October 23, 2026
Se você está escolhendo entre um LLM e um AI agent para tradução, o rótulo diz pouco sobre o que pode dar errado. Uma única chamada de LLM pode retornar uma resposta errada com confiança e sem aviso prévio. Um agente pode fazer a pergunta certa, mas cada etapa que ele executa adiciona tempo e mais um ponto de falha.
Três coisas diferentes costumam compartilhar o nome "AI agent": uma chamada de LLM, um workflow que executa muitos modelos ao mesmo tempo e um agente que planeja e age em loop. Executamos todos os três no MachineTranslation.com. As diferenças abaixo vêm de executá-los em produção.
Um LLM é um modelo. Você envia texto e recebe texto de volta, em uma única chamada. Um AI agent é um sistema construído em torno de um LLM. A equipe de engenharia da Anthropic separa os dois por quem decide as etapas. Em um workflow, o código define as etapas com antecedência. Em um agente, o LLM escolhe suas próprias etapas e ferramentas.
Isso cria três formatos para a tradução. Uma única chamada de LLM é a mais simples e retorna uma resposta sem nenhum sinal sobre se essa resposta está certa. Um workflow, como executar muitos modelos ao mesmo tempo e comparar os resultados, segue um caminho fixo. Um agente trabalha em loop. Ele decide o que fazer, faz e verifica o resultado. Ele também pode fazer uma pergunta ao usuário antes de continuar.
Uma única chamada de LLM é uma etapa. Um workflow de consenso envia o mesmo texto para vários modelos ao mesmo tempo e depois compara as saídas. Um agente opera em um ciclo de planejar, agir e verificar, e pode parar para fazer uma pergunta ao usuário.
| Chamada única de LLM | Fluxo de trabalho de consenso | Agente de IA | |
|---|---|---|---|
| Etapas | Uma chamada | Muitas chamadas de uma só vez, depois uma comparação | Um ciclo de planejar, agir e verificar |
| Comportamento temporal | Latência de um modelo | Definido pelo modelo mais lento do grupo | Aumenta a cada etapa |
| Principal risco | Uma resposta errada dada com confiança sem nenhum aviso | Todos os modelos compartilham a mesma suposição silenciosa | Etapas extras adicionam atraso e novos pontos de falha |
| O que ajuda | Uma segunda verificação | Uma pergunta ao usuário | Limites de etapas e uma verificação humana |
Um agente acrescenta decisões que uma única chamada de modelo não consegue tomar. Ele pode perguntar se uma frase deve ser formal ou informal. Também pode pesquisar um termo e verificar o seu próprio rascunho. Cada uma dessas etapas é um passo extra, e cada etapa acrescenta tempo e outro ponto passível de falhas.
A orientação da Anthropic é começar com o design mais simples que funcione. Use um fluxo de trabalho para uma tarefa bem definida e use um agente quando a tarefa exigir decisões flexíveis. Seguimos a mesma regra. O AI Translation Agent é uma camada separada que intervém apenas quando uma frase deixa algo em aberto, como o nível de formalidade do texto.
O consenso multimodelo é um fluxo de trabalho com um caminho fixo. O mesmo texto é enviado para todos os modelos de uma só vez. As saídas são comparadas e a versão sobre a qual a maioria dos modelos concorda é retornada. A Anthropic chama a prática de executar várias tentativas ao mesmo tempo para aumentar a confiança de paralelização.
O problema de engenharia é o tempo. Se 22 modelos fossem executados um após o outro, a espera seria a soma de 22 chamadas. Eles são executados em paralelo, de modo que a espera é definida pelo modelo mais lento do grupo, como descrevemos em nosso guia para obter traduções verificadas dentro do Claude ou ChatGPT. Em um exemplo de lançamento, cinco modelos traduziram uma frase de quatro palavras e retornaram um resultado em 751 milissegundos. Textos mais longos levam mais tempo, e a mesma regra se aplica.
Testamos tamanhos de grupo e definimos 22. Com menos modelos, o sinal de concordância enfraquece. Com mais, a latência começa a surgir. O usuário vê um resultado. O trabalho que o tornou rápido aconteceu antes do clique.
O consenso só consegue identificar divergências entre modelos, por isso não consegue detectar uma escolha que todos os modelos fazem da mesma forma. Em nossos testes com frases comuns, todos os sete modelos exibidos traduziram "good morning" para o japonês com o formal おはようございます, uma decisão silenciosa sobre polidez sobre a qual ninguém perguntou ao usuário.
O francês "Je t'aime" seguiu o mesmo padrão. Os modelos concordaram em uma tradução, mas a frase pode expressar amor romântico, platônico ou familiar, e a tradução direta não indica qual deles. Uma etapa de comparação não tem nada para comparar quando todos os modelos respondem da mesma forma.
Essa lacuna é o motivo pelo qual o AI Translation Agent funciona como uma camada própria. Ele pergunta sobre registro, público e tom apenas quando o texto os deixa em aberto. O consenso detecta os modelos que discordam. O agente detecta o que todos eles presumem.
Os livros didáticos de IA classificam os agentes pela forma como decidem o que fazer. A lista clássica vai desde agentes de reflexo simples, que reagem à entrada atual, passando por agentes baseados em objetivos, que planejam visando a um resultado, até agentes de aprendizagem, que melhoram a partir do feedback.
Em termos de sistema, cada avanço na lista adiciona estado e loops para manter. A tradução se beneficia mais da extremidade baseada em objetivos, porque uma tradução frequentemente depende de contexto que a frase atual não contém. Nosso AI Translation Agent fica aí. Ele trabalha em direção a uma tradução que se ajuste ao contexto, e sua principal ferramenta é uma pergunta ao usuário.
Sim, porque os sistemas de tradução automática neural são treinados apenas para traduzir entre idiomas, o que os torna um tipo de modelo diferente de um LLM de uso geral. Alguns modelos dentro da família dos LLMs também funcionam de forma diferente. A maioria dos LLMs gera um token por vez. O Mercury, da Inception Labs, é um modelo de linguagem de difusão que gera blocos de texto em paralelo, o que abordamos em nossa publicação sobre a adição do Gemma e do Mercury à plataforma.
Se uma API de tradução neural ou um LLM é mais adequado depende do trabalho. Uma API de tradução neural atende a um modelo desenvolvido para uma tarefa, enquanto um LLM pode seguir instruções e usar mais contexto. O pool de mecanismos do MachineTranslation.com inclui tanto mecanismos tradicionais de tradução automática quanto LLMs, de modo que uma solicitação pode usar qualquer um dos tipos.
O LLM mais forte depende do par de idiomas e da direção, por isso não escolhemos um no nível da plataforma. O pool inclui ChatGPT, Claude, Gemini, DeepSeek, Qwen, Grok e Mistral AI. Cada modelo é executado em paralelo, portanto adicionar ou trocar um não aumenta a espera. Os resultados de qualidade para modelos específicos vêm de nossos testes de comparação de modelos.
Agentes e assistentes de IA podem chamar o MachineTranslation.com como uma ferramenta. O conector MCP permite que assinantes pagos o usem a partir do Claude, ChatGPT, Copilot ou qualquer assistente compatível com conectores personalizados. A solicitação passa pelo mesmo pool de 22 modelos em paralelo e retorna a versão com a qual a maioria deles concorda. Para o assistente, a tradução se torna uma chamada de ferramenta. A comparação de modelos fica do nosso lado, e a conversa vê apenas o resultado.
Você pode acompanhar a execução paralela e as perguntas do agente em seu próprio texto. Cole uma frase no MachineTranslation.com e os modelos serão executados de uma só vez. O agente pergunta apenas quando a frase deixa algo em aberto.
Um LLM recebe texto de entrada e retorna texto de saída em uma única chamada. Um agente de IA é um sistema construído em torno de um LLM que escolhe suas próprias etapas e usa ferramentas. Ele verifica seu próprio trabalho e pode fazer perguntas ao usuário. Na tradução, um agente decide o que fazer a seguir, enquanto uma chamada única apenas produz uma resposta.
Os livros didáticos listam agentes de reflexo simples, baseados em modelos, baseados em objetivos, baseados em utilidade e de aprendizagem, ordenados pela forma como decidem o que fazer. A tradução se beneficia mais de agentes baseados em objetivos que usam ferramentas, como uma consulta a glossário ou uma pergunta ao usuário, porque uma tradução muitas vezes depende de um contexto que a frase atual não contém.
Sim, porque os sistemas de tradução automática neural são treinados apenas para traduzir e não são modelos gerais de chat. Modelos de linguagem por difusão, como o Mercury, continuam sendo modelos de linguagem. Eles geram texto em blocos, enquanto a maioria dos LLMs gera um token por vez. O MachineTranslation.com executa tanto mecanismos tradicionais de tradução automática quanto LLMs.
Sim, porque um agente pode executar uma ferramenta de tradução e verificar o resultado, além de poder pedir a você o contexto ausente, como tom ou público, antes de retornar qualquer coisa. Cada uma dessas etapas adiciona tempo. Para textos bem definidos, uma única chamada de modelo ou um fluxo de trabalho fixo costuma ser mais simples, de modo que os agentes são adequados para casos que exigem uma decisão.
Depende do trabalho, porque uma API de tradução neural atende a um modelo construído para uma única tarefa, enquanto um LLM pode seguir instruções e usar mais contexto. O MachineTranslation.com não escolhe apenas um. Seu conjunto de motores inclui tanto motores tradicionais de tradução automática quanto LLMs, e uma única solicitação pode usar qualquer um dos tipos.
ChatGPT, Claude, Gemini, DeepSeek e Qwen são LLMs, e cada um realiza uma tradução em uma única chamada. Um fluxo de trabalho paralelo combina vários deles. Um agente de IA adiciona decisões a isso, como o MachineTranslation.com AI Translation Agent, que pergunta sobre tom e público quando uma frase os deixa em aberto.