É realmente possível criar agentes de IA de nível empresarial em poucas horas?

Um guia prático para executivos que estão enfrentando a transição para a era da agência

Geralmente, tudo começa em uma sala de reuniões. Um fornecedor abre seu laptop, digita uma única frase em uma janela de bate-papo e observa um agente extrair o código data de três sistemas, resumir um contrato de locatário, sinalizar uma cláusula para análise jurídica e enviar o resultado por e-mail à equipe de gestão de ativos. Tudo isso leva noventa segundos. A sala fica em silêncio, até que alguém pergunta: “Quanto tempo levou para desenvolver isso?” A resposta “uma tarde” é o momento em que a maioria das estratégias corporativas de IA é discretamente redefinida.

É uma pergunta pertinente e, à primeira vista, instigante. Se é possível montar um agente funcional em uma tarde, por que ainda estamos dedicando dezoito meses a cada transformação digital? Por que estamos pagando valores na casa dos sete dígitos por um software que oferece menos funcionalidades? E, mais urgentemente, o que deveríamos estar fazendo a respeito?

A resposta sincera é mais complexa do que a demonstração sugere. Sim, é perfeitamente possível criar um agente de IA funcional em poucas horas. As ferramentas já são tão boas assim. Mas a diferença entre um agente funcional e um agente de nível empresarial é maior do que a maioria dos executivos imagina, e é aí que residem quase todos os custos, riscos e valores reais.

Este artigo destina-se a executivos que desejam compreender o que é realmente possível hoje, o que é genuinamente difícil e como agir com rapidez sem tomar o tipo de decisão que parece brilhante em maio, mas se torna embaraçosa em novembro. Analisaremos o que são os agentes, o que eles não são, onde estão sendo utilizados, quem os está desenvolvendo e o que é necessário para implantá-los adequadamente em uma empresa sujeita a regulamentação. Ao final, o senhor deverá estar apto a participar de sua próxima reunião do conselho de administração e explicar o panorama da situação com clareza.

O que é, afinal, um agente de IA?

Antes de chegarmos sequer perto da implantação, vale a pena refletir sobre o que realmente entendemos por “agente de IA”. A expressão foi amplamente deturpada pelas equipes de marketing nos últimos dezoito meses, e a maioria dos executivos não consegue distinguir com clareza se lhes estão vendendo um agente, um chatbot, uma ferramenta de fluxo de trabalho ou uma macro particularmente assertiva.

A definição prática mais clara é esta: um agente de IA é um software que utiliza um modelo de base para compreender um objetivo, planejar como alcançá-lo, agir por meio do uso de ferramentas e sistemas e se adaptar com base no que observa. Pense nele como um profissional recém-formado no mundo digital. Ele é competente, sabe ler instruções, sabe como pedir ajuda, sabe utilizar as ferramentas que você lhe fornece e, dentro de um âmbito definido, é capaz de tomar decisões sensatas sem supervisão constante. Assim como um recém-formado, ele se beneficia de diretrizes claras e da revisão de um colega sênior sobre seus trabalhos de maior impacto.

Anatomicamente, cada agente se baseia em cinco capacidades. Um modelo de base fornece o mecanismo de raciocínio, por exemplo, o Claude ‘Sonnet’, o GPT ‘4o’ e o Gemini ‘3.5 Flash’. As ferramentas conferem ao agente a capacidade de agir: consultar um banco de dados data, enviar um e-mail, recuperar um documento, executar um cálculo. A memória permite que ele mantenha o contexto ao longo das etapas e, em agentes mais sofisticados, entre sessões. A orquestração lida com o planejamento e o roteamento — decidindo o que fazer a seguir, quando escalar e quando parar. E as barreiras de segurança definem os limites: o que o agente tem permissão para fazer, quais data ele pode acessar e quando um ser humano deve aprovar.

Figura 1. Os cinco componentes de um agente de IA.

Essa estrutura é importante porque explica em que os agentes diferem das coisas com as quais são frequentemente confundidos. Um chatbot possui o modelo e, possivelmente, alguma memória, mas não possui ferramentas reais nem orquestração; ele fala, mas não age. A RPA possui ferramentas e orquestração, mas não possui raciocínio — ela segue um roteiro e falha no momento em que a realidade se desvia dele. O aprendizado de máquina tradicional possui um raciocínio de tipo restrito, mas não possui inteligência geral, nem uso de ferramentas, nem interface conversacional. Um agente combina todos os cinco componentes. É isso que o torna útil e é isso que o torna inovador.

Vale a pena destacar mais uma distinção: os agentes são probabilísticos, não determinísticos. Às vezes, eles realizam ações inesperadas. Essa é uma característica positiva em muitos casos de uso — é o que lhes permite lidar com os casos-limite complexos que frustravam as gerações anteriores de automação —, mas pode ser uma desvantagem em outros. Saber distinguir uma situação da outra constitui a maior parte do trabalho.

Uma taxonomia de que os executivos realmente precisam

Se o termo “agente de IA” abrange tudo, desde um relatório programado diariamente até um sistema de negociação autônomo, ele deixou de ser útil. Em consonância com a forma como a Gartner, a Forrester e as principais plataformas descrevem atualmente esse campo, consideramos útil pensar nisso como um espectro composto por cinco categorias cada vez mais autônomas.

Figura 2. Uma taxonomia operacional dos sistemas agênicos.

Ações programadas estão na extremidade mais simples. Trata-se de processos de automação que funcionam com um temporizador ou um gatilho; um relatório diário de KPIs, uma limpeza da caixa de entrada às 7h da manhã, um webhook acionado quando um negócio é fechado no CRM. Elas podem utilizar um LLM para uma única etapa (resumir um documento, redigir um e-mail), mas não raciocinam sobre o que fazer em seguida. A maioria dos executivos já possui várias dessas soluções; elas eram chamadas de “automação” antes da reformulação da marca pelo marketing.

Agentes de tarefas Adicione ao cenário uma única tarefa específica, orientada por um LLM. Um exemplo típico: um agente que lê cada e-mail recebido, classifica-o por assunto e urgência e o encaminha para a equipe correta. Há raciocínio envolvido, mas apenas em um único ponto. O fluxo em torno disso é determinístico. Essas soluções são extremamente úteis, muito econômicas e constituem o ponto de partida natural para a maioria das organizações.

Agentes de automação encadeiam várias etapas dentro de um fluxo de trabalho definido. Ainda assim, há restrições, pois as etapas são conhecidas de antemão, mas o LLM toma decisões em vários pontos: decide qual ferramenta chamar, quais dados data recuperar e o que fazer caso uma verificação falhe. Um bom exemplo é um fluxo de aprovação de faturas que lê um PDF, extrai os itens da fatura, os associa aos pedidos de compra e, em seguida, aprova ou encaminha para revisão.

Agentes de fluxo de trabalho é onde ocorre atualmente a maior parte do trabalho empresarial verdadeiramente empolgante. A esses agentes é atribuído um resultado, em vez de uma sequência de ações — como, por exemplo, “resuma este contrato de locação de 80 páginas e identifique qualquer aspecto que devamos levar em consideração” —, e eles decidem por conta própria como chegar a esse resultado. Eles lerão documentos, consultarão sistemas, farão perguntas complementares e iterarão. O fluxo de trabalho é emergente, e não predefinido. Os modelos de raciocínio tornaram essa categoria significativamente mais confiável nos últimos doze meses.

Sistemas multiagentes representam a vanguarda. Um agente coordenador divide uma meta em subtarefas e delega cada uma delas a um especialista: um para pesquisa, outro para análise, outro para redação e outro para revisão. Quando bem executados, os sistemas multiagentes dão conta de tarefas que um único agente não consegue realizar. Quando mal executados, geram oito vezes mais possibilidades de falha para o mesmo resultado. A maioria das empresas não deveria começar por aqui.

Uma pergunta útil a se fazer quando um fornecedor lhe apresenta uma proposta é simplesmente: em que ponto desse espectro ela se situa? Se lhe estiverem mostrando uma ação agendada e cobrando por um agente de fluxo de trabalho, o(a) senhor(a) acaba de identificar a forma mais comum de venda exagerada de agentes no mercado. Por outro lado, se sua equipe estiver tentando implementar um sistema com múltiplos agentes como sua primeira implantação, incentive-a gentilmente a começar uma coluna à esquerda.

Por que agora?

Há anos que se vem prometendo a criação de agentes. O que mudou?

Três fatores se alinharam. Em primeiro lugar, os modelos de base ultrapassaram o limiar de confiabilidade para o uso de ferramentas. Há dois anos, solicitar a um modelo que chamasse uma API e utilizasse o resultado era uma experiência decepcionante; hoje, os modelos básicos do Claude, GPT e Gemini são capazes de lidar com o uso de ferramentas em várias etapas com uma taxa de acerto satisfatória para uso em produção. Em segundo lugar, os modelos de raciocínio: o Claude com raciocínio ampliado, a série “o” da OpenAI e os modos de raciocínio mais aprofundados do Gemini melhoraram significativamente o desempenho nas tarefas de múltiplas etapas e que exigem grande capacidade de julgamento, características exigidas pelos fluxos de trabalho reais. Em terceiro lugar, a infraestrutura necessária finalmente chegou: estruturas de orquestração como LangGraph e CrewAI, ou, alternativamente, uma das muitas soluções de fluxo de trabalho com baixo código; ferramentas de avaliação para testes sistemáticos; e o Model Context Protocol (MCP), que oferece aos agentes uma maneira padronizada de se integrar às dezenas de sistemas nos quais uma empresa realmente opera.

A curva de custos também contribuiu. O preço por token da inteligência de ponta caiu uma ordem de magnitude em dois anos, e o nível “lightweight” (Claude Haiku, GPT-mini, Gemini Flash) agora é barato o suficiente para ser utilizado na escala de cada e-mail ou documento produzido por uma empresa.

O resultado é que nos encontramos em um momento que não ocorre com frequência: a tecnologia é genuinamente capaz, as ferramentas são genuinamente utilizáveis e a viabilidade econômica é genuinamente viável. Aliado ao fato de que os marcos regulatórios estão começando a se estabilizar — a Lei de IA da UE é uma certeza, e não mais um alvo em movimento — e de que os órgãos reguladores do Golfo, incluindo a SDAIA da Arábia Saudita, publicaram posições claras; o período de 2025–26 representa o ponto de inflexão em que as empresas sérias passarão da fase de experimentação para a de implantação.

A reflexão sobre a realidade das “poucas horas”

Então, é realmente possível criar um agente de nível empresarial em poucas horas? Sim e não, e é justamente nessa contradição que este artigo mostra seu valor.

O que o senhor pode, sem dúvida, criar em uma tarde: um agente funcional que execute uma tarefa real. Escolha um caso de uso, por exemplo, resumir e classificar o conteúdo de uma caixa de entrada compartilhada. Abra o Claude Projects, o n8n ou a plataforma de sua preferência. Configure o acesso à caixa de entrada, escreva uma instrução clara descrevendo a tarefa, forneça uma base de conhecimento com exemplos anteriores e defina um cronograma. Ao final da tarde, o senhor terá um agente que realiza algo genuinamente útil. Mostre-o aos seus colegas. Eles ficarão impressionados. Isso não é um truque; é uma demonstração de quão longe as ferramentas subjacentes já chegaram.

O que não é possível construir em uma tarde é a diferença entre essa demonstração e algo que você realmente implantaria para dois mil funcionários em três jurisdições. Para chegar lá, você precisa de controles de acesso para que o agente veja apenas o que cada usuário tem permissão para ver. É necessário um registro de auditoria que documente todas as decisões e todas as chamadas de ferramentas. É necessária uma estrutura de avaliação que indique se o agente está correto 95% das vezes ou 70%, e onde ele tende a cometer erros. É necessário haver controles de custo, pois um agente que opera sem supervisão pode esgotar orçamentos de seis dígitos em poucos dias. São necessários pontos de verificação com intervenção humana para decisões de grande impacto. É necessário garantir a conformidade com a regulamentação data para as regiões que exigem isso (e todas estão cada vez mais exigindo). É necessário um plano alternativo para quando o modelo estiver indisponível. É necessária observabilidade para que sua equipe de operações possa acompanhar o que está ocorrendo. E é necessário um programa de gestão de mudanças para que sua equipe realmente utilize o sistema.

Em nossa experiência, o esforço de preparação para produção costuma ser de dez a vinte vezes maior do que o esforço dedicado ao protótipo. Um agente que levou três dias para um desenvolvedor criar levará três meses para uma pequena equipe torná-lo adequado para uso corporativo. Isso não é uma falha da tecnologia. É a realidade de se fazer qualquer coisa de forma responsável dentro de uma grande organização. O mesmo fator multiplicador se aplica à implantação de um CRM, a um data platform ou à integração de pagamentos. A diferença é que a demonstração desses projetos não é tão impressionante a ponto de fazer com que se esqueça do resto.

A maneira correta de interpretar a afirmação sobre as “poucas horas” é a seguinte: os protótipos agênicos são agora genuinamente baratos. A produção agênica, por outro lado, não é. A disciplina consiste em saber distinguir entre os dois e em utilizar o baixo custo do primeiro para tomar melhores decisões sobre o segundo.

