Ambientes organizacionais em que humanos e agentes artificiais compartilham o mesmo ciclo de trabalho
Atualização conceitual da tese visual “Ambientes Organizacionais com Multiagentes”: como humanos e agentes artificiais passam a habitar o mesmo fluxo de trabalho, o que cada um carrega para dentro dele e como a composição entre eles se reorganiza a cada volta do ciclo.
Agentes artificiais deixaram de ser apenas ferramentas operadas por pessoas e passaram a ocupar posições no ciclo de trabalho das organizações: programam subtarefas, executam, avaliam resultados e registram o que aprenderam. Este paper propõe o conceito de Trabalho Multiagente para nomear a forma de organização do trabalho em que agentes humanos e artificiais participam do mesmo ciclo de tarefa, ligados por conexões deliberadas, em um ambiente cujo aprendizado realimenta a própria composição entre eles. Partindo da tese visual “Ambientes Organizacionais com Multiagentes”, o texto fundamenta o ciclo da tarefa na teoria da aprendizagem organizacional, revisa criticamente as capacidades atribuídas a humanos e a máquinas à luz da literatura sobre automação e da evidência empírica recente, e argumenta que a unidade de análise não é o agente nem a tarefa, mas o ambiente e suas conexões. Propõe uma matriz para desenhar conexões por etapa e nível de autonomia, identifica seis modos de falha e formula sete proposições para pesquisa.
Palavras-chave: Trabalho Multiagente; agentes artificiais; ambientes organizacionais; interdependência Humano·Dado·Máquina; aprendizagem organizacional; autonomia; Reconfiguração Organizacional; RH+A
Artificial agents are no longer mere tools operated by people; they now occupy positions within organizational work cycles, planning subtasks, executing, evaluating results and recording what they have learned. This paper proposes the concept of Multiagent Work to name the form of work organization in which human and artificial agents take part in the same task cycle, linked by deliberate connections, within an environment whose learning feeds back into their own composition. Starting from the visual thesis “Organizational Environments with Multiple Agents”, the paper grounds the task cycle in organizational learning theory, critically reviews the capabilities attributed to humans and machines in light of the automation literature and recent empirical evidence, and argues that the unit of analysis is neither the agent nor the task but the environment and its connections. It proposes a matrix for designing connections by stage and autonomy level, identifies six failure modes and states seven research propositions.
Keywords: Multiagent Work; AI agents; organizational environments; human-data-machine interdependence; organizational learning; autonomy; Organizational Reconfiguration
Toda organização opera em ciclos: tarefas são programadas, executadas, analisadas, e geram aprendizado. Esse ciclo sempre existiu. O que muda agora é quem participa dele.
Durante décadas, a tecnologia entrou nesse ciclo como instrumento. Sistemas registravam, calculavam e automatizavam passos definidos por pessoas, e a autoria do trabalho permanecia humana do começo ao fim. A novidade dos agentes artificiais, sistemas capazes de perseguir objetivos complexos com supervisão direta limitada (Shavit et al., 2023), é que eles passam a ocupar posições dentro do ciclo: programam subtarefas, executam, avaliam resultados e registram o que aprenderam.
O mercado já adotou esse vocabulário. O relatório anual do Work Trend Index de 2025, da Microsoft, descreve organizações construídas em torno de equipes humano-agente e propõe medir a proporção entre pessoas e agentes como métrica de gestão. No mesmo ano, a Gartner previu que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro ou controles de risco inadequados, e que ao menos 15% das decisões de trabalho do dia a dia serão tomadas de forma autônoma por agentes até 2028. Lidas juntas, as duas previsões dizem a mesma coisa: o movimento é real, e a maior parte das organizações ainda não sabe desenhá-lo.
