Eram 6 da manhã quando o primeiro alerta disparou. Depois, o segundo. Depois, o terceiro.
A engenheira de plantão abriu o laptop e encontrou três falhas não relacionadas em um único agente de IA. O agente lidava com tickets de suporte, processava ajustes de cobrança e respondia a perguntas de clientes. Ele rodava no LangChain. Ele havia passado em todos os testes de staging e funcionava — até que parou de funcionar.
Já vi equipes dedicarem meses à engenharia de prompt e à seleção de modelos, apenas para perder um fim de semana resolvendo um incidente que não tinha nada a ver com nenhum dos dois. As falhas a seguir não são hipotéticas. Esse é o tipo de coisa que acontece na primeira vez em que um agente entra em produção sem a infraestrutura necessária para oferecer o suporte adequado. E ainda não conheci um framework que inclua essa infraestrutura: os limites de identidade, a aplicação de segurança e a governança operacional exigidos pela implantação em produção.
43 tickets de suporte duplicados
O agente — um sistema de IA que raciocina sobre metas, seleciona ferramentas e executa ações em várias etapas de forma autônoma — estava monitorando uma fila de suporte. Um cliente enviou um caso. O agente chamou a API de tickets para criar um registro, e a API aceitou a solicitação e criou o ticket. Mas a resposta atingiu o tempo limite.
Do ponto de vista do agente, a chamada falhou. O LangChain fez o que qualquer framework bem projetado faz em uma chamada de ferramenta com falha: tentou novamente. A nova tentativa criou um segundo ticket. A resposta atingiu o tempo limite novamente. Outra tentativa. Outro ticket.
Às 6 horas, havia 43 tickets duplicados no sistema. Cada um acionava um e-mail de confirmação automático, o que significava 43 mensagens nas caixas de entrada dos clientes. A equipe de suporte passou a manhã fechando duplicatas manualmente e enviando pedidos de desculpas, em vez de realizar seu trabalho de fato.
Quero ser preciso sobre o que deu errado aqui, porque isso é importante. O LangChain lidou com isso corretamente. O framework detectou uma resposta com falha e tentou a chamada novamente. É exatamente isso que a lógica de repetição foi projetada para fazer. O problema não foi a nova tentativa, mas sim o fato de nada na infraestrutura rastrear se a solicitação original havia sido bem-sucedida. Não havia envelope de idempotência (um mecanismo que garante que uma solicitação repetida produza o mesmo resultado que a original, evitando duplicatas). Nenhuma camada de deduplicação. Nenhum reconhecimento no nível da plataforma de que essa tratava-se de uma nova tentativa de uma operação já concluída.
Para qualquer tomador de decisão que faça as contas: o custo aqui não foi apenas uma manhã inconveniente. Foram horas da equipe de suporte desviadas para a limpeza, a confiança do cliente abalada por e-mails robóticos duplicados e um sistema que não transmitia confiança até que alguém auditasse manualmente todos os tickets abertos. Para qualquer desenvolvedor que leia a lógica de repetição, o código estava correto. A lacuna estava abaixo dele.
O framework cumpriu seu papel. A infraestrutura ao seu redor simplesmente não existia.
US$ 4.000 cobrados na conta errada
As lacunas na infraestrutura podem ser barulhentas — como 43 tickets —, mas também podem ser silenciosas. O mesmo agente de IA processava ajustes de cobrança. Ele tinha acesso a uma API de cobrança provisionada com uma conta de serviço durante a implantação. A conta de serviço podia acessar várias contas de cobrança, pois essa era a maneira mais rápida de colocar o agente em execução no desenvolvimento. Ninguém delimitou o escopo das credenciais antes de promover o agente para produção porque ninguém havia criado um limite de identidade: a camada de infraestrutura que controla quais recursos uma determinada carga de trabalho pode acessar com base na identidade verificada, e não apenas na configuração.
O agente precisava processar uma cobrança na Conta A. Seu prompt incluía o identificador da conta. O modelo selecionou a Conta B — um erro plausível para qualquer large language model (LLM). A API de cobrança aceitou a chamada e cobrou US$ 4.000 do cliente errado.
Essa não foi uma falha do modelo. Os LLMs produzem resultados plausíveis, mas às vezes erram. A causa provável foi a mesma API de cobrança com o parâmetro de conta incorreto — um erro de seleção plausível.
No software tradicional, o possível impacto de uma chamada de API mal encaminhada é limitado por duas camadas: o escopo de credenciais restringe quais serviços uma carga de trabalho pode acessar, e a API downstream impõe quais parâmetros são válidos para um determinado solicitante. Um desenvolvedor jamais lançaria uma aplicação web em que um único conjunto de credenciais gravasse no registro de cobrança de todos os clientes, mas foi exatamente isso o que aconteceu aqui.
O agente havia sido provisionado com credenciais abrangentes o suficiente para acessar qualquer conta no sistema, e nada na stack — nem a plataforma nem a API downstream — restringia esse escopo. Atualmente, nenhum framework oferece delimitação de escopo de credenciais. Nenhum fornece identidade criptográfica de carga de trabalho ou impõe quais serviços um agente pode acessar com base em políticas no nível da infraestrutura, e não no conteúdo do prompt.
Ninguém percebeu até a segunda-feira seguinte, quando alguém revisou a fatura. Já vi variações dessa falha em todas as escalas — os detalhes mudam, mas a causa raiz é sempre a mesma. O agente tinha credenciais que não deveria ter, e nada na stack impunha esse limite.
Uma política de reembolso que a empresa nunca escreveu
Limites não aplicados causaram um erro de US$ 4.000 naquela noite, mas a terceira falha custou algo mais difícil de quantificar. Um cliente perguntou ao agente sobre o período de devolução na compra de um produto. O modelo gerou uma resposta clara e confiante: a política de reembolso permite devoluções em até 90 dias. A política real era de 30 dias. A resposta foi articulada, prestativa e totalmente incorreta.
O LangChain encaminhou a saída do modelo para o canal de resposta voltado ao cliente. Mais uma vez, o framework fez exatamente o que foi criado para fazer: direcionar a saída do modelo para a próxima etapa da cadeia. Não havia guardrails no limite de inferência — o ponto em que a saída de um modelo entra no mundo real, seja ela enviada a um cliente, gravada em um banco de dados ou usada para acionar uma ação. Nenhuma camada de validação comparou a saída com a política documentada. Nenhum mecanismo verificava se a resposta do agente contradizia fatos conhecidos antes de chegar ao cliente. A saída ia do modelo para o cliente em linha reta, sem nada entre eles.
O cliente devolveu um produto de US$ 280 no dia 47, citando a resposta do agente. A equipe aceitou a devolução. O custo não foi apenas o reembolso em si, mas também a exposição jurídica: um agente de IA havia feito uma declaração contratual não autorizada a um cliente, e a empresa não tinha uma trilha de auditoria para comprovar quais controles estavam em vigor para evitar isso.
O erro de cobrança tem um valor em dólares. Os tickets duplicados têm uma contagem. Uma política inventada enviada a um cliente é mais difícil de quantificar e de conter. É um risco que se acumula: cada resposta que o agente envia sem validação é mais um compromisso contratual em potencial que sua equipe jurídica nunca aprovou. Todas as organizações que executam um agente que se comunica com clientes enfrentam esse risco, e a maioria delas o enfrenta sem saber.
O agente estava funcionando bem
Três falhas em uma única noite em um agente que funcionava perfeitamente no desenvolvimento.
Observe o padrão. Em todos os casos, o framework funcionou corretamente. O LangChain orquestrou as chamadas de ferramentas, direcionou as saídas e tentou novamente em caso de falhas. O loop do agente — raciocínio, planejamento, chamada de ferramentas e orquestração — funcionou conforme o planejado.
Todas as falhas aconteceram porque não havia infraestrutura de produção. A primeira falha exigia idempotência e deduplicação no nível da plataforma. A segunda precisava de um limite de identidade com credenciais com escopo definido e identidade criptográfica de carga de trabalho. A terceira precisava de guardrails no limite de inferência: validação da saída em relação a fatos documentados antes que a resposta chegasse ao cliente.
Essas não são preocupações relacionadas ao framework. Identidade, governança de ferramentas (controlar quais ferramentas um agente pode acessar e sob quais condições), observabilidade (rastrear cada ação que um agente realiza para que você possa fazer auditoria e depuração) e aplicação de segurança são preocupações da plataforma — e nenhum framework foi projetado para resolver essas questões.
Conversei com equipes que executam agentes no LangChain, CrewAI, LangGraph e frameworks personalizados. A escolha do framework varia. A lacuna, não. Todos chegam ao mesmo obstáculo: a distância entre "funciona em desenvolvimento" e "executa em produção" não é um problema de framework, é um problema de infraestrutura, e custa dinheiro real, a confiança do cliente e tempo de engenharia enquanto não for resolvido.
