Experimento identificou melhor desempenho com cerca de 16 agentes, mas pesquisadores alertam que o número ideal depende da tarefa e da arquitetura do sistema
A ideia de que adicionar mais agentes de inteligência artificial resulta automaticamente em maior produtividade começa a ser questionada por novas pesquisas. Um estudo desenvolvido por pesquisadores ligados ao Center for Brain Science da Universidade Harvard e à NTT Research mostrou que, depois de determinado ponto, ampliar uma equipe de agentes pode dificultar a comunicação, comprometer o consenso e reduzir o desempenho coletivo.
Os resultados foram obtidos por meio do chamado “Flag Game”. No experimento, cada agente recebia apenas uma pequena parte da imagem de uma bandeira e precisava compartilhar as informações disponíveis para que o grupo identificasse o país representado.
O desempenho melhorou inicialmente à medida que novos participantes foram acrescentados. A precisão coletiva, porém, atingiu seu ponto máximo com aproximadamente 16 agentes e começou a cair quando o grupo ficou maior. Segundo os pesquisadores, o aumento do número de integrantes tornou a comunicação mais complexa e favoreceu o surgimento de opiniões concorrentes, dificultando a construção de uma resposta comum.
O resultado não significa que 16 seja o número ideal para qualquer sistema multiagente. Esse foi o ponto de melhor desempenho dentro das condições específicas do experimento. A principal conclusão é que existe uma faixa ótima de funcionamento, determinada pela tarefa, pela quantidade de informações disponíveis e pela forma como os agentes se comunicam e são organizados.
“Simplesmente adicionar mais agentes de IA não melhora necessariamente o desempenho, assim como contratar mais pessoas não torna automaticamente uma empresa mais eficaz”, afirmou Hidenori Tanaka, líder do laboratório de Física da Inteligência Artificial da NTT Research e pesquisador associado a Harvard.
Uma nova versão da Lei de Brooks
A descoberta recupera um problema conhecido há décadas no desenvolvimento de software. Em 1975, o cientista da computação Fred Brooks publicou o livro The Mythical Man-Month, no qual formulou uma regra que se tornaria clássica no setor: acrescentar profissionais a um projeto atrasado pode aumentar ainda mais o atraso.
Isso acontece porque a expansão da equipe também eleva os custos de comunicação, treinamento e coordenação. Em determinado momento, o esforço necessário para organizar o trabalho passa a ser maior do que a capacidade produtiva acrescentada pelos novos integrantes.
Meio século depois, sistemas formados por agentes de IA parecem enfrentar uma dinâmica semelhante. Mesmo sendo softwares capazes de planejar, executar ações e trocar informações, esses agentes precisam alinhar objetivos, compartilhar descobertas e integrar resultados. Quanto maior o grupo, maior pode ser a complexidade desse processo.
Nos experimentos de Harvard e da NTT, os pesquisadores observaram comportamentos comparáveis aos encontrados em grupos humanos, como a formação de blocos com posições distintas e a tendência de cada conjunto de agentes reforçar sua própria interpretação.
Nem toda tarefa se beneficia de vários agentes
Outra pesquisa recente, conduzida por integrantes do Google Research, Google DeepMind e instituições acadêmicas, chegou a uma conclusão semelhante. Após testar 180 configurações, envolvendo diferentes modelos e arquiteturas, o estudo verificou que os sistemas multiagente funcionam melhor principalmente quando a tarefa pode ser dividida em partes independentes e executadas paralelamente.
Em atividades sequenciais, nas quais cada etapa depende diretamente da anterior, a distribuição do trabalho entre vários agentes pode provocar perda de contexto e propagação de erros. Uma conclusão equivocada produzida no início do processo pode ser incorporada pelos demais agentes e ganhar uma aparência de consenso, mesmo estando errada.
Já em tarefas paralelizáveis, diferentes agentes podem pesquisar fontes, analisar conjuntos de dados ou testar hipóteses simultaneamente. Nesses casos, a divisão do trabalho tende a produzir ganhos mais claros, desde que exista um mecanismo eficiente para avaliar e integrar os resultados.
Os estudos também indicam que a arquitetura do sistema pode ser mais importante do que o tamanho da equipe. Estruturas com coordenação central, nas quais um agente organiza e valida o trabalho dos demais, podem funcionar melhor em algumas situações. Em outras, a comunicação direta e descentralizada entre agentes pode ser mais adequada.
Qualidade deve vir antes da quantidade
As descobertas servem de alerta para empresas que começam a incorporar agentes autônomos às suas operações. Em vez de simplesmente multiplicar o número de agentes, organizações precisam definir quais tarefas realmente podem ser divididas, como as informações serão compartilhadas e quem ficará responsável por conferir os resultados.
Também é necessário considerar os custos envolvidos. Cada nova interação entre agentes consome capacidade computacional, tokens e tempo de processamento. Se o ganho de qualidade não compensar esse investimento, uma arquitetura aparentemente mais sofisticada poderá ser apenas mais cara e menos eficiente.
A principal lição das pesquisas é que não existe uma fórmula universal para definir o tamanho de um sistema multiagente. Os aproximadamente 16 agentes identificados no “Flag Game” representam o melhor resultado daquele experimento, e não um número mágico aplicável a qualquer atividade.
O princípio geral, entretanto, é relevante: existe um ponto de saturação no qual o custo da coordenação supera os benefícios da colaboração. Na inteligência artificial, assim como nas organizações humanas, produtividade não depende apenas de reunir mais participantes, mas de construir uma estrutura adequada para que eles consigam trabalhar juntos.
Texto: Redação TI Rio
Curadoria Editorial: Bruno Nasser