Antes da introdução da IA generativa, a IA analítica já havia gerado um valor de 11 a 18 trilhões de dólares em todo o mundo, principalmente por meio de previsão e otimização. No entanto, seu uso era restrito a especialistas. A IA generativa mudou isso, permitindo o acesso a todos: 78% das organizações agora relatam o uso de IA generativa em pelo menos uma função, representando um potencial adicional estimado de US$ 2,6 a 4,4 trilhões.
No entanto, esse entusiasmo não se traduziu em resultados. Mais de 80% das empresas não relatam nenhuma contribuição significativa para a geração de lucros a partir de iniciativas de IA generativa, e apenas 1% considera sua estratégia "madura". Esse fenômeno é conhecido como o "paradoxo da IA generativa": enorme energia, investimento e potencial, mas apenas um impacto mínimo.
Muitas empresas implementaram casos de uso de IA "horizontal", como co-pilotos e chatbots. Quase 70% das empresas da Fortune 500 usam o Microsoft 365 Copilot, por exemplo. Mas, embora essas ferramentas acessíveis aumentem a produtividade individual, seu impacto é muito pequeno para afetar o resultado final.
Por outro lado, os casos de uso "verticais", incorporados a processos comerciais específicos, têm maior potencial econômico. No entanto, estudos da McKinsey mostram que cerca de 90% desses esforços permanecem presos na fase piloto. Mesmo que sejam usados, eles geralmente dão suporte a processos individuais reativamente, em vez de trabalharem de forma autônoma.
A introdução da IA vertical enfrenta vários obstáculos: muitas vezes, são iniciativas isoladas de baixo para cima que levam à fragmentação. A falta de soluções padronizadas geralmente exige um desenvolvimento personalizado. Os LLMs de primeira geração são limitados por sua passividade inerente, falta de confiabilidade e incapacidade de lidar com problemas complexos e de vários níveis. A qualidade e a acessibilidade dos dados geralmente são inconsistentes. A IA vertical também pode encontrar resistência cultural por parte das equipes que temem a interrupção.
No entanto, apesar do impacto limitado no resultado final, a primeira onda de IA generativa possibilitou pilotos em larga escala que aceleraram a confiança na IA e ajudaram as organizações a desenvolver recursos essenciais em engenharia imediata, avaliação de modelos e governança. Isso estabelece a base para uma segunda fase mais integrada e transformadora: o início da era dos agentes de IA.
Os LLMs revolucionaram a forma como as empresas interagem com os dados: eles permitem a síntese de informações, a geração de conteúdo e a interação em linguagem natural, mas de uma forma fundamentalmente reativa, isolada de outros sistemas corporativos.
Os agentes de IA estendem a IA generativa, desde a geração de conteúdo reativo até a execução autônoma. Eles combinam LLMs com funções de armazenamento, planejamento e orquestração para entender as metas, dividi-las em subtarefas e executar operações com o mínimo de intervenção humana. Isso amplia o potencial das soluções horizontais: os co-pilotos baseados em agentes tornam-se colegas de equipe proativos que podem monitorar painéis, acionar fluxos de trabalho, rastrear ações abertas e fornecer insights em tempo real.
No entanto, o verdadeiro avanço ocorre no espaço vertical, onde a IA agêntica pode automatizar processos comerciais complexos que envolvem várias etapas, atores e sistemas – processos que vão além dos recursos das ferramentas de IA de primeira geração.
Os agentes transformam os processos de cinco maneiras: eliminando atrasos devido à execução paralela, permitindo adaptabilidade em tempo real e personalização em larga escala, fornecendo capacidade flexível e aumentando a resiliência operacional por meio de monitoramento contínuo.
No gerenciamento da cadeia de suprimentos, por exemplo, um agente de IA poderia prever continuamente a demanda, identificar riscos e redistribuir automaticamente o estoque entre os depósitos, negociando com sistemas externos para melhorar os níveis de serviço e reduzir os custos.
Os agentes podem promover o crescimento expandindo as fontes de receita existentes. Isso é feito, por exemplo, pela identificação de oportunidades de vendas adicionais ou cruzadas em uma loja on-line com base na análise do comportamento do usuário, do conteúdo do carrinho de compras e de outras informações contextuais. Além disso, novas fontes de receita podem ser exploradas, por exemplo, por meio de ofertas automatizadas, como assinaturas de manutenção para clientes industriais ou ferramentas SaaS agrupadas que fornecem conhecimento interativo para clientes que precisam de consultoria personalizada jurídica, tributária ou de compras.
Em suma: a IA agêntica não apenas automatiza, mas também redefine a maneira como as organizações trabalham, se adaptam e criam valor.
Quando os agentes são simplesmente incorporados aos processos legados, eles se tornam assistentes mais rápidos, normalmente oferecendo ganhos de produtividade de 5 a 10%. No entanto, o verdadeiro sucesso da inovação exige uma reforma dos processos desde o início.
Isso inclui mudar as etapas do processo, reatribuir responsabilidades entre humanos e agentes e projetar o processo para aproveitar os pontos fortes da IA, como a execução paralela, a adaptação em tempo real, a personalização abrangente e o gerenciamento flexível da capacidade.
Imagine uma central de atendimento ao cliente hipotética: inicialmente, a equipe de suporte humano usará ferramentas de IA para recuperar artigos de bancos de dados de conhecimento, resumir históricos de tíquetes e escrever respostas. Se os agentes de IA fossem introduzidos mantendo os fluxos de trabalho existentes, o tempo gasto poderia ser reduzido em 20 a 40% e o atraso em 30 a 50%.
Uma reformulação completa dos processos, com agentes de IA reconhecendo problemas proativamente, iniciando soluções automatizadas e se comunicando diretamente com os clientes, poderia resolver até 80% dos incidentes de forma autônoma, resultando em uma redução de 60 a 90% no tempo de resolução. Os agentes humanos, chamados quando os agentes de IA detectam incertezas ou exceções aos padrões típicos, agora são gerentes de escalonamento e monitores de qualidade de serviço nesse cenário.
É claro que nem todo processo de negócios precisa ser totalmente reinventado. A automação de tarefas simples é suficiente para processos de trabalho padronizados e repetitivos com variabilidade limitada, como a contabilidade da folha de pagamento ou a aprovação de despesas de viagem. No entanto, processos complexos e multifuncionais que são propensos a exceções ou que estão ligados diretamente ao desempenho dos negócios geralmente justificam uma reformulação completa.
A IA agêntica não apenas automatiza, mas também redefine a maneira como as organizações trabalham, se adaptam e criam valor agregado.
Alexander Sukharevsky, sócio-gerente, QuantumBlack, AI by McKinsey, Londres
O dimensionamento de agentes apresenta três desafios: gerenciar novos riscos sistêmicos, integrar sistemas personalizados e padronizados e manter a agilidade para evitar a dependência de fornecedores em meio a tecnologias de rápida evolução. Esses desafios não podem ser superados simplesmente com a adição de novos componentes, como sistemas de armazenamento ou mecanismos de orquestração, às pilhas de IA de geração existentes.
O que precisamos é de uma mudança fundamental de uma infraestrutura estática e centrada no LLM para um ambiente dinâmico, modular e governado, projetado especificamente para a inteligência baseada em agentes – a malha de IA agêntica.
A malha de IA agêntica fornece uma estrutura unificada que permite que vários agentes (padronizados e personalizados) raciocinem, colaborem e atuem de forma autônoma em uma variedade de sistemas, ferramentas e modelos de linguagem – seguros, dimensionáveis e projetados para evoluir com a tecnologia. Ela se baseia em cinco princípios de design interligados:
As organizações também devem adaptar suas estratégias de LLM às necessidades específicas dos agentes: as implementações que exigem respostas em tempo real precisam de LLMs de baixa latência; os agentes que trabalham em áreas regulamentadas ou de conhecimento intensivo (por exemplo, jurídica, financeira, de saúde) precisam de LLMs que possam ser otimizados e equipados com ferramentas externas.
No médio e longo prazo, as organizações devem se afastar das APIs e desenvolver arquiteturas de TI orientadas a agentes, nas quais as interfaces de usuário, as funções lógicas e as camadas de acesso a dados são projetadas desde o início para máquinas e não para pessoas. Em vez de telas e formulários, esses sistemas são organizados em torno de interfaces legíveis por máquina, fluxos de trabalho autônomos e fluxos de decisão controlados por agentes.
Essa mudança já está em andamento. A Microsoft integra agentes às funções principais do Dynamics 365 e do Microsoft 365 por meio do Copilot Studio. O Salesforce amplia o Agentforce para uma camada de orquestração de vários agentes. A SAP está redesenhando sua Business Technology Platform (BTP) para suportar a integração de agentes via Joule. O futuro do software empresarial não é apenas suportado por IA, mas também baseado em agentes.
À medida que os agentes evoluem e se expandem, surgem complexidades técnicas e organizacionais, impondo desafios em termos de coordenação, julgamento e confiança. Esses desafios se manifestam de três maneiras:
Para fazer jus às oportunidades oferecidas pela IA agêntica, as organizações devem reformular fundamentalmente sua abordagem à transformação da IA – em quatro dimensões:
O surgimento de agentes de IA representa um ponto de inflexão estratégico que redefinirá a maneira como as organizações operam, competem e criam valor. Esse é um ponto crucial que não pode ser delegado - ele deve ser iniciado e gerenciado pelo CEO. Isso requer três medidas decisivas:
Como qualquer tecnologia disruptiva, os agentes de IA oferecem aos retardatários a oportunidade de aumentar sua competitividade. Implementados incorretamente ou não utilizados, eles arriscam acelerar o declínio dos atuais líderes de mercado.
A IA agêntica continua evoluindo, mas já está madura o suficiente para promover mudanças reais em vários setores. Para realizar seu potencial, os CEOs precisam abordar a transformação da IA como uma série de projetos de reforma direcionados e de ponta a ponta. Isso significa identificar as áreas de negócios com o maior potencial e, em seguida, fazer tudo o que for possível: desde a reorganização dos processos de trabalho e a redistribuição de tarefas entre homem e máquina até a introdução de novos modelos operacionais.
Alguns líderes já estão a caminho – não apenas implantando frotas de agentes, mas reestruturando suas organizações para realizar todo o seu potencial disruptivo. Por exemplo, a Moderna fundiu os gerentes de seus departamentos de RH e TI e fundiu o gerenciamento de TI, sinalizando que a IA agora tem influência sobre o design da força de trabalho. Esse é um passo estrutural em direção a um novo tipo de empresa.
A IA agêntica não é uma etapa incremental, mas a base do modelo operacional da próxima geração. Os CEOs que agirem agora não apenas obterão uma vantagem de desempenho, mas também redefinirão a forma como suas organizações pensam, decidem e implementam. A fase de exploração está chegando ao fim – agora começa o tempo de transformação.
Este é um trecho do relatório da QuantumBlack "Seizing the agentic AI advantage" (Aproveitando a vantagem da IA agêntica)