Este paper propõe o conceito de Trabalho Multiagente para nomear essa condição. O ponto de partida é a tese visual “Ambientes Organizacionais com Multiagentes”, do Cappra Institute, que organiza o argumento em seis movimentos: o ciclo da tarefa, os agentes humanos, os agentes artificiais, as conexões, o ciclo que aprende e o ambiente que contém tudo isso. O texto preserva a tese e a desenvolve em quatro direções: fundamentação teórica de cada movimento; revisão crítica das capacidades atribuídas a humanos e a máquinas; tratamento das conexões como objeto de arquitetura organizacional; e formulação de proposições examináveis.
Trata-se de um ensaio conceitual de atualização. Ele é complementar ao paper O Vácuo da Gestão Multiagente (Cappra, 2026c), que trata de quem gere esse ambiente por meio do modelo RH+A, de gestão de recursos humanos e artificiais. Aqui o foco é anterior: o trabalho em si, como ele é composto, conectado e recomposto. O texto também se apoia na Inforganização (Cappra, 2026a) e na Governança Analítica (Cappra, 2026b), e na interdependência Humano·Dado·Máquina que atravessa o programa de pesquisa do instituto.
Como humanos e agentes artificiais passam a habitar o mesmo fluxo de trabalho, e o que cada um carrega para dentro dele.
Na literatura de inteligência artificial, um agente é um sistema situado em um ambiente, capaz de ação autônoma para atingir seus objetivos. Wooldridge e Jennings (1995) associam a noção a quatro propriedades: autonomia, reatividade, proatividade e capacidade social. Pessoas sempre atenderam a esses critérios dentro das organizações. O que é novo é haver sistemas artificiais que os atendem, ainda que parcialmente, em tarefas organizacionais reais.
Trabalho Multiagente é a forma de organização do trabalho em que agentes humanos e agentes artificiais participam de um mesmo ciclo de tarefa, da programação à execução, à análise de performance e ao aprendizado, ligados por conexões deliberadas, em um ambiente cujo aprendizado realimenta a própria composição entre eles.
O ambiente organizacional com multiagentes é o espaço em que esse trabalho acontece: processos, dados, regras, sistemas e pessoas. A Figura 01 reproduz a tese visual que deu origem ao conceito. No centro está o ciclo da tarefa. À esquerda, os agentes humanos e suas capacidades; à direita, os agentes artificiais e as suas. As linhas entre eles são as conexões, a linha que volta do aprendizado à programação é o ciclo que aprende, e a moldura é o ambiente.
Escolha um movimento para percorrer a tese.
O ciclo tem quatro etapas, e cada uma delas é uma decisão distinta sobre quem participa.
Definir o que será feito, por quem, com quais critérios e com quais limites de autonomia.
Realizar a tarefa. É a etapa em que agentes artificiais entraram primeiro e onde sua presença é mais visível.
Comparar o resultado com o critério. Exige capacidade crítica, porque o critério também pode estar errado.
Registrar o que mudou: no conhecimento, nos parâmetros dos agentes e na própria composição entre humanos e máquinas.
Toque nos elementos da figura para ver a explicação.
O ciclo em si não é novo. O que a tese visual acrescenta é a seta que liga o aprendizado obtido de volta à tarefa programada. Argyris e Schön (1978) distinguem dois tipos de aprendizagem organizacional. No circuito simples, a organização detecta um erro e corrige a ação, sem questionar as normas que a orientam. No circuito duplo, o erro leva à revisão das próprias normas, premissas e objetivos.
A seta da tese é, por desenho, um circuito duplo. O que se aprende não corrige apenas a próxima execução: revisa como a tarefa é programada, incluindo quem participa dela. É essa seta que transforma um fluxo de trabalho em um ambiente que aprende, e é ela que permite à composição entre humanos e máquinas mudar ao longo do tempo.
Cada etapa do ciclo pode ser ocupada por humanos, por agentes artificiais ou por ambos. São quatro decisões, não uma.
