versões aperfeiçoadas também ficaram mais caras. Dos 11 agentes que ganharam confiabilidade, 8 passaram a gastar mais por tentativa. Os autores ressalvam que, em alguns casos, a versão mais cara precisa de menos tentativas para chegar ao mesmo resultado, o que pode reduzir o custo total.
Os ganhos nem sempre sobreviveram fora do teste em que o agente foi aperfeiçoado. Levados para um teste de atendimento diferente, 7 dos 8 agentes desse grupo perderam cobertura; no de programação, 7 de 8 ganharam. E o agente com a nota mais alta não foi o melhor ponto de partida para novas melhorias em nenhum dos quatro conjuntos analisados.
O que funciona e o que não funciona
Alterações específicas, baseadas no registro do que o agente fez de errado, superaram lembretes genéricos como “verifique as ferramentas” ou “confira o resultado” em 15 de 16 comparações. Mas a combinação de duas alterações úteis nem sempre somou os benefícios: em dois casos, uma delas isolada funcionou melhor do que as duas juntas.
Regras mais rígidas para aceitar uma nova versão também tiveram efeito inesperado. Exigir nota maior e poucas perdas fez o processo descartar a melhor versão disponível com mais frequência: ela foi mantida em 6 conjuntos, contra 15 com as regras originais.
A partir desses resultados, os autores propõem uma versão revisada do método A-Evolve, que escolhe entre versões empatadas a que perdeu menos tarefas e baseia o diagnóstico no registro detalhado das ações do agente. Segundo eles, a nova versão obteve o melhor desempenho nos testes. Para quem usa agentes em rotinas de trabalho, a recomendação é medir, tarefa por tarefa, o que a nova versão passou a fazer e o que deixou de fazer, além do custo, em vez de olhar só para a média.
Os limites estão no alcance dos testes. Todos os agentes usaram um único modelo, o GPT-5.4, em dois conjuntos de tarefas com menos de cem itens cada, e a proposta de método revisado foi avaliada pelos próprios autores, nos mesmos testes que motivaram as mudanças.
Leia também
- Agentes de IA erram menos com ferramentas prontas do que com instruções longas
- Agentes de IA deixam rastro, mas não dão satisfação
Estudo: Wang, X.; Wang, Z.; Ye, S.; Li, J. et al. “Beneath the Surface: What We Overlook When We Talk About Agent Evolution”. Universidade de Ciência e Tecnologia da China, Universidade da Califórnia em Berkeley, Instituto de Pequim de Inteligência Artificial Geral e outros, arXiv:2611.07624, 2026. Código: GitHub.
Uso de IA: o jornalista Marcelo Fleury seleciona os conteúdos e usa ferramentas de inteligência artificial para ajudar na pesquisa, na revisão de transcrições, na organização de fontes e na avaliação da importância das informações. A IA também apoia outras etapas do trabalho editorial. Todas as decisões finais sobre o conteúdo e a publicação são tomadas pelo jornalista.