A adoção pelos consumidores também continua relativamente baixa. Apesar do uso de termos como “revolução”,data que a maioria dos usuários acessa a tecnologia semanalmente, e não diariamente, ao contrário do uso mais frequente das redes sociais ou de plataformas como o Google. Isso sugere que AI de geração geral ainda AI se tornou um verdadeiro hábito dos consumidores. As pessoas a utilizam ocasionalmente — às vezes de forma intensa —, mas ela ainda não se tornou um pilar da vida cotidiana. Em outras palavras, o entusiasmo ainda está à frente da realidade.
Apesar desses reports, acreditamos que AI de última geração AI uma mudança fundamental da mesma magnitude 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 que AI de última geração AI uma era de transformação semelhante — talvez uma década ou mais de criação de novo valor.
Esse padrão é comum nas novas tecnologias (o otimismo excessivo seguido pela desilusão e, em seguida, pela criação de valor real, frequentemente descritopelo ciclo de hype da Gartner). Em nossa opinião, muitos dos principais AI estão exagerando quando fazem afirmações ousadas de que setores inteiros da economia serão substituídos em breve pela AI. Isso porque AI real e funcional AI empresas estabelecidas exige muito trabalho: requer data relativamente limpos, mapeamento de processos e experimentação aprofundada — e, mesmo assim, muitas vezes exige a participação humana no ciclo. 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 duradouro e fundamental da produtividade.
Nossa opinião é que os líderes não devem tentar adivinhar o que vai acontecer daqui a 10 anos. Em vez disso, devem se perguntar o que podem alcançar de forma realista nos próximos dois anos. Com base nos projetos que realizamos desde o final de 2024, AI autônoma AI se mostrando o verdadeiro divisor de águas (pelo menos no curto prazo), proporcionando valor real às empresas. A realidade é também 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 agentística, constatamos que, para ter sucesso com essa tecnologia, é preciso ir além do entusiasmo exagerado, compreender o que a tecnologia é capaz de fazer e alinhar essa capacidade a oportunidades claras de geração de valor. Isso também exige uma abordagem prática para a implementação de sistemas multiagentes, baseada na experimentação e no aprendizado.
A ascensão do paradigma do fluxo de trabalho agênico
Nos últimos anos, a maturação da AI evoluiu rapidamente, passando por pelo menos três fases distintas:
- Prompting (2022):O entusiasmo inicial concentrou-se nos “prompts avançados”. Nas demonstrações de conceito (POCs), os prompts pareciam funcionar. Mas, em produção, a confiabilidade caiu rapidamente. Os processos de negócios normalmente exigem uma precisão de 95% a 99%. Com base na experiência adquirida em mais de 50 casos, estimamos que o uso exclusivo de prompts raramente ultrapassou os 70%.
- Geração Aumentada por Recuperação (RAG, 2023):O RAG melhorou a estabilidade ao vincular AI de geração a bases de conhecimento. Mais uma vez, as demonstrações de viabilidade (POCs) pareciam promissoras, mas a complexidade da produção frequentemente revelava pontos fracos que levavam a uma precisão inaceitavelmente baixa.
- Sistemas de agentes (2024 até o presente):Os avanços mais recentes envolvem redes de pequenos agentes especializados. Alguns encaminham perguntas. Outros executam tarefas bem definidas. Outros ainda verificam e corrigem os resultados. Um fator crucial é que a queda nos custos dos tokens torna agora comercialmente viáveis os sistemas multiagentes em cascata. Esse projeto em camadas melhora significativamente a confiabilidade.
Este outono testemunhou uma explosão de iniciativas comerciais baseadas em sistemas agenticos. A OpenAI firmouparcerias com a Stripe e a Shopify.O Google anunciou seu Protocolo de Pagamento Agentico, que automatiza o processo de compra e transação. Embora as empresas possam se sentir tentadas a seguir o exemplo dos gigantes da tecnologia, talvez não seja aí que surja a primeira onda de valor sustentável. Em umapesquisa recente da Bain com consumidores, 76% relataram que não se sentiriam à vontade para usar sistemas agenticos para compras — a maioria citou preocupações com segurança e privacidade como motivo de sua reticência.
Os contextos de atendimento ao cliente não se adaptam bem às capacidades atuais dos AI . São confusos e imprevisíveis; as entradas são desestruturadas, o tom e o contexto mudam constantemente, e os órgãos reguladores e os consumidores têm pouca tolerância para alucinações ou erros. Os sistemas multiagentespodematingir altos níveis de precisão, mas para isso é preciso 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, coloque os garfos”, “depois, os copos” — a criança pode 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 se instrui uma criança pequena — dividindo a tarefa, apresentando as etapas uma a uma, verificando a precisão das tarefas —, estamos construindo sistemas notavelmente precisos.
É importante notar que esses sistemas costumam ser destinados a processos de back-end, onde a perfeição não é essencial, pois há intervenção humana 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 de back-end e operacionais são um terreno fértil, pois são estruturados e repetitivos — muito mais adequados para a automação de fluxos de trabalho autônomos. Tarefas com escopo bem delimitado, ambientes bem definidos e entradas estruturadas podem resultar em projetos que trazem uma contribuição significativa.
Criação de sistemas agentivos no âmbito 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, assim como um pai instruindo uma criança pequena, divide a tarefa em subtarefas; 2) as subtarefas são então concluídas por agentes de tarefa individuais que realizam uma parte menor da tarefa, como os pais que pedem a uma criança para colocar os copos na mesa e a outra para colocar os garfos; após o que 3) os resultados dessas subtarefas são verificados por um agente de validação; e 4) se for detectado um erro, um agente de melhoria recomenda um ajuste.
Um ecossistema em rápido crescimento, composto por ferramentas, metodologias e serviços, dá suporte a essa abordagem, e esses recursos são excelentes para processos não essenciais. Mas quando se trata de operações essenciais — onde data e o controle sobre erros são essenciais —, são necessários agentes programados sob medida, uma integração mais profunda com os sistemas corporativos e a implementação de melhores controles e medidas de segurança.
Um exemplo prático: reinventando as operações de campo
Para ilustrar, considere um projeto que realizamos com um grande provedor de internet europeu. Nosso objetivo era reduzir tanto o tempo de resolução quanto o custo das chamadas de suporte. A maioria das pessoas já passou pela experiência de ligar para um help desk por causa de uma conexão interrompida, 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 sem o contexto completo, sendo forçados a resolver o problema do zero. Isso leva a longos períodos de inatividade — às vezes mais de um mês — e milhares de horas de trabalho desperdiçadas pelos operadores.
Decidimos começar aos poucos. Nos concentramos em criar um sistema voltado para ajudar os técnicos a realizar suas tarefas com mais rapidez e eficiência — 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 já 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 local de trabalho. Dessa forma, eles podiam começar a trabalhar para consertar o problema assim que chegassem, economizando tempo que muitas vezes era desperdiçado tentando entender o problema.
Em seguida, criamos um recurso que gerava recomendações sobre a melhor ação a ser tomada para resolver o problema. Outro recurso incluía uma interface conversacional que permitia ao técnico consultar os sistemas de TI subjacentes da empresa de internet em linguagem natural para identificar as causas principais. Por fim, automatizamos muitas ações simples e repetitivas: por exemplo, corrigir registros do CRM quando a residência errada era vinculada ou acionar reinicializações de rede quando um switch apresentava defeito na caixa de conexão central do bairro. Isso economizou uma quantidade imensa de tempo para o técnico, já que ele não precisava mais ligar para a central de atendimento interna para obter ajuda com pequenas alterações necessárias para a correção.
Ao longo de oito meses, trabalhamos de forma iterativa — mapeando processos, resolvendo pontos críticos e adicionando funcionalidades passo a passo, com feedback semanal dos técnicos de campo que testavam a solução baseada em tablet.
Os resultados:
- Redução de 60% no tempo de resolução
- Mais de um milhão de euros economizados anualmente de forma recorrente
- Melhoria significativa noÍndice de Recomendação (NPS)
Com base nesses resultados, o cliente desejava expandir a solução para mais sete regiões. Isso exigiu um trabalho consideravelmente maior: embora a metodologia e alguns componentes do agente fossem reutilizáveis, cada região possuía sistemas de TI diferentes. Cada implementação exigia novas integrações e data . A expansão para cada uma das sete regiões exigiu metade do esforço necessário para cada região adicionada inicialmente.
Os desafios da implementação de sistemas multiagentes
Como ilustrado acima, as implementações de sistemas multiagentes podem gerar valor real com sucesso, mas poucas pessoas falam sobre o trabalho prático envolvido na sua implementação. Quais foram as realidades e os obstáculos que enfrentamos?
Testes rápidos versus ampliação da escala.
Será que construímos tudo desde o início com uma arquitetura escalável e adequada? Por mais que gostássemos de afirmar que sim, isso teria sido impossível. Assim como os inovadores descobrem de forma iterativa o ajuste entre produto e 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 necessários para construir esses sistemas evoluíram rapidamente.
Não começamos com o sistema completo. Em vez disso, partimos de um LLM combinado com o RAG como elemento central para, basicamente, resolver o primeiro caso de uso. À medida que testávamos, percebemos que precisávamos dividir o sistema em agentes menores, dedicados a tarefas mais especializadas, para aumentar a confiabilidade; aos poucos, isso evoluiu para um sistema totalmente baseado em agentes. 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 escalar outras partes da empresa e que possa ser mantida com mais facilidade.
Zonas problemáticas x causas fundamentais.
Como regra geral, constatamos que os líderes e gerentes de nível médio têm uma ideia aproximada de quais processos exigem muito tempo ou esforço, mas suas opiniões sobre onde estão a complexidade e as oportunidades são pouco fundamentadas. 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 compreender as questões da perspectiva de um gestor, 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 pediam para procurar os “itens de conhecimento” adequados para que o operador pudesse resolver um problema mais rapidamente. Quando começamos a trabalhar diretamente com os operadores, no entanto, 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 o fato de que os operadores gastam cerca de 50% do tempo preenchendo o CRM após as chamadas dos clientes. Esse é um problema ideal para um agente, que pode transcrever a chamada e inserir todas as informações nos campos corretos, acelerando significativamente o processo e melhorando data . O operador só precisa verificar e clicar em OK.
Não são os sistemas de TI que atrasam o seu trabalho — são as pessoas.
As partes mais trabalhosas e complexas do nosso trabalho foram participar das discussões de gestão certas, conquistar o apoio das partes interessadas e identificar e resolver as dependências que surgiram em decorrência do nosso trabalho. A integração com uma dúzia de sistemas de TI para que a solução funcione é complexa 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 desenvolvimento diferentes. Disponibilizar os pontos de extremidade da API e testá-los completamente pode levar cerca de duas semanas de trabalho. Entrar nos respectivos planos de desenvolvimento desses sistemas levou muito, 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 tarefas mais importantes que precisavam de prioridade.
Os modelos podem ter alucinações e, de fato, as têm.
Os agentes ainda são bastante instáveis e podem apresentar erros, exigindo medidas de segurança robustas e verificações por meio de um LLM atuando como juiz (o agente de validação). O prompt do sistema do agente precisa ser robusto o suficiente e, ao mesmo tempo, leve o suficiente para que o agente execute as tarefas corretamente. Isso requer sutileza, tempo e habilidades data e data para fazer com que esses sistemas de agentes funcionem com confiabilidade alta o suficiente para que possam ser 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? Em muitos aspectos, parece que estamos redescobrindo o Lean — reestruturando o trabalho desde o início. A diferença é que o conjunto de ferramentas atual é muito mais poderoso, permitindo não apenas uma otimização incremental, mas uma reformulação completa dos processos, mesmo entre departamentos.
Além data AI , o sucesso depende de um profundo conhecimento dos processos — compreender a situação 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, impulsionados pela AI de última geração.
O trabalho é minucioso e metódico, não é nada glamoroso. É preciso avançar passo a passo. A abordagem se baseia na metodologia, não em truques mágicos. Cada nova área de negócios exige uma análise renovada e uma adaptação personalizada.
Agentes totalmente autônomos ainda estão muito distantes. Por enquanto, a configuração mais eficaz mantém o ser humano no circuito — tornando o operador mais inteligente, mais rápido e melhor equipado.
No início, o progresso é gradual. Só quando os sistemas centrais se conectam e as informações fluem sem obstáculos é que se observam ganhos significativos de eficiência.
A tecnologia também evolui mais rapidamente do que os projetos. As ferramentas que usávamos há oito meses já estão ultrapassadas. É por isso que nos concentramos em casos de uso com retorno financeiro em menos de um ano — antes que a tecnologia subjacente mude.
Mais importante ainda, as empresas devem desenvolver capacidades internas —data , data , designers AI de última geração e o que alguns chamam hoje de engenheiros de contexto ou AI de última geração: pessoas que compreendem profundamente os processos e são capazes de dividir a transformação em etapas viáveis. Desenvolver essas capacidades como empresa permitirá que você crie novos fluxos de trabalho autônomos mais rapidamente (à medida que a tecnologia evolui), o que pode ser um verdadeiro diferencial em relação à concorrência.
Por fim, embora essas iniciativas venham a se integrar às operações comerciais normais, é essencial iniciá-las com uma governança sólida — que una as perspectivas técnicas e comerciais. É esse equilíbrio que transforma a experimentação em transformação.
A década que se aproxima
O entusiasmo AIpode ter superado sua adoção, mas seu potencial é real. Assim como as revoluções da internet e dos smartphones que a precederam, essa mudança de plataforma irá remodelar os setores — não por meio de uma disrupção repentina, mas através de anos de reinvenção disciplinada.
As organizações que terão sucesso não se limitarão a adotar ferramentas; elas desenvolverão a capacidade de se reinventar continuamente por meio delas.