Os humanos entram no fluxo com o que só eles carregam: crítica, ética, contexto, julgamento moral, empatia, e a capacidade de improvisar, negociar, projetar futuros e construir narrativas.
Os agentes artificiais entram com escala, precisão, velocidade e disponibilidade contínua: monitoramento constante, otimização algorítmica e memória estruturada, sem fadiga e sem viés emocional.
As duas listas são deliberadamente assimétricas. A dos humanos reúne capacidades de sentido: julgar, contextualizar, responder, mobilizar. A dos agentes reúne capacidades de operação: processar, repetir, acelerar, sustentar. O Quadro 01 apresenta o inventário completo, com a função de cada capacidade no ciclo.
| Agentes humanos | Função no ciclo |
|---|---|
| Capacidade Crítica | Questionar premissas e resultados, inclusive os produzidos por agentes artificiais. Sem ela, a análise de performance vira confirmação. |
| Comportamento Ético | Responder pelas consequências do trabalho. É a âncora da responsabilidade quando a execução está distribuída. |
| Abordagem Contextual | Ler o que não está nos dados: história, política, circunstância, o que mudou desde o último registro. |
| Julgamento Moral | Decidir entre bens em conflito quando nenhuma regra se aplica de forma direta. |
| Empatia e Sensibilidade | Perceber o efeito do trabalho sobre pessoas, dentro e fora da organização. |
| Improvisação Criativa | Agir bem diante do imprevisto, fora do que foi programado. É a principal capacidade de exploração do ciclo. |
| Negociação Complexa | Construir acordos entre interesses legítimos e divergentes. |
| Visão de Longo Prazo | Sustentar direção quando o ciclo tende a otimizar o curto prazo. |
| Narrativa e Influência | Dar sentido coletivo ao trabalho e mobilizar pessoas em torno dele. |
| Agentes artificiais | Contribuição | Condição de validade |
|---|---|---|
| Processamento em Larga Escala | Volumes inviáveis para pessoas. | Vale tanto quanto a qualidade e a representatividade dos dados de entrada. |
| Execução Repetitiva com Precisão | Consistência em tarefas bem especificadas. | A precisão é irregular: a fronteira de capacidade é recortada (Dell'Acqua et al., 2023). |
| Velocidade de Resposta | Ciclos mais curtos. | A mesma velocidade acelera a propagação de erros. |
| Disponibilidade Contínua | Operação sem pausa. | Exige supervisão também contínua, ou critérios explícitos de interrupção (Shavit et al., 2023). |
| Monitoramento Constante | Vigilância de processos e sinais. | Monitorar não é interpretar: todo alerta precisa de um destinatário humano. |
| Otimização Algorítmica | Melhoria de métricas definidas. | Otimiza o que foi medido, não necessariamente o que importa. |
| Escalabilidade Operacional | Capacidade replicada sem custo proporcional. | A escala replica também as falhas de especificação. |
| Memória Integral e Estruturada | Registro e recuperação. | Depende da arquitetura: o agente só retém o que o ambiente registra e devolve a ele. |
| Execução Sem Viés Emocional | Sem fadiga, humor ou irritação. | Não equivale a ausência de viés: modelos herdam vieses dos dados e dos objetivos (Obermeyer et al., 2019). |
A primeira diz respeito à expressão “o que só eles carregam”. Ela deve ser lida como afirmação sobre responsabilidade e legitimidade, não como garantia de desempenho. Pessoas também falham em crítica e em ética, e sistemas artificiais já produzem textos que simulam empatia. O que um agente artificial não pode fazer é responder pelas consequências do que fez. Quando essa diferença é ignorada, a responsabilidade tende a recair sobre o humano mais próximo do erro, mesmo que ele não controlasse o sistema (Elish, 2019).
A segunda diz respeito a “sem viés emocional”. A ausência de fadiga, humor ou irritação é real, mas não equivale a ausência de viés. Obermeyer et al. (2019) mostraram que um algoritmo amplamente usado em saúde nos Estados Unidos subestimava a necessidade de cuidado de pacientes negros, porque usava gasto passado como substituto de necessidade. O viés estava no objetivo escolhido, não em alguma emoção.
