A OpenAI acabou de lançar seu workflow builder visual no Dev Day.

E a LangChain publicou um artigo explicando por que eles deliberadamente NUNCA construíram um.

Isso me fez repensar completamente como enxergamos o futuro do desenvolvimento com IA, e o que descobri pode mudar a forma como você está construindo soluções hoje.

Deixa eu te explicar o que está acontecendo. 👇

Bem-vindo à 5ª edição da AI Weekly!

Desde o primeiro dia, a LangChain recebeu milhares de pedidos para criar um construtor visual de workflows. Sabe o que eles fizeram com todos esses pedidos? Absolutamente nada. Em vez disso, deixaram que ferramentas como LangFlow, Flowise e n8n construíssem isso em cima da plataforma deles, enquanto focavam em algo completamente diferente.

Não foi preguiça. Não foi falta de recursos. Foi uma decisão estratégica baseada em uma visão de futuro que a maioria do mercado ainda não percebeu.

A pergunta que ninguém está fazendo de verdade

Antes de construir qualquer ferramenta, existe uma pergunta fundamental que precisamos fazer, mas que quase ninguém para para responder com honestidade: qual é o problema real que estamos tentando resolver?

Os workflow builders no-code surgiram com uma promessa sedutora e aparentemente óbvia. Eles prometem permitir que qualquer pessoa, independentemente de conhecimento técnico, possa criar agentes de IA poderosos simplesmente arrastando caixinhas e conectando setas em uma tela visual.

A lógica inicial faz todo sentido. A maioria das empresas tem muito mais restrição de talentos de engenharia do que gostariam de admitir. E frequentemente são justamente os usuários não-técnicos, aqueles que estão na linha de frente do negócio, que melhor sabem quais agentes precisam ser criados, quais problemas eles devem resolver e como devem funcionar na prática.

Mas aqui mora um problema profundo que quase ninguém está discutindo abertamente, e que muda completamente o jogo quando você entende.

Workflows não são agents, e essa confusão está custando caro

Para entender o argumento da LangChain, precisamos primeiro destrinchar uma confusão conceitual que domina o mercado. Workflows e agents são coisas fundamentalmente diferentes, e tratar os dois como sinônimos é como confundir uma receita de bolo com um chef experiente.

Pensa comigo nessa analogia. Um workflow é como uma receita de bolo extremamente detalhada. Cada passo está mapeado com precisão cirúrgica. Cada possível desvio está planejado. Cada ramificação tem seu lugar específico no fluxo. Se o bolo queimar, vá para o passo dezessete. Se a massa não crescer, siga para o passo vinte e três. Você ganha previsibilidade total, sabe exatamente o que vai acontecer em cada cenário, mas perde completamente a capacidade de se adaptar a situações que você não previu na receita original.

Agents, por outro lado, são como aquele chef experiente que entende os princípios fundamentais da culinária. A complexidade toda do conhecimento dele está internalizada, escondida dentro da expertise que ele desenvolveu ao longo dos anos. Você simplesmente diz o que quer, talvez menciona algumas restrições ou preferências, e ele usa suas ferramentas disponíveis para criar algo que atende suas necessidades. A estrutura é simples de descrever, um chef com utensílios, mas dentro dessa simplicidade aparente existe uma inteligência sofisticada que se adapta ao contexto, aos ingredientes disponíveis e ao resultado desejado.

No mundo da IA, essa distinção se traduz assim. Workflows oferecem mais previsibilidade em troca de menos autonomia. Agents proporcionam mais autonomia às custas da previsibilidade. E quando construímos sistemas com IA, o que realmente buscamos não é nem previsibilidade pura nem autonomia pura, mas sim resultados confiavelmente bons, algo que nenhum dos dois sozinhos pode garantir completamente.

Aqui está o twist que poucos perceberam. O AgentKit da OpenAI, assim como n8n, Flowise e LangFlow, são todos construtores de workflows visuais disfarçados. Eles não são construtores de agents verdadeiros. E essa diferença, que parece técnica e irrelevante à primeira vista, cria consequências práticas enormes que você provavelmente já sentiu na pele se já tentou usar essas ferramentas.

O paradoxo que quebra a promessa

Deixa eu te mostrar onde a mágica prometida dessas ferramentas começa a quebrar, e por que isso acontece de forma quase inevitável.

Essas ferramentas visuais prometem democratizar a criação de IA, tornar acessível para qualquer pessoa o poder de construir automações e agentes inteligentes. Mas vem o primeiro problema, escondido logo na entrada. Elas não são realmente de baixa barreira de entrada como prometem.

O usuário médio não-técnico ainda luta significativamente para usá-las de forma efetiva. Tem que entender conceitos de lógica de programação, fluxos condicionais, tratamento de erros, tudo isso traduzido para uma interface visual que promete ser simples mas rapidamente se torna confusa.

