Interpretação do novo trabalho da Anthropic: como construir equipes eficientes de colaboração entre IA e humanos.

Em 24 de junho, o blog oficial da Anthropic publicou um novo artigo, "Building effective human-agent teams", pela autora Kristen Swanson.

O ponto central do artigo é discutir a mudança de paradigma na colaboração em nível de equipe de IA, passando de "uma pessoa contra uma caixa de chat (mesmo que haja muitos agentes por trás)" para "um grupo de pessoas e um grupo de agentes compartilhando o mesmo espaço de trabalho".

Este artigo, com base na transmissão dos pontos centrais do texto original, combinada com experiências práticas de implantação de agentes de IA, oferece uma visão geral e reflexões abrangentes.

I. Tema central: as equipes de colaboração em IA estão se tornando "modo online"

No passado, usar IA sempre foi uma experiência "single-player" — uma pessoa colaborando com um agente para concluir tarefas individuais.

Agora, o novo modelo é que humanos e agentes podem colaborar no mesmo espaço de trabalho, servindo a um objetivo compartilhado da equipe.

O trabalho está começando a se parecer mais com um "jogo multiplayer": a equipe humana define a estratégia, e o Claude executa.

Em resumo, é compartilhar objetivos, compartilhar contexto e, especialmente, compartilhar o espaço de trabalho.

Como mostra a figura abaixo, a transição para o modo de trabalho complexo à direita está ocorrendo:

E quem possibilita essa mudança é o novo produto da Anthropic, o Claude Tag — uma forma de Claude entrar em ferramentas de colaboração em equipe como o Slack, sendo mencionado com @ e designado como um membro da equipe.

Portanto, este artigo não é pura teoria, mas sim a direção que o próprio produto da Anthropic está promovendo.

II. O que é o problema de colaboração "multiplayer agent"?

O artigo define "multiplayer agents" como: modelos de IA que colaboram simultaneamente com muitos humanos diferentes.

Ele tem semelhanças com os agentes comuns que conhecemos, mas também diferenças cruciais:

• Semelhança: tem sua própria memória e habilidades (skills).

• Diferença: tem suas próprias credenciais (credentials),

e "living where work happens" — vive onde o trabalho realmente acontece.

Na Anthropic, esse lugar é uma ferramenta de colaboração em equipe como o Slack.

Essa configuração de "ter suas próprias credenciais e viver no canal da equipe" é muito importante.

Isso significa que o agente não está mais usando a conta de alguém ou trabalhando em uma sessão privada de alguém, mas sim uma entidade de equipe com identidade independente: pode ser visto por toda a equipe, sua produção é visível para todos, e o contexto que ele lê é de nível de equipe, não pessoal. Como na figura abaixo, torna-se um membro do seu software de escritório.

Para que o agente possa "participar de forma eficiente" no canal da equipe, é necessário um conjunto específico de capacidades subjacentes (como o produto Claude Tag) + mecanismos especialmente projetados de memória persistente, identidade exclusiva e fontes de informação.

Além disso, apenas capacidades técnicas não são suficientes; para que a equipe humano-agente seja "bem-sucedida", é necessário um conjunto de métodos de trabalho e normas compartilhadas.

Portanto, as quatro experiências seguintes do artigo tratam todas do design de "normas" para equipes de IA.

III. Quatro experiências de equipes de agentes de IA

Experiência 1: Reformar a gestão de informações, dando aos agentes o contexto mais amplo possível

A Anthropic acredita que não se deve decidir documento por documento, canal por canal, quais informações são visíveis para o agente, mas sim usar limites de segurança (security boundaries) claramente definidos, aplicados de forma uniforme a todo o espaço de trabalho do Slack, transcrições de reuniões e bibliotecas de documentos.

O artigo menciona explicitamente o sofrimento diário: "Este canal deve ser público ou privado? Este documento pode ser compartilhado com aquela pessoa? Este agente pode ver aquela mensagem?"

