- SAP afirma que a diferença entre 90% e 100% de precisão é “existencial” e que governança continua fundamental, com foco em precisão, governança, escalabilidade e impacto nos negócios.
- Empresas estão levando modelos de linguagem para produção, com a transição de ferramentas passivas para agentes digitais ativos, capazes de planejar, raciocinar e executar fluxos de trabalho.
- São obrigatórios gestão do ciclo de vida dos agentes, definição de limites de autonomia, políticas claras e monitoramento contínuo de desempenho.
- A arquitetura de dados precisa evitar foundations fragmentados; inteligência empresarial verdadeira deve se basear em dados proprietários (pedidos, faturas, cadeia de suprimentos) para previsões confiáveis.
- Antes da implantação, as empresas devem definir responsabilidade por erros, trilhas de auditoria e limites de escalonamento humano, além de considerar soberania de cloud e localização de dados.
O SAP debate como a governança de IA empresarial pode preservar margens de lucro, destacando a diferença entre 90% e 100% de precisão como crucial para operações. O tema foi apresentado por Manos Raptopoulos, presidente global de Sucesso do Cliente na Europa, APAC, Oriente Médio e África, em tom de alerta sobre o salto de ferramentas passivas a agentes digitais ativos.
À medida que grandes modelos de linguagem vão para produção, os critérios de avaliação migram para precisão, governança, escalabilidade e impacto econômico tangível. A discussão enfatiza que o risco operacional aumenta quando sistemas autônomos operam com dados sensíveis sem controles adequados.
O principal desafio para conselhos corporativos é evoluir de ferramentas estáticas para atores digitais autônomos. Raptopoulos classifica essa transição como o ponto central de governança, tema que o SAP planeja abordar no AI & Big Data Expo North America.
Estrutura de governança de agentes
Sistemas de IA com autonomia conseguem planejar, raciocinar e orquestrar ações entre várias entidades. Por interagirem com dados sensíveis e influenciarem decisões, a falta de governança equivalente à de uma força de trabalho humana eleva riscos operacionais. A expansão de agentes pode reproduzir crises de shadow IT, com impactos maiores.
O estágio exige gestão do ciclo de vida de agentes, definição de limites de autonomia, políticas claras e monitoramento de desempenho contínuo. Essas medidas são apresentadas como mandatórias no framework da empresa.
Integração de dados e engenharia
A combinação de bancos de dados vetoriais com arquiteturas relacionais legadas exige alto investimento técnico. Equipes devem limitar o loop de inferência para evitar alucinações que prejudiquem finanças e cadeia de suprimentos, o que aumenta latência e custos de computação, alterando projeções de P&L.
Quando modelos autônomos exigem consultas constantes a bancos de dados, os custos de token sobem rapidamente. A