Como os agentes são, de fato, criados?

Atualmente, existem três formas gerais de criar um agente, cada uma com seu próprio audience, limite máximo e vantagens e desvantagens.

Editores visuais

Trata-se de plataformas nas quais você monta agentes arrastando nós por uma tela. O n8n, o Make (anteriormente Integromat), as ofertas de IA do Zapier e o Copilot Studio da Microsoft são os principais nomes do setor. O modelo fica dentro de um nó, as ferramentas ficam em outros, e você os conecta por meio de linhas. Os construtores visuais são excelentes para a criação de protótipos e para casos de uso que se assemelham à automação clássica com uma etapa de LLM incorporada. Eles também são extraordinários para democratizar o acesso à criação de fluxos. Um analista de negócios sem experiência em programação pode ter um agente útil em funcionamento já na hora do almoço. O limite é real, mas distante; os construtores visuais começam a apresentar dificuldades quando os fluxos de trabalho se tornam profundamente ramificados, quando o estado precisa ser mantido ao longo de muitas etapas ou quando a latência e o custo precisam ser ajustados com precisão. Para muitos casos de uso internos, esse limite é suficiente.

Plataformas baseadas em prompts

O Claude Projects, os GPTs personalizados do ChatGPT, o Gemini Gems e os agentes do Microsoft Copilot permitem que você crie soluções escrevendo um conjunto cuidadoso de instruções, anexando uma base de conhecimento e concedendo acesso a um conjunto selecionado de ferramentas. Não há uma tela visual; a “criação” ocorre por meio de uma conversa. Essas plataformas são excelentes para agentes de conhecimento, assistentes de pesquisa, especialistas internos e qualquer caso de uso em que o valor resida na qualidade do prompt e dos documentos, e não na complexidade do fluxo de trabalho. Elas também representam o ponto de partida ideal para muitos executivos, pois não exigem nenhum envolvimento da equipe de engenharia e produzem algo genuinamente útil em uma única sessão.

Estruturas orientadas a código

O LangGraph, o CrewAI, o AutoGen e o ecossistema LangChain proporcionam às equipes de engenharia controle total sobre orquestração, memória, estado, avaliações e implantação. É também neles que residem o próprio Agent SDK da Anthropic e os serviços de agentes dos principais provedores do cloud. As implementações orientadas por código levam mais tempo, exigem engenheiros e são a opção ideal quando os riscos são elevados, as integrações são profundas e o agente terá de processar milhares de solicitações por dia.

A verdade é que a maioria das empresas acaba utilizando as três opções. Construtores visuais para prototipagem rápida e automação simplificada de tarefas administrativas. Plataformas orientadas por prompts para casos de uso relacionados a conhecimento e assistência, que capacitam equipes individuais. Estruturas orientadas por código para os agentes que realmente importam, aqueles que estão no caminho crítico de um processo de negócios ou de uma interação com o cliente. Tratar essas abordagens como campos concorrentes, em vez de camadas complementares, é um erro comum, que leva a soluções excessivamente complexas para problemas simples e a soluções insuficientes para problemas complexos.

A decisão raramente se resume a qual ferramenta é a melhor. Trata-se de qual ferramenta se adapta melhor ao caso de uso em questão.

Quem é que realmente consegue construir um?

Essa é a pergunta que os executivos fazem com mais frequência, geralmente em voz baixa. A resposta é realmente encorajadora: praticamente qualquer pessoa, pelo menos no início.

O acesso ao trabalho com agentes foi democratizado de uma forma que pouquíssimas mudanças tecnológicas conseguiram alcançar. Há três anos, “criar um sistema de IA” exigia cientistas especializados em data, engenheiros de MLOps e um orçamento. Hoje, um gerente financeiro com bom domínio de seus próprios processos pode criar um agente funcional no Claude ou no Copilot Studio sem escrever uma única linha de código. Temos observado isso ocorrer em todas as funções: equipes jurídicas criando agentes para revisão de contratos, equipes de RH desenvolvendo assistentes de integração, avaliadores criando ferramentas de resumo de contratos de locação e equipes de vendas desenvolvendo geradores de propostas. A habilidade que importa não é a programação. É a clareza de pensamento sobre a tarefa: como se define “concluído”, o que o agente precisa saber e em que pontos o ser humano precisa permanecer envolvido.

Isso não significa que a engenharia seja irrelevante. Significa que o papel da engenharia mudou. Os melhores modelos operacionais que observamos mostram que a TI está deixando de ser um “guardião” para se tornar um “facilitador”, fornecendo as plataformas, as proteções, os padrões de acesso e as estruturas de avaliação dentro das quais os usuários de negócios podem desenvolver suas soluções. A engenharia constrói o terminal e a pista; a empresa constrói os aviões. Quando algo que um usuário de negócios criou se torna crítico o suficiente para precisar de reforço de segurança, a engenharia assume o projeto e o leva à produção. Essa é a verdadeira democratização de que as pessoas falam, e ela é real.

A implicação para os executivos é significativa. Não é necessário contratar uma equipe de engenheiros de IA para começar. É preciso fornecer às pessoas mais próximas do trabalho as ferramentas, a autorização e um pouco de treinamento. Os agentes que fazem a diferença nos negócios de nossos clientes quase nunca são aqueles imaginados na estratégia central. São aqueles criados pelas pessoas que realizam o trabalho, que sabem exatamente onde estão os pontos de atrito.

Onde a noção de “agência” está ganhando força atualmente

As discussões sobre o futuro dos agentes tendem a ignorar o presente, o que é uma pena, pois o presente é mais interessante do que as pessoas imaginam. Em toda a nossa base de clientes — empresas globais, órgãos do setor público e, especificamente, o setor imobiliário —, um pequeno número de tendências está gerando valor de forma consistente atualmente. Vale a pena conhecê-las.

Pesquisa e síntese. Agentes que analisam documentos, fontes da web e sistemas internos para produzir resumos estruturados. Amplamente utilizados para inteligência de mercado, análise da concorrência, due diligence, triagem de investimentos e revisão de políticas. São uma boa opção porque o trabalho exige muito julgamento, é repetitivo e permite a intervenção de um revisor humano na etapa final.

Processamento de documentos. Extração de contratos de locação, revisão de contratos, processamento de faturas, tratamento de reclamações e KYC. Em qualquer situação em que documentos não estruturados precisem ser transformados em documentos estruturados no formato data, além de uma marcação para os casos que justifiquem a intervenção humana. Essa é a implantação em produção mais comum em setores regulamentados, incluindo o imobiliário.

