Imagine entregar as chaves do seu carro a alguém e pedir que essa pessoa vá ao mercado. Se o mercado for perto e sua lista for simples, há pouca margem para erros. Mas, à medida que a tarefa se torna mais complexa, envolvendo marcas específicas, restrições alimentares e um orçamento apertado, a dificuldade aumenta. Se essa tarefa aparentemente banal der errado, as consequências podem variar de compras não autorizadas até a perda total do veículo.
Atualmente, muitas organizações enfrentam uma situação semelhante ao implementar agentes de IA. É difícil e caro criar agentes capazes de executar, com excelência, todas as tarefas de um fluxo de trabalho e, até recentemente, não havia padrões uniformes para a comunicação entre agentes e ferramentas — um equivalente, no universo da IA, ao que o HTTP representa para a conexão na web.
“"Os sistemas multiagentes são um novo paradigma de IA que distribui responsabilidades entre diversos agentes altamente especializados, que trabalham em conjunto para fornecer resultados mais precisos e relevantes."”
É aí que entram os sistemas multiagentes (MAS), um novo paradigma de IA que distribui responsabilidades entre diversos agentes altamente especializados, que trabalham em conjunto para fornecer resultados mais precisos e relevantes. Os MAS fazem isso limitando intencionalmente o escopo, o acesso e o treinamento de cada agente em conhecimentos específicos do domínio, além de aumentar a escalabilidade por meio da execução modular de tarefas. O potencial dos MAS é atraente, mas, à medida que as organizações entregam as “chaves do castelo” à IA agêntica, esse potencial vem acompanhado de uma enxurrada de desafios de segurança. Por trás dessa promessa, há riscos: a ampliação das superfícies de ataque e a necessidade urgente de repensar a segurança, a confiança e a responsabilização nos sistemas de IA agêntica.
O que são sistemas multiagentes?
Fundamentalmente, os sistemas multiagentes (MAS) são uma estrutura para a criação de sistemas distribuídos de IA agêntica. Em vez de depender de agentes de IA monolíticos, capazes de realizar muitas tarefas de forma abaixo do ideal, os MAS distribuem as tarefas entre agentes especializados em apenas uma ou algumas áreas, muitas vezes organizados em hierarquias ou grupos de subagentes. Esses agentes atuam de forma autônoma, mas cooperam para alcançar objetivos individuais e compartilhados. Há algumas categorias principais de agentes a serem consideradas nos MAS:
- Superagentes – Orquestradores de fluxos de trabalho em um MAS. Seu nível de centralização varia conforme o caso de uso, sendo que alguns fluxos de trabalho simples de MAS atribuem o mesmo grau de autonomia a todos os agentes.
- Agentes de triagem – Alocadores de recursos responsáveis por garantir que cada agente tenha acesso às ferramentas e aos recursos necessários para executar tarefas com eficiência.
- Agentes guardiões – Validadores que atuam como camadas de responsabilização, testando a precisão dos resultados e garantindo a conformidade com a intenção do usuário.
Por que os sistemas multiagentes (MAS) se tornaram viáveis de repente?
O conceito de um sistema distribuído ou de um painel de especialistas não é novo, mas, até recentemente, a comunicação entre agentes de IA não contava com padrões uniformes que a tornassem viável. Graças à introdução do Protocolo de Contexto de Modelo (MCP) da Anthropic, a recuperação de dados e o acesso a ferramentas em fontes estruturadas agora seguem um padrão universal. Além disso, graças à estrutura Agent-to-Agent (A2A) do Google, os agentes de IA agora dispõem de uma estrutura independente de modelo para se comunicar com outros agentes por meio de linguagem natural. Em termos simples, o MCP permite a comunicação entre agentes e dados, enquanto o A2A permite a comunicação entre agentes.
Três motivos pelos quais a adoção de sistemas multiagentes é iminente
Os obstáculos mais difíceis para gerar um ROI positivo com a IA agêntica são a precisão, o custo e a escalabilidade. Apesar das inevitáveis complexidades que introduzirá, o MAS é um dos mecanismos mais promissores para otimizar essas três categorias:
- Precisão – Agentes especializados acrescentam uma camada modular de redução de riscos e garantia de qualidade que pode ser personalizada de acordo com as necessidades do fluxo de trabalho. Ao restringir o escopo de responsabilidade de cada agente, os sistemas multiagentes (MAS) reduzem o risco de alucinações ou interpretações equivocadas em comparação com modelos monolíticos (Yang et al., 2025).
- Custo – Embora os custos de treinamento de vários agentes especializados em comparação com um agente generalista possam variar, o custo de inferência em um ambiente de sistemas multiagentes (MAS) distribuído provavelmente é menor devido aos níveis mais baixos de redundância e processamento excessivo (Gandhi, Patwardhan, Vig, & Shroff, 2024).
- Escalabilidade – Os MAS transformam a forma como a escalabilidade funciona nos ecossistemas de IA. Em vez de substituir ou retreinar sistemas inteiros, é possível adicionar agentes de forma modular para atender a novas demandas de negócios com custos mais baixos
Quando os MAS funcionam bem
Vamos usar o diagrama abaixo para explorar um caso de uso hipotético. Imagine que você seja um consultor financeiro e que sua cliente, Alice, goste de receber relatórios personalizados sobre o desempenho do portfólio dela.
