noticias
IA agêntica avança nas empresas, mas governança e processos continuam para trás
A inteligência artificial agêntica começou a deixar os laboratórios, demonstrações e projetos-piloto para entrar em processos reais das empresas. Só que a parte mais difícil dessa transição talvez não esteja nos modelos capazes de raciocinar, usar ferramentas e executar tarefas, mas no que acontece depois que uma organização decide entregar alguma autonomia a eles.
Levantamentos recentes da Deloitte, da KPMG e da Accenture em parceria com a Wharton School chegaram a resultados diferentes porque usaram metodologias e públicos distintos. Ainda assim, apontam para a mesma fratura: as empresas estão aprendendo a colocar agentes de IA para trabalhar mais rápido do que conseguem redesenhar processos, calcular custos, estabelecer responsabilidades e definir até onde esses sistemas podem agir sem intervenção humana.
O problema começa justamente porque um agente não é apenas um chatbot um pouco mais sofisticado.
Quando a IA deixa de responder e começa a agir
Um chatbot tradicional recebe uma pergunta, processa o contexto disponível e devolve uma resposta. Mesmo quando produz uma informação errada, normalmente existe uma pessoa entre aquela resposta e a próxima ação.
Em sistemas agênticos, essa fronteira pode desaparecer.
Um agente pode receber um objetivo, dividir a tarefa em etapas, consultar documentos e bancos de dados, chamar APIs, utilizar softwares externos, enviar informações para outros agentes e decidir qual ação executar em seguida. Dependendo das permissões concedidas, também pode alterar registros, abrir chamados, atualizar sistemas corporativos ou disparar comunicações.
Essa diferença muda completamente o perfil de risco.
Uma resposta equivocada na tela pode ser percebida e descartada. Uma decisão equivocada executada automaticamente pode entrar no sistema financeiro, modificar dados de um cliente ou alimentar outro agente antes que alguém perceba que a primeira premissa estava errada.
Quanto maior a autonomia, portanto, maior precisa ser a capacidade de observar, limitar e reconstruir aquilo que o sistema fez.
É nesse ponto que governança deixa de ser uma expressão bonita em apresentação corporativa e passa a ser parte da arquitetura.
Deloitte encontrou empresas avançando mais rápido que seus processos
A Deloitte ouviu 501 profissionais de nível gerencial sênior até executivos C-level nos Estados Unidos entre abril e junho de 2026. Todas as organizações participantes já estavam, no mínimo, testando soluções de IA agêntica.
O levantamento mostra uma adoção que começa a ganhar escala.
Quarenta e três por cento dos entrevistados disseram que suas empresas já estavam expandindo agentes de IA entre diferentes funções. Apenas 15%, porém, afirmaram ter alcançado um estágio mais avançado, com múltiplos agentes orquestrados e operando em escala.
O contraste aparece quando a pesquisa deixa de perguntar sobre tecnologia e passa a perguntar sobre a organização.
Somente 21% dos participantes classificaram seus processos empresariais como preparados ou altamente preparados para IA agêntica. Na força de trabalho, o percentual ficou em 25%.
Ao mesmo tempo, 74% esperam que, dentro de quatro anos, quase metade dos processos da empresa tenha sido redesenhada ou reconstruída em torno de agentes de IA.
Existe uma distância considerável entre as duas coisas.
Hoje, muitas organizações ainda tentam encaixar agentes sobre processos concebidos para pessoas. Em vez de perguntar se determinado fluxo deveria ser reconstruído, automatizam as etapas que já existem.
Isso pode produzir eficiência, mas também pode criar uma versão muito rápida de um processo ruim.
A própria Deloitte encontrou três obstáculos particularmente reveladores. Para 72% dos entrevistados, falta uma base de dados unificada e acessível. Outros 70% apontaram dificuldades para confiar e governar agentes, enquanto 67% consideraram integração cara e complexa.
Nenhum desses problemas é resolvido apenas escolhendo um modelo de IA melhor.
Uma IA brilhante ainda pode trabalhar sobre dados ruins
Esse talvez seja um dos aspectos menos glamourosos da corrida pelos agentes.
Uma organização pode ter acesso a um dos modelos mais avançados do mercado e, ainda assim, construir um agente pouco confiável porque os dados da empresa estão fragmentados.
O sistema financeiro pode identificar um cliente de uma forma, o CRM de outra e a plataforma de atendimento utilizar informações desatualizadas. Algumas regras podem estar documentadas; outras podem existir apenas na memória de funcionários experientes.
