A adoção pelos consumidores também continua relativamente baixa. Apesar do uso de palavras como “revolução”,data que a maioria dos usuários acessa semanalmente, em vez de diariamente, ao contrário do uso mais frequente de redes sociais ou plataformas como o Google. Isso sugere que AI gen ainda AI se tornou um verdadeiro hábito do consumidor. As pessoas a utilizam ocasionalmente — às vezes intensamente —, mas ela ainda não se tornou uma base da vida cotidiana. Em outras palavras, o hype ainda está à frente da realidade.
Apesar desses reports, acreditamos que AI gen AI uma mudança fundamental na mesma escala que a internet ou o smartphone. A internet nos proporcionou cerca de duas décadas de inovação e criação de empresas. A revolução dos smartphones gerou 15 anos de crescimento impulsionado por aplicativos móveis. Acreditamos AI gen AI uma era de transformação semelhante — talvez uma década ou mais de criação de novos valores.
Esse padrão é comum em novas tecnologias (o otimismo excessivo seguido pela desilusão e, em seguida, pela criação de valor real, frequentemente articulado atravésdo ciclo de hype da Gartner). Em nossa opinião, muitos dos principais AI estão exagerando quando fazem declarações ousadas de que setores inteiros da economia serão substituídos em breve pela AI. Isso porque AI real e funcional AI empresas estabelecidas é um trabalho árduo: requer data relativamente limpos, mapeamento de processos e experimentação profunda — e, mesmo assim, muitas vezes requer a intervenção humana. No entanto, estamos vendo um progresso real nos bastidores, cujos exemplos sugerem que o uso de sistemas multiagentes para automatizar e substituir tarefas repetitivas pode levar a um aumento mais longo e fundamental na produtividade.
Nossa opinião é que os líderes não devem tentar adivinhar o que vai acontecer em 10 anos. Em vez disso, eles devem perguntar o que podem realmente alcançar nos próximos dois anos. Com base nos projetos que realizamos desde o final de 2024, AI agênica AI provando ser uma verdadeira virada de jogo (pelo menos no curto prazo), proporcionando valor real às empresas. A realidade também é que os ganhos financeiros por projeto são bons, mas nenhum deles é impressionante. Esses ganhos incrementais são semelhantes ao Lean, uma comparação que o CEO da Microsoft,Satya Nadella, também fez.
Com base em nosso trabalho em um portfólio de projetos que estão implementando com sucesso AI agênica, descobrimos que, para ter sucesso com essa tecnologia, é necessário ir além do hype, entender o que a tecnologia pode fazer e combinar essa capacidade com oportunidades claras de criação de valor. Também é necessária uma abordagem prática para a implementação de sistemas multiagentes baseada em experimentação e aprendizagem.
A ascensão do paradigma do fluxo de trabalho agênico
Nos últimos anos, a maturidade da AI evoluiu rapidamente, passando por pelo menos três fases distintas:
- Prompting (2022):O entusiasmo inicial concentrou-se nos “power prompts”. Nas provas de conceito (POCs), os prompts pareciam funcionar. Mas, na produção, a confiabilidade caiu rapidamente. Os processos de negócios normalmente exigem 95-99% de precisão. Com base na experiência em mais de 50 casos, estimamos que o prompting sozinho raramente ultrapassou 70%.
- Geração Aumentada por Recuperação (RAG, 2023):a RAG melhorou a estabilidade ao ancorar AI de geração em bases de conhecimento. Mais uma vez, os POCs pareciam promissores, mas a complexidade da produção frequentemente expunha pontos fracos, levando a uma precisão inaceitavelmente baixa.
- Sistemas agênicos (2024 até o presente):Os avanços mais recentes envolvem redes de pequenos agentes especializados. Alguns encaminham perguntas. Outros realizam tarefas estritamente definidas. Outros ainda verificam e corrigem resultados. Fundamentalmente, a queda nos custos dos tokens agora torna os sistemas multiagentes em cascata comercialmente viáveis. Esse design em camadas melhora significativamente a confiabilidade.
Este outono assistiu a uma explosão de iniciativas comerciais com agentes. A OpenAI lançouparcerias com a Stripe e a Shopify.A Google anunciou o seu Protocolo de Pagamento com Agentes, que automatiza o processo de compra e transação. Embora as empresas possam sentir-se tentadas a seguir o exemplo dos gigantes tecnológicos, pode não ser aqui que surgirá a primeira onda de valor sustentável. Em umapesquisa recente da Bain com consumidores, 76% relataram que não se sentiriam confortáveis em usar sistemas de agentes para compras — a maioria citou preocupações com segurança e privacidade como motivo para sua reticência.
Os contextos de atendimento ao cliente não são adequados para as capacidades atuais dos AI . Eles são confusos e imprevisíveis; as entradas são desestruturadas, o tom e o contexto mudam constantemente, e os reguladores e consumidores têm pouca tolerância para alucinações ou erros. Os sistemas multiagentespodematingir altos níveis de precisão, mas para isso é necessário tratar cada agente individualmente como se fosse uma criança pequena. Você não pediria a uma criança pequena para arrumar a mesa para o jantar. Mas se você dividir a tarefa e orientá-la passo a passo — “primeiro, coloque um prato”, “agora, acrescente os garfos”, “depois, os copos” —, a criança poderá dar uma contribuição significativa. Fundamentalmente, o ambiente também deve ser controlado: sem irmãos barulhentos, sem animais de estimação que distraiam e apenas um dos pais dando instruções. Mas, ao desenvolver sistemas multiagentes estruturados da mesma forma que você instrui uma criança — dividindo a tarefa, alimentando-a uma a uma, verificando a precisão das tarefas —, estamos construindo sistemas notavelmente precisos.
Notavelmente, esses sistemas são frequentemente utilizados para processos de back-end, onde a perfeição não é essencial porque há um ser humano envolvido no processo. Em contrapartida, embora as experiências de front-end possam ser inspiradoras, é improvável que sejam a primeira área de criação de valor real para a empresa. Os processos operacionais e de back-end são um terreno fértil porque são estruturados e repetitivos — muito mais adequados para a automação do fluxo de trabalho agênico. Tarefas com escopo restrito, ambientes bem definidos e entradas estruturadas podem resultar em projetos que contribuem de forma significativa.
Construindo sistemas agenticos em nível empresarial
Em escala empresarial, projetar esses sistemas é conceitualmente simples, mas operacionalmente exigente. Como estrutura geral para a construção de sistemas multiagentes, 1) uma tarefa é enviada a um agente roteador, como o Google ADK, que, como um pai instruindo uma criança, divide a tarefa em subtarefas; 2) as subtarefas são então concluídas por agentes de tarefas individuais que realizam uma parte menor da tarefa, como os pais que dizem a uma criança para colocar os copos na mesa e a outra para colocar os garfos; depois disso, 3) os resultados dessas subtarefas são verificados por um agente de validação; e 4) se um erro for descoberto, um agente de melhoria recomenda um ajuste.
Um ecossistema em rápido crescimento de ferramentas, metodologias e serviços apoia essa abordagem, e eles são excelentes para processos não essenciais. Mas quando você passa para operações essenciais — onde data e o controle sobre alucinações são essenciais — você precisa de agentes com código personalizado, integração mais profunda com os sistemas empresariais e melhor controle e proteções implementadas.
Um exemplo prático: reinventando as operações de campo
Para ilustrar, considere um projeto que fizemos com um grande provedor de internet europeu. Nosso objetivo era reduzir o tempo de resolução e o custo das chamadas de serviço a serem resolvidas. A maioria das pessoas já passou pela experiência de ligar para um help desk por causa de uma conexão com falha, repetir informações várias vezes e, por fim, esperar por um técnico. O que acontece (ou deixa de acontecer) nos bastidores é revelador: os técnicos muitas vezes chegam com informações incompletas e são obrigados a resolver o problema do zero. Isso leva a um longo tempo de inatividade — às vezes mais de um mês — e milhares de horas perdidas pelos operadores.
Decidimos começar aos poucos. Concentramo-nos em criar um sistema centrado em ajudar os técnicos a realizar suas tarefas de forma mais rápida e eficiente — um auxiliar no processo, não um agente independente. Como parte desse esforço, integramos data mais de 15 sistemas de informação, fornecendo aos técnicos um resumo das falhas relatadas e um histórico das soluções que haviam sido tentadas. Isso lhes deu uma visão geral da tarefa — por exemplo, solucionar um problema de conexão de um cliente — que eles podiam ler ou ouvir a caminho do trabalho. Dessa forma, eles podiam começar a trabalhar para consertar o problema assim que chegavam, economizando tempo que muitas vezes era desperdiçado para se familiarizar com o problema.
Em seguida, criamos um recurso que gerava recomendações para a melhor ação a ser tomada para a resolução. Outro recurso incluía uma interface conversacional que permitia ao técnico consultar os sistemas de TI subjacentes da empresa de internet em linguagem natural para encontrar as causas principais. Por fim, automatizamos muitas ações simples e repetitivas: por exemplo, corrigir registros de CRM quando a residência errada estava vinculada ou acionar reinicializações de rede quando um switch apresentava mau funcionamento na caixa de conexão central do bairro. Isso economizou uma quantidade imensa de tempo para o técnico, pois ele não precisava mais ligar para a central de atendimento interna para ajudar com pequenas alterações para fazer o conserto.
Durante oito meses, trabalhamos de forma iterativa — mapeando processos, corrigindo pontos críticos e adicionando funcionalidades passo a passo, com feedback semanal dos técnicos de campo que testavam a solução baseada em tablets.
Os resultados:
- Redução de 60% no tempo de resolução
- Mais de um milhão de euros economizados anualmente de forma recorrente
- Melhoria significativa napontuação líquida do promotor do cliente
Com base nesses resultados, o cliente desejava expandir para mais sete regiões. Isso exigiu muito mais trabalho: a metodologia e alguns componentes do agente eram reutilizáveis, mas cada região tinha sistemas de TI diferentes. Cada implementação exigia novas integrações e data . A expansão para cada uma das sete regiões exigiu metade do esforço original de cada região adicionada.
Os desafios da implementação de sistemas multiagentes
Conforme ilustrado acima, as implementações de sistemas multiagentes podem criar valor real com sucesso, mas poucas pessoas falam sobre o trabalho real de implementá-las. Quais foram as realidades e os obstáculos que enfrentamos?
Testar rapidamente vs. ampliar.
Construímos uma arquitetura escalável desde o início? Por mais que gostássemos de afirmar isso, teria sido impossível. Assim como os inovadores descobrem iterativamente a adequação do produto ao mercado, os casos de uso do sistema multiagentes e a solução evoluíram iterativamente à medida que nos envolvemos em um ciclo de experimentação rápida. Além disso, a tecnologia, a metodologia e os serviços para construir esses sistemas evoluíram rapidamente.
Não começamos com o sistema completo. Em vez disso, começamos com um LLM mais RAG como peça central para resolver basicamente o primeiro caso de uso. À medida que testávamos, aprendemos que precisávamos dividir o sistema em agentes menores, buscando tarefas mais especializadas para aumentar a confiabilidade; aos poucos, isso evoluiu para um sistema totalmente agente. Por fim, desenvolvemos um sistema altamente confiável e funcional que agrega valor. Com esse conhecimento e os resultados que temos agora, estamos reconstruindo-o em uma arquitetura muito mais robusta para expandir outras partes da empresa e que pode ser mantida com mais facilidade.
Zonas problemáticas versus causas fundamentais.
Como regra geral, descobrimos que os líderes e gerentes intermediários sabem aproximadamente quais processos exigem muito tempo ou esforço, mas têm opiniões mal informadas sobre onde estão a complexidade e as oportunidades. Somente os operadores sabem disso. A implicação é que você precisa fazer duas coisas antes de realmente começar a construir: 1) dedicar tempo suficiente para entender as questões da perspectiva de um gerente, mas também 2) conversar com os operadores sobre o que eles entendem como a causa raiz de qualquer problema específico.
Por exemplo, os gerentes nos indicavam partes do processo em que havia desperdício de tempo ou recursos (por exemplo, no centro de serviços compartilhados) e nos diziam para procurar os “itens de conhecimento” certos para que o operador resolvesse um problema mais rapidamente. No entanto, quando começamos a trabalhar diretamente com os operadores, descobrimos que metade deles encontrava os “itens de conhecimento” em 10 segundos, enquanto a outra metade levava minutos para encontrar as mesmas informações porque não era boa em pesquisar no sistema. Esse não é um problema que AI agênica AI resolver bem — é uma questão de treinamento. Mas também descobrimos que os líderes e gerentes haviam ignorado completamente que os operadores passavam cerca de 50% do tempo preenchendo o CRM após as chamadas dos clientes. Esse é um bom problema para um agente, que pode transcrever a chamada e colocar todas as informações nos campos corretos, acelerando muito o processo e melhorando data . O operador só precisa verificar e pressionar OK.
Os sistemas de TI não atrasam o seu trabalho — são as pessoas que o fazem.
As partes mais complexas e que exigiram mais esforço do nosso trabalho foram entrar nas discussões certas com a gerência, conquistar as partes interessadas e identificar e resolver as dependências que surgiram por causa do nosso trabalho. Integrar uma dúzia de sistemas de TI para fazer a solução funcionar é complexo do ponto de vista tecnológico, mas o verdadeiro desafio é que todos esses sistemas têm suas próprias equipes de desenvolvimento, com cronogramas, prioridades e planos de ação diferentes. Disponibilizar os pontos finais da API e testá-los pode levar duas semanas de trabalho. Entrar nos respectivos planos de ação desses sistemas levou muito mais tempo. A maioria das equipes com as quais estávamos coordenando deixou esse trabalho em segundo plano por vários meses, alegando (provavelmente com validade do ponto de vista delas) que tinham trabalhos mais importantes que precisavam ser priorizados.
Os modelos podem ter alucinações e vão ter.
Os agentes ainda são bastante instáveis e podem ter alucinações, exigindo fortes barreiras de proteção e verificações na forma de LLM como juiz (o agente de validação). O prompt do sistema do agente deve ser forte o suficiente e, ao mesmo tempo, leve o suficiente para que o agente execute as tarefas corretamente. Isso requer nuances, tempo e habilidades data e data para fazer com que esses sistemas de agentes funcionem com confiabilidade suficiente para serem executados em sua empresa. Em outras palavras, bons desenvolvedores e experiência em negócios ainda são muito relevantes.
A nova disciplina da transformação agênica
Que lições mais gerais podemos extrair desse caso? De muitas maneiras, parece que estamos redescobrindo o Lean — reestruturando o trabalho desde o início. A diferença é que as ferramentas atuais são muito mais poderosas, permitindo não apenas uma otimização incremental, mas uma reformulação completa do processo, mesmo entre departamentos.
Além data AI , o sucesso depende de um profundo conhecimento dos processos — compreender o estado atual, imaginar o estado futuro e traduzir isso em pequenas etapas viáveis. Nesse sentido, estamos vendo o retorno dos“Lean Black Belts”, mas, desta vez, eles são impulsionados pela AI gen.
O trabalho é detalhado e metódico, não glamoroso. É preciso avançar passo a passo. A abordagem é baseada em métodos, não em magia. Cada nova área de negócios requer uma análise nova e uma adaptação personalizada.
Agentes totalmente autônomos ainda estão longe de se tornar realidade. Por enquanto, a configuração mais eficaz mantém um humano no circuito, tornando o operador mais inteligente, mais rápido e melhor equipado.
No início, o progresso é gradual. Somente quando os sistemas centrais se conectam e as informações fluem suavemente é que surgem ganhos significativos de eficiência.
A tecnologia também evolui mais rapidamente do que os projetos. As ferramentas que usávamos há oito meses já estão desatualizadas. É por isso que nos concentramos em casos de uso com retorno em um ano — antes que a tecnologia subjacente mude.
Mais importante ainda, as empresas devem desenvolver capacidades internas —data , data , designers AI genérica e o que alguns chamam agora de engenheiros de contexto ou faixas AI genérica: pessoas que compreendem profundamente os processos e podem dividir a transformação em etapas alcançáveis. Desenvolver essas capacidades como empresa permitirá que você crie novos fluxos de trabalho agenticos mais rapidamente (à medida que a tecnologia evolui), o que pode ser um verdadeiro diferencial em relação à concorrência.
Por fim, embora essas iniciativas acabem por se integrar nas operações comerciais normais, é essencial iniciá-las com uma governança forte, que una as perspectivas técnicas e comerciais. Esse equilíbrio é o que transforma a experimentação em transformação.
A década que se avizinha
O entusiasmo AIpode ter superado sua adoção, mas seu potencial é real. Assim como as revoluções da internet e dos smartphones antes dela, essa mudança de plataforma irá remodelar os setores — não por meio de uma ruptura repentina, mas por meio de anos de reinvenção disciplinada.
As organizações vencedoras não se limitarão a adotar ferramentas; elas desenvolverão a capacidade de se reinventar continuamente por meio delas.
