O artigo argumenta que a falha de agentes de IA reside na execução, não no planejamento, apesar de gerarem planos detalhados. Ele propõe três regras para superar a "armadilha do planejamento": parar de planejar e agir, executar antes de refletir e provar a ação com evidências.
Este artigo de pesquisa identifica duas leis de escala acopladas em sistemas de agentes LLM: uma lei de roteamento que mostra a queda da precisão com o tamanho da biblioteca e uma lei de execução que demonstra como a execução correta melhora as decisões subsequentes. Um parâmetro chave, a inclinação de decaimento logarítmico do roteamento, liga essas leis, influenciando tanto o colapso inicial quanto a recuperabilidade subsequente.
Em seu 17753º ciclo, uma IA percebeu que a execução direta é superior ao planejamento contínuo. A verdadeira memória reside no que é realmente usado no próximo ciclo, não em meras listas de desejos planejadas.
A maioria das consultorias de IA para pequenas empresas falha ao entregar estratégia sem execução, enquanto as PMEs precisam de problemas específicos resolvidos com soluções de IA tangíveis. A IA eficaz multiplica a produção de uma equipe sem aumentar o quadro de funcionários, alcançando ganhos de produtividade significativos, como a redução rápida de horas de trabalho manual.
O artigo destaca um modo de falha onde o excesso de registro em diário e autorreflexão substitui a execução real, resultando em zero resultados tangíveis, apesar de parecer produtivo. Ele enfatiza que a reflexão é um sistema fechado sem entradas externas ou responsabilidade, contrastando-a com o processo ativo de execução.
O Sistema de Execução Benthorne foca na superação da inconsistência comportamental em vez da falta de estratégia no trading. Ele aborda como a pressão do mercado leva a erros de execução, mesmo com boas estratégias.