E o segundo problema é ainda mais grave. Quando você finalmente supera a curva de aprendizado inicial e tenta construir algo realmente útil para resolver um problema real de negócio, a complexidade explode de uma forma que a interface visual simplesmente não consegue mais gerenciar.

De repente você tem dezenas ou até centenas de nós conectados. Setas indo em todas as direções. Ramificações dentro de ramificações. Você precisa rolar a tela para lá e para cá só para entender o que está acontecendo. E precisa praticamente de um mapa mental separado só para conseguir debugar ou fazer manutenção no que você construiu.

Já passou por isso? Se você já tentou construir algo mais sofisticado em qualquer workflow builder visual, provavelmente está balançando a cabeça agora reconhecendo essa frustração.

O aperto está acontecendo agora, e poucos perceberam

A LangChain está prevendo algo fascinante que já está acontecendo embaixo do nosso nariz. Os workflow builders visuais estão sendo espremidos de ambos os lados simultaneamente, como uma sanduíche que ninguém realmente pediu mas que está na mesa mesmo assim.

Deixa eu explicar esse aperto com mais detalhe, porque entender isso muda completamente como você deveria pensar sobre suas escolhas de ferramentas hoje.

De um lado, na direção da simplicidade, temos problemas que não precisam de toda aquela complexidade visual. Para essas situações, agents no-code puros, compostos simplesmente de um prompt bem escrito mais algumas ferramentas específicas, estão ficando surpreendentemente bons o suficiente.

À medida que os modelos de linguagem melhoram semana após semana, esses agents conseguem resolver problemas cada vez mais sofisticados de forma confiável.

E aqui está o ponto crucial: criar um agent simples deveria ser, e está se tornando, muito mais fácil do que arrastar e conectar dezenas de caixinhas em uma tela e tentar gerenciar toda aquela complexidade visual.

Do outro lado, na direção da complexidade, temos problemas que realmente exigem workflows elaborados. Quando você precisa de lógica de ramificação sofisticada, processamento verdadeiramente paralelo, modularidade real com componentes reutilizáveis, nada supera a clareza e o poder de escrever isso em código de verdade.

Código pode ser versionado adequadamente. Pode ser testado de forma sistemática. Pode ser revisado por outras pessoas. Pode ser modularizado em componentes que fazem sentido. Todas essas coisas que workflows visuais tentam replicar mas fazem de forma muito mais limitada.

"Mas espera aí", você pode estar pensando agora, "eu não sei programar. Como isso me ajuda?"

Aqui está a reviravolta que muda tudo. Com modelos de IA gerando código cada vez melhor, com ferramentas como o Cursor, Windsurf e GitHub Copilot se tornando cada vez mais sofisticadas, e com o custo dessa geração de código caindo para praticamente zero, a barreira tradicional entre quem programa e quem não programa está literalmente desaparecendo na nossa frente.

Em breve, e esse breve pode ser questão de meses não de anos, descrever o que você quer em linguagem natural e ter código funcional gerado pode ser tão comum quanto usar uma planilha é hoje.

O que isso realmente significa para quem está construindo hoje

Se você está construindo soluções com IA hoje, ou planejando começar, essa análise muda fundamentalmente o jogo. Não precisamos de mais um workflow builder visual tentando ser tudo para todos. O que realmente precisamos resolver são dois desafios muito mais interessantes e impactantes.

Primeiro, como tornar incrivelmente fácil e intuitivo criar agents confiáveis de forma no-code. Mas agents de verdade, não workflows disfarçados de agents. Ferramentas que realmente entendam linguagem natural. Sistemas que você possa literalmente ensinar conversando com eles. Interfaces onde você descreve o que precisa e o sistema te ajuda a refinar e melhorar até funcionar perfeitamente.

Segundo, como fazer os modelos de geração de código ficarem excepcionais, não apenas competentes, em escrever workflows e agents completos e funcionais. Se conseguirmos resolver isso bem, e os sinais mostram que estamos no caminho certo, a distinção tradicional entre desenvolvedor técnico e usuário de negócio começa a ficar cada vez mais nebulosa e eventualmente desaparece.

O que estamos construindo para esse futuro

Imagina um mundo onde você simplesmente descreve o que precisa em linguagem natural, e o sistema decide: isso é simples o suficiente para um agent resolver direto, ou é complexo o suficiente que vale a pena gerar código estruturado?

Esse futuro não está tão distante quanto parece.

Empresas como n8n, Flowise, LangFlow e Gumloop fizeram um trabalho fantástico democratizando workflows com IA. Elas resolvem problemas reais que existem hoje e capacitam pessoas não-técnicas a construir coisas incríveis.

Mas o argumento da LangChain nos força a pensar: será que estamos focando nas ferramentas certas para o futuro que está chegando?