Modelo de IA vs. chatbot vs. harness vs. agente

O que cada coisa é

Modelo de IA

Um modelo de IA é o componente matemático aprendido. Ele recebe uma entrada e produz uma saída, como uma previsão, um texto gerado ou uma chamada de ferramenta solicitada. O modelo, por si só, não fornece uma tela de chat, mantém o estado da aplicação nem executa uma ação externa. Essas são responsabilidades do sistema ao redor do modelo.

Chatbot de IA

Um chatbot de IA é uma aplicação cuja principal interface é a conversa. Ele aceita mensagens e retorna respostas conversacionais. Seu backend pode ser uma chamada a um modelo, um fluxo de trabalho fixo, um agente ou uma combinação desses elementos. “Chatbot” informa como o usuário interage com o produto, não o grau de autonomia do backend.

Harness de IA

Um harness de IA é o software e a configuração que tornam um modelo utilizável dentro de uma aplicação. Ele pode criar prompts, carregar contexto relevante, disponibilizar ferramentas, executar solicitações de ferramentas, preservar o estado, transmitir a saída em fluxo, aplicar permissões e decidir quando uma execução deve parar.

O termo ainda está se consolidando. Alguns desenvolvedores usam “harness” especificamente para o loop entre o modelo e as ferramentas. Outros incluem quase toda a infraestrutura da aplicação ao redor. Nos dois usos, o harness está fora do modelo aprendido.

Agente de IA

Um agente de IA é um sistema que persegue um objetivo permitindo que um modelo escolha ações, observe resultados e escolha o que fazer em seguida. O harness executa e restringe esse processo. Um agente geralmente usa ferramentas e pode trabalhar em várias etapas sem pedir ao usuário que direcione cada uma delas.

Não existe um limite universal de autonomia. Um teste prático útil é observar o fluxo de controle: se o modelo pode adaptar a próxima etapa a um resultado intermediário, o sistema é agentivo. Se o código fixa todo o caminho antecipadamente, é melhor descrevê-lo como um fluxo de trabalho, mesmo quando esse fluxo faz várias chamadas a modelos.

A distinção real

Cada termo responde a uma pergunta diferente:

• Modelo: Qual componente aprendido transforma uma entrada em uma saída?
• Chatbot: Onde uma pessoa conversa com o sistema?
• Harness: Que software fornece contexto, executa operações e aplica controles ao redor do modelo?
• Agente: Que sistema escolhe uma sequência de ações em busca de um objetivo?

As categorias podem se aninhar. Um chatbot pode usar um harness para chamar um modelo. Se o modelo puder conduzir um loop de ferramentas em direção a um objetivo, esse mesmo produto também conterá um agente. Um agente, por sua vez, pode ser executado a partir de uma solicitação de API, de um agendamento ou de um evento, sem nenhum chatbot.

Uma solicitação, quatro papéis

Suponha que você digite: “Mude minha entrega para sexta-feira e confirme a alteração.”

O chatbot recebe a mensagem e exibe a resposta. O modelo interpreta a solicitação e pode decidir que precisa consultar um pedido. O harness constrói a entrada do modelo, disponibiliza uma ferramenta de consulta de pedidos, valida a chamada solicitada, executa-a e retorna o resultado.

Se sexta-feira não estiver disponível, um agente pode se adaptar. Ele pode verificar outras datas, pedir que você escolha uma, aguardar sua resposta, atualizar a entrega após a aprovação e então verificar a nova data. O modelo escolhe essas próximas etapas com base nas observações. O harness é o que efetivamente chama o sistema de entregas e aplica as regras de permissão.

Um chatbot não agentivo ainda poderia atender à solicitação. Ele poderia seguir um formulário de interação codificado ou simplesmente explicar como você pode alterar a data por conta própria. A conversa, por si só, não determina a agência.

Quando cada distinção importa

Quando o modelo importa

Concentre-se no modelo ao comparar a qualidade e o formato das saídas geradas: quais entradas ele aceita, com que confiabilidade segue instruções ou como se comporta nas suas avaliações. Trocar o modelo pode melhorar ou alterar decisões sem mudar a interface ou o desenho de execução do produto.

Quando o chatbot importa

Concentre-se no chatbot quando o problema for a usabilidade conversacional. Histórico de mensagens, alternância de turnos, esclarecimentos, tom, acessibilidade e transferência para uma pessoa são preocupações do chatbot. Um backend capaz ainda pode resultar em um chatbot ruim se a interação for confusa.

Quando o harness importa

Concentre-se no harness quando o problema envolver confiabilidade, contexto, ferramentas, estado, segurança ou observabilidade. Um modelo não consegue impor suas próprias permissões apenas por receber instruções para isso. O harness deve restringir as operações disponíveis, validar chamadas, exigir aprovações, registrar resultados e interromper execuções inseguras ou descontroladas.

O mesmo modelo pode se comportar de maneiras muito diferentes sob dois harnesses porque recebe contextos diferentes, dispõe de ferramentas diferentes e recebe feedback diferente depois de agir.

Quando o agente importa

Concentre-se no agente quando a tarefa exigir escolher e revisar um caminho, em vez de produzir uma única resposta. A agência é útil para trabalhos abertos cujos resultados intermediários determinam a próxima etapa. Ela também introduz mais formas de falha: uma ação inicial equivocada pode alterar o que acontece depois, por isso limites de ferramentas, verificação e aprovação humana são importantes.

O que as pessoas costumam confundir

Um chatbot não é o mesmo que seu modelo

O chatbot é a interface do produto e seu comportamento de aplicação. O modelo é um componente por trás dele. Um chatbot pode encaminhar solicitações entre vários modelos, e um modelo pode alimentar muitos produtos não relacionados.

Uma janela de chat não prova que existe um agente

Uma única resposta de modelo pode aparecer em um balão de chat. Da mesma forma, um agente pode ser executado em segundo plano, sem conversa. Chat descreve a interface; agência descreve como o sistema realiza um trabalho.

O acesso a ferramentas, por si só, não resolve a questão de saber se há um agente

Um programa fixo pode sempre chamar a mesma ferramenta após cada solicitação. Isso é automação, mas o modelo não está conduzindo o processo. O sinal mais forte é saber se a saída do modelo determina qual ação acontece em seguida e se as observações podem mudar o plano.

O harness não é a inteligência dentro do modelo

O harness pode conter uma lógica substancial, mas não se torna parte do modelo treinado. Ele decide o que o modelo pode ver e fazer, executa solicitações e aplica controles determinísticos. Manter essa fronteira visível facilita o diagnóstico de falhas: uma decisão ruim pode ser um problema do modelo, enquanto um resultado incorreto de ferramenta ou uma verificação de aprovação ausente é um problema do sistema.

“Chatbot agentivo” não é uma contradição

Um produto pode ser os dois. Ele é um chatbot porque a conversa é sua interface. Ele é agentivo quando seu backend pode escolher e executar várias etapas em direção ao objetivo do usuário.

Como as peças se encaixam

Uma configuração comum se parece com isto:

user → chatbot surface → harness → model
                            ↕
                      tools and data

Quando o modelo usa resultados de ferramentas para selecionar ações posteriores em direção a um objetivo, o modelo, o harness e as ferramentas disponíveis formam juntos um agente. O chatbot continua sendo uma interface opcional sobre essa base.

Leia as páginas dos componentes para ver a explicação completa sobre modelos de IA, chatbots de IA, harnesses de IA e agentes de IA. Em seguida, consulte O que é o uso de ferramentas em LLMs? para entender a fronteira entre um modelo que propõe uma ação e o harness que a executa.