O que preenche a lacuna
Esse problema de infraestrutura tem um formato específico. Os frameworks de agentes resolvem o loop do agente. Eles nunca foram projetados para resolver a infraestrutura de produção, nem deveriam. Não se espera que um framework web inclua sua própria autoridade de certificação Transport Layer Security (TLS). Essas são categorias diferentes de engenharia.
O Red Hat AI oferece a infraestrutura de produção que os frameworks não fornecem. O Red Hat OpenShift AI atua como base. O princípio operacional é o BYOA (Bring Your Own Agent), em que a plataforma operacionaliza qualquer runtime do agente, seja LangChain, CrewAI, LangGraph ou código personalizado, sem exigir alterações no agente. Seu investimento no framework é preservado. O código do seu agente não muda. A plataforma injeta as camadas de identidade, segurança, governança e observabilidade na base.
A lacuna que você já tem
O agente que falhou às 6 da manhã não era um agente ruim. Era um bom agente sendo executado sem uma base de suporte. Todo framework oferece o loop de raciocínio, as chamadas de ferramenta e a orquestração. Nenhum deles oferece a infraestrutura necessária para decidir se esses recursos são seguros para execução no mundo real. Essa distinção — entre o que o framework processa e o que a plataforma deve administrar — é a lacuna de produção. Não é uma lacuna que seu framework foi projetado para preencher.
Se você tem agentes em desenvolvimento no momento, aposto que eles estão sobre essa mesma falta de base. Não porque você os desenvolveu incorretamente, mas porque essa base não vem incluída no framework. Nosso próximo artigo apresenta as partes específicas que compõem essa base e o que é necessário para implementá-las.
Comece agora mesmo
Tudo pronto para ver como é uma infraestrutura de agentes pronta para produção? Comece por aqui:
- Experimente o OpenShift AI gratuitamente no Developer Sandbox: um ambiente pré-configurado para testar cargas de trabalho de IA
- Explore as demonstrações interativas do Red Hat AI: introduções hands-on ao Red Hat AI
- Comece com os kits iniciais BYO Agent: templates pré-configurados para LangGraph, CrewAI, LlamaIndex, Langflow, Google ADK e muito mais
- Leia a documentação do Red Hat AI: documentação completa da plataforma
Operacionalize o BYOA no Red Hat AI: A edição OpenClawPágina disponível no idioma inglês (Portuguese, Brazil não disponível) : um artigo hands-on sobre a implantação de um agente real na plataforma
Teste de produto
Red Hat OpenShift AI (autogerenciado) | Teste de solução
Sobre os autores
With over thirty years in the software industry at companies like Sybase, Siebel Systems, Oracle, IBM, and Red Hat (since 2012), I am currently an AI Technical Architect and AI Futurist. Previously at Red Hat, I led a team that enhanced worldwide sales through strategic sales plays and tactics for the entire portfolio, and prior to that, managed technical competitive marketing for the Application Services (middleware) business unit.
Today, my mission is to demystify AI architecture, helping professionals and organizations understand how AI can deliver business value, drive innovation, and be effectively integrate into software solutions. I leverage my extensive experience to educate and guide on the strategic implementation of AI. My work focuses on explaining the components of AI architecture, their practical application, and how they can translate into tangible business benefits, such as gaining competitive advantage, differentiation, and delighting customers with simple yet innovative solutions.
I am passionate about empowering businesses to not only harness AI to anticipate future technological landscapes but also to shape them. I also strive to promote the responsible use of AI, enabling everyone to achieve more than they could without it.
Mais como este
Precisão de 98% com o GroundX e o Red Hat OpenShift AI
Conheça o asago: projeto open source para segurança de IA
Can we trust AI agents in the enterprise?
Can agentic AI patch the internet?
Navegue por canal
Automação
Últimas novidades em automação de TI para empresas de tecnologia, equipes e ambientes
Inteligência artificial
Descubra as atualizações nas plataformas que proporcionam aos clientes executar suas cargas de trabalho de IA em qualquer ambiente
Nuvem híbrida aberta
Veja como construímos um futuro mais flexível com a nuvem híbrida
Segurança
Veja as últimas novidades sobre como reduzimos riscos em ambientes e tecnologias
Edge computing
Saiba quais são as atualizações nas plataformas que simplificam as operações na borda
Infraestrutura
Saiba o que há de mais recente na plataforma Linux empresarial líder mundial
Aplicações
Conheça nossas soluções desenvolvidas para ajudar você a superar os desafios mais complexos de aplicações
Virtualização
O futuro da virtualização empresarial para suas cargas de trabalho on-premise ou na nuvem