Os agentes de IA começaram a ajudar a ganhar dinheiro, mas o difícil é…

作者：Vaidik Mandloi

原标题：Conheça o Seu Agente

编译及整理：BitpushNews

A promessa de que agentes de IA irão transformar o panorama da internet está lentamente se tornando realidade. Eles já ultrapassaram as ferramentas experimentais de chat e se tornaram parte indispensável das nossas operações diárias — desde limpar a caixa de entrada, agendar reuniões até responder a tickets de suporte. Estão silenciosamente aumentando a produtividade, muitas vezes sem que percebamos essa mudança.

No entanto, esse crescimento não é apenas um boato.

Até 2025, o tráfego automatizado superará o humano, representando 51% de toda atividade na web. Somente nos sites de varejo dos EUA, o tráfego impulsionado por IA cresceu 4700% em relação ao ano anterior. Agentes de IA agora operam entre sistemas, acessando dados, acionando fluxos de trabalho e até iniciando transações.

Porém, a confiança em agentes totalmente autônomos caiu de 43% para 22% em um ano, em grande parte devido ao aumento de incidentes de segurança. Quase metade das empresas ainda usam chaves API compartilhadas para autenticar agentes, método que nunca foi projetado para transferir valor ou agir de forma independente.

O problema é que a velocidade de expansão dos agentes supera a infraestrutura de governança existente.

Em resposta, novas camadas de protocolos estão surgindo. Stablecoins, integrações com redes de cartões e padrões nativos de agentes como o x402 estão possibilitando transações iniciadas por máquinas. Além disso, novas camadas de identidade e autenticação estão sendo desenvolvidas para ajudar os agentes a se reconhecerem e operarem em ambientes estruturados.

Porém, pagar por algo não equivale a criar uma economia. Assim que os agentes puderem transferir valor, surgirão questões mais profundas: como eles encontram serviços compatíveis de forma legível por máquina? Como eles provam identidade e autorização? Como podemos verificar se as operações alegadas realmente aconteceram?

Este artigo explorará a infraestrutura necessária para uma economia impulsionada por agentes em larga escala e avaliará se esses níveis estão maduros o suficiente para suportar participantes autônomos, duradouros e operando em velocidade de máquina.

Agentes não podem comprar o que não veem

Antes de pagar por um serviço, o agente precisa encontrá-lo. Parece simples, mas essa é atualmente a maior fonte de fricção.

A internet foi construída para leitura humana. Quando buscamos algo, os motores de busca retornam links classificados por relevância. Essas páginas são otimizadas para persuadir humanos. Cheias de layouts, rastreadores, anúncios, menus de navegação e elementos de estilo, fazem sentido para as pessoas, mas para máquinas representam principalmente “ruído”.

Quando um agente solicita a mesma página, recebe o HTML bruto. Um artigo de blog ou uma página de produto pode conter cerca de 16.000 tokens nesse formato. Convertido para Markdown limpo, esse número cai para aproximadamente 3.000 tokens. Isso significa uma redução de 80% no conteúdo que o modelo precisa processar. Para uma única requisição, essa diferença pode não importar muito. Mas, ao fazer milhares de requisições a múltiplos serviços, esse processamento excessivo se acumula, causando atrasos, custos e maior complexidade de raciocínio.

@Cloudflare

No final, os agentes gastam uma quantidade enorme de recursos computacionais apenas para remover elementos de interface e acessar as informações essenciais para agir. Esse esforço não melhora a qualidade da saída, apenas compensa uma rede que nunca foi feita para eles.

À medida que o tráfego impulsionado por agentes cresce, essa ineficiência se torna ainda mais evidente. Rastreamento por IA em sites de varejo e software aumentou drasticamente no último ano, agora representando grande parte da atividade total na web.

Ao mesmo tempo, cerca de 79% dos principais sites de notícias e conteúdo bloqueiam pelo menos um rastreador de IA. Essa reação é compreensível: ao extrair conteúdo, os agentes não interagem com anúncios, assinaturas ou funis tradicionais de conversão. Bloqueá-los visa proteger receitas.

O problema é que a web não possui métodos confiáveis para distinguir entre crawlers maliciosos e agentes legítimos. Ambos parecem tráfego automatizado, ambos vêm de infraestrutura em nuvem. Para os sistemas, parecem idênticos.

Mais profundamente, os agentes não estão tentando “consumir” páginas, mas sim descobrir possibilidades de ação.