A terceira diz respeito à precisão. Em um experimento de campo com consultores, Dell'Acqua et al. (2023) descreveram uma fronteira tecnológica recortada: dentro dela, o uso de IA melhorou desempenho e qualidade; em tarefas aparentemente semelhantes, mas fora dela, piorou. A evidência de campo aponta na mesma direção. No atendimento ao cliente, Brynjolfsson, Li e Raymond (2025) observaram aumento médio de 15% na produtividade, concentrado nos profissionais menos experientes, com pequenas perdas de qualidade entre os mais experientes. Noy e Zhang (2023) encontraram ganhos em tarefas de escrita profissional. Os ganhos existem, mas são heterogêneos e dependem de onde a tarefa está em relação à fronteira.
Por isso este paper trata as duas colunas como um inventário de partida, não como uma tabela de alocação. A diferença é o tema do próximo movimento.
Duas listas lado a lado sugerem uma divisão de tarefas. A literatura sobre automação mostra por que essa leitura não basta.
Em 1951, um relatório organizado por Paul Fitts para o controle de tráfego aéreo comparou o que humanos fazem melhor com o que máquinas fazem melhor. As chamadas listas de Fitts, conhecidas pela sigla MABA-MABA (men are better at, machines are better at), orientaram por décadas o projeto de sistemas: identificar as vantagens de cada lado e alocar funções de acordo. Em 1960, Licklider propôs uma alternativa, a simbiose homem-computador, uma parceria em que cada lado fizesse aquilo para o que é mais apto. Parasuraman, Sheridan e Wickens (2000) refinaram a alocação em tipos e níveis de automação.
A crítica mais influente a essa tradição veio de Dekker e Woods (2002). Para eles, a alocação por substituição não produz progresso na coordenação entre humanos e automação, porque os efeitos reais da automação são qualitativos: ela transforma a prática humana e obriga as pessoas a adaptar habilidades e rotinas. Vinte anos antes, Bainbridge (1983) já havia descrito as ironias da automação. Ao automatizar o que é fácil, sobra para as pessoas o que é difícil, justamente quando elas têm menos prática para lidar com isso.
Toque nos elementos da figura para ver a explicação.
A resposta da engenharia de sistemas cognitivos foi mudar a unidade de análise. Hollnagel e Woods (2005) propõem pensar em sistemas cognitivos conjuntos, em que o desempenho pertence ao arranjo e não a cada parte. Na teoria das organizações, Raisch e Krakowski (2021) chegaram a uma conclusão vizinha: automação e aumento de capacidade humana não podem ser separados, porque são interdependentes no tempo e no espaço, e privilegiar um deles produz ciclos de reforço com efeitos negativos.
A evidência experimental recente confirma que a combinação não é garantia de ganho. Em uma meta-análise pré-registrada de 106 experimentos e 370 tamanhos de efeito, Vaccaro, Almaatouq e Malone (2024) encontraram que, em média, combinações de humanos e IA tiveram desempenho inferior ao melhor entre humanos sozinhos e IA sozinha (g de Hedges de -0,23). O resultado é heterogêneo: houve ganhos quando os humanos superavam a IA isolada e perdas quando a IA superava os humanos, e a sinergia foi mais provável em tarefas de criação de conteúdo do que em tarefas de decisão.
A pergunta deixa de ser quem é melhor em quê e passa a ser como fazer humanos e máquinas trabalharem bem juntos.
É exatamente o que a tese visual afirma no movimento seguinte.
No ambiente multiagente, humanos e máquinas não se substituem: se conectam ao longo do mesmo fluxo. Cada conexão é uma decisão de arquitetura organizacional: quem faz o quê, com quem, em qual etapa.