Pessoas costumam compensar esse tipo de desorganização silenciosamente.
Elas perguntam ao colega certo, consultam uma planilha paralela, reconhecem uma exceção que nunca foi formalizada ou simplesmente percebem que uma instrução não faz sentido naquele caso específico.
Um agente não necessariamente possui esse conhecimento implícito.
Se a organização automatizar o processo sem antes explicitar suas regras, pode acabar transformando improvisos humanos em inconsistências automatizadas.
A velocidade da IA não corrige a qualidade do processo que ela recebeu.
Às vezes, apenas faz o problema correr mais rápido.
A conta da IA começa a aparecer quando o experimento vira infraestrutura
Outro obstáculo surge quando dezenas ou centenas de agentes deixam de ser demonstrações e passam a operar continuamente.
IA generativa não possui necessariamente a mesma estrutura econômica de um software tradicional vendido por licença fixa.
Um único fluxo pode exigir várias chamadas a modelos, recuperação de documentos, consultas a bancos de dados, execução de ferramentas e comunicação entre diferentes agentes.
Cada etapa consome recursos.
A quantidade de tokens, o modelo escolhido, o volume de solicitações, o número de ferramentas utilizadas e a profundidade do raciocínio podem alterar significativamente o custo de uma tarefa aparentemente simples.
A KPMG identificou justamente essa dificuldade.
Em seu levantamento global do segundo trimestre de 2026, realizado com 2.145 executivos de empresas de 20 países, territórios e jurisdições, a consultoria concluiu que a discussão está deixando de ser apenas sobre adoção e migrando para economia, responsabilidade e geração de valor.
Empresas com visibilidade completa de seus custos operacionais de IA apresentaram uma probabilidade cinco vezes maior de relatar retorno sobre investimento já estabelecido: 15%, contra 3% nas organizações sem essa visibilidade.
Esse resultado não significa que enxergar a conta multiplique automaticamente o lucro por cinco.
Existe uma correlação importante: organizações capazes de medir custo também tendem a possuir estruturas mais maduras para decidir onde a IA faz sentido, interromper projetos que não entregam retorno e comparar resultados obtidos com recursos consumidos.
A diferença é semelhante à que existe entre saber que uma fábrica está produzindo e saber quanto custa cada unidade que sai da linha.
O token começa a virar unidade econômica
Essa mudança cria uma disciplina nova dentro das empresas.
Durante anos, boa parte do orçamento de software corporativo foi relativamente previsível: contratos, licenças, infraestrutura e número de usuários permitiam estimar os gastos com alguma antecedência.
Com sistemas agênticos, o custo pode acompanhar o próprio comportamento do software.
Um agente que conclui uma tarefa utilizando três chamadas ao modelo possui um perfil econômico diferente de outro que executa dezenas de ciclos de raciocínio, consulta múltiplas fontes e chama vários serviços.
Em arquiteturas multiagentes, a situação fica ainda mais interessante.
Um agente pode supervisionar outros agentes. Um segundo faz pesquisa. Um terceiro valida informações. Outro executa a tarefa. Cada interação acrescenta custo computacional.
O crescimento de agentes dentro das empresas tende, portanto, a aproximar áreas de inteligência artificial das práticas de FinOps, usadas para acompanhar e otimizar custos de computação em nuvem.
Não basta saber se o sistema funciona.
Será necessário saber quanto custa cada resultado útil.
A responsabilidade também precisa ter dono
Existe outra diferença fundamental entre um copiloto e um agente.
Quando um funcionário utiliza IA para preparar um relatório e depois revisa o documento, existe uma cadeia de responsabilidade relativamente compreensível.
Quando um conjunto de agentes decide e executa etapas sozinho, essa cadeia pode se tornar nebulosa.
Quem responde por uma decisão errada?
O funcionário que definiu o objetivo?
A área que implantou o agente?
O fornecedor do modelo?
O gestor responsável pelo processo?
A equipe que permitiu que determinada ferramenta fosse acessada?
Não existe uma resposta única para todos os casos, justamente porque a arquitetura, as permissões e o nível de autonomia podem variar enormemente.
Por isso, um sistema agêntico empresarial precisa ser tratado também como um problema de identidade e autorização.
Cada agente deveria possuir permissões compatíveis com sua função, acesso apenas aos recursos necessários, registros auditáveis das ações relevantes e mecanismos claros para revogar sua autonomia.
Um agente responsável por consultar uma política interna não precisa necessariamente ter autorização para alterá-la.
Parece óbvio quando escrito dessa maneira.
Em ambientes de tecnologia, contudo, muitos grandes problemas começaram exatamente quando permissões convenientes durante o desenvolvimento sobreviveram até a produção.
O risco aumenta quando agentes começam a conversar entre si
Os sistemas multiagentes acrescentam outra camada de complexidade.
Imagine um fluxo em que um primeiro agente pesquisa informações sobre um cliente. Um segundo interpreta os dados. Um terceiro decide qual procedimento deve ser adotado e um quarto executa a operação.
O último agente pode funcionar perfeitamente e, mesmo assim, produzir um resultado errado.
Basta que o primeiro tenha recuperado uma informação incorreta.
O problema deixa de ser apenas verificar a saída.
É preciso reconstruir a cadeia de decisões.
Isso exige observabilidade: registros capazes de mostrar quais dados foram acessados, quais ferramentas foram utilizadas, quais agentes participaram do processo e quais decisões foram tomadas ao longo do caminho.
Em sistemas críticos, a empresa também precisa estabelecer pontos nos quais a autonomia termina.
Transferir dinheiro, excluir informações, alterar permissões ou tomar determinadas decisões envolvendo pessoas são exemplos de tarefas que podem exigir um nível diferente de controle.
Autonomia não precisa ser binária.
Um agente pode operar sozinho em situações de baixo risco e solicitar autorização quando ultrapassa determinados limites.
Accenture e Wharton colocam pessoas na liderança, e não apenas no circuito
A pesquisa realizada pela Accenture em parceria com a Wharton School amplia a discussão para a própria estrutura do trabalho.
A análise examinou atividades em 18 setores e estimou que, em média, mais de 50% das horas trabalhadas poderão ser impactadas por agentes de IA.
“Impactadas”, porém, não significa necessariamente eliminadas.
Uma tarefa pode desaparecer, ser parcialmente automatizada, mudar de formato ou passar a exigir que uma pessoa supervisione aquilo que antes executava diretamente.
É uma distinção importante porque boa parte da discussão pública ainda trata automação como se existissem apenas duas possibilidades: o humano faz tudo ou o humano desaparece.
Na prática, provavelmente teremos um espectro muito maior.
A Accenture defende uma ideia que ajuda a compreender essa mudança: humanos devem permanecer na liderança do sistema, e não simplesmente dentro do circuito.
A diferença parece semântica, mas não é.
Apertar “aprovar” não é necessariamente supervisão humana
Existe uma tendência de tratar qualquer intervenção humana como prova de controle.
Mas imagine um profissional recebendo centenas de decisões produzidas automaticamente durante o dia.
Se sua função for apenas confirmar cada uma delas rapidamente, o chamado “human in the loop” pode se transformar em uma sequência de cliques.
A pessoa continua formalmente no processo, mas perdeu a capacidade real de avaliar aquilo que está aprovando.
Supervisão efetiva exige outra coisa.
O humano precisa compreender quais decisões foram delegadas, quais informações sustentaram cada ação, quais limites foram estabelecidos e em quais situações a máquina deve interromper o fluxo e devolver a decisão para uma pessoa.
Em outras palavras, não basta colocar alguém depois do agente.
É preciso projetar o sistema para que essa pessoa realmente consiga comandá-lo.
O trabalho deve mudar antes que os cargos desapareçam
A própria Deloitte encontrou uma expectativa elevada de transformação profissional.
Quarenta e três por cento dos líderes consultados acreditam que agentes de IA provocarão disrupção significativa nas funções de trabalho de suas empresas ao longo dos próximos 12 a 18 meses. Em um horizonte de dois a três anos, o percentual chega a 72%.
Esses números representam a expectativa dos executivos entrevistados.
Não são uma previsão equivalente de demissões.
A distinção importa.
Uma função pode mudar profundamente sem desaparecer.
Profissionais que hoje executam etapas manualmente podem passar a administrar exceções, supervisionar agentes, investigar falhas, organizar dados, estabelecer métricas ou revisar decisões de maior risco.
Algumas atividades provavelmente serão eliminadas.
Outras podem surgir.
E muitas serão reorganizadas.
A questão será determinar se empresas investirão na adaptação das pessoas com a mesma velocidade com que investem na automação.
Quem ganha eficiência primeiro
Os primeiros ganhos tendem a aparecer justamente onde existe trabalho digital estruturado.
Atendimento ao cliente, desenvolvimento de software, tecnologia da informação, finanças, suporte interno e determinadas rotinas administrativas possuem processos que podem ser divididos em tarefas relativamente claras.
Também são áreas nas quais sistemas empresariais já armazenam boa parte das informações necessárias.
Isso reduz o atrito para agentes.
Setores com informações fragmentadas, alto grau de julgamento humano ou consequências graves em caso de erro tendem a exigir controles muito mais sofisticados.
Uma coisa é um agente classificar chamados de suporte.
Outra é permitir que tome autonomamente uma decisão financeira de grande impacto ou determine algo relevante sobre uma pessoa.
A mesma tecnologia pode exigir níveis completamente diferentes de autonomia dependendo do contexto.
A próxima disputa talvez não seja sobre quem possui o melhor modelo
Durante os primeiros anos da inteligência artificial generativa, a competição ficou concentrada nos modelos.
Quem escrevia melhor?
Quem programava melhor?
Quem resolvia mais testes?
Quem possuía a maior janela de contexto?
À medida que diferentes modelos alcançam capacidade suficiente para executar tarefas empresariais, outra camada começa a ganhar importância.
Dados.
Identidade.
Permissões.
Integrações.
Memória.
Observabilidade.
Avaliação.
Custos.
Orquestração.
É possível que trocar o modelo utilizado por um agente se torne relativamente simples, enquanto substituir toda a infraestrutura construída ao redor dele seja muito mais difícil.
Essa infraestrutura pode acabar se tornando o verdadeiro ponto de dependência tecnológica.
Autonomia pode criar uma nova forma de concentração
Existe ainda um debate menos evidente.
Quanto mais processos empresariais passam a depender de agentes, maior é a importância de quem controla a infraestrutura utilizada por esses sistemas.
Provedores de nuvem, plataformas de agentes, fornecedores de modelos, bancos de dados, serviços de identidade e ferramentas de orquestração podem se tornar componentes centrais do funcionamento de uma empresa.
Isso produz uma contradição interessante.
A organização adota agentes procurando ganhar autonomia operacional, mas pode simultaneamente aumentar sua dependência tecnológica.
Migrar de um modelo para outro talvez seja simples.
Migrar centenas de integrações, permissões, memórias, avaliações, políticas e fluxos criados em torno de uma plataforma pode não ser.
A discussão sobre IA agêntica, portanto, também será uma discussão sobre interoperabilidade e concentração de poder.
Análise da equipe
Os levantamentos da Deloitte, KPMG e Accenture não mostram uma tecnologia fracassando.
Mostram algo provavelmente mais importante.
A IA agêntica está funcional o bastante para começar a revelar problemas que protótipos e chatbots não precisavam enfrentar.
Dados ruins.
Processos mal documentados.
Custos difíceis de rastrear.
Permissões excessivas.
Responsabilidades ambíguas.
E uma quantidade enorme de conhecimento corporativo que nunca foi formalizado porque pessoas sempre conseguiram compensar essas falhas informalmente.
Esse é o verdadeiro teste da próxima fase.
Um agente útil precisa de acesso.
Acesso cria poder.
Poder exige limites.
Quanto mais sistemas um agente consegue consultar e modificar, maior pode ser seu benefício, mas também cresce o raio de impacto de uma decisão equivocada.
O mercado provavelmente continuará celebrando quantidade de agentes implantados, demonstrações impressionantes e novas plataformas.
Para avaliar maturidade, porém, outras métricas serão mais interessantes.
Quantas tarefas esses agentes realmente concluem?
Quanto custa cada uma?
Com que frequência precisam de intervenção humana?
Quantas decisões são revertidas?
Quais permissões possuem?
Quantos incidentes provocam?
E, principalmente, qual resultado mensurável entregam para a organização?
Quando essas respostas começarem a aparecer, será possível distinguir empresas realmente transformadas por IA daquelas que apenas adicionaram uma nova camada tecnológica sobre processos antigos.
A inteligência artificial agêntica está transformando a discussão de IA em algo maior que um problema de software.
Ela está se tornando um problema de engenharia organizacional.
E talvez esse seja o ponto mais interessante dos três levantamentos: fazer uma máquina agir está ficando relativamente fácil.
A parte difícil é construir uma organização que saiba exatamente quando deve deixá-la agir — e quem responde quando ela age.
👉 Dúvida? Então veja mais em: https://pixbugtech.com/linksuteis