Quando um humano busca “passagens abaixo de 500 dólares”, uma lista de links classificados é suficiente. A pessoa pode comparar opções e decidir. Para um agente, a requisição é completamente diferente. Ele precisa saber quais serviços aceitam reservas, qual o formato de entrada, como calcular preços e se o pagamento pode ser automatizado. Poucos serviços deixam essas informações claras e acessíveis.

@TowardsAI

Por isso, a busca está mudando de Search Engine Optimization (SEO) para Agent-Oriented Discoverability (AEO). Se o usuário final for um agente, a classificação na página de busca se torna menos relevante. O que importa é se o serviço consegue descrever suas capacidades de forma que o agente possa interpretá-las sem adivinhações. Caso contrário, ele pode se tornar “invisível” na crescente economia de atividades.

Agentes precisam de identidade

@Hackernoon

Quando um agente consegue descobrir serviços e iniciar transações, o próximo passo é garantir que a outra ponta saiba com quem está lidando. Ou seja: identidade.

Hoje, o sistema financeiro opera com muitas identidades de máquina. Em finanças, a proporção de identidades não humanas para humanas é de aproximadamente 96 para 1. APIs, contas de serviço, scripts automatizados e agentes internos dominam a infraestrutura institucional. A maioria nunca foi projetada para ter discricionariedade sobre capital. Executam comandos predefinidos, sem capacidade de negociar, escolher fornecedores ou fazer pagamentos na rede aberta.

Agentes autônomos mudam essa fronteira. Se um agente pode mover stablecoins ou acionar um fluxo de pagamento sem confirmação manual, a questão central deixa de ser “ele pode pagar?” para “quem autorizou ele a pagar?”

Foi assim que surgiu o conceito de “Conheça Seu Agente” (Know Your Agent).

Assim como as instituições financeiras verificam seus clientes antes de permitir transações, os serviços que interagem com agentes autônomos precisam validar três coisas antes de conceder acesso a capital ou realizar operações sensíveis:

1. Autenticidade criptográfica: esse agente realmente controla a chave que afirma possuir?
2. Permissão de delegação: quem concedeu essa permissão ao agente e quais seus limites?
3. Ligação ao mundo real: esse agente está vinculado a uma entidade legal responsável?

Essas verificações compõem a pilha de identidade:

• Na base, estão chaves criptográficas e assinaturas. Padrões como o ERC-8004 tentam formalizar como agentes se registram de forma verificável na cadeia.
• No meio, há provedores de identidade que conectam chaves a entidades do mundo real, como empresas registradas, instituições financeiras ou indivíduos verificados. Sem essa ligação, uma assinatura só prova controle, não responsabilidade.
• Na ponta, há infraestrutura de validação: processadores de pagamento, CDN ou servidores de aplicação que verificam assinaturas, checam credenciais e aplicam limites de permissão em tempo real. Protocolos como o Trusted Agent Protocol (TAP) do Visa exemplificam isso, permitindo que comerciantes validem se um agente está autorizado a agir em nome de um usuário. Protocolos similares, como o ACP do Stripe, estão levando essas verificações para pagamentos programáveis e fluxos de stablecoins.

Ao mesmo tempo, padrões como o Universal Commerce Protocol (UCP), liderado por Google e Shopify, permitem que comerciantes publiquem “listas de capacidades” que agentes podem descobrir e negociar. Essas listas atuam como uma camada de orquestração, com previsão de integração ao Google Search e Gemini.

@FintechBrainfood

A distinção importante é que sistemas sem permissão e com permissão coexistirão.

Em blockchains públicas, agentes podem transacionar sem barreiras centralizadas, aumentando velocidade e composabilidade, mas também aumentando a pressão regulatória. A aquisição do Bridge pela Stripe exemplifica essa tensão. Stablecoins possibilitam transferências instantâneas globais, mas as obrigações regulatórias não desaparecem só porque a liquidação ocorre na cadeia.

Essa tensão inevitavelmente envolverá reguladores. Assim que agentes autônomos puderem iniciar transações financeiras e interagir com o mercado sem supervisão direta, a responsabilização se tornará uma questão inescapável. O sistema financeiro não pode permitir que capital flua por atores não identificados ou não autorizados, mesmo que sejam trechos de código.

Estruturas regulatórias já estão sendo adotadas. A “Lei de IA do Colorado”, que entra em vigor em 1º de fevereiro de 2026, impõe requisitos de responsabilização para sistemas automatizados de alto risco, e legislações similares estão em andamento globalmente. À medida que agentes começam a tomar decisões financeiras em larga escala, a identidade deixará de ser opcional. Se a descoberta torna os agentes visíveis, a identidade será o certificado de sua aceitação.

Verificando a execução e reputação do agente

Quando um agente começa a executar tarefas envolvendo dinheiro, contratos ou informações sensíveis, possuir apenas uma identidade pode não ser suficiente. Um agente verificado ainda pode gerar ilusões, distorcer seu trabalho, vazar informações ou se comportar mal.

Portanto, a questão mais importante é: como provar que o agente realmente realizou o que afirmou?

Se um agente declara que analisou 1.000 documentos, detectou fraudes ou executou uma estratégia de negociação, é preciso uma forma de verificar se esse cálculo realmente ocorreu e se a saída não foi falsificada ou corrompida. Para isso, precisamos de uma camada de desempenho.

Atualmente, há três abordagens para isso:

1. TEEs (Trusted Execution Environments): a primeira depende de provas baseadas em hardware, como AWS Nitro ou Intel SGX. Nesse modelo, o agente roda dentro de uma enclave segura, que emite um certificado criptográfico confirmando que o código específico foi executado em dados específicos e não foi adulterado. O overhead é relativamente baixo (5-10% de latência adicional), aceitável para casos de uso financeiro e empresarial que priorizam integridade.
2. ZKML (Zero-Knowledge Machine Learning): a segunda é uma abordagem matemática. ZKML permite que o agente gere provas criptográficas de que a saída foi produzida por um modelo específico, sem revelar pesos ou dados privados. A demonstração do DeepProve-1 da Lagrange Labs, que prova inferências do GPT-2 em zero conhecimento, é 54-158 vezes mais rápida que métodos anteriores.
3. Segurança por Staking (Restake Security): a terceira usa incentivos econômicos. Protocolos como o EigenLayer introduzem segurança baseada em staking, onde validadores apostam capital por trás da saída do agente. Se a saída for contestada e provada falsa, o stake é penalizado (Slashing). Esses sistemas não provam cada cálculo, mas tornam comportamentos desonestos economicamente inviáveis.

Essas abordagens resolvem o mesmo problema sob diferentes ângulos. Contudo, as provas de execução são pontuais. Elas verificam tarefas isoladas, mas o mercado precisa de algo cumulativo. É aí que a reputação se torna fundamental.

Reputação transforma provas pontuais em um histórico de desempenho duradouro. Sistemas emergentes buscam tornar o desempenho do agente portátil e criptograficamente ancorado, ao invés de depender de avaliações específicas de plataformas ou dashboards opacos.

Por exemplo, o Ethereum Attestation Service (EAS) permite que usuários ou serviços publiquem provas assinadas e registradas na cadeia sobre o comportamento do agente. Uma tarefa concluída com sucesso, uma previsão precisa ou uma transação conforme as regras podem ser registradas de forma imutável e transferidas entre aplicações.

@EAS

Ambientes de benchmark competitivos também estão se formando. Os Agent Arenas avaliam agentes com tarefas padronizadas, usando sistemas de pontuação como Elo. O Recall Network reporta mais de 110 mil participantes gerando 5,88 milhões de previsões, criando dados de desempenho mensuráveis. Com a expansão desses sistemas, eles começam a se assemelhar a mercados de classificação de agentes de IA.

Isso permite que a reputação seja portável entre plataformas.

No sistema financeiro tradicional, agências como Moody’s avaliam títulos para emitir sinais de crédito. Na economia de agentes, será necessário um nível equivalente para avaliar atores não humanos. O mercado precisará julgar se um agente é confiável o suficiente para receber capital, se seus outputs são estatisticamente consistentes e se seu comportamento pode se manter estável a longo prazo.

Conclusão

À medida que agentes assumem autoridade real, o mercado precisará de uma forma clara de medir sua confiabilidade. Agentes transportarão registros de desempenho verificáveis, baseados em provas de execução e avaliações de reputação, que serão ajustados conforme a qualidade. Seus privilégios poderão ser rastreados até autorizações explícitas. Seguradoras, comerciantes e sistemas de conformidade dependerão desses dados para decidir quais agentes podem acessar capital, dados ou fluxos regulados.

Em suma, esses níveis começam a formar a infraestrutura da economia de agentes:

1. Descoberta (Discoverability): agentes precisam encontrar serviços de forma legível por máquina, ou não conseguirão identificar oportunidades.
2. Identidade (Identity): agentes devem provar quem são e quem os autorizou, ou não poderão participar do sistema.
3. Reputação (Reputation): agentes precisam construir registros verificáveis que atestem sua confiabilidade, conquistando confiança econômica contínua.