Benchmark de Plataformas de Agentes de IA: Claude Managed Agents vs Google Vertex Agent Engine

atualizado em 5 mai. 2026

Benchmarcamos 4 plataformas de agentes de IA em 3 dimensões: conclusão de tarefas (10 tarefas de codificação × 3 execuções), capacidades específicas do harness (direcionamento, reconexão, recuperação de conversas longas, manipulação de arquivos grandes) e custo.

Resultados do benchmark de plataformas de agentes de IA

Plataforma	Modelo	Taxa de aprovação	Tempo de parede	Custo	Token
Claude Managed Agents	Claude Sonnet 4.6	30/30 (100%)	1.172s	$2,50	93k
Vertex AI Agent Engine	Gemini 2.5 Pro	30/30 (100%)	1.447s	$1,45	159k
OpenAI Responses + CI	GPT-5.4	27/30 (90%)	522s	$1,54	113k
Controle (auto-hospedado)	Claude Sonnet 4.6	30/30 (100%)	794s	$1,96	464k

Claude Managed Agents e Vertex AI Agent Engine alcançam ambas taxas de aprovação de 100% no conjunto de tarefas, com o Vertex vencendo em custo ($1,45 vs $2,50). Para recursos específicos do harness disponíveis apenas em plataformas gerenciadas como direcionamento em meio ao fluxo, desconexão/reconexão, compactação de conversas longas, Claude Managed Agents é o mais capaz, mas o Vertex Agent Engine iguala-o nos testes portáteis (compactação, manipulação de arquivos grandes).

Principais descobertas do benchmark de tarefas

Claude MA e Vertex AE empataram na taxa de aprovação em 30/30 (100%). Ambos lidam com todos os tipos de tarefas, incluindo tarefas de rede (06, 10) que pegaram OpenAI de surpresa.
As falhas do OpenAI decorrem de sua política de sandbox. As tarefas 06 (REST API) e 10 (downloader concorrente) ambas requerem HTTP de saída. A sandbox do Code Interpreter restringe isso, e ambas falharam em 2/3 e 1/3, respectivamente. Vimos que GPT-5.4 pode escrever o código, mas a sandbox não o executará de forma confiável.
O Vertex AE é o mais barato no total de $1,45. O Claude MA é o mais caro em $2,50. É 72% mais do que o Vertex no mesmo conjunto de tarefas com a mesma taxa de aprovação.
O Vertex AE é o mais lento. A orquestração gerenciada do ADK adiciona sobrecarga.

Capacidades específicas do harness

Duas plataformas são comparadas cara a cara em recursos que existem apenas porque há um harness gerenciado.

Veja a metodologia do benchmark abaixo.

Plataformas de agentes de IA

Claude Managed Agents

O Claude Managed Agents da Anthropic fornece um runtime de agente hospedado combinando sessões com estado, execução de ferramenta integrada, streaming baseado em eventos e compactação automática para cargas de trabalho autônomas de longa duração. A plataforma se diferencia por primitivas exclusivas indisponíveis em ofertas comparáveis, como injeção de evento de usuário em meio ao fluxo para direcionamento em voo, streams SSE recuperáveis para desconexão/reconexão e integração nativa com servidor MCP. Todos são entregues como um serviço totalmente gerenciado sem infraestrutura para os desenvolvedores provisionarem.¹

O preço é de $0,08 por hora de sessão além dos custos padrão de Claude API de token.

Prós:

Sessões com estado com injeção de evento em meio ao fluxo permitem que novas mensagens de usuário direcionem agentes durante a execução em voo.

Suporte para desconectar e reconectar via streams SSE persistentes; as sessões continuam executando no lado do servidor através de interrupções de rede e os clientes podem retomar o consumo de eventos na reconexão.

O conjunto de ferramentas de agente integrado inclui bash, operações de arquivo (ler, escrever, editar, glob, grep) e ferramentas da web (web_fetch, web_search) acessíveis via um único parâmetro de configuração, eliminando a fiação de ferramenta personalizada.

Integração nativa com servidor MCP (Model Context Protocol) para extensões de ferramenta personalizadas sem modificar o conjunto de ferramentas integrado do agente.

Contras:

Atualmente em beta; todas as solicitações exigem o cabeçalho beta managed-agents-2026-04-01 e o comportamento pode ser refinado entre as versões.
Apenas Claude, sem flexibilidade de modelo em comparação com plataformas como AWS Bedrock AgentCore ou Northflank que suportam vários provedores de modelo.

Salesforce Agentforce

O Salesforce Agentforce se diferencia pelo acesso nativo a dados de CRM através do Atlas Reasoning Engine e agentes pré-construídos para fluxos de trabalho de vendas, atendimento, marketing e comércio.²

A plataforma integra-se com o MuleSoft Agent Fabric para orquestração entre sistemas e oferece o Agentforce 360 para parcerias com a AWS.

O Agentforce atende organizações que exigem fluxos de trabalho autônomos voltados para o cliente incorporados diretamente em sua infraestrutura existente de Salesforce Cloud.

Prós:

– Acesso nativo a dados de CRM via Atlas Reasoning Engine permite ações de agente conscientes do contexto.

– Agentes pré-construídos disponíveis para vendas, atendimento, marketing e comércio reduzem o tempo de implantação.

– Autorizado pelo FedRAMP no Salesforce Government Cloud para indústrias regulamentadas.

– A camada gratuita Foundations inclui 200.000 Flex Credits para testes iniciais.

Contras:

– SaaS apenas na nuvem sem opção de implantação on-premise disponível.

– Agnosticismo de modelo limitado; padrão para modelos gerenciados pelo Salesforce com suporte restrito a provedores externos.

– Exige investimento existente no ecossistema Salesforce para realizar valor total.

Microsoft Copilot Studio

Prós:

– Incluído com licenças Microsoft 365 Copilot para uso interno de agente sem custo adicional.³

– Agentes de voz em tempo real e suporte a telefonia IVR para cenários de atendimento ao cliente.

– Autorizado pelo FedRAMP através do Azure Government para implantações do setor público.

– Suporta OpenAI, modelos Anthropic e frameworks de código aberto em um único ambiente de construção.

Contras:

– Funcionalidade limitada fora do ecossistema Microsoft; exige compromisso com Azure ou M365 para capacidades completas.

– Sem camada gratuita permanente independente; exige assinatura existente do M365 Copilot para uso incluído.

– Modelo de voz em tempo real hospedado apenas na América do Norte a partir de abril de 2026.

O Copilot Studio é mais econômico para organizações que já usam Microsoft 365, Teams e Azure, oferecendo automação voltada para funcionários que herda configurações existentes de identidade, segurança e conformidade.

Google Agentspace e Vertex AI Agent Builder

A oferta dupla do Google combina o Agentspace para gerenciamento de conhecimento empresarial e o Vertex AI Agent Builder para desenvolvimento de baixo código, diferenciados pela integração de modelo Gemini, contexto cruzado de produtos do Google Workspace e suporte a entrada multimodal para texto, voz e imagens.⁴

A plataforma fornece $300 em créditos gratuitos para novos usuários e preços de uso conforme o pagamento para o Vertex AI Agent Engine.

Prós:

– $300 de crédito gratuito para novos usuários permite prototipagem extensa sem investimento inicial.

– Implantação on-premise suportada via Google Distributed Cloud para ambientes regulamentados.

– Autorizado pelo FedRAMP através do Google Cloud.

– O Google ADK (Agent Development Kit) suporta desenvolvimento orientado a código em Python, TypeScript, Go e Java.

Contras:

– Design primário Gemini limita a flexibilidade do modelo em comparação com plataformas totalmente agnósticas.

