AI Agentic é simplesmente uma extensão dos projetos AI generativa realizados até agora? A resposta é não. O foco não está mais 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 um assistente renomeado. Um assistente responde ou gera conteúdo. Um agente, no entanto, visa um objetivo comercial específico, toma decisões, interage com sistemas e executa ações. Ele mantém um estado, gerencia exceções e escalona quando atinge seus limites. Essa diferença não é superficial: um agente não foi projetado para “responder”, mas para agir dentro de um processo.

Da IA genérica à AI agênica: uma mudança de paradigma

A abordagem da AI Agentic marca uma ruptura clara com a onda anterior da GenAI, que era frequentemente abordada de forma fragmentada, caso a caso.

O debate está passando das “esferas conceituais para a realidade operacional das grandes empresas”, como evidenciado recentemente por empresas como Orange, SNCF Voyageurs e o grupo Beaumanoir. Hoje, o assunto é tratado “de cima”, diretamente pelos Comitês Executivos (Comex), patrocinados pela gerência geral ou pelo Diretor de Transformação. O debate está passando da “esfera conceitual para a realidade operacional das grandes corporações”, como evidenciado recentemente por empresas como Orange, SNCF Voyageurs e o grupo Beaumanoir. Hoje, o assunto é tratado “de cima”, diretamente pelos Comitês Executivos (Comex), patrocinados pela gerência geral ou pelo Diretor de Transformação.

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

Hanan Ouazan também aponta para os limites 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 agênica AI rompe com a automação clássica. A automação executa uma sequência definida de tarefas. A agencização introduz arbitragem, controles, a capacidade de interpretar um contexto e 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.

Definindo o rumo: o método “por que, onde e como” para o alinhamento empresarial

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

  1. O “porquê”: definir o objetivo estratégico de alto nível. Esta etapa estabelece a escala da ambição e justifica os investimentos necessários. Este “porquê” pode assumir várias formas, como a “bússola” centrada no cliente da SNCF Voyageurs ou a priorização da“eficiência profissional”imediata para suas equipes pela Beaumanoir.
  2. O “onde”: definindo o campo de atuação. Uma vez definido o objetivo, a empresa seleciona as funções e os processos prioritários onde o valor pode ser capturado 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 agênica requer esclarecer quem define as regras de negócios, quem supervisiona os agentes e quem autoriza ações sensíveis.

Essas decisões organizacionais, mais do que a tecnologia, permitem o dimensionamento. A estrutura garante que a iniciativa esteja firmemente ancorada na estratégia da empresa.

Escolhendo batalhas: identificando pré-requisitos e processos elegíveis

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

  1. Conhecimento do processo: é fundamental ter um mapeamento claro das operações atuais, pois muitas vezes há uma diferença significativa “entre o processo descrito no papel e o processo tal como é operado na empresa”. Funções como finanças ou jurídica, onde interesses “soberanos” exigem documentação rigorosa, são frequentemente pontos de partida mais favoráveis.
  2. Maturidade do sistemaData informações: a automação frequentemente se depara com sistemas legados que não foram projetados para serem interoperáveis. Um agente deve ser capaz não apenas de ler informações, mas também de 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 uma estrutura capaz de supervisionar novos processos, integrar a intervenção humana (“human in the loop”) e gerenciar mudanças.

Considerar essas três dimensões é decisivo para uma fase de implantação tranquila.

Um roteiro pragmático para a implementação

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

O primeiro passo é priorizar os processos, comparando o valor potencial (ganho esperado) com a complexidade da transformação (técnica, humana, organizacional). Um passo crucial é então reescrever o processo alvo “em um mundo ideal”, sem restrições, e subsequentemente medir a diferença com a 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 construir um roteiro em “partes”, começando pelos bolsões de valor mais acessíveis.

A Oney fornece um exemplo concreto com sua Prova de Conceito Agentic: a subsidiária da BPCE focou no objetivo específico de “otimizar o processo de subscrição de empréstimos pessoais”. Em vez de reinventar tudo, eles começaram automatizando a análise dos 42 documentos necessários. Essa única etapa economiza três dias no processo geral e gera ganhos imediatos.

Essa abordagem incremental garante o projeto, mas não elimina todos os obstáculos. Os anti-padrões observados na prática incluem: criar um agente antes de esclarecer o processo, dar demasiada liberdade a um agente crítico sem salvaguardas ou assumir que um agente irá “substituir” uma função sem reorganização. Por outro lado, imaginar que um agente é um produto acabado quando ele requer supervisão e ajustes contínuos é outra armadilha.

Desafios além da tecnologia: governança, legado e maturidade das ferramentas

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

Uma delas 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 construção é arriscado, daí a importância de “escolher suas batalhas” com sabedoria.

Um segundo grande impedimento é organizacional. A transformação de processos é inerentemente transversal e entra em conflito direto com organizações compartimentadas, onde “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 assumido pelo mais alto nível.

Por fim, a maturidade das ferramentas atuais é uma preocupação. O Artefact identifica uma “enorme lacuna” entre soluções como chatbots empresariais e plataformas de desenvolvimento complexas destinadas a perfis especializados. Hanan Ouazan acredita que há necessidade de ferramentas “low-code” para permitir que usuários empresariais criem agentes, bem como plataformas de supervisão “end-to-end” independentes de modelos.

Normas para a interoperabilidade e supervisão dos agentes

No que diz respeito a protocolos como Agent to Agent (A2A) ou MCP, eles ainda estão em fase inicial e o mercado claramente carece de maturidade. O especialista observa que um participante 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 e plataformas de supervisão unificados, as empresas são atualmente forçadas 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 soluções de gerenciamento maduras para a interoperabilidade e supervisão de agentes de vários fornecedores.

O panorama deverá evoluir rapidamente nos próximos 12 a 24 meses: o surgimento de plataformas low-code dedicadas a usuários empresariais, a padronização de conectores transacionais, o reforço das capacidades de observabilidade e o aparecimento de agentes especializados integrados diretamente nas ferramentas diárias.

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

Assista ao replay da apresentação: