2025: O ano em que agentes de IA 'invisíveis' se integrarão às hierarquias empresariais.

No futuro da empresa, os trabalhadores humanos devem trabalhar em estreita colaboração com equipes sofisticadas de agentes de IA.

Segundo a McKinsey, a IA generativa e outras tecnologias têm o potencial de automatizar 60 a 70% do trabalho dos funcionários. E, já, uma estimativa de um terço dos trabalhadores americanos está usando IA no local de trabalho — muitas vezes sem o conhecimento dos 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 terão um papel mais ativo nas operações empresariais.

“Os agentes se encaixarão nos fluxos de trabalho empresariais, assim como membros especializados de qualquer equipe”, disse Naveen Rao, VP de IA da Databricks e fundador e ex-CEO da MosaicAI.

Resolvendo o que a RPA não conseguiu

Agentes de IA vão além de chatbots de perguntas e respostas para assistentes que utilizam modelos fundacionais para executar tarefas mais complexas que antes não eram consideradas possíveis. Esses agentes movidos por linguagem natural podem lidar com múltiplas tarefas e, quando habilitados para tal pelos humanos, agir sobre elas.

“Os agentes são orientados por 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 feedback e melhorar ao longo do tempo, disse Raj Shukla, CTO da empresa de IA SaaS SymphonyAI.

“Em um alto nível, espera-se que os agentes de IA cumpram o sonho há muito aguardado de automação nas empresas que a automação de processos robóticos (RPA) deveria resolver”, disse ele. À medida que os modelos de linguagem de grande escala (LLMs) se tornarem seu “cérebro de planejamento e raciocínio”, eles eventualmente 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 ele dirigir por estradas lotadas.”

Como serão os agentes de IA?

No entanto, os agentes de IA ainda estão em estágios iniciais, com casos de uso sendo desenvolvidos e explorados.

“Vai ser um espectro amplo 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 possível problema de manutenção em um ambiente industrial, delinear um procedimento de manutenção e gerar um rascunho de solicitação de ordem de trabalho. E então enviar isso para o usuário final (humano) que faz a última chamada.

“Já estamos vendo muito disso hoje em dia”, disse Curran. “Essencialmente, é um algoritmo de detecção de anomalias.”

Em cenários mais complexos, os agentes poderiam recuperar informações e agir em múltiplos sistemas. Por exemplo, um usuário pode solicitar: “Sou um consultor financeiro, preciso atualizar todos os meus clientes de alta renda com um problema que ocorreu — você pode ajudar a desenvolver e-mails personalizados que dão insights sobre o impacto no portfólio específico deles?” O agente de IA então acessaria vários bancos de dados, executaria análises, geraria e-mails personalizados e os enviaria através de uma chamada de API para um sistema de marketing por e-mail.

Avançando além disso, haverá ecossistemas sofisticados de múltiplos agentes, 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, avaliando custo e disponibilidade, enquanto troca informações com um agente de terceiros. 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 majoritariamente autônomos, ele observou. A maioria dos casos de uso envolverá intervenção humana, seja por questões de treinamento, segurança ou regulatórias. “Agentes autônomos serão muito raros, pelo menos a 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 apoiar da melhor forma uma função empresarial.”

Ajudando com RH, vendas (e outras funções)

Um exemplo de caso de uso para agentes de IA que quase todas as indústrias podem se relacionar é o processo de integração de novos funcionários, observou Challis. Isso geralmente envolve muitas pessoas, incluindo RH, folha de pagamento, TI e outros. Agentes de IA poderiam agilizar e acelerar o processo à medida que recebem e manipulam contratos, coletam documentos e estabelecem aprovações de folha de pagamento, TI e segurança.

Em outro cenário, imagine um representante de vendas utilizando IA. Esse agente pode colaborar com agentes de compras e cadeia de suprimentos para trabalhar na precificação e termos de entrega de uma proposta, explicou Andreas Welsch, fundador e principal estrategista de IA da consultoria Intelligence Briefing.

O agente de compras então reunirá informações sobre produtos acabados e materiais brutos disponíveis, enquanto o agente de cadeia de suprimentos calculará os prazos 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 que aglutine informações relevantes sobre um dado cliente. O agente leva em conta a consulta, o histórico e as compras recentes, potencialmente de diferentes sistemas e documentos. Eles então criam uma resposta e a apresentam a um membro da equipe que pode revisar e editar ainda mais o rascunho antes de enviá-lo ao cliente.

“Agentes executam 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 então 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 de negócios FactSet opera uma plataforma financeira que permite que analistas consultem grandes volumes de dados financeiros para tomar decisões de investimento e financeiras em tempo hábil.

A empresa criou um sistema de IA composto que permite ao usuário fazer solicitações em linguagem natural. Originalmente, a empresa tinha um LLM monolítico e “embutiu 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 16 segundos de latência, explicou Rao.

Para resolver isso, a FactSet mudou sua arquitetura, dividindo seu sistema em um agente de IA mais eficiente que chamava vários modelos menores e funções, 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 os custos e a latência em 62% (para 10 segundos), relatou Rao.

Em última análise, ele observou, “a verdadeira transformação virá da utilização dos dados de uma empresa para construir uma capacidade única ou processo de negócios que dê a essa empresa uma vantagem sobre seus concorrentes.”