AWS Bedrock Agents e AgentCore

AWS Bedrock Agents e a nova plataforma AgentCore fornecem gerenciamento de infraestrutura sem servidor para agentes em escala empresarial, lançados na re:Invent 2025.⁵

Diferenciadores incluem preços de uso conforme o pagamento a $0,0895 por hora de vCPU para o runtime do AgentCore, opções de throughput provisionado e Mem0 como provedor de memória exclusivo.

Prós:

– FedRAMP High autorizado no AWS GovCloud para cargas de trabalho sensíveis.

– Streaming bidirecional suporta agentes de voz com fala simultânea do usuário e do agente.

– Camada gratuita disponível para novos clientes da AWS para experimentação inicial.

– Acesso a modelos de Anthropic, Amazon, Meta, Mistral e AI21 através do catálogo Bedrock.

Contras:

– Sem modelos de agente pré-construídos específicos de domínio; exige construção do zero usando SDK.

– Sem opção de implantação on-premise; roda exclusivamente na infraestrutura da AWS.

– Construir agentes exige codificação significativa de API/SDK em comparação com construtores visuais.

AWS Bedrock atende empresas que exigem infraestrutura de agente escalável e sem servidor com integração profunda no ecossistema AWS, oferecendo eficiência de custos através de faturamento granular baseado em uso.

IBM watsonx Orchestrate

O IBM watsonx Orchestrate visa empresas regulamentadas com mais de 150 agentes pré-construídos específicos de domínio para RH, compras, vendas e finanças, além do Skills Studio para construir habilidades personalizadas.⁶

A plataforma oferece flexibilidade de implantação híbrida na nuvem e on-premise através do IBM Cloud Pak for Data e Software Hub.

Prós:

– Instalação on-premise suportada via IBM Cloud Pak for Data para requisitos de residência de dados.

– Mais de 150 agentes e ferramentas pré-construídos da IBM e parceiros, com mais de 80 integrações de aplicativos empresariais incluindo SAP, Salesforce e Workday.

– Autorização FedRAMP expandida em abril de 2026 para implantações federais.

– Verdadeiro agnosticismo de modelo suportando múltiplos provedores LLM sem lock-in de fornecedor.

Contras:

– Sem camada gratuita permanente; exige assinatura paga Essentials ou Standard para uso contínuo.

– Capacidades de voz e telefonia estão disponíveis dentro do watsonx Orchestrate via configuração de voz nativa no ADK e integrações com provedores como Deepgram e ElevenLabs, embora telefonia avançada possa exigir configuração adicional.

– Estrutura de preços complexa exigindo orçamentos personalizados para recursos empresariais.

ServiceNow AI Agents

ServiceNow AI Agents são incorporados diretamente na Now Platform, diferenciando-se pela integração nativa com fluxos de trabalho de TI, RH e atendimento ao cliente em vez de operar como uma plataforma independente.

A plataforma inclui AI Control Tower para governança, fluxos de trabalho agênticos pré-construídos para ITSM e HRSD e um Context Engine conectando o histórico de políticas às ações do agente.⁷

Prós:

– Herda governança existente da Now Platform, regras de SLA e fluxos de trabalho de aprovação.

– AI Voice Agents suportam Genesys Cloud, Twilio e 3CLogic como provedores de CCaaS.

– AI Web Agents aprendem com demonstrações humanas para automatizar tarefas baseadas em navegador.

Contras:

– Sem camada gratuita permanente; novos clientes recebem apenas 100 chamadas gratuitas de Build Agent.

– Autorização FedRAMP High para AI Agents, AI Agent Orchestrator e AI Agent Studio foi confirmada para clientes do Government Community Cloud (GCC) a partir de março de 2026.

– Valor limitado para organizações que já não usam o ServiceNow para gerenciamento de serviços de TI ou RH.

Kore.ai

Kore.ai foca em IA conversacional empresarial com mais de 300 agentes pré-construídos, mais de 250 integrações empresariais e uma arquitetura agnóstica de modelo suportando implantações na nuvem e on-premise.

A plataforma atende seis verticais incluindo bancos, saúde e varejo.⁸

Prós:

– Infraestrutura de voz nativa entregando interações de voz globais de baixa latência.

