Criar um agente de IA capaz de consultar sistemas e executar tarefas está cada vez mais acessível. Fazer com que ele compreenda a operação da empresa, tome decisões confiáveis e gere retorno é uma etapa mais difícil. Essa foi a distinção apresentada por Arun Chandrasekaran, vice-presidente e analista da Gartner, durante uma palestra na Semana Caldeira, em Porto Alegre.
Os agentes de IA combinam modelos de inteligência artificial com acesso a informações e ferramentas para realizar etapas de um trabalho com algum grau de autonomia. Para Chandrasekaran, a tecnologia avança rapidamente, mas está no pico das expectativas infladas do Hype Cycle, metodologia da Gartner que acompanha a maturidade de inovações.
Isso ocorre principalmente porque as empresas ainda têm dificuldade para estabelecer métricas e demonstrar o valor dos projetos, especialmente quando os ganhos de produtividade demoram a aparecer nos resultados financeiros.
Atualmente, a adoção se concentra, segundo o analista, em cinco áreas: engenharia de software, DevOps e segurança, atendimento ao cliente, produtividade dos funcionários e automação de processos. No atendimento, inclusive, a mudança vai além de responder perguntas. Agentes de voz e texto podem interpretar uma solicitação, consultar sistemas e realizar ações em nome do usuário. Isso amplia as possibilidades da tecnologia, mas também as consequências de uma resposta incorreta ou de uma ação indevida.
Por que criar um agente de IA não basta
Chandrasekaran comparou a implantação de um agente à adoção de um filhote: levá-lo para casa é simples, enquanto o cuidado exige atenção contínua. Nas empresas, esse trabalho inclui registrar os agentes em uso, acompanhar seu desempenho, avaliar resultados e estabelecer responsabilidades. A complexidade cresce quando diferentes equipes passam a criar soluções próprias e a conectá-las aos sistemas da organização.
Também é preciso definir até onde os agentes de IA podem agir sozinhos. Consultar uma informação interna, atualizar um cadastro e responder publicamente em nome de uma marca apresentam riscos diferentes. O nível de autonomia deve levar em conta o acesso a dados, o impacto de um erro e a possibilidade de reverter a ação.
A autonomia, porém, só produz bons resultados quando o agente dispõe de informações adequadas. Modelos de propósito geral não conhecem as regras comerciais, os processos, os clientes ou a linguagem de uma empresa. Se os dados internos estão dispersos ou desatualizados, conectá-los à IA pode apenas acelerar a circulação de respostas equivocadas. Por isso, uma base de conhecimento para IA precisa de atualização, rastreabilidade e controle de acesso.
Dados e contexto podem diferenciar os agentes de IA
Na avaliação de Chandrasekaran, parte importante do valor dos agentes de IA será criada na camada de dados e contexto e não apenas nos modelos.
Metadados, relações entre informações, definições de negócio e memória ajudam o sistema a interpretar uma solicitação dentro da realidade da organização. Para uma equipe de Comunicação, isso pode significar distinguir uma diretriz de marca vigente de uma versão antiga ou reconhecer qual posicionamento se aplica a determinado público.
A procedência das informações é outro requisito. Se um agente apresenta uma resposta ou recomenda uma ação, a equipe precisa conseguir identificar quais fontes sustentaram aquele resultado. Essa rastreabilidade permite verificar se o dado era confiável, se estava atualizado e onde uma eventual falha começou. Sem ela, uma resposta convincente pode receber mais confiança do que a informação utilizada para produzi-la merece.
O trabalho também depende de orquestração: a capacidade de dividir um objetivo em tarefas menores, acionar ferramentas e encaminhar etapas a pessoas ou a outros agentes. Na Comunicação, esteiras de agentes de IA podem conectar briefing, produção, revisão e análise de resultados. A execução do fluxo, contudo, exige processos e critérios de qualidade definidos pela organização.
Como escolher uma solução e medir o retorno
O ecossistema de fornecedores oferece diferentes níveis de controle. Soluções sem código atendem a casos de uso específicos e exigem menos conhecimento técnico.
Plataformas de baixo código permitem criar agentes dentro da infraestrutura de grandes fornecedores. Frameworks abertos dão maior liberdade para definir a arquitetura, mas demandam equipes de engenharia capazes de desenvolvê-la e mantê-la. Para Chandrasekaran, a escolha deve considerar o problema a resolver, a capacidade técnica da empresa e sua dependência futura do fornecedor.
O modelo de cobrança também entra nessa avaliação. Em vez de licenças vinculadas a usuários, agentes que executam tarefas podem ser cobrados conforme o consumo, como a quantidade de documentos processados, ou conforme resultados acordados.
O retorno sobre o investimento, portanto, depende tanto do valor entregue quanto dos custos de execução, supervisão e manutenção. O analista citou medidas como encaminhar tarefas simples a modelos mais econômicos e limitar os recursos que um agente pode gastar em cada atividade.
Para iniciar a adoção, Chandrasekaran recomendou selecionar tarefas de baixa complexidade, definir métricas e estabelecer controles antes de ampliar a autonomia. A orientação se estende ao treinamento dos profissionais: trabalhar com agentes exige saber avaliar suas entregas e preservar competências como análise, escrita e raciocínio crítico.
À medida que a tecnologia passa de responder perguntas a executar ações, a vantagem das empresas dependerá da qualidade das informações que oferecem à IA e da clareza sobre as decisões que continuam sob responsabilidade humana.
Para conhecer as tecnologias que apoiam estratégias como esta, acesse o Mapa de Martech da ColetivaTech, que reúne soluções brasileiras e referências internacionais organizadas por áreas de atuação.