Dentro dos limites, o contexto deve ser visível para todos os membros da equipe — sejam humanos ou IA, e a IA pode até mesmo solicitar permissões de documentos como um humano faria.

A sutileza dessa abordagem está em resolver dois problemas ao mesmo tempo:

1. Amplia o contexto disponível para agentes e humanos;
2. Elimina a fadiga de decisão causada pelo "compartilhamento item por item".

O retorno da abertura de permissões é real: não há mais perda de informações por transmissão, e como os agentes leem texto muito mais rápido que humanos, eles podem "routine surpreendentemente trazer trabalhos relevantes que os humanos teriam perdido" (revelar trabalhos relevantes que os humanos teriam perdido).

Na minha opinião, isso é essencialmente uma mudança na cultura organizacional e no mecanismo de permissões.

"Padrão internamente público" é uma mudança cultural que muitas empresas teriam dificuldade em implementar.

Como a Anthropic sempre foi uma empresa de alta confiança e informações planas, ela não pode entender a doença das grandes empresas, especialmente a diferença de informações entre níveis que gera diferença de recursos em indústrias tradicionais.

Além disso, para muitas organizações com fortes requisitos de conformidade e isolamento de informações (finanças, saúde, entre jurisdições), a "aplicação uniforme em todo o espaço de trabalho" pode não ser viável.

Portanto, o que realmente pode ser aplicado é o mecanismo de aprovação simplificado por trás disso, como, se o agente está em um determinado grupo, ele pode ler naturalmente os documentos aos quais o grupo tem permissão; mesmo com controle de permissões, pode-se gerenciar em lote de forma natural, em vez de primeiro dar o documento e depois organizar a qualidade.

Experiência 2: Cada pessoa/agente tem papéis e ferramentas claros

A descrição do artigo é muito vívida: a equipe humano-agente compartilha uma lista de membros, um conjunto de produtos e um espaço de trabalho.

Acima disso, os agentes têm divisão de trabalho:

• Um agente é responsável pela análise de dados de um determinado projeto;
• Outro detém e executa as especificações de design;
• Um terceiro é responsável pela síntese de pesquisa (research synthesis).

Ao iniciar um projeto, os humanos primeiro conversam com os agentes para decidir como distribuir papéis e como humanos e agentes colaborarão.

Em seguida, produz uma combinação de papéis, regras e momento de intervenção como mostrado abaixo.

Depois que os papéis são definidos, um agente pode até mesmo "spin up" (iniciar) outros agentes, garantindo que cada tarefa específica seja atribuída ao agente que tem a memória correta e as permissões de acesso corretas.

O essencial é equipar as ferramentas: um agente de análise de dados pode precisar de acesso ao BigQuery, um agente de QA pode precisar do Playwright MCP.

Os humanos mantêm papéis que só humanos podem ter, garantindo que o julgamento humano seja usado nas decisões mais importantes.

Na minha opinião: Esta é também a arquitetura do mecanismo de fluxo de trabalho de pesquisa anterior da Anthropic.

Usar um lead agent para coordenar o todo e delegar tarefas a subagentes especializados executados em paralelo. Esse tipo de mecanismo é realmente prático, com indicadores de qualidade quase dobrados (90,2% mais alto), embora o custo de tokens cresça 15 vezes. No entanto, "mais agentes são mais fortes" não é uma conclusão universal, mas sim "em certos tipos de tarefas, uma melhoria obtida com um custo computacional considerável".

Especialmente em trabalhos amplos e paralelizáveis, e devido a um mecanismo de verificação cruzada mais forte, a precisão das informações é melhor.

E também precisa ser projetado com cuidado, com boa decomposição de tarefas e isolamento de papéis, em vez de simplesmente "empilhar vários agentes".

Caso contrário, será mais um mal-entendido de produtividade de 18.000 jin por mu.

Muitos desses pontos também estão no artigo anterior sobre como usar o Dynamic Workflows do Claude para pesquisa aprofundada.