Atendimento ao cliente e aos funcionários. A triagem de primeira linha, que lida integralmente com os casos simples, encaminha os demais com todo o contexto anexado. Quando bem executada, essa triagem não substitui os seres humanos; ela garante que estes vejam apenas os casos que realmente necessitam de sua intervenção.

Conhecimento interno. Agentes que se integram aos documentos, wikis, sistemas de tickets e arquivos de e-mail de uma organização e respondem a perguntas em linguagem natural. É nesse ponto que muitas empresas percebem o valor de forma mais rápida e fácil, e onde a gestão da mudança ocorre de maneira mais suave, pois o agente vem complementar, e não substituir.

Geração de código. Vale a pena mencionar isso porque é o caso de uso que mais avançou entre todos. Atualmente, as equipes de engenharia apresentam, rotineiramente, um aumento de produtividade de 30–40% ao utilizar ferramentas de codificação baseadas em agentes, e essa diferença vem se ampliando. Mesmo os executivos que não atuam na área de engenharia devem se interessar por isso, pois isso altera a curva de custos de todos os demais softwares que vocês desenvolvem.

Conformidade e garantia. Agentes que monitoram violações, preparam-se para auditorias e identificam anomalias. Particularmente relevantes diante do endurecimento da regulamentação na UE, no Reino Unido e na região do Golfo.

O que os bons casos de uso têm em comum? Uma heurística útil, que aplicamos com os clientes: a tarefa é repetitiva o suficiente para ser relevante; exige tanto julgamento que a automação tradicional falhou; é bem delimitada o suficiente para que se possa descrever o sucesso em uma frase; e permite a revisão por um ser humano nos casos que realmente importam. Se um caso de uso em potencial atender a todos os quatro critérios, provavelmente vale a pena testá-lo. Se atender a três, vale a pena discutir o assunto. Se atender a apenas um, você está forçando a barra.

Três exemplos resolvidos

As abstrações são úteis apenas até certo ponto. Para tornar isso mais concreto, apresentamos a seguir três exemplos práticos, extraídos da forma como observamos atualmente a implantação de agentes em diversos setores.

Resumo do contrato de locação de imóveis comerciais

Uma empresa imobiliária de médio porte mantém vários milhares de contratos de locação em seu portfólio administrado. Cada contrato de locação tem entre quarenta e noventa páginas de texto jurídico denso, armazenadas como arquivos PDF em um sistema de gestão de documentos. A equipe de gestão de ativos precisa saber, sempre que necessário, o que consta em cada contrato: datas de revisão do aluguel, cláusulas de rescisão, disposições sobre taxas de serviço, restrições à alienação, obrigações relacionadas a ESG e quaisquer termos incomuns que possam afetar a avaliação ou o risco.

Historicamente, esse era um trabalho de assistente jurídico. Uma nova aquisição significava seis semanas de extração manual de dados antes que o ativo pudesse ser devidamente modelado. Hoje, um agente de fluxo de trabalho pode extrair as informações do mesmo contrato de locação em quinze minutos, estruturadas de acordo com o esquema preferido do escritório, com alertas sobre qualquer irregularidade que um avaliador credenciado deva analisar. O tempo de desenvolvimento da primeira versão foi de cerca de uma semana em um construtor visual. A preparação para produção, a adição de trilhas de auditoria, conjuntos de avaliação com base em um corpus rotulado de contratos de locação, a integração com o sistema de gestão de documentos e o registro de ativos, além de um cuidadoso fluxo de escalonamento para cláusulas ambíguas, levaram quatro meses. O retorno do investimento ocorreu em menos de um ano, e o trabalho que antes constituía um gargalo em todas as transações deixou de ser um gargalo em qualquer processo.

Central de atendimento de TI interna para uma multinacional

Uma empresa global de serviços com 15 mil funcionários mantinha um helpdesk interno que estava sobrecarregado. A maioria dos tickets consistia em variações de algumas dezenas de padrões: redefinições de senha, solicitações de acesso a software, problemas com VPN e consultas sobre o sistema de despesas. A equipe estimou que 60% de tickets poderiam ser resolvidos sem intervenção humana, caso o contexto e as ferramentas adequadas estivessem disponíveis.

Eles criaram um agente de tarefas, uma etapa única e delimitada de LLM incorporada à plataforma de tickets existente, que lia cada ticket recebido, tentava resolvê-lo diretamente utilizando um pequeno conjunto de ferramentas pré-aprovadas (o sistema de identidade, o catálogo de software, a API de despesas), e, em seguida, encerrava o ticket ou o encaminhava a um profissional humano com um rascunho de resposta e o contexto completo. Tempo de desenvolvimento do protótipo inicial: dois dias. Tempo até a entrada em produção: três meses, dedicados principalmente a controles de acesso, registros de auditoria e ajuste dos limites de escalonamento, para que nada importante fosse deixado de lado. Resultado: o tempo de resolução dos tickets caiu em 70%, a equipe de primeira linha foi realocada para tarefas mais interessantes e o agente agora lida com cerca de metade de todo o volume de tickets recebidos.

Pesquisa de investimentos alinhada à Visão 2030 no Reino da Arábia Saudita

Um veículo de investimento vinculado ao Estado pretendia avaliar sistematicamente as oportunidades à luz das prioridades da Visão 2030, dos setores identificados para diversificação, dos objetivos de desenvolvimento regional e dos critérios ESG específicos ao contexto saudita. O volume de alvos potenciais, documentos informativos e registros regulatórios era tão grande que nenhuma equipe humana seria capaz de analisá-los de forma abrangente.

Um sistema multiagente foi a resposta certa para este caso. Um agente de pesquisa coletou e estruturou informações sobre cada oportunidade a partir de registros públicos, notícias e bancos de dados licenciados data. Um agente de análise avaliou o alinhamento com a estrutura da Visão 2030. Um agente de risco identificou questões regulatórias e de reputação. Um agente de redação elaborou um relatório estruturado para o comitê de investimentos. Tempo de desenvolvimento do protótipo: cerca de três semanas, pois a coordenação entre os múltiplos agentes exigiu trabalho de engenharia de verdade. Preparação para produção: seis meses, com atenção especial à localização no Reino (tudo precisava ser executado dentro do Reino), ao tratamento do idioma árabe e a uma estrutura de avaliação rigorosa em relação às decisões históricas. O sistema agora processa mais oportunidades do que a equipe humana anterior, com o comitê recebendo relatórios mais abrangentes e analisando apenas as decisões genuinamente relevantes.

O que chama a atenção nos três casos é a proporção. Em cada um deles, o protótipo levou de dias a semanas. A implantação em produção levou meses. E, em cada caso, o valor não teria sido obtido sem a realização de ambas as etapas. O protótipo comprova que funciona. A implantação em produção gera o valor.