O superagente recebe o prompt, estabelece a intenção global e aciona o agente de triagem para determinar os recursos necessários. O agente de triagem ou mecanismo baseado em regras decide acionar o agente de CRM para obter o contexto específico do usuário, o agente de localização para identificar o país ou a região de Alice e o agente de portfólio para obter os dados da plataforma de negociação. O agente de conformidade valida quais dados e ferramentas podem ser acessados para essa tarefa antes que o agente de triagem prossiga com essas chamadas.
É provável que os sistemas multiagentes sejam adotados pelos mesmos motivos que levam a maioria das organizações a recorrer a ambientes híbridos: a flexibilidade se sobrepõe à maioria dos outros fatores ao equilibrar desempenho, segurança e gestão de custos.
Cada um desses agentes subsequentes conta com hierarquias e grupos adicionais de subagentes para tarefas específicas, como personalização ou análise de notícias. Alguns operam de forma interconectada, enquanto outros funcionam de maneira isolada.
Depois que um relatório é elaborado, ele é enviado ao agente de conformidade para verificar se atende a todos os requisitos regulatórios. Por fim, é encaminhado ao agente guardião ou a uma pessoa responsável pela supervisão para validar se o resultado é preciso e atende às necessidades do cliente. O resultado é a entrega precisa e personalizada de um ativo valioso.
O que acontece quando o MAS dá errado?
Imagine que seu fluxo de trabalho de MAS não receba o tratamento ideal. Cada conexão entre seus agentes é uma API padrão, um vetor de ataque comum ao qual muitas organizações ainda estão expostas.
Seu prompt inicial foi manipulado por um ataque de injeção, com instruções para enviar o relatório final de Alice ao endereço de e-mail de um invasor. Isso não deveria ser um problema se o agente de conformidade detectasse a manipulação, mas uma conexão de API desprotegida possibilita um ataque de falsificação de identidade. Fazendo-se passar pelo agente de conformidade, o invasor autoriza os agentes subsequentes a acessar a conta bancária e os dados do cartão de crédito de Alice, além de remover outras restrições.
Sem mecanismos de proteção, os agentes passam por uma escalada exponencial de privilégios, de modo que tudo o que puder ser acessado será acessado. O agente de personalização pode decidir que o saldo da conta poupança de Alice agora é um contexto pertinente, ou talvez o agente de análise financeira considere, por engano, algoritmos proprietários de negociação e acordos de parceria como informações relevantes para agentes relacionados.
Ao chegar ao humano no circuito ou ao agente guardião para validação, o resultado parece preciso e alinhado à intenção do usuário, mas acabamos diante de uma propagação excessiva de confiança, divulgação de informações e escalonamento de privilégios entre conexões. Com uma única solicitação, abalamos a confiança de nossos clientes e parceiros e expusemos inúmeras vulnerabilidades.
A realidade está em algum lugar entre a precisão e o perigo
A operação de sistemas multiagentes em cenários típicos representa um meio-termo entre esses dois exemplos, no qual a precisão dos resultados aumenta consideravelmente, mas proteger a superfície de ataque se torna muito mais difícil. Embora aplicações totalmente agênticas já sejam tecnicamente possíveis, a implementação mais prática desses sistemas será, em grande parte, híbrida — integrando tanto a infraestrutura legada quanto componentes de IA. Essa transição não ocorrerá da noite para o dia, mas a complexidade da questão exigirá uma colaboração proativa entre as partes interessadas para definir como criar sistemas agênticos que gerem valor para os negócios sem trazer mais riscos do que benefícios.
Guia prático de proteção
Ao longo da história das aplicações modernas, observamos um ciclo recorrente de consolidação e hibridização. Muitas vezes, as empresas começam dependendo totalmente de plataformas monolíticas, mas acabam migrando para portfólios híbridos que equilibram melhor as necessidades funcionais e os custos. A IA agêntica provavelmente seguirá a mesma trajetória. O entusiasmo inicial com plataformas monolíticas dará lugar a um ecossistema distribuído de aplicações e APIs que abrange ambientes locais, SaaS, edge e a inevitável proliferação de ferramentas que vemos hoje. Ao antecipar esse ciclo, as organizações podem adotar medidas proativas para se preparar para fluxos de trabalho orientados por sistemas multiagentes (MAS) e para o futuro distribuído da IA.
- Proteja suas APIs – A necessidade de segurança de APIs torna-se cada vez mais urgente com o surgimento das conexões MCP e dos sistemas agênticos. As soluções precisam abranger todas as APIs conhecidas e desconhecidas, detectar vulnerabilidades de forma dinâmica e oferecer visibilidade contínua.
- Exija mecanismos de explicabilidade – Embora a IA ainda seja uma “caixa-preta”, agentes com escopos intencionalmente limitados podem ser combinados com mecanismos programáveis de explicabilidade para melhorar a rastreabilidade de alucinações e resultados prejudiciais. As saídas dos agentes devem ser registradas e sinalizadas em caso de comportamento problemático durante a execução, além de analisadas para evitar a proliferação não autorizada.