Experiência 3: Definir um papel de estrela do norte, deixando o agente resolver problemas proativamente

O artigo distingue dois tipos de agentes: um que apenas "completa tarefas designadas", e o mais importante que propõe proativamente novos projetos e fluxos de trabalho.

Este último geralmente aparece em uma equipe que já tem um contexto rico e papéis claros, além de uma orientação extra — estrela do norte (north star).

A estrela do norte é responsável por ajudar a equipe a julgar "quais tarefas e fluxos de trabalho são os certos".

O artigo enfatiza várias regras:

• A estrela do norte é sempre definida por humanos e enraizada na missão e nos objetivos de negócios da empresa;

• Uma vez que a estrela do norte é claramente escrita, o humano a compartilha com os agentes da equipe;

• Então — este passo é crucial — os humanos selecionam quais agentes devem propor proativamente novos fluxos de trabalho.

Supondo um produto e empresa orientados por operações, o papel de operações deve ser o agente dominante, em vez de orientado por produto, tecnologia ou finanças.

Assim como o padrão Classify-And-Act em como usar o Dynamic Workflows do Claude para pesquisa aprofundada, onde um agente primeiro classifica o tipo de tarefa e depois distribui para o agente especializado mais adequado.

Na minha opinião, já vi muitos artigos da Anthropic que mostram o que eles consideram ser agente e workflow?

O primeiro "domina dinamicamente seu próprio processo e uso de ferramentas, controlando como concluir a tarefa".

O último é um sistema determinístico "orquestrado por caminhos de código predefinidos";

Portanto, para construir uma equipe de IA, deve-se dar ao agente uma estrela do norte, não uma lista de tarefas; isso está conscientemente empurrando o sistema de workflow para agente.

Uma equipe com um objetivo trará alguma criatividade, em vez de procurar problemas dentro de um escopo limitado.

Claro, muitas das equipes de IA que construímos agora são na verdade workflows programados ou orientados por IA, o que já resolve muitos problemas; se precisarmos de criatividade, automotivação e capacidade de resolver problemas proativamente no futuro, devemos projetar essa equipe baseada em agentes.

Experiência 4: Deixar o agente crescer com o tempo

Os dados oficiais aqui me surpreenderam muito: ele diz que os engenheiros da Anthropic já conseguiram que agentes na equipe lidassem independentemente com 500 correções de bugs — mas imediatamente enfatizou: "things certainly didn't start off that way (definitivamente não começou assim)."

Ele compara o agente a um colega humano recém-contratado: precisa de múltiplas rodadas de feedback para tornar explícito o conhecimento tácito de "como fazer a tarefa da melhor maneira".

O usuário deve repetidamente testar o agente com várias tarefas para descobrir seus limites de capacidade, como descrever objetivos claramente, quais arquivos de skill ele precisa, e qual prompt mais provoca o comportamento desejado.

O artigo também alerta para um ponto fácil de ignorar: o modelo será atualizado, e as tarefas precisam ser testadas novamente — o prompt pode precisar ser reescrito, e harnesses (barreiras) que antes eram úteis podem acabar restringindo um modelo mais inteligente de encontrar soluções mais criativas.

A parte mais valiosa desta experiência é a discussão sobre verificação:

Descobrimos que os melhores agentes de longo ciclo, antes de serem entregues aos humanos, têm muitas maneiras de verificar seu próprio trabalho.

• Código tem testes, claro;
• Mas a maioria dos outros trabalhos também pode ser verificada: documentos técnicos podem ser avaliados com rubricas e guias de estilo;
• Quando humanos definem padrões e garantem que todo o trabalho entregue ao agente seja revisável, a qualidade se mantém, sem desviar do objetivo;
• Além disso, pode-se deixar um agente trabalhar e outro agente verificar — isso é o chamado harness "Doer-Verifier" (Executor-Verificador).

O artigo tem um caso completo: um líder de engenharia assumiu uma nova equipe com um backlog pesado; ele chamou algumas pessoas + alguns agentes para priorizar juntos.