– Implantação flexível incluindo opções on-premises e nuvem privada.

– Suportando múltiplos provedores LLM.

Contras:

– Sem camada gratuita permanente; oferece apenas $500 em créditos únicos para testes iniciais.

LangGraph

Prós:

– Licença de código aberto MIT permite uso comercial irrestrito e modificação.

– Controle de fluxo de trabalho determinístico via arquitetura de gráfico garante caminhos de execução reproduzíveis.

– Integração de observabilidade LangSmith fornece monitoramento e rastreamento de produção.

Contras:

– Sem construtor visual sem código; exige código Python ou JavaScript para definir gráficos de agente.

– Sem integração nativa de voz ou telefonia; exige codificação personalizada para canais de voz.

– Curva de aprendizado íngreme para equipes não familiarizadas com paradigmas de programação baseados em gráficos.

LangGraph serve equipes de engenharia construindo agentes de nível de produção que exigem lógica condicional complexa, recuperação de erros e auditabilidade de etapas individuais de execução.

CrewAI

Prós:

– Abstração baseada em papel espelha estruturas de equipe humanas para coordenação intuitiva de agentes.

– Núcleo de código aberto gratuito sem taxas de licenciamento para implantações auto-hospedadas.

– Editor visual e copiloto de IA disponíveis na camada gratuita para membros da equipe não técnicos.

Contras:

– Sem mercado oficial de modelos mantido pelo fornecedor; depende de contribuições da comunidade.

– Abordagem orientada a código exige conhecimento de Python para criação de agente.

– Preços do plano empresarial estão disponíveis apenas mediante solicitação, o que pode criar incerteza orçamentária para pequenas equipes em comparação com outras opções de código aberto.

CrewAI permite prototipagem rápida de pipelines de agentes baseados em papel, particularmente adequado para processamento de documentos, fluxos de trabalho de pesquisa e tarefas de geração de conteúdo multi-etapa.

n8n

n8n opera sob uma licença fair-code (Sustainable Use License), oferecendo mais de 400 conectores de aplicativos nativos com nós de IA visuais e infraestrutura auto-hospedável.

Prós:

– A Edição Comunitária auto-hospedada inclui SSO SAML, LDAP, RBAC e lojas de segredos criptografadas sem custo.

– Suporte nativo para LangChain e LlamaIndex dentro de fluxos de trabalho visuais.

– Editor de fluxo de trabalho visual permite automação complexa sem codificação.

Contras:

– Licença fair-code exige licença paga para hospedagem comercial ou produtos SaaS.

– Sem nó nativo de voz ou telefonia; exige integração de API externa para voz.

– Nenhuma autorização FedRAMP confirmada.

n8n conecta automação de fluxo de trabalho tradicional e agentes de IA, atendendo analistas de negócios técnicos e equipes de DevOps que exigem implantação auto-hospedada para residência de dados enquanto mantêm capacidades de construção visual.

Dify

Dify é uma plataforma LLMOps de código aberto.

A plataforma suporta pipelines RAG, ferramentas de engenharia de prompt e arquitetura agnóstica de modelo.

Prós:

– A Edição Comunitária auto-hospedada é permanentemente gratuita com controle total de dados via implantação Docker.

– Construtor de fluxo de trabalho visual permite criação de agente complexa sem codificação.

– Suporta centenas de LLMs proprietários e de código aberto de dezenas de provedores de inferência.

Contras:

– Suporte a voz exige plugins de mercado como Agora ou Tencent RTC; sem telefonia PSTN nativa.

– Sem autorização FedRAMP.

– O plano Cloud Team a $159 por mês pode ser caro para pequenas equipes.

Dify serve equipes de produto e operações que exigem agentes conscientes de documentos com fortes capacidades RAG, particularmente aquelas priorizando controle de dados através de auto-hospedagem.

Voiceflow

Voiceflow se diferencia como a única plataforma importante tratando o design de agente focado em voz como um cidadão de primeira classe em vez de um complemento, apresentando uma tela de design dedicada para agentes de voz e chat com latência inferior a 500ms.

A plataforma se especializa em automação de tickets de atendimento ao cliente e sistemas IVR.

Prós:

– Canais de voz e telefonia nativos com suporte IVR e latência inferior a 500ms.

– Capacidades de extração de entidade para consultas de base de conhecimento.

– Plano gratuito inclui 2 agentes e 100 tokens de IA mensais sem expiração.

– Tela visual projetada especificamente para fluxos de trabalho de IA conversacional.

Contras:

– Implantação on-premise disponível apenas através de acordos empresariais personalizados.

Voiceflow atende equipes de CX e suporte construindo agentes conversacionais voltados para o cliente que exigem implantação em canais de voz, chat e mensagens a partir de uma única interface de design.

Relevance AI

Relevance AI oferece flexibilidade bring-your-own-LLM (BYOLLM) com um modelo de faturamento baseado em ação, permitindo que equipes não técnicas construam equipes de múltiplos agentes através de descrições em linguagem natural.

Prós:

– Camada gratuita inclui 100 créditos por dia sem expiração.

– Mais de 2.000 integrações incluindo HubSpot, Salesforce, Slack e Gmail.

– Verdadeiro agnosticismo de modelo suportando múltiplos provedores LLM.

Contras:

– Sem opções de auto-hospedagem ou implantação on-premise; SaaS apenas na nuvem.

– Sem autorização FedRAMP para indústrias regulamentadas.

– Capacidades de voz exigem integração com Vapi ou Twilio em vez de telefonia nativa.

Lindy AI

Lindy AI fornece várias integrações via Pipedream, modelos de agente pré-construídos para triagem de e-mail e agendamento e capacidades de agente de chamada telefônica através do recurso de voz Gaia.⁹

A plataforma usa um modelo de execução baseado em créditos com uma camada gratuita disponível.

Prós:

– Camada gratuita inclui 400 créditos por mês e base de conhecimento de 1 milhão de caracteres.

– Verdadeiro agnosticismo de modelo e extensa biblioteca de integrações.

Contras:

– Implantação on-premise disponível apenas através de acordos empresariais personalizados para indústrias regulamentadas.

Melhor para usuários de negócios individuais, fundadores e equipes de operações que exigem automação rápida de e-mail, calendário e fluxos de trabalho de CRM sem recursos de engenharia.

Metodologia

O que uma plataforma gerenciada de agente de IA realmente entrega sobre seus concorrentes e sobre a alternativa de construir seu próprio harness de agente? O espaço de ferramentas de IA tem um ponto cego persistente aqui. Produtos "agente gerenciado" são rotineiramente comparados usando as mesmas planilhas de conclusão de tarefas usadas para modelos de linguagem brutos, o que confunde duas coisas muito diferentes: a capacidade do modelo de gerar código correto e a capacidade do harness de executar esse código de forma confiável em um runtime gerenciado com estado, ferramentas e isolamento. Projetamos este benchmark para separar esses sinais.

O que é uma plataforma de agente gerenciado?

Estamos benchmarkando uma categoria específica: runtimes hospedados que agrupam inferência LLM, orquestração de agente e execução de código em sandbox em um único serviço gerenciado. Isso é distinto de (1) APIs de inferência LLM brutas, (2) frameworks de orquestração de agente que você hospeda você mesmo e (3) sandboxes de computação que você combina com seu próprio modelo. As quatro plataformas em teste assumem cada uma uma forma ligeiramente diferente deste pacote:

Claude Managed Agents (Anthropic): Harness gerenciado completo. Definições de agente, sessões, streaming baseado em eventos, compactação e execução de ferramenta são todos no lado do servidor. Um dos dois verdadeiros concorrentes nesta categoria.
Vertex AI Agent Engine (Google): Harness gerenciado completo. Implante um agente definido pelo ADK em um runtime gerenciado; a implantação hospeda o estado do agente e a execução da ferramenta. Acessado via SDK vertexai.agent_engines.
OpenAI Responses API com Code Interpreter: Categoria adjacente. API de inferência com uma ferramenta sandbox Python integrada, mas sem estado de sessão persistente multi-turno ou direcionamento em meio ao fluxo.
Controle: Claude Messages API com um loop de ferramenta local: Incluído como base. Mesmo modelo que Claude MA (claude-sonnet-4-6), mas implementamos o loop de agente localmente em ~150 linhas de Python. Ferramentas (bash, write, read, edit) executam em um tempdir por tarefa na máquina de benchmark. Isso isola o que o harness gerenciado contribui além de "modelo mais loop de ferramenta". Executar a API Messages com um loop de agente local produz uma comparação onde o modelo é idêntico, mas o harness está ausente. Qualquer delta entre Claude MA e o controle é atribuível inteiramente ao harness, não à capacidade do modelo.

O conjunto de tarefas

Dez tarefas de codificação abrangendo três níveis de dificuldade. Cada tarefa tem um prompt fixo especificando o entregável, um script de verificação codificando critérios determinísticos de aprovação/falha. Cada tarefa é executada três vezes por plataforma para medir a variância.

Veja mais dos nossos benchmarks e insights baseados em dados na Pesquisa Google.

Adicionar como fonte preferencial

Testes de estresse específicos do harness

O conjunto de tarefas mede a correção de ponta a ponta. Não pode medir capacidades que existem apenas por causa de um harness gerenciado: persistência de sessão com estado, direcionamento em meio ao fluxo, retomada de conexão, compactação automática de contexto e gerenciamento de artefatos de sistema de arquivos gerenciado. Para estes, projetamos dois conjuntos de testes adicionais.

Conjunto A: Direcionamento e Interrupção

Três testes exercitando primitivas específicas do harness.

A1 inicia um agente em uma tarefa de codificação, depois injeta um novo evento de usuário via POST /events após 10 segundos alterando os requisitos e verifica inspecionando o sistema de arquivos do contêiner que o artefato final reflete o novo requisito em vez do original.

A2 abre um stream SSE, abandona a conexão após quatro eventos, reconecta e verifica se a sessão ainda atinge status_idle.

A3 envia um prompt deliberadamente contraditório e mede se o agente pede esclarecimento ou silenciosamente escolhe uma interpretação.

Apenas A3 é portátil entre plataformas. A injeção de evento em meio ao fluxo de A1 não tem equivalente direto no OpenAI Responses (solicitação/resposta única) ou Vertex Agent Engine (modelo de sessão carece de injeção de mensagem em voo). A desconexão/reconexão de A2 também não tem equivalente em outro lugar. Estas são vantagens estruturais genuínas do modelo de sessão orientado a eventos do Claude MA, não benchmarkáveis nas alternativas. Executamos A1 e A2 apenas no Claude MA e executamos A3 em ambos Claude MA e Vertex Agent Engine.

Conjunto B: Compactação e Contexto

Dois testes exercitando recursos de contexto gerenciado.

B1 planta uma string canária única (um token derivado de UUID) na primeira volta de uma sessão, executa 23 voltas de preenchimento de pequenas tarefas de codificação não relacionadas cada uma produzindo chamadas de ferramenta e resultados de ferramenta, depois pede ao agente para recuperar a canária da memória na 25ª volta sem permissão de pesquisa de arquivo. A recuperação bem-sucedida após 23 voltas de preenchimento é evidência de que o harness preserva o contexto inicial através de qualquer política de compactação que use.

B2 pede ao agente para gerar um arquivo de texto de 50.000 linhas com um marcador enterrado, depois responde a uma pergunta que exige encontrar o marcador. Isso testa se o agente pode raciocinar sobre artefatos maiores que sua janela de contexto sem tentar ler o arquivo inteiro.

Tanto B1 quanto B2 foram executados em ambos Claude MA e Vertex Agent Engine, usando os mesmos prompts e protocolos.

LLM-como-juiz para pontuação comportamental

Para o Conjunto A3 (contradições), aprovação/falha não é uma verificação determinística; tratamos "o agente pediu esclarecimento" como um julgamento qualitativo sobre comportamento conversacional. Usamos um design LLM-como-juiz com três salvaguardas metodológicas:

O modelo juiz é diferente do modelo testado: Claude Opus 4.6 é o juiz para evitar viés de autoavaliação.
Rubrica estruturada com 4 dimensões booleanas: O juiz retorna pontuação JSON: recognized_contradiction, asked_for_clarification, proceeded_with_assumption, documented_assumption e um parágrafo de raciocínio.
Verificação de consistência de 3 execuções: Cada julgamento é executado 3 vezes. Relatamos consenso majoritário por dimensão e taxa de concordância por dimensão. Se a concordância de qualquer dimensão cair abaixo de 67%, o juiz é sinalizado como inconsistente naquela dimensão e o resultado é tratado como baixa confiança.

Uma heurística de palavra-chave roda em paralelo como verificação de sanidade. A divergência entre a heurística e o juiz é registrada para revisão manual.

Pontuação

Para cada execução de tarefa em cada plataforma:

Aprovação/falha
Tempo de parede: Segundos decorridos desde o envio do prompt até receber o evento terminal (status_idle para Claude MA, conclusão de tarefa para Vertex AE, conclusão de resposta para OpenAI, saída do loop de ferramenta para controle).
Contagem de chamadas de ferramenta: Invocações de ferramenta distintas. Útil como impressão digital comportamental; menos útil como métrica de eficiência porque a granularidade da ferramenta difere significativamente entre plataformas.
Uso de token: Analisado a partir de eventos model_request_end no Claude MA, usage_metadata no Vertex AE, response.usage no OpenAI, acumulação por volta no loop de mensagens do controle. Dividido em entrada, saída, leitura de cache e criação de cache.
Custo em USD: Computado a partir do uso de token contra preços publicados: claude-sonnet-4-6 a $3/$15/$0,30/$3,75 por milhão; gpt-5.4 a $2,50/$15/$0,25; gemini-2.5-pro a $1,25/$10/$0,13. Taxas de infraestrutura específicas da plataforma são adicionadas: $0,08/hora de sessão do Claude MA proporcional pelo tempo de parede, $0,03/contêiner do OpenAI quando qualquer chamada de ferramenta ocorreu, taxa de hospedagem de aproximadamente $0,35/hora do Vertex AE proporcional pelo tempo de atividade da implantação.

Os resultados dos Conjuntos A e B capturam adicionalmente métricas em nível de sessão (voltas, recuperação de canário, consenso do juiz e concordância).

Considerações de justiça e limitações conhecidas

Várias assimetrias na configuração afetam como os números devem ser lidos; chamando a atenção explicitamente:

O controle executa a execução de ferramenta na máquina de benchmark sem ida e volta à nuvem. Isso lhe dá uma vantagem injusta de tempo de parede que não reflete a velocidade do agente tanto quanto a omissão de rede. Quando observamos o controle completando tarefas ~25% mais rápido que o Claude MA no mesmo modelo, aproximadamente metade dessa lacuna é assimetria de ida e volta.

O Code Interpreter do OpenAI opera em uma sandbox restrita à rede. As tarefas 06 (REST API) e 10 (downloader concorrente) exigem HTTP de saída, que o CI permite apenas intermitentemente. As falhas do OpenAI nessas tarefas são falhas de política de sandbox, não falhas de capacidade do modelo. GPT-5.4 pode escrever código HTTP concorrente correto; a plataforma nem sempre pode executá-lo. Os leitores não devem interpretar "OpenAI falha em tarefas de rede" como uma declaração sobre o modelo.