Malone e Crowston (1994) definem coordenação como a gestão de dependências entre atividades. No trabalho multiagente, essas dependências passam a atravessar a fronteira entre humano e artificial, e cada uma delas pode ser desenhada. Este paper propõe descrever uma conexão por três parâmetros.
O argumento de Feng, McDonald e Zhang sustenta a tese visual de forma direta: o nível de autonomia de um agente pode ser tratado como uma decisão deliberada de projeto, separada da sua capacidade técnica e do ambiente em que opera. Um agente capaz de agir sozinho não precisa agir sozinho. A Figura 04 organiza essa decisão em uma matriz: cada etapa do ciclo recebe uma posição de autonomia.
Toque nos círculos para mudar a posição de cada etapa.
A escolha do nível de autonomia depende da confiança, e a confiança pode errar para os dois lados. Parasuraman e Riley (1997) descreveram o uso, o mau uso, o desuso e o abuso da automação: confiar demais leva à complacência, confiar de menos desperdiça a capacidade disponível. Lee e See (2004) propuseram o critério da confiança apropriada, aquela que corresponde à confiabilidade real do sistema em cada contexto. Em um ambiente multiagente, a calibração precisa ser feita conexão por conexão.
Nem todas as conexões passam por pessoas. Cada vez mais, agentes artificiais entregam trabalho a outros agentes artificiais. Ao analisar mais de 1.600 execuções de sete arcabouços multiagente baseados em modelos de linguagem, Cemri et al. (2025) identificaram 14 modos de falha, agrupados em três categorias: problemas de especificação e desenho do sistema, desalinhamento entre agentes e verificação insuficiente das tarefas. São categorias familiares a qualquer estudioso de organizações. Elas indicam que a arquitetura das conexões importa tanto entre máquinas quanto entre humanos e máquinas.
O aprendizado obtido realimenta a programação das tarefas. O sistema inteiro aprende, e, a cada volta do ciclo, a composição entre humanos e máquinas se reorganiza.
Em um ambiente multiagente, três coisas aprendem. Os agentes artificiais aprendem por meio de dados, parâmetros e registros. As pessoas aprendem pela experiência e pela reflexão. E o arranjo entre eles aprende, quando a organização revisa quem faz o quê. As duas primeiras formas são conhecidas. A terceira é a que a tese visual põe em evidência, e a Figura 05 a representa.
Toque nos elementos da figura para ver a explicação.
Essa recomposição tem uma tendência que precisa ser vigiada. March (1991) distinguiu entre aproveitamento (exploitation), o refinamento do que já se sabe fazer, e exploração (exploration), a busca do que ainda não se sabe. Sistemas adaptativos tendem a privilegiar o aproveitamento, porque seus retornos são mais rápidos e mais certos. Um ciclo que otimiza métricas a cada volta reforça essa tendência. Capacidades humanas como improvisação criativa e visão de longo prazo são, nesse sentido, capacidades de exploração, e precisam de lugar garantido na composição.
O aprendizado também circula entre as partes. Brynjolfsson, Li e Raymond (2025) sugerem que o assistente estudado disseminava práticas dos profissionais mais produtivos para os menos experientes. É um efeito valioso, mas levanta uma pergunta: se a execução se concentra em agentes treinados na prática passada, onde será produzido o conhecimento novo?
A Inforganização (Cappra, 2026a) nomeia como Reconfiguração Organizacional a alteração contínua de estrutura, cultura e direitos decisórios provocada pela circulação de informação, com ou sem programa de mudança declarado, e em grande parte imperceptível enquanto ocorre. A recomposição entre humanos e máquinas é um dos mecanismos mais potentes dessa reconfiguração. Cada vez que uma etapa muda de mãos, mudam também quem decide, quem sabe e quem responde.