Como escolher seu modelo de base

Mais cedo ou mais tarde, um executivo responsável por um programa de agentes será questionado: qual modelo devemos adotar? A resposta honesta é “depende, e provavelmente mais de um”, mas isso não é útil sem uma explicação mais detalhada. Aqui está uma visão equilibrada das principais opções em 2026.

Serviços de modelos fechados da Frontier

Claude (Anthropic). Geralmente considerado o mais forte em raciocínio lógico, especialmente no que diz respeito ao uso de ferramentas, contextos extensos, raciocínio complexo e julgamento criterioso. Os modos de pensamento ampliados conferem ao Claude uma vantagem em tarefas complexas. Excelente no cumprimento de instruções cheias de nuances, o que é importante quando as medidas de segurança fazem parte do projeto. Apresenta uma postura empresarial sólida, com posições claras sobre treinamento data, indenização por propriedade intelectual e um conjunto de controles empresariais em fase de amadurecimento. Pontos a serem considerados: os custos por token estão na faixa mais alta do nível de ponta, e a disponibilidade fora das principais regiões cloud tem historicamente ficado atrás das demais.

GPT (OpenAI). Lar dos modelos de ponta mais amplamente implantados e mais conhecidos, com o ecossistema mais abrangente de ferramentas, integrações e agentes pré-configurados. Os modelos de raciocínio da série o são competitivos nas tarefas mais complexas. Excelente em termos de código e muito bom em ergonomia para desenvolvedores. Pontos a serem considerados: o comportamento dos modelos mudou visivelmente ao longo das versões, o que pode ser incômodo para sistemas de produção onde a consistência é fundamental. Os preços e a postura voltados para o mercado corporativo amadureceram, embora algumas organizações continuem cautelosas por questões de confidencialidade. O conteúdo gerado pelo GPT é frequentemente considerado relativamente mais eloquente em comparação com o conteúdo gerado pelo Claude.

Gemini (Google). Excelente em tarefas multimodais (o mais forte dos três no tratamento nativo de imagens, vídeo e áudio) e fortemente integrado aos ecossistemas do Google Workspace e do Google Cloud. O Gemini Flash é genuinamente econômico em escala, o que o torna a escolha padrão para cargas de trabalho de alto volume e baixa complexidade. Pontos a serem considerados: a lacuna de raciocínio em tarefas complexas de agência diminuiu, mas ainda não foi superada em relação ao Claude e à série o.

Modelos de peso livre

Lhama (Meta). A família de fontes de peso aberto mais amplamente utilizada, com forte suporte do ecossistema e desempenho competitivo nos tamanhos maiores. A escolha natural quando é necessário o auto-hospedamento para a residência data, previsibilidade de custos em volumes muito elevados ou por exigências da política organizacional. Pontos a serem considerados: os termos da licença são viáveis, mas não tão permissivos quanto as licenças verdadeiramente abertas; o desempenho nas tarefas de raciocínio mais complexas ainda fica aquém do estado da arte.

Mistral. Com sede na Europa, possui modelos robustos em diversos tamanhos e uma política de licenciamento favorável às empresas. É uma opção ideal para clientes europeus preocupados com a soberania e cada vez mais eficaz em tamanhos maiores. Os modelos menores do Mistral são particularmente robustos como camada principal em uma implantação em roteamento. Pontos a serem considerados: ecossistema mais limitado do que o do Llama, e a capacidade de raciocínio ainda um pouco aquém dos modelos fechados de ponta.

Qwen (Alibaba). A família com sede na China que apresentou a melhoria mais rápida no último ano. Excelente capacidade de atendimento multilíngue, especialmente em chinês e árabe, e desempenho competitivo nos segmentos de maior porte. De relevância crescente para organizações que operam na Ásia e no Golfo. Pontos a serem considerados: as questões organizacionais variam de acordo com a jurisdição; algumas empresas não considerarão modelos de origem chinesa, independentemente de sua capacidade.

Estrutura de decisão do Artefact

Na prática, incentivamos os clientes a refletir em dois aspectos: qual é o grau de complexidade da tarefa e qual é o grau de sensibilidade do data?

Figura 3. Um modelo de decisão de dois eixos para a escolha de um modelo de base.

Para tarefas complexas em data não confidenciais, os modelos fechados de ponta do Claude, GPT ou Gemini, acessados por meio de uma API gerenciada, são quase sempre o ponto de partida adequado. A qualidade do raciocínio é mais importante do que o custo ou a sobrecarga de implantação.

Para tarefas complexas envolvendo dados confidenciais — como registros de pacientes, transações financeiras e dados soberanos —, um modelo de código aberto hospedado internamente é cada vez mais viável, especialmente com o Llama em tamanhos maiores. O desempenho é suficiente para a maioria das tarefas corporativas; a residência e o controle dos dados são condições imprescindíveis.

Para tarefas simples no data — a camada de modelos leves —, o Claude Haiku, o GPT-mini e o Gemini Flash processam volumes enormes a um custo marginal. É aqui que atuam os agentes por e-mail, por documento e por transação.

Para tarefas simples no data, um modelo pequeno hospedado localmente — como o Mistral small, o Qwen 2.5 ou um Llama ajustado — costuma ser a solução mais econômica.

A tarefa é tão simples que o modelo menor já é suficiente, e a hospedagem própria cuida da questão da sensibilidade.

Atualmente, as implantações mais sofisticadas realizam o roteamento entre esses quadrantes de forma dinâmica. Quando uma solicitação do usuário é recebida, um pequeno modelo de roteamento a classifica, e a solicitação é encaminhada para o modelo mais econômico capaz de atendê-la. É assim que a economia realmente funciona em escala e como as empresas evitam tanto pagar a mais por tarefas rotineiras quanto não dar atenção suficiente às tarefas mais complexas.

Mais uma dica: não se limite. Projete sua plataforma de agentes de forma que o modelo seja substituível. Os líderes daqui a seis meses podem não ser os mesmos de hoje; a camada do modelo deve ser um componente substituível, não um compromisso estrutural. Se a proposta de um fornecedor dificultar isso, pergunte o motivo.

Os obstáculos, técnicos e organizacionais

Esta é a seção que, caso esteja lendo este artigo com seriedade, provavelmente deveria ler duas vezes. Os obstáculos à implantação de agentes em nível empresarial são bem conhecidos por qualquer pessoa que já tenha feito isso, e eles se dividem, grosso modo, entre os de natureza técnica e os de natureza organizacional. Em nossa experiência, o aspecto organizacional é a parte mais difícil e aquela na qual a maioria das equipes de liderança investe menos.

Figura 4. Os bloqueadores que, com maior frequência, impedem o andamento dos programas agênicos.

