Relatório da InfoQ destaca agentes, inferência e IA física nas tendências para 2026

O relatório anual de tendências da InfoQ para 2026 reúne as perspectivas da equipe editorial e de convidados externos sobre inteligência artificial (IA), aprendizado de máquina (ML) e engenharia de dados. O documento examina mudanças na adoção de tecnologias e apresenta previsões para o próximo ano. Seus autores são Srini Penchikala, Chip Huyen, Daniel Dominguez, Hien Luu e Arthur Casals.

A publicação organiza os tópicos em quatro estágios — Innovators, Early Adopters, Early Majority e Late Majority — com base no modelo do livro Crossing the Chasm, de Geoffrey Moore. A edição reorganiza temas com escopos sobrepostos, acrescenta ou atualiza tópicos e retira tecnologias consideradas amplamente adotadas. A InfoQ concentra a análise sobretudo em tecnologias que ainda não cruzaram essa fronteira de adoção.

Imagem: InfoQ. Resumo dos principais pontos do relatório de tendências de IA, aprendizado de máquina e engenharia de dados.

Entre os destaques estão a migração de modelos de linguagem grandes para modelos pequenos e a ascensão de modelos de raciocínio, além da evolução dos agentes pessoais para equipes e organizações. O relatório também ressalta o crescimento da inferência em produção, a importância da avaliação de sistemas de IA e o desenvolvimento de aplicações que conectam software a máquinas capazes de agir no mundo físico.

Inferência e infraestrutura para agentes

O relatório descreve 2026 como um período de forte atenção à inferência: empresas estariam deslocando esforços do treinamento de modelos para sua execução em produção. A estimativa apresentada é que a inferência responda por cerca de dois terços dos gastos com computação de IA até o fim de 2026. Modelos de raciocínio, contextos longos e agentes ampliam o desafio para além da execução de um modelo, envolvendo computação, memória, redes, roteamento e custos.

Entre as ferramentas citadas estão vLLM e SGLang; o título da seção também menciona llm-d. Hien Luu observa que as estruturas de inferência e os modelos de pesos abertos estão mais acessíveis para uso e otimização. Segundo ele, empresas podem hospedar modelos internamente em situações que envolvem informações pessoais identificáveis ou para reduzir custos, inclusive em tarefas de programação.

O relatório apresenta o harness engineering como uma área emergente de apoio a agentes. A abordagem reúne capacidades como gerenciamento da memória de contexto, coexecução e ferramentas para acessar sistemas de arquivos locais. Hien Luu afirma que os SDKs de agentes de LangChain, Anthropic e OpenAI estão adicionando recursos desse tipo. Ele também observa que empresas oferecem ambientes de execução para hospedar agentes; decidir se esses serviços são adequados é uma questão distinta.

A comunicação entre agentes aparece como outro tema em expansão. Protocolos como MCP e A2A são apresentados como meios para conectar agentes a ferramentas, dados, APIs e outros agentes. Daniel Dominguez levanta a possibilidade de que protocolos desse tipo se tornem uma nova camada de integração empresarial, com recursos de descoberta de agentes e coordenação de tarefas sobre APIs.

Desenvolvimento de software com IA

O relatório associa a adoção de ferramentas de IA à maior atenção de desenvolvedores a requisitos e especificações. Nesse contexto, destaca o desenvolvimento orientado por especificações e as fábricas de software com IA, modelos em que equipes procuram automatizar etapas do ciclo de vida de desenvolvimento.

O fluxo descrito pode começar pela análise automatizada do domínio e dos requisitos de um sistema existente. Em seguida, pode incluir a avaliação de novas necessidades, a produção de especificações funcionais e técnicas, a geração de tarefas de design e desenvolvimento e, por fim, a criação de código e outros artefatos atualizados.

Hien Luu descreve a especificação prévia como uma forma de fornecer contexto e plano ao agente de programação antes de iniciar a construção. Como possível uso de automação, cita um agente que analisa um relato de erro, tenta reproduzi-lo, propõe uma correção e submete um pull request. Revisão e testes continuam fazendo parte das etapas posteriores.

Agentes: da interação à operação

Segundo o relatório, organizações estão deixando de se concentrar apenas em aprender a criar agentes e passam a enfrentar questões de operação, implantação em produção e escala. A mudança descrita é de sistemas que respondem a perguntas para sistemas que podem planejar, usar ferramentas, executar ações e continuar trabalhando por períodos mais longos.

Daniel Dominguez caracteriza a evolução como uma passagem de agentes pessoais para agentes usados por equipes e, depois, para agentes que operam em organizações inteiras. No desenvolvimento de software, cita Claude, Codex, Cursor e Replit como ferramentas capazes de navegar repositórios, alterar vários arquivos, executar tarefas, inspecionar falhas e iterar. O relatório também registra a adoção crescente de sistemas com vários agentes, que podem oferecer benefícios em comparação com soluções baseadas em um único agente.

Arthur Casals relaciona sua pesquisa em revisão de crenças a dois problemas: alucinações e preservação da precisão e da proveniência das informações depois que agentes as processam. O trabalho mencionado combina pesquisa sobre sistemas multiagentes, lógica formal e estruturas de entrada e saída.

Avaliar o sistema completo

O relatório descreve as avaliações como parte essencial da implantação de agentes, especialmente em serviços voltados a clientes. Como modelos de linguagem podem produzir resultados não determinísticos, tomar decisões inadequadas ou acionar ferramentas de forma errada, as avaliações ajudam a verificar se o agente executa a tarefa esperada. Hien Luu cita assistentes para pedidos de comida e agentes de atendimento ao cliente como exemplos de aplicações em que esse controle é relevante.

A avaliação, segundo Daniel Dominguez, não deve se limitar ao modelo: precisa considerar também ferramentas, contexto, ciclo de execução do agente e ambiente. Entre as métricas mencionadas estão a conclusão da tarefa, o custo, o tempo, o número de intervenções necessárias e a ocorrência de ações inseguras. O relatório cita estruturas de avaliação que organizam a coleta de dados, a execução de testes e a análise da qualidade.

IA física e desafios da robótica

A IA física, também chamada de IA incorporada, aplica inteligência a máquinas que percebem e atuam no mundo real. O relatório cita robôs, robôs colaborativos e veículos autônomos. Daniel Dominguez ressalta que um erro nesse contexto pode ter consequências físicas, ao contrário de uma falha limitada à produção de um arquivo por um agente de software. Por isso, destaca confiabilidade, simulações, segurança, verificação e avaliações.

Chip Huyen aponta uma dificuldade específica da robótica: não é possível simplesmente restaurar um robô danificado ao estado anterior para repetir um experimento. Essa limitação torna a exploração mais difícil. Ela também menciona desafios relacionados aos dados e cita Generalist, Physical Intelligence, Sunday e Skild AI ao comentar empresas do setor.

Como mudam as categorias de adoção

Na categoria Innovators, o relatório acrescenta ou revisa segurança e governança de agentes, agentes de voz, modelos especializados de decisão — incluindo o modelo Jev da TypeSafe AI —, gateways de IA, GraphRAG, LLMOps/GenAIOps e interfaces cérebro-computador.

Entre os tópicos que passam para Early Adopters estão programação agentiva e engenharia de software autônoma, observabilidade de agentes, otimização de inferência e roteamento de modelos, modelos de linguagem pequenos, modelos de raciocínio, IA explicável e inferência de IA de borda. A lista também inclui MCP, IA multimodal, IA aplicada a DevOps e SRE, realidade virtual — incluindo VR, AR, MR e XR — e serviços cognitivos.

O relatório afirma que tecnologias de IA já estão sendo aplicadas a DevOps e SRE para suporte à produção, solução de problemas, manutenção e atualização. Essa adoção acompanha o movimento de levar tecnologias de agentes e modelos a fluxos operacionais.

Na categoria Early Majority, a InfoQ coloca IA generativa e modelos de linguagem, RAG, grafos de conhecimento, MLOps, bancos de dados vetoriais, contratos e observabilidade de dados, análise de dados em grafos, geração de dados sintéticos e formatos abertos de tabelas.

A categoria Late Majority passa a incluir AutoML, reconhecimento de imagem, assistentes digitais, Data Mesh, processamento e análise de fluxos, mecanismos de recomendação, lakehouses e Spark. O relatório considera essas tecnologias amplamente adotadas e integradas às arquiteturas e aos processos das equipes.

Imagem: InfoQ. Gráfico de adoção de tecnologias e tendências de IA e aprendizado de máquina para 2026.

Contexto e tecnologias retiradas do gráfico

Arthur Casals alerta que ampliar a janela de contexto não resolve, por si só, problemas de seleção da informação. Contexto excessivo pode deixar um agente mais lento, mais caro e menos confiável, sobretudo quando mistura dados irrelevantes, desatualizados ou adversariais. O relatório relaciona a questão à qualidade da recuperação, às fontes e permissões, à compressão e à escolha do que deve entrar em cada etapa do fluxo.

A publicação retirou do gráfico tecnologias consideradas maduras e já incorporadas ao uso corrente. Entre elas estão processamento de linguagem natural, aprendizado profundo, bancos de dados NoSQL, grades de dados em memória e Big Data com Hadoop. A retirada significa que deixaram de ser acompanhadas na curva de adoção do relatório, não que tenham sido desativadas.

Imagem: InfoQ. Gráfico de tendências de IA e aprendizado de máquina da InfoQ para 2025.

Previsões para o próximo ano

Entre as previsões da equipe estão mais inovações em empresas de robótica dos Estados Unidos e modelos mais baratos e rápidos. O relatório também antecipa possíveis limitações relacionadas à energia e à infraestrutura de IA, incluindo acesso à eletricidade, capacidade e resfriamento de centros de dados. Para 2027, afirma que algumas das maiores notícias sobre IA poderão ocorrer fora dos próprios modelos, com foco em energia, chips, infraestrutura e geopolítica.

Outras expectativas citadas são o aumento da comunicação entre agentes, a adoção de agentes menores e especializados para tarefas bem definidas e uma presença ainda maior da IA no cotidiano. A equipe prevê ainda que todo agente incorporará alguma forma do modelo Jev. O relatório também aponta que áreas de nicho devem se consolidar, definindo onde a IA será valiosa e onde a inteligência humana continuará necessária.

A publicação apresenta a IA como uma transformação tecnológica duradoura e recomenda que equipes identifiquem fluxos de trabalho em que ferramentas de IA possam ser utilizadas. As classificações e previsões refletem a avaliação editorial da InfoQ e dos participantes consultados.