Um grupo de agentes leu todos os itens do backlog, julgou se alguém estava trabalhando neles, e classificou itens sem dono por complexidade;

Outro grupo filtrou itens de complexidade baixa e média da lista e produziu diretamente alterações de código.

Inicialmente, os humanos revisavam cada decisão do agente, marcando aquelas que precisavam de intervenção humana; depois, os humanos "ensinaram" o agente a passar esse tipo de decisão diretamente para os humanos, garantindo que decisões com trade-offs difíceis tenham sempre "human in the loop".

E semanalmente, a equipe pedia ao agente para compilar um relatório contendo "lições e erros (lessons & missteps)", para que o agente se lembrasse dos erros e evitasse repeti-los. Com o tempo, o líder podia confiar ao agente mudanças cada vez mais complexas, gastando cada vez menos tempo em orientação diária, como mostrado abaixo:

Parece muito com o processo de criar lagostas inteligentes.

O último parágrafo é a percepção que mais aprecio em todo o artigo — quando o agente se torna mais independente, o líder começa a ensinar o agente a tratar a "atenção humana" como um recurso escasso:

Por exemplo, agrupar problemas para que o humano responda de uma vez, repetir contexto chave para que o humano entre rapidamente no estado, limitar o número de itens entregues ao humano de uma só vez.

Alguns até configuram um agente cuja única função é decidir como agrupar e escalar apenas as comunicações mais importantes para os humanos.

Outros colocam barreiras no agente como "o máximo de trabalho por dia" — para que o humano tenha tempo de participar significativamente e não perder habilidades importantes.

Na minha opinião, essas experiências são os pontos mais profundos do artigo sobre a "relação humano-máquina".

• Primeiro, no pensamento da Anthropic: supervisão eficaz não é aprovar cada ação, mas "estar em posição de intervir quando for importante" (being in a position to intervene when it matters).

• Segundo, tratar explicitamente a "atenção humana" como um recurso escasso a ser otimizado é um princípio de design subestimado. A maioria das discussões sobre agentes otimiza a "capacidade do agente", mas o gargalo real já é a "largura de banda cognitiva humana".

• Terceiro, a engenharia de harness deve simular completamente a maneira eficiente de equipes humanas; afinal, alguns bons cavalos realmente não precisam de rédeas, apenas de objetivos.

IV. A era da colaboração humano-máquina ampliará impiedosamente a qualidade organizacional original da equipe

A frase mais honesta e facilmente ignorada deste artigo aparece no final:

Ele diz que as 4 experiências acima na verdade não são novidade; existiam muito antes da IA. Uma boa equipe precisa de uma estrela do norte forte, papéis claros, documentação sólida, padrões de qualidade compartilhados, e espaço para aprender com erros — são hábitos saudáveis de equipe que conhecemos há décadas.

E a equipe de agentes de IA apenas torna esses fundamentos ainda mais importantes.

Sem um mecanismo razoável, a IA não tornará automaticamente a equipe mais forte; pode até causar compressão e, finalmente, caos, como:

• Equipes com contexto disperso (por exemplo, gerenciamento baseado em assimetria de informações), depois de integrar agentes, ficarão ainda mais dispersas (quanto maior o isolamento de informações, mais desviada a produção);

• Equipes com papéis confusos, os agentes apenas replicarão a confusão, com funções de trabalho desordenadas e distorção das fontes de decisão dos tomadores de decisão.

• Equipes sem cultura de verificação, os erros dos agentes serão dimensionados a uma velocidade maior; a velocidade do código da IA já supera em muito a velocidade de revisão humana.

Portanto, na minha opinião, "as equipes que mais se beneficiarão dessa onda de agentes são aquelas que praticam conscientemente esses fundamentos."

Para organizações que estão apostando em agentes de IA, a verdadeira lição deste artigo pode não estar em "como usar o Claude", mas em voltar e refazer seriamente as quatro coisas antigas: contexto, papéis, objetivos e padrões de qualidade da sua própria equipe.