Bloqueadores técnicos

Qualidade Data. A principal razão pela qual os pilotos de agentes não conseguem escalar. Os agentes são tão bons quanto o data que alcançam. Formatos inconsistentes, registros duplicados, campos ausentes e fontes data órfãs os prejudicam rapidamente. Uma auditoria do data antes — e não depois — de um projeto-piloto é a melhoria mais econômica que a maioria das organizações pode implementar.

Expansão desestruturada do data. Para a maioria das empresas, 70–80% do data que realmente importa está armazenado em PDFs, e-mails, digitalizações, unidades compartilhadas e sites da intranet. Os agentes podem lidar com isso, mas somente com a arquitetura de recuperação adequada e a disposição de investir na extração, indexação e governança desses dados.

data governance fraco. A linhagem, os controles de acesso, a residência e as políticas de retenção tornam-se essenciais quando um agente pode ler e agir em todo o seu ambiente data. A maioria das empresas percebe que sua governança é mais fraca do que imaginava na primeira vez que um agente realiza uma ação inesperada.

Integrações de sistemas instáveis. Os ERPs legados, as APIs personalizadas e os sistemas que nunca foram projetados para serem consultados programaticamente geram atritos. O Protocolo de Contexto de Modelo está ajudando significativamente nesse sentido, mas uma longa série de sistemas legados ainda representa um obstáculo.

Sem avaliações nem observabilidade. O maior sinal de alerta em uma proposta de fornecedor é a ausência de uma estrutura de avaliação. Se não for possível avaliar se o agente está correto, não será possível implementá-lo. Já vimos organizações sofisticadas ignorarem esse aspecto e se arrependerem disso mais tarde.

Surpresas relacionadas a custos e latência. O gasto com tokens pode aumentar rapidamente. A latência em agentes com contexto extenso e que exigem muito raciocínio pode chegar a níveis que prejudicam a experiência do usuário. Ambos os aspectos precisam ser monitorados desde o primeiro dia, e não descobertos apenas no quarto mês.

Obstáculos organizacionais

Propriedade pouco clara. O trabalho de agência encontra-se em uma posição delicada entre a TI, a data e a área de negócios. Sem um responsável claramente designado e sem um patrocinador com autoridade política para desempatar situações, os programas ficam paralisados no limbo da aprovação ou se fragmentam em projetos paralelos.

Incentivos desalinhados. As pessoas são recompensadas pelo trabalho que realizam atualmente. Se um agente ameaçar esse trabalho, as pessoas mais bem posicionadas para torná-lo útil são as mesmas que têm maior probabilidade de obstruí-lo. Reconhecer isso com franqueza já é metade da solução.

Incompatibilidade do modelo operacional. A maioria das empresas está organizada para projetos com prazos definidos. Os agentes são produtos que exigem ajustes, avaliações e melhorias contínuas. Tentar realizar o trabalho relacionado a agentes por meio de um modelo operacional de projeto resulta em implantações frágeis que se deterioram.

Dívida de gestão de mudanças. A parte mais difícil da implantação de um agente não é a criação do próprio agente. É a reformulação do fluxo de trabalho em torno dele. A maioria das organizações não investiu na capacidade de adaptação necessária para fazer isso da maneira correta.

Medo do deslocamento. A adoção fica estagnada quando os funcionários temem que o agente esteja lá para substituí-los. As implementações mais bem-sucedidas que observamos são explícitas e convincentes nesse aspecto: o agente cuida das tarefas rotineiras para que as pessoas possam se concentrar nas partes do trabalho que exigem seu julgamento. Não basta apenas dizer isso; o comportamento precisa comprovar essa afirmação.

Baixo nível de alfabetização em avaliações. Executivos que não conseguem avaliar de forma significativa se um agente está trabalhando são facilmente convencidos por demonstrações que não se aplicam de maneira geral. A construção de um vocabulário comum — exatidão, precisão, recuperação, taxa de alucinação, taxa de escalonamento, custo por resolução — faz agora parte da descrição de funções de qualquer executivo responsável pela supervisão do trabalho dos agentes.

Se tivéssemos que escolher os dois obstáculos que mais merecem atenção por parte da alta liderança: o data governance no aspecto técnico e o modelo operacional no aspecto organizacional. São esses que, se não forem tratados, limitarão discretamente o valor que vocês podem gerar, independentemente de quão bons os modelos venham a se tornar.

Anatomia de uma implantação de nível empresarial

Uma pergunta útil a se fazer sobre qualquer sistema de agentes antes de ele entrar em produção é: o que teria de acontecer para que eu me sentisse tranquilo caso haja uma falha pública? Pois, em grande escala, os agentes irão falhar publicamente. A disciplina consiste em garantir que, quando isso ocorrer, você possa identificar o problema, contê-lo e se recuperar rapidamente.

A implantação em nível empresarial exige um pequeno conjunto de requisitos imprescindíveis. Nenhum deles é empolgante por si só; juntos, porém, representam a diferença entre algo que o senhor explicaria de bom grado a um órgão regulador e algo que o senhor preferiria não explicar.

Gerenciamento de identidade e acesso. Todas as ações de um agente devem ser executadas sob uma identidade, com permissões herdadas do usuário em nome do qual está agindo. Agentes que operam com amplos privilégios de conta de serviço representam um risco de interrupção do serviço e uma falha de auditoria iminente.

Registro de auditoria. Cada decisão, cada solicitação de suporte técnico, cada escalonamento deve ser registrado, imutável e pesquisável. Isso não é opcional. Os órgãos reguladores dos setores de serviços financeiros, saúde e, cada vez mais, de outros setores regulamentados irão solicitar essas informações. O senhor deseja que a resposta seja “sim, aqui”.

Estrutura de avaliação. Um conjunto de testes rotulados, com base no qual o agente é avaliado antes de cada lançamento, com limites claros para o que é considerado aprovado. Esse é o investimento de maior valor que a maioria das equipes deixa de fazer. Se sua equipe não puder lhe mostrar suas avaliações, isso significa que ela não desenvolveu um agente de nível empresarial.

Observabilidade. Visibilidade em tempo real do desempenho do agente em produção: taxa de sucesso, latência, custo por solicitação, taxa de escalonamento e variação ao longo do tempo. As mesmas métricas que você esperaria de qualquer serviço em produção, monitoradas no nível do agente.

Controle de custos. Limites de gastos por usuário, por agente e por locatário. Alertas. Limitação automática em caso de loops descontrolados. O gasto de tokens sem controles é o equivalente, no contexto dos agentes, a um vazamento de memória.

Pontos de verificação com intervenção humana. Decisões de grande importância devem ser suspensas para análise humana, com o agente apresentando o contexto e uma recomendação. O ponto em que esse limite se situa depende do caso de uso; o fato de que esse limite existe é inegociável.

Governança e residência do Data. Políticas claras sobre o que o agente pode ler, gravar, reter e transferir para o exterior. Isso é particularmente relevante caso a sua empresa atue na União Europeia, no Reino Unido, na região do Golfo e em outros regimes com posições próprias.

Comportamento alternativo. O que ocorre quando o modelo não está disponível, a resposta não pode ser analisada ou a chamada à ferramenta falha? Os agentes de produção precisam de uma degradação gradual, e não de falhas silenciosas ou comportamentos inesperados.

Padrões de escalabilidade. A arquitetura deve ser capaz de lidar com um volume 100 vezes maior do que o do lançamento, sem a necessidade de mudança de plataforma. Roteamento entre modelos, armazenamento em cache, processamento assíncrono, execução baseada em filas: princípios básicos de sistemas distribuídos aplicados a uma nova infraestrutura.

Nenhuma dessas falhas é incomum. Todas elas são frequentemente ignoradas em sistemas de agentes que foram desenvolvidos às pressas e nunca receberam o reforço de segurança adequado. A razão pela qual a diferença entre o protótipo e a produção é tão grande é que essa lista representa exatamente essa diferença.

O guia prático para a jornada de implantação

Ao longo das implementações de agentes que realizamos com nossos clientes nos últimos dois anos, surgiu um padrão claro de cinco etapas. Definir esse padrão abertamente ajuda os executivos a planejar orçamentos, expectativas e a garantir que as pessoas certas estejam presentes no momento certo.

Figura 5. As cinco etapas de uma implantação agênica.

Etapa 1: Descobrir. Identifique os casos de uso em potencial, avalie seu valor, analise o data necessário para cada um e selecione um ou dois para um primeiro projeto-piloto. A disciplina nesta fase consiste em saber dizer “não”; a maioria dos casos de uso em potencial ainda não está pronta, e começar pelo lugar errado é a razão mais comum pela qual os programas perdem impulso. Participantes: patrocinador de negócios, profissionais que executam o trabalho e um líder do data.

Etapa 2: Protótipo. Crie um agente funcional para o caso de uso escolhido, de ponta a ponta, em um prazo que varia de dias a semanas. Construtores visuais ou plataformas orientadas por prompts costumam ser as ferramentas adequadas nesta fase. O objetivo é comprovar que o caso de uso funciona, em princípio, e não criar o sistema de produção. O ambiente: uma pequena equipe de desenvolvimento, usuários de negócios para fornecer feedback e a equipe de engenharia para orientar sobre o caminho até a produção.

Etapa 3: Endurecimento. A etapa mais longa e com o menor orçamento previsto. Construa o ambiente de avaliação, adicione controles de acesso, implemente a observabilidade, defina os pontos de verificação com intervenção humana e execute testes de pré-produção. A maioria das empresas fica estagnada nesta fase, pois o trabalho não é atraente e o protótipo já parece impressionante. As áreas envolvidas: engenharia, segurança, risco e conformidade, gestão de mudanças.

Etapa 4: Implantação. Implemente a solução para usuários-piloto, acompanhe as métricas com atenção e faça ajustes com base no uso real. Planeje a gestão da mudança; treine os usuários, defina as expectativas e estabeleça um ciclo de feedback. A maioria das implantações requer de três a seis semanas de monitoramento cuidadoso antes de uma implementação mais ampla. Os envolvidos: operações, gestão da mudança e RH, além do patrocinador comercial original.

Etapa 5: Expansão. Amplie a aplicação do agente a populações mais amplas, identifique padrões e componentes reutilizáveis e construa o centro de excelência que dará suporte aos segundo, terceiro e quarto casos de uso. É também aqui que a questão do modelo operacional se torna crítica: como a organização realmente administra um conjunto de agentes ao longo do tempo? Os participantes: o patrocinador executivo, a liderança emergente em IA e o responsável pelo modelo operacional.

Atualmente, a maioria das empresas possui vários projetos-piloto na fase 2 e muito poucos sistemas nas fases 4 ou 5. A vantagem competitiva nos próximos dois anos recairá de forma desproporcional sobre as organizações que aprenderem a passar de maneira eficaz da fase 3 para a fase 5.

Perspectivas de curto a médio prazo

Como será o panorama da agência daqui a 12 a 36 meses? Quatro mudanças já são visíveis e merecem ser levadas em conta no planejamento.

Os sistemas multiagentes tornam-se padrão para trabalhos complexos. Hoje, a tecnologia multiagente representa a vanguarda. Até 2027, ela será a arquitetura padrão para qualquer fluxo de trabalho baseado em agentes que não seja trivial. As ferramentas de orquestração estão amadurecendo rapidamente, e o custo de executar vários agentes especializados é agora baixo o suficiente para que a simplicidade de engenharia de “um único grande agente” não se justifique mais do ponto de vista financeiro. As empresas que investiram em estruturas de avaliação e observabilidade farão essa transição com facilidade. Aquelas que não o fizeram enfrentarão dificuldades.

Mercados de agentes e componentes reutilizáveis. A situação atual, em que cada empresa desenvolve cada agente do zero, é transitória. Esperamos uma mudança significativa em direção a mercados de agentes pré-construídos e componentes reutilizáveis, tanto fornecidos por fornecedores quanto desenvolvidos internamente nas empresas. O equivalente interno a uma loja de aplicativos privada já está surgindo em grandes clientes. Para os executivos, isso altera a questão “desenvolver ou adquirir”, que, até 2027, se assemelhará mais a “desenvolver ou compor”.

Mineração de processos baseada em agentes. Os fornecedores de mineração de processos estão incorporando rapidamente recursos baseados em agentes, e a descoberta de processos nativa de IA está surgindo a partir de outra abordagem. A combinação de agentes capazes de mapear seus processos, identificar oportunidades e, em seguida, implementar os fluxos de trabalho resultantes se tornará uma categoria cada vez mais relevante. Analise com cautela as propostas atuais dos fornecedores nessa área; a tecnologia está evoluindo rapidamente e o risco de dependência de um único fornecedor é real.

A regulamentação se torna mais rigorosa. Os requisitos relativos aos sistemas de alto risco previstos na Lei de IA da UE entrarão em vigor progressivamente ao longo de 2026 e 2027. O Reino Unido está adotando uma abordagem mais setorial, mas os serviços financeiros, a saúde e as infraestruturas críticas estão todos abrangidos pelo âmbito de aplicação. A SDAIA da Arábia Saudita e o escritório de IA dos Emirados Árabes Unidos publicaram diretrizes que evoluirão para requisitos vinculativos. A Lei Básica de IA da Coreia do Sul entrou em vigor em janeiro de 2026. Nos EUA, há um mosaico em constante mudança de legislações estaduais. E os setores estão respondendo com orientações atualizadas: a RICS está atualizando suas orientações para o setor imobiliário; a MAS de Cingapura publicou princípios e metodologias específicos para a IA no setor financeiro; e as seguradoras agora perguntam aos escritórios de advocacia e contabilidade, no momento da renovação, se eles possuem políticas de uso de IA em vigor. A carga de conformidade está aumentando, mas também está ficando claro como essa conformidade se configura. Planeje-se para isso; não se deixe surpreender.

O ponto estratégico mais importante que os executivos devem internalizar: os modelos de base continuarão a se tornar um produto de uso comum. A vantagem competitiva não estará ali. Ela residirá no data proprietário ao qual o senhor tem acesso, nos fluxos de trabalho que o senhor reestruturou com base na capacidade de agência e na infraestrutura de avaliação que o senhor construiu, permitindo que o senhor implemente melhorias mais rapidamente do que seus concorrentes. As organizações que investirem nesses três aspectos agora acumularão vantagem; as que apostarem que um modelo específico será o vencedor, não.

A tentação de esperar até que as coisas se estabilizem é compreensível. Também é cara. O custo de começar agora consiste, em grande parte, no custo dos erros; o custo de esperar dois anos é o custo de ficar estruturalmente atrás dos concorrentes que aprenderam na prática.

Uma resposta ponderada à manchete

Então, voltando ao título: é realmente possível criar um agente de IA de nível empresarial em poucas horas?

É possível criar um agente em poucas horas. É possível criar algo útil em poucos dias. É possível criar algo realmente bom em poucas semanas. Mas um sistema de nível empresarial — o tipo de sistema que o senhor apresentaria com prazer aos seus clientes mais importantes, aos órgãos reguladores e ao seu conselho administrativo — exige meses de trabalho meticuloso, mesmo com as melhores ferramentas. E essa lacuna não está se fechando tão rapidamente quanto as manchetes sugerem. Na verdade, ela está se ampliando, à medida que o padrão para o que significa “nível empresarial” se eleva paralelamente aos recursos dos modelos subjacentes.

A boa notícia é que o custo para descobrir isso caiu para quase nada. Três medidas que qualquer executivo pode tomar na próxima semana, sem aprovação orçamentária, sem um comitê diretor e sem se comprometer com nada estratégico.

Primeiro, escolha uma tarefa repetitiva, que exija muita avaliação e que tenha limites bem definidos em seu próprio trabalho. Crie um agente básico para ela no Claude, ChatGPT, Gemini ou Copilot Studio. Utilize-o por duas semanas. Você aprenderá mais nessas duas semanas do que com qualquer quantidade de apresentações de slides.

Em segundo lugar, analise um processo da sua empresa com base na heurística de quatro partes mencionada anteriormente: repetitivo, que exige grande capacidade de julgamento, delimitado e que permite a revisão humana. Os processos identificados são aqueles onde residem suas reais oportunidades.

Em terceiro lugar, faça uma única pergunta à sua equipe: qual é a nossa estrutura de avaliação? Se eles não conseguirem responder com clareza, esse será o seu ponto de partida.

As empresas que conseguirem acertar nisso nos próximos dezoito meses não serão aquelas que criaram as demonstrações mais engenhosas. Serão aquelas que aprenderam, de forma rápida e honesta, a preencher a lacuna entre um agente que funciona e um agente que realmente funciona.

Estudos de caso

Uma solução de construtor visual para analistas do setor imobiliário comercial

A Artefact ajudou uma empresa de CRE a alcançar autossuficiência estratégica no desenvolvimento de Agentes de Tarefas por meio de treinamentos, orientação e sessões de programação em pares para sua equipe interna de analistas – ao mesmo tempo em que liderou a entrega de três Agentes de Tarefas em funcionamento. A arquitetura dos agentes foi restrita ao Claude (serviço de modelo de base) e ao Power Automate (orquestração, memória, ferramentas e mecanismos de proteção), de modo que os agentes pudessem consistir, em linhas gerais, no mesmo ecossistema de ferramentas com o qual a equipe interna estava acostumada e capaz de manter em conjunto com sua tecnologia existente.

Dessa forma, os agentes receberam alguns atributos de um serviço de produção, mas não outros. Entre eles, registro de auditoria, observabilidade e escalabilidade. No entanto, em pouco tempo, o CRE adotou abordagens concisas, porém eficazes, de data governance e residência, pontos de verificação com intervenção humana e gerenciamento de identificação e acesso, juntamente com pipelines de avaliação e procedimentos administrativos rudimentares — colocando-os no caminho certo para alcançar ganhos significativos de eficiência.

Inovação em agentes de fluxo de trabalho para uma empresa global de private equity

A Artefact desenvolveu um protótipo de Agente de Fluxo de Trabalho implementado nas ‘Skills’ do Claude, transformando-o em um ‘Conector’ do Claude de alto desempenho, o que representa o uso do MCP para fazer a transição da definição de uma tarefa de IA exclusivamente em linguagem natural para a definição da tarefa como uma composição de ferramentas de IA de alto desempenho. A principal diferença que torna a solução um Agente de Fluxo de Trabalho — e não meramente um Agente de Tarefa — é a aplicação de um LLM primário para gerenciar a sequência de chamadas às ferramentas, além da invocação de LLMs secundários para executar as operações dessas ferramentas.

A introdução do padrão Claude Connector em conjunto com uma pilha do Azure já existente criou uma nova exigência quanto ao suporte à entrada de rede e ao acesso data. Em organizações nas quais utilitários comuns como esses são gerenciados com sucesso como serviços compartilhados, observamos que o tempo de implantação de novos serviços de produção se reduz em até três vezes a cada nova implementação.

Chris de Gruben é diretor sênior da Artefact, onde lidera o setor imobiliário no Reino Unido e na União Europeia. Ele trabalha intensamente com clientes dos setores público e privado no Reino Unido, na Europa e na região do Golfo.

Oliver Richardson é gerente sênior de aprendizado de máquina na Artefact e, há mais de 20 anos, tem auxiliado organizações dos setores financeiro, comercial e governamental a implantar produtos de IA/ML de última geração.

A Artefact estabelece parcerias com empresas para projetar, desenvolver e operar sistemas de IA em grande escala, desde o primeiro projeto-piloto até a implantação em nível corporativo. Se a lacuna entre o protótipo e a produção é um desafio que o(a) senhor(a) está enfrentando atualmente, teríamos o maior prazer em trocar ideias.