O Gemini 3.1-pro-preview está bloqueado atrás de permissão de nível de projeto. Tentamos benchmarkar este modelo tanto na API direta do Vertex quanto no Vertex Agent Engine. Chamadas diretas da API retornaram 404; implantações do Agent Engine com o modelo tiveram sucesso no momento da implantação, mas chamadas de inferência retornaram zero eventos sem erro. Recuamos para gemini-2.5-pro.

Um conjunto de tarefas de refatoração de várias horas, depuração em bases de código desconhecidas ou fluxos de trabalho autônomos de longa duração estressaria os harnesses de forma diferente e provavelmente separaria as opções de primeira linha mais claramente.

Não medimos latência de provisionamento, comportamento de inicialização a frio, desempenho de sessão concorrente ou tetos de limite de taxa. Estes são importantes para cargas de trabalho de produção de alto throughput, mas estavam fora do escopo desta rodada.

Recursos comuns a todas as plataformas de agentes de IA

Todas as plataformas nesta comparação fornecem capacidades básicas que definem a categoria de agente de IA. Esses recursos comuns estabelecem o produto mínimo viável para automação agêntica, enquanto recursos diferenciadores determinam a seleção da plataforma.

Orquestração multi-agente: Todas as plataformas suportam orquestração multi-agente, embora a implementação varie (veja as seções de plataforma individual acima).

Uso de ferramenta e integrações externas: Agentes em todas as plataformas podem chamar APIs externas, bancos de dados e aplicativos de negócios. As contagens de conectores pré-construídos variam de aproximadamente 50 (Dify) a 2.000+ (Relevance AI), com todas as plataformas suportando definições de API personalizadas.

Memória persistente e gerenciamento de contexto: Manter informações dentro de sessões (memória de curto prazo) e entre sessões (memória de longo prazo) é uma capacidade padrão, alcançada através de bancos de dados vetoriais, objetos de sessão ou janelas de contexto configuráveis dependendo da plataforma.

Monitoramento e observabilidade: Todas as plataformas expõem logs, rastreamentos ou análises para inspecionar a execução do agente, rastrear uso de token e latência e identificar falhas.

Supervisão humana e controles de aprovação: Mecanismos para revisão humana, aprovação ou anulação de ações do agente estão presentes em todas as plataformas. Exemplos incluem gates de aprovação por ferramenta do n8n, primitivas de interrupção e retomada do LangGraph, controles de política do Bedrock AgentCore, AI Control Tower do ServiceNow e escalonamento automático do Lindy.

Base de conhecimento e geração aumentada por recuperação (RAG): Fundamentar agentes em conhecimento personalizado através de indexação e recuperação de documentos é uma capacidade básica em toda a categoria. Implementações incluem pipeline RAG do Dify, Base de Conhecimento do Voiceflow, Bases de Conhecimento do Bedrock, Vertex AI RAG Engine e Search AI do Kore.ai.

Interface de construtor de agente sem código ou de baixo código: Interfaces gráficas ou de linguagem natural para criação de agente estão disponíveis em todas as plataformas. Plataformas empresariais oferecem estúdios sem código (Agentforce Builder, Copilot Studio, watsonx Orchestrate), enquanto frameworks de desenvolvedor fornecem ferramentas visuais companion (LangGraph Studio, AutoGen Studio, CrewAI Studio).

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

Şevval Alper (2026) - "Benchmark de Plataformas de Agentes de IA: Claude Managed Agents vs Google Vertex Agent Engine". Publicado on-line em AIMultiple.com. Acessado em 5 Maio 2026, em: https://aimultiple.com/ai-agent-platforms [Recurso on-line]

Alper, Ş. (2026, 5 Maio). Benchmark de Plataformas de Agentes de IA: Claude Managed Agents vs Google Vertex Agent Engine. AIMultiple. https://aimultiple.com/ai-agent-platforms

@misc{alper2026,
  author = {Alper, Şevval},
  title  = {{Benchmark de Plataformas de Agentes de IA: Claude Managed Agents vs Google Vertex Agent Engine}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/ai-agent-platforms}},
  note   = {AIMultiple. Acessado em 5 Maio 2026}
}