- Estabeleça políticas para intervenção humana (HITL) – Usada em tarefas nas quais decisões inadequadas têm grande impacto, a governança humana é necessária para garantir a conformidade, e casos extremos não contam com protocolos estabelecidos. Agentes guardiões não substituem a inteligência humana e podem representar um alvo atraente para invasores. Para evitar gargalos, os sistemas tradicionais baseados em regras que incorporam HITL ainda são o método mais seguro para manter o risco abaixo de um limite específico. Abaixo dos limites estabelecidos, o ideal é usar agentes guardiões com moderação para reduzir ainda mais o risco, mas as organizações precisarão avaliar a mitigação de riscos proporcionada por um agente em relação ao pior cenário possível: um agente comprometido.
- Implemente confiança zero para dados confidenciais – Aplique os princípios de acesso com privilégio mínimo para limitar os dados que os agentes podem acessar e compartilhar, verifique continuamente as permissões para conter a escalada de privilégios e presuma a ocorrência de violações em todas as etapas e para todos os agentes.
- Consolide ferramentas distintas - À medida que agentes em rápida proliferação são incorporados ao atual cenário de ferramentas dispersas, já não é possível obter observabilidade por meio de soluções fragmentadas. As organizações precisam investir em plataformas de segurança unificadas que consolidem as ferramentas e a visibilidade de que os profissionais de segurança necessitam para manter uma postura de segurança robusta em toda a nova superfície de ataque ampliada.
Não dá para resolver a proliferação de agentes apenas com red teaming
Sistemas com resultados não determinísticos não podem ser protegidos com soluções determinísticas. As práticas convencionais de teste, que dependem de resultados determinísticos, não são adequadas para uma tecnologia que não produz resultados consistentes de uma iteração para outra. Somando-se a isso o fato de que é improvável que uma única organização detenha ou controle a maioria das APIs ou dos agentes em um fluxo de trabalho, os sistemas multiagentes (MAS) exigem uma abordagem de segurança mais abrangente.
Os sistemas multiagentes aumentam a complexidade em troca de maior precisão. Cada nova conexão introduz riscos, cada limite de confiança acrescenta vulnerabilidades e cada agente amplia a superfície de ataque. No entanto, em muitos aspectos, as novas regras continuam sendo as antigas — apenas se tornou ainda mais crucial segui-las. Proteger APIs, aplicar o modelo de confiança zero e monitorar o comportamento dos sistemas são práticas fundamentais que se tornam cada vez mais urgentes à medida que a adoção de sistemas multiagentes se acelera.
Embora não vejamos uma adoção generalizada da noite para o dia, preparar sua infraestrutura de segurança para essa eventualidade deixa sua organização pronta não apenas para os sistemas multiagentes (MAS), mas também para enfrentar as ameaças cada vez mais comuns nos sistemas modernos.
As implementações de IA já ampliaram a superfície de ataque, e os sistemas que você protege hoje formarão a base das suas defesas amanhã. À medida que você implanta aplicações de IA em escala, descubra como a F5 disponibiliza e protege aplicações de IA em qualquer lugar.
Sobre o autor
Publicações relacionadas no blog

Entrega e proteção de agentes de IA em fábricas de IA: F5 para a arquitetura de referência NVIDIA OpenShell para agentes de IA seguros
As soluções da F5 ampliam a Arquitetura de Referência NVIDIA OpenShell para agentes de IA seguros.
Como medir – e minimizar – o custo total de propriedade do seu Kubernetes
O Kubernetes pode ser baixado e executado gratuitamente, mas sua manutenção está longe de não ter custos. Assim como outras grandes plataformas de código aberto que são “gratuitas” apenas em um sentido simplista, o Kubernetes quase certamente exigirá investimentos para ser implantado e operado.
As-Code: a pilha de TI contínua
Infraestrutura, configuração, pipeline, operações. De repente, tudo é “como código”. Lori MacVittie busca esclarecer a terminologia e identificar os diferentes componentes de uma stack contínua de TI.
O estado da entrega de aplicações em 2017: automação, APIs e DevOps
Explore o relatório State of Application Delivery de 2017. Leia o blog retrospectivo da F5 sobre o início da ascensão das redes declarativas e dos pipelines de DevOps.
DevOps Summit: onde a rede foi convidada para a festa
No DevOps Summit NY, falou-se muito não apenas sobre DevOps, mas também sobre contêineres, IoT e microsserviços. As sessões se concentraram não só na mudança cultural necessária para crescer em escala com uma abordagem DevOps, mas também fizeram questão de incluir...
F5 e Nutanix convergem em infraestrutura no .NEXT
Aplicações empresariais como Microsoft SharePoint e Exchange, juntamente com a VDI, continuam sendo a espinha dorsal da sua empresa. A produtividade, embora não seja tão atraente quanto o lucro, é um fator essencial para o sucesso das operações empresariais atuais. Deixar de...