As fronteiras tecnológicas na mesa da liderança

As conversas que tenho participado mudaram de patamar. Esqueça os chatbots simples, que apenas respondem perguntas (ou pelo menos tentam) ou geram textos isolados.

A pauta do momento são os agentes autônomos de IA, sistemas integrados capazes de executar processos complexos de ponta a ponta, interagir com softwares de terceiros e tomar decisões operacionais em tempo real (ainda precisamos de cuidado nisso), da otimização de estoque à triagem avançada de suporte.

O papel do líder de tecnologia deixou de ser o de comprador de ferramentas e passou a ser o de orquestrador de uma força de trabalho híbrida, composta por pessoas e agentes digitais.

Essa mudança não é semântica. Ela redefine o que se compra, o que se mede, quem responde pelo resultado e onde ficam os riscos.

Da resposta à ação, o que realmente muda na IA 3.0

A primeira onda da IA corporativa foi preditiva, os modelos classificavam, pontuavam e projetavam. A segunda foi generativa, eles que produziam texto, código e imagem sob demanda, sempre esperando alguém do outro lado para pedir e revisar. A terceira onda, a agêntica, quebra essa dependência do prompt. O agente recebe um objetivo, não uma instrução, decompõe esse objetivo em passos, escolhe as ferramentas, executa, observa o resultado e corrige a rota até concluir ou até esbarrar em um limite que o obriga a chamar um humano (por enquanto).

Três capacidades separam um agente de um chatbot bem treinado:

A primeira é o uso de ferramentas, onde o agente não descreve como consultar um ERP, um CRM ou um banco de dados, ele consulta, escreve, aciona uma API, abre um chamado.

A segunda é a memória e o estado, em que ele carrega contexto entre etapas e entre execuções, o que permite processos que duram horas ou dias, não uma única resposta.

A terceira é o ciclo de decisão, onde existe um laço de planejamento, ação e avaliação que substitui a supervisão da pessoa humana passo a passo por uma supervisão por exceção.

A arquitetura multiagentes

Quando esses agentes deixam de operar isoladamente, surge a arquitetura multiagente. Em vez de um sistema único que tenta fazer tudo, você tem especialistas. Um agente interpreta a demanda, outro consulta as fontes internas, outro valida as regras de negócio, outro executa a transação e outro audita o que foi feito. Um orquestrador distribui as tarefas e concilia os resultados.

A mudança de mentalidade é familiar para quem já migrou de monolitos para microsserviços (deja vu), com uma diferença desconfortável pois aqui os componentes são probabilísticos, não determinísticos.

O ecossistema começou a se organizar em torno disso. Padrões abertos de interoperabilidade cumprem para os agentes o papel que o HTTP cumpriu para a web, peças construídas por fornecedores diferentes conversam sem integração ponto a ponto.

É o caso do Model Context Protocol, que conecta modelos a ferramentas e dados, e do protocolo Agent2Agent, que em seu primeiro ano passou de cinquenta para mais de 150 organizações apoiadoras e chegou às principais plataformas de nuvem.

A implicação prática é imediata, a decisão relevante não é mais "qual copiloto contratar", e sim que camada de orquestração, identidade e observabilidade sua empresa vai adotar para que agentes de origens distintas operem sob a mesma regra.

E aqui está o ponto mais subestimado (na minha percepção), um agente autônomo é, na prática, um novo tipo de usuário do seu ambiente. Tem credenciais, permissões, histórico de acesso e capacidade de causar dano. A diferença é que opera na velocidade da máquina e em volume que nenhuma auditoria manual acompanha.

Toda a disciplina de identidade, segregação de funções e trilha de auditoria que levou duas décadas para amadurecer entre usuários humanos precisa ser reconstruída, rapidamente, para identidades não humanas.

O abismo entre o piloto e a produção

O entusiasmo com agentes convive com um histórico recente pouco animador.

O Gartner projeta que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por três motivos que se repetem e que são bem conhecidos, o custo crescente, valor de negócio pouco claro e controles de risco inadequados.

A mesma consultoria estima que, entre os milhares de fornecedores que se anunciam como agênticos, apenas algo em torno de uma centena entrega de fato o que promete. O restante é o que se convencionou chamar de agent washing, ou seja, chatbots, automações de RPA e assistentes antigos reembalados com o vocabulário do hype.

Do lado de quem compra, o quadro é igualmente desanimador.

Um estudo do MIT que circulou amplamente apontou que cerca de 95% dos pilotos de IA generativa nas empresas não geraram retorno mensurável, não por falha do modelo, mas por falta de integração com o processo real de trabalho.

A pesquisa global mais recente da McKinsey mostra o mesmo padrão, que embora a proporção de grandes empresas que escalaram agentes tenha subido de 27% para 40% em um ano, a fatia de organizações que atribui algum impacto no EBIT à IA permaneceu praticamente estável, em torno de 37%, e apenas cerca de 6% se qualificam como alto desempenho. Oito em cada dez profissionais dizem que a IA aumentou sua produtividade individual, e esse ganho, no agregado, ainda não aparece no resultado da empresa.

Esse descompasso tem explicações concretas, e nenhuma delas é o modelo.

Fundação de dados - um agente que não enxerga o dado certo, no momento certo, com linhagem e permissão claras, não é autônomo, é um gerador de retrabalho. Contexto disperso em planilhas, definições conflitantes de métricas e catálogos desatualizados travam projetos agênticos com muito mais violência do que travavam dashboards, porque agora a decisão errada é executada e não apenas exibida. Olhar os dados antes da IA continua sendo um mantra a ser reforçado.

Ausência de redesenho de processo - colocar um agente para acelerar um fluxo desenhado para as limitações humanas produz um fluxo ruim mais rápido. Não por acaso, entre as empresas de alto desempenho identificadas pela McKinsey, 73% redesenharam fundamentalmente os fluxos de trabalho, contra 55% no ano anterior. O ganho não vem de automatizar a tarefa, vem de reorganizar o processo em torno do que a máquina agora consegue fazer sozinha.

Falta de controles proporcionais à autonomia - quando um sistema pode agir, a pergunta de governança muda de "o que ele respondeu?" para "o que ele fez, com qual permissão, em nome de quem, e como eu reverto?". Injeção de prompt, escalonamento silencioso de privilégios, encadeamento de agentes que dilui a responsabilidade e proliferação descontrolada de identidades de máquina são riscos operacionais reais, não hipóteses acadêmicas. Sem limites explícitos, reversibilidade e trilha de auditoria, o projeto morre, no melhor caso, no comitê de risco ou no pior, depois do incidente.

Economics - agentes consomem muito mais recursos que um chatbot, múltiplas chamadas de modelo por tarefa, ferramentas encadeadas, tentativas repetidas. O custo unitário por processo concluído é a métrica que separa piloto de produção, e é justamente a que quase ninguém instrumenta no começo.

O líder como orquestrador de uma força de trabalho híbrida

Se o papel mudou, o manual precisa mudar junto. Orquestrar humanos e agentes exige decisões que não estavam no escopo tradicional da liderança de tecnologia.

Trate agentes como colaboradores, não como scripts.

Todo agente em produção deveria ter um dono humano nomeado (ou responsável), um escopo escrito do que pode e não pode fazer, credenciais próprias e revogáveis, e um ciclo de avaliação de desempenho, com métricas de qualidade, taxa de escalonamento e custo por tarefa. Se você não consegue responder quem é o responsável por um agente e como desligá-lo em cinco minutos, ele não está pronto para produção.

Desenhe a supervisão por níveis de risco, não por preferência.

Nem tudo precisa de aprovação humana, e insistir nisso destrói o ganho. O critério útil é a reversibilidade combinada com o impacto, ações reversíveis e de baixo impacto rodam sozinhas, ações irreversíveis, com efeito sobre cliente, dinheiro ou obrigação regulatória, passam por um humano ou por um agente auditor independente, que revisa antes da execução. Autonomia se conquista por evidência, começa restrita e é ampliada com histórico (se for positivo).

Instrumente antes de escalar.

Observabilidade de agentes não é log de aplicação. É o rastro completo da decisão, de objetivo recebido, passos planejados, ferramentas acionadas, dados consultados, resultado, custo. Esse rastro é simultaneamente o instrumento de depuração, a evidência de auditoria e a base para melhorar o sistema. Empresas que instrumentam desde o piloto conseguem defender o projeto quando ele é questionado, as demais discutem percepção.

Escolha poucos processos e vá fundo.

O padrão de fracasso mais comum é a dispersão, dezenas de provas de conceito, nenhuma em produção. O padrão de sucesso é o oposto, dois ou três processos de alto volume, com regras razoavelmente estáveis, dado disponível e dono claro, levados até o fim, incluindo a parte chata de integração, exceção e reconciliação. É lá que o retorno aparece, e é lá que a organização aprende a operar o modelo novo.

Cuide da camada humana com a mesma seriedade.

A força de trabalho híbrida cria funções que não existiam, pois quem escreve e mantém as instruções dos agentes, quem revisa exceções, quem audita comportamento, quem responde pelo processo de ponta a ponta. Boa parte do trabalho de execução migra para julgamento, definição de critério e tratamento de casos difíceis, e essa transição precisa ser conduzida com transparência. Vale um dado que merece humildade, em 2025 esperava-se uma redução de quadro muito maior do que a que de fato ocorreu. O efeito de curto prazo tem sido mais de recomposição de tarefas do que de substituição em massa.

Preserve a opção de trocar de fornecedor.

Padrões abertos de interoperabilidade existem justamente para que a camada de orquestração, identidade e auditoria seja sua, e os agentes sejam substituíveis. Amarrar processo crítico à semântica proprietária de um único fornecedor é uma decisão de arquitetura com consequência estratégica, e deve ser tomada conscientemente, não por inércia de contrato.

A conclusão prática é menos glamourosa do que a promessa e mais promissora do que o ceticismo.

A tecnologia agêntica é real e já opera em produção em setores exigentes. O que separa quem colhe resultado de quem coleciona pilotos não é acesso ao modelo mais capaz, que já está commoditizado. É a disciplina de fundação de dados, redesenho de processo, governança proporcional e medição honesta.

Em outras palavras, a fronteira tecnológica chegou à mesa da liderança, mas o que se decide nessa mesa continua sendo, essencialmente, gestão.