AI Agentic é simplesmente uma extensão dos projetos AI generativa realizados até agora? A resposta é não. O foco já não está na otimização local por meio de um único caso de uso, mas na reinvenção completa dos principais processos de negócios para extrair valor tangível e mensurável.

Um agente não é apenas um assistente com outro nome. Um assistente responde a perguntas ou gera conteúdo. Um agente, por outro lado, visa um objetivo comercial específico, toma decisões, interage com sistemas e executa ações. Ele mantém um estado, gerencia exceções e escala quando atinge seus limites. Essa diferença não é meramente superficial: um agente não foi projetado para “responder”, mas para agir dentro de um processo.

Da IA Gerativa à AI Agente: Uma Mudança de Paradigma

A abordagem da AI Agente marca uma ruptura clara com a onda anterior de IA de Geração, que costumava ser abordada de forma fragmentada, caso a caso.

O debate está passando das “esferas conceituais para a realidade operacional das grandes corporações”, como evidenciado recentemente por empresas como a Orange, a SNCF Voyageurs e o grupo Beaumanoir. Hoje, o tema é tratado “a partir do topo”, diretamente pelos Comitês Executivos (Comex), sob a responsabilidade da diretoria geral ou do Diretor de Transformação. O debate está passando das “esferas conceituais para a realidade operacional das grandes corporações”, como evidenciado recentemente por empresas como a Orange, a SNCF Voyageurs e o grupo Beaumanoir. Hoje, o assunto é tratado “a partir do topo”, diretamente pelos Comitês Executivos (Comex), sob a égide da diretoria geral ou do Diretor de Transformação.

Essa mudança de escala é significativa. Representa uma verdadeira mudança de paradigma, segundo Hanan Ouazan, sócio e AI generativa da Artefact. O objetivo não é mais melhorar um algoritmo de forma incremental, mas repensar e automatizar processos de ponta a ponta para gerar um retorno sobre o investimento (ROI) direto e mensurável.

Hanan Ouazan também destaca as limitações da abordagem anterior: “Mesmo que você tenha otimizado fortemente seu algoritmo localmente, ele continua sendo local. Você depende de muitos outros aspectos do processo que também são muito importantes para alcançar o ROI final”. Ao se concentrar em todo o processo, a Agentic AI superar os “efeitos decepcionantes” das otimizações isoladas.

AI agentiva AI rompe com a automação clássica. A automação executa uma sequência definida de tarefas. A agentização introduz a arbitragem, os controles, a capacidade de interpretar um contexto e de adaptar o caminho para atingir um objetivo. Não estamos mais falando de um fluxo de trabalho fixo, mas de um sistema que navega por um processo de negócios.

Traçando o rumo: o método “Por que, Onde, Como” para o alinhamento empresarial

Para concretizar tal ambição, é essencial um quadro estratégico claro. Para estruturar essa transformação, o especialista propõe um quadro metodológico simples, mas eficaz: o tríptico “Por que, Onde, Como”. A abordagem consiste em responder sequencialmente a três perguntas fundamentais para alinhar toda a organização.

  1. O “Porquê”: Definindo o objetivo estratégico de alto nível. Esta etapa estabelece a magnitude da ambição e justifica os investimentos necessários. Esse “Porquê” pode assumir várias formas, como a “bússola” centrada no cliente da SNCF Voyageurs ou a priorização da“eficiência profissional”imediata para suas equipes por parte da Beaumanoir.
  2. O “Onde”: definindo o campo de ação. Uma vez definido o objetivo, a empresa seleciona as funções e os processos prioritários nos quais é possível gerar valor de forma mais eficaz.
  3. O “Como”: Definindo os meios concretos. Isso envolve estabelecer a plataforma tecnológica, a governança e a estrutura organizacional que darão suporte à transformação. Essa governança é fundamental: AI agentiva exige que se esclareça quem define as regras de negócios, quem supervisiona os agentes e quem autoriza ações sensíveis.

São essas decisões organizacionais, mais do que a tecnologia, que permitem a expansão. A estrutura garante que a iniciativa esteja firmemente alinhada à estratégia da empresa.

Escolhendo as batalhas: identificando pré-requisitos e processos elegíveis

O sucesso de um projeto AI Agente depende de uma avaliação rigorosa de três pré-requisitos essenciais:

  1. Conhecimento dos processos: É fundamental dispor de um mapeamento claro das operações atuais, pois muitas vezes existe uma discrepância significativa “entre o processo tal como está descrito no papel e o processo tal como é executado na empresa”. Áreas como finanças ou jurídica, onde questões de “soberania” exigem documentação rigorosa, costumam ser pontos de partida mais favoráveis.
  2. Maturidade dos sistemasData informações: a automação frequentemente se depara com sistemas legados que não foram projetados para serem interoperáveis. Um agente deve não apenas ser capaz de ler informações, mas também gravá-las para executar ações, o que exige sistemas abertos. Essa capacidade requer uma arquitetura precisa: um orquestrador, memória de contexto, conectores para sistemas de negócios e uma camada de supervisão. O objetivo é adicionar um “sistema nervoso” transversal que conecte processos e Sistemas de Informação (SI), em vez de reinventar o que já existe.
  3. Maturidade organizacional: É indispensável contar com uma estrutura capaz de supervisionar novos processos, integrar a intervenção humana (“human in the loop”) e gerenciar mudanças.