Há ainda um risco de longo prazo. Se a execução é delegada sem que as pessoas continuem praticando o que precisariam para supervisioná-la, a organização perde a capacidade de assumir o controle quando o agente falha (Bainbridge, 1983). No vocabulário do programa de pesquisa do Cappra Institute, esse é um dos caminhos da proletarização cognitiva: a perda de saberes que deixam de ser exercidos porque passaram a ser executados por máquinas.
A moldura da tese visual não é decorativa. Ela afirma que o objeto a ser compreendido, e gerido, não é o agente nem a tarefa, mas o ambiente.
Essa posição tem linhagem. Os estudos sociotécnicos do Tavistock Institute mostraram, nas minas de carvão britânicas, que mudar a técnica sem redesenhar a organização social do trabalho degradava ambos (Trist e Bamforth, 1951). Hutchins (1995) mostrou que a cognição necessária para navegar um navio não está na cabeça de um indivíduo, mas distribuída entre pessoas, instrumentos e procedimentos. Latour (2005) propôs tratar não humanos como participantes das redes que compõem o social. Weick e Roberts (1993) descreveram a mente coletiva como a forma atenta com que as contribuições de cada um se inter-relacionam.
Toque nos elementos da figura para ver a explicação.
Se a unidade de análise é o ambiente, a gestão não pode ficar contida em uma única área. Esse é o ponto de partida do modelo RH+A, desenvolvido em O Vácuo da Gestão Multiagente (Cappra, 2026c): os agentes atravessam a organização, e sua gestão exige atuação simultânea de TI, RH e Negócios em quatro eixos (parametrização, aprendizado, supervisão e autonomia). Os dois papers devem ser lidos juntos: este descreve o trabalho que acontece no ambiente; aquele descreve quem o governa.
O ambiente também é informacional. A Governança Analítica (Cappra, 2026b) trata da forma como a organização passa da informação à ação, e o trabalho multiagente é um dos lugares em que esse percurso se torna mais denso: cada conexão é uma passagem de informação entre agentes de natureza diferente. A interdependência Humano·Dado·Máquina descreve o tecido dessas passagens.
O trabalho multiagente falha de formas reconhecíveis. Nomeá-las é a primeira condição para desenhar contra elas.
A Figura 07 reúne seis modos de falha documentados na literatura e os localiza na etapa do ciclo em que costumam surgir. Eles não são independentes: a substituição ingênua costuma produzir confiança mal calibrada, que por sua vez abre espaço para zonas de deformação moral.
Toque nos elementos da figura para ver a explicação.
Tratar as duas listas de capacidades como tabela de alocação e trocar uma etapa humana por uma artificial, supondo que o resto do sistema permanece igual. Dekker e Woods, 2002.
Chamar de agente o que é automação convencional, ou implantar agentes sem valor claro e sem controle de risco. Gartner, 2025.
Especificação mal feita, desalinhamento entre agentes e verificação insuficiente nas passagens de uma etapa para outra. Cemri et al., 2025.
Confiar demais (abuso, complacência) ou de menos (desuso) no agente artificial, em vez de confiar na medida da sua confiabilidade real. Parasuraman e Riley, 1997; Lee e See, 2004.
O humano mais próximo do erro absorve a responsabilidade por falhas de um sistema que não controlava. Elish, 2019.
Quanto mais a execução é delegada, menos as pessoas praticam as capacidades de que precisam para supervisionar e assumir o controle. Bainbridge, 1983.
Este é o ambiente organizacional com multiagentes: não uma disputa entre capacidades humanas e artificiais, mas uma coreografia contínua entre elas, ao redor do trabalho.
Coreografia, aqui, tem sentido preciso. Em uma coreografia, as posições são definidas, mas ajustadas continuamente; cada movimento leva em conta o dos outros; e há alguém que responde pelo conjunto. É próxima do que Weick e Roberts (1993) chamaram de inter-relação atenta: o desempenho coletivo depende menos da qualidade de cada contribuição isolada do que do cuidado com que as contribuições se articulam.
Lida assim, a tese tem três implicações para quem lidera organizações.
A disputa entre humanos e máquinas é a pergunta errada. A pergunta certa é como o trabalho deve ser composto, e quem responde por essa composição.
As proposições a seguir sintetizam o argumento do paper em forma examinável. São hipóteses de trabalho que orientam a investigação, não conclusões estabelecidas.
O desempenho do trabalho multiagente depende mais da arquitetura das conexões entre agentes do que da capacidade isolada de cada um deles.
Combinações de humanos e agentes artificiais superam o melhor agente isolado apenas quando cada parte ocupa as etapas em que tem vantagem relativa; fora dessa condição, a combinação tende a perder desempenho.
As capacidades atribuídas a humanos e a máquinas não são atributos fixos: são redistribuídas a cada volta do ciclo, e o inventário precisa ser revisado periodicamente.
Ambientes que ajustam apenas a execução tendem a cristalizar a composição inicial; ambientes que revisam a programação das tarefas recompõem a divisão do trabalho.
A reorganização contínua entre humanos e máquinas produz Reconfiguração Organizacional mesmo sem programa de mudança declarado, alterando papéis, cultura e direitos decisórios.
A cada conexão em que a execução passa a um agente artificial, cresce a exigência de rastreabilidade e de um responsável humano identificável.
Quanto maior a parcela de execução delegada, maior o risco de erosão das capacidades humanas necessárias para supervisionar, salvo mecanismos explícitos de prática e aprendizado.
Este é um ensaio conceitual. Suas proposições derivam de revisão teórica e da prática do Cappra Institute, e ainda não foram submetidas a teste empírico sistemático. As listas de capacidades são um inventário de partida, não um instrumento validado. A evidência empírica citada vem, em sua maior parte, de experimentos com assistentes generativos, e não de ambientes multiagente maduros, que ainda são raros e pouco estudados. A tecnologia muda depressa, e algumas condições descritas aqui podem se alterar em poucos ciclos. Instrumentos de diagnóstico e métodos de implantação estão fora do escopo deste paper e devem ser tratados em publicações próprias.
O ciclo da tarefa sempre existiu. O que muda é que ele passou a ter participantes de naturezas diferentes.
Humanos e agentes artificiais não entram no ciclo como substitutos uns dos outros. Entram com capacidades distintas, que se transformam no contato. A literatura sobre automação ensina, há mais de quarenta anos, que tratar essa relação como divisão de tarefas produz sistemas frágeis. A evidência recente ensina que a combinação, sozinha, não garante ganho. O que decide o resultado é a arquitetura das conexões e a qualidade do aprendizado que volta para a programação do trabalho.
Trabalho Multiagente é a forma de organização do trabalho em que agentes humanos e agentes artificiais participam de um mesmo ciclo de tarefa, ligados por conexões deliberadas, em um ambiente cujo aprendizado realimenta a própria composição entre eles.
Nomear esse fenômeno é o primeiro passo para que ele deixe de acontecer apenas por acúmulo de ferramentas e passe a ser desenhado. A composição do trabalho tornou-se uma decisão organizacional. E toda decisão organizacional precisa de alguém que responda por ela.
Este paper atualiza a tese visual “Ambientes Organizacionais com Multiagentes”, do Cappra Institute, e integra o programa de pesquisa do instituto sobre Cultura Analítica, Governança Analítica, Inforganização e a interdependência Humano·Dado·Máquina.
Cappra, Ricardo. Trabalho Multiagente: ambientes organizacionais em que humanos e agentes artificiais compartilham o mesmo ciclo de trabalho. Research paper, versão conceitual 1.0. Cappra Institute, 2026.
Research paper do Cappra Institute, versão conceitual 1.0, 2026. Atualiza a tese visual “Ambientes Organizacionais com Multiagentes”. © 2026 Ricardo Cappra · capprainstitute.com