No futuro corporativo, espera-se que os trabalhadores humanos trabalhem em estreita colaboração com equipes sofisticadas de agentes de IA.
De acordo com a McKinsey, a IA generativa e outras tecnologias têm o potencial de automatizar de 60 a 70% do trabalho dos funcionários. E, já, cerca de um terço dos trabalhadores americanos estão usando IA no local de trabalho — muitas vezes sem o conhecimento de seus empregadores.
No entanto, especialistas preveem que 2025 será o ano em que esses chamados agentes de IA “invisíveis” começarão a sair das sombras e a assumir um papel mais ativo nas operações empresariais.
“Os agentes provavelmente se encaixarão nos fluxos de trabalho empresariais da mesma forma que membros especializados de qualquer equipe”, disse Naveen Rao, VP de IA na Databricks e fundador e ex-CEO da MosaicAI.
Resolvendo o que a RPA não conseguiu
Os agentes de IA vão além de chatbots de perguntas e respostas para assistentes que usam modelos de fundação para executar tarefas mais complexas que antes não eram consideradas possíveis. Esses agentes alimentados por linguagem natural podem lidar com várias tarefas e, quando capacitados para isso por humanos, agir sobre elas.
“Os agentes são baseados em objetivos e tomam decisões independentes com base no contexto”, explicou Ed Challis, chefe de estratégia de IA na plataforma de automação de negócios UiPath. “Os agentes terão graus variados de autonomia.”
Em última análise, os agentes de IA serão capazes de perceber (processar e interpretar dados), planejar, agir (com ou sem um humano no processo), refletir, aprender com o feedback e melhorar ao longo do tempo, disse Raj Shukla, CTO da empresa de IA SaaS SymphonyAI.
“Em um nível alto, espera-se que os agentes de IA cumpram o sonho há muito aguardado da automação nas empresas que a automação de processos robóticos (RPA) deveria resolver”, disse ele. À medida que os grandes modelos de linguagem (LLMs) se tornam seu “cérebro de planejamento e raciocínio”, eles começarão a imitar o comportamento humano. “O fator uau de um bom agente de IA é semelhante a estar em um carro autônomo e ver como ele navega por estradas congestionadas.”
Como serão os agentes de IA?
No entanto, os agentes de IA ainda estão em estágios formativos, com casos de uso ainda sendo desenvolvidos e explorados.
“Vai ser um amplo espectro de capacidades”, disse o analista sênior da Forrester, Rowan Curran, à VentureBeat.
O nível mais básico é o que ele chamou de “RAG plus”, ou um sistema de geração aumentada por recuperação que realiza alguma ação após a recuperação inicial. Por exemplo, detectar um potencial problema de manutenção em um ambiente industrial, esboçar um procedimento de manutenção e gerar um rascunho de pedido de trabalho. E então enviar isso ao usuário final (humano) que toma a decisão final.
“Já estamos vendo muito disso hoje em dia”, disse Curran. “Isso essencialmente equivale a um algoritmo de detecção de anomalias.”
Em cenários mais complexos, os agentes poderiam recuperar informações e agir em vários sistemas. Por exemplo, um usuário pode solicitar: “Sou um consultor de patrimônio, preciso atualizar todos os meus clientes de alto patrimônio com um problema que ocorreu — você pode ajudar a desenvolver e-mails personalizados que forneçam insights sobre o impacto em seus portfólios específicos?” O agente de IA acessaria vários bancos de dados, executaria análises, geraria e-mails personalizados e os enviaria por meio de uma chamada de API para um sistema de marketing por e-mail.
Indo ainda mais além, haverá ecossistemas de múltiplos agentes sofisticados, disse Curran. Por exemplo, em um chão de fábrica, um algoritmo preditivo pode acionar um pedido de manutenção que vai para um agente que identifica diferentes opções, pesando custo e disponibilidade, tudo enquanto interage com um terceiro agente. Ele poderia então fazer um pedido enquanto interage com diferentes sistemas independentes, modelos de aprendizado de máquina (ML), integrações de API e middleware empresarial.
“Essa é a próxima geração no horizonte”, disse Curran.
Por enquanto, no entanto, os agentes provavelmente não serão totalmente autônomos ou principalmente autônomos, ele apontou. A maioria dos casos de uso envolverá humanos no processo, seja para treinamento, segurança ou razões regulatórias. “Agentes autônomos serão muito raros, pelo menos no curto prazo.”
Challis concordou, enfatizando que “uma das coisas mais importantes a reconhecer sobre qualquer implementação de IA é que a IA por si só não é suficiente. Vemos que todos os processos de negócios serão melhor resolvidos por uma combinação de automação tradicional, agentes de IA e humanos trabalhando em conjunto para melhor apoiar uma função empresarial.”
Ajudando com RH, vendas (e outras funções)
Um exemplo de caso de uso para agentes de IA que quase toda indústria pode relacionar é o processo de integração de novos funcionários, observou Challis. Isso normalmente envolve muitas pessoas, incluindo RH, folha de pagamento, TI e outros. Os agentes de IA poderiam agilizar e acelerar o processo à medida que recebem e lidam com contratos, coletam documentos e configuram aprovações de folha de pagamento, TI e segurança.
Em outro cenário, imagine um representante de vendas usando IA. Esse agente pode colaborar com agentes de compras e da cadeia de suprimentos para elaborar preços e termos de entrega para uma proposta, explicou Andreas Welsch, fundador e principal estrategista de IA da empresa de consultoria Intelligence Briefing.
O agente de compras então reunirá informações sobre produtos acabados e matérias-primas disponíveis, enquanto o agente da cadeia de suprimentos calculará os tempos de fabricação e envio e reportará de volta ao agente de compras, observou ele.
Ou, um representante de atendimento ao cliente pode pedir a um agente para reunir informações relevantes sobre um determinado cliente. O agente leva em conta a consulta, o histórico e as compras recentes, potencialmente de diferentes sistemas e documentos. Ele então cria uma resposta e apresenta-a a um membro da equipe que pode revisar e editar o rascunho antes de enviá-lo ao cliente.
“Os agentes realizam etapas em um fluxo de trabalho com base em um objetivo que o usuário forneceu”, disse Welsch. “O agente divide esse objetivo em subobjetivos e tarefas e tenta completá-los.”
Como a FactSet colocou agentes de IA em ação
Embora as estruturas de agentes sejam relativamente novas, algumas empresas têm usado o que Rao chamou de sistemas de IA compostos. Por exemplo, a empresa de dados e análises financeiras FactSet opera uma plataforma financeira que permite que analistas consultem grandes quantidades de dados financeiros para tomar decisões de investimento e financeiras oportunas.
A empresa criou um sistema de IA composto que permite que um usuário escreva pedidos em linguagem natural. Originalmente, a empresa tinha um único LLM monolítico e “embalava o máximo de contexto que podia” em cada chamada com RAG. No entanto, esse método atingiu um teto de qualidade com cerca de 59% de precisão e uma latência de 16 segundos, explicou Rao.
Para resolver isso, a FactSet mudou sua arquitetura, dividindo seu sistema em um agente de IA mais eficiente que chamava vários modelos e funções menores, cada um personalizado ou ajustado para realizar uma tarefa específica e estreita. Após algumas iterações, a empresa conseguiu melhorar significativamente a qualidade (85% de precisão) enquanto diminuía custos e latência em 62% (para 10 segundos), relatou Rao.
Em última análise, ele observou, “a verdadeira transformação virá do aproveitamento dos dados de uma empresa para construir uma capacidade ou processo de negócios exclusivo que dê àquela empresa uma vantagem sobre seus concorrentes.”