Levar em conta essas três dimensões é fundamental para uma fase de implantação tranquila.

Um roteiro prático de implementação

Uma vez identificados os processos elegíveis, a metodologia de implementação deve ser decididamente pragmática.

O primeiro passo é priorizar os processos, ponderando o valor potencial (ganho esperado) em relação à complexidade da transformação (técnica, humana e organizacional). Um passo crucial é, então, reescrever o processo alvo “num mundo ideal”, sem restrições, e, posteriormente, avaliar a diferença em relação à realidade.

No entanto, Hanan Ouazan alerta para uma grande armadilha: “tentar recriar imediatamente o processo do futuro”. Essa abordagem está fadada ao fracasso. A melhor prática é traçar um roteiro em “etapas”, começando pelas áreas de valor mais acessíveis.

A Oney oferece um exemplo concreto com sua Prova de Conceito Agentic: a subsidiária do BPCE concentrou-se no objetivo específico de “agilizar o processo de solicitação de empréstimos pessoais”. Em vez de reinventar tudo, eles começaram automatizando a análise dos 42 documentos exigidos. Essa única medida economiza três dias no processo geral e gera ganhos imediatos.

Essa abordagem incremental protege o projeto, mas não elimina todos os obstáculos. Entre os antipadrões observados na prática estão: criar um agente antes de esclarecer o processo, conceder demasiada liberdade a um agente crítico sem medidas de segurança ou presumir que um agente irá “substituir” uma função sem que haja uma reorganização. Por outro lado, considerar um agente como um produto acabado quando ele requer supervisão e ajustes contínuos é outra armadilha.

Desafios além da tecnologia: governança, sistemas legados e maturidade das ferramentas

Os projetos AI agênica enfrentam desafios que vão muito além do âmbito puramente tecnológico.

Um deles é a evolução extremamente rápida das ferramentas, que Hanan Ouazan compara a “tentar tirar uma foto de um TGV passando a 300 km/h”. Apostar em tecnologias ainda em desenvolvimento é arriscado; daí a importância de “escolher bem as batalhas” a travar.

Um segundo grande obstáculo é de natureza organizacional. A transformação de processos é, por natureza, transversal e entra em conflito direto com organizações compartimentadas, nas quais “todos pisam nos calos uns dos outros”. Conforme ilustrado pelo desafio da SNCF Voyageurs de “alcançar toda a organização”, essas iniciativas estão fadadas ao fracasso sem um mandato claro que venha do mais alto escalão.

Por fim, a maturidade das ferramentas atuais é motivo de preocupação. O Artefact identifica uma “enorme lacuna” entre soluções como chatbots corporativos e plataformas de desenvolvimento complexas destinadas a perfis especializados. Hanan Ouazan acredita que há necessidade de ferramentas “low-code” que permitam aos usuários corporativos criar agentes, bem como plataformas de supervisão “ponta a ponta” independentes de modelos.

Normas para a interoperabilidade e supervisão de agentes

No que diz respeito a protocolos como o Agent to Agent (A2A) ou o MCP, eles ainda se encontram em fase inicial, e o mercado carece claramente de maturidade. O especialista observa que uma empresa do CAC40 que utiliza vários modelos (Mistral, OpenAI, Google, Azure) não consegue, atualmente, supervisionar todos os seus sistemas. Segundo ele, espera-se que os fornecedores resolvam esse problema de interoperabilidade e gestão em grande escala. Eles devem ser capazes de oferecer soluções que “dimensionem a construção de agentes de maneira confiável e robusta” e permitam a“governança confiável”desses agentes.

Na ausência de protocolos unificados e plataformas de supervisão, as empresas são atualmente obrigadas a fazer uma “grande aposta” (apostando tudo em um único modelo) ou a gerenciar “interfaces”, o que limita severamente sua capacidade de expansão. O principal desafio tecnológico reside na falta de padrões e de soluções de gerenciamento maduras para a interoperabilidade e a supervisão de agentes de diversos fornecedores.

O panorama deve evoluir rapidamente nos próximos 12 a 24 meses: o surgimento de plataformas low-code voltadas para usuários corporativos, a padronização de conectores transacionais, o reforço das capacidades de observabilidade e o advento de agentes especializados integrados diretamente às ferramentas de uso diário.

A questão não será mais “isso é viável?”, mas sim “que sequência de processos deve ser transformada e como podemos supervisioná-la de forma eficaz?”.

Assista à replay apresentação: