O Agent tem duas variáveis, uma é o workflow que controla a direção da tarefa e a outra é o contexto que controla a geração de conteúdo. 1) Se a determinística do workflow e do contexto for muito alta, essas tarefas são fáceis de automatizar, semelhante ao RPA tradicional, por exemplo, ao lidar com o processamento de faturas e tarefas de preenchimento de formulários, a IA atua mais como um adesivo, com espaço de atuação bastante limitado. 2) Se o workflow é determinado, mas o contexto é incerto, ou seja, o processo é fixo, mas a entrada é variável, o Agent precisa completar a semântica e a compreensão, por exemplo, em perguntas e respostas de atendimento ao cliente e na análise de contratos, é necessário usar ferramentas como busca externa e gráficos de conhecimento para preencher as lacunas de informação, tornando os resultados da inferência mais alinhados com as expectativas. 3) Se o workflow é incerto, mas o contexto é determinado, ou seja, a entrada é clara, mas os caminhos são diversos, o Agent deve planejar o caminho de forma autônoma, por exemplo, na geração de relatórios de análise de mercado e recomendações personalizadas, a maioria dos Agents RL End-to-End é boa nesse tipo de tarefa, pois aprenderam uma grande quantidade de planejamento de caminhos e abordagens de resolução de problemas durante a fase de treinamento. 4) E quando tanto o workflow quanto o contexto são incertos, é o cenário mais complexo, onde é necessário tanto inferir quanto explorar, como no design de soluções inovadoras e na coleta de informações entre departamentos, esse tipo tende a ser mais voltado para Agents genéricos, e sua eficácia de execução depende da riqueza das ferramentas que lhe são fornecidas, especialmente a capacidade de programação deve ser maximamente aberta, por exemplo, ensiná-lo a encontrar repositórios no Github, cloná-los e modificar o código para resolver problemas, fazendo-o trabalhar como um humano. Portanto, para fazer um Agent funcionar bem, é preciso primeiro esclarecer o cenário. Essencialmente, a automação resolve problemas de "determinística", enquanto a inteligência resolve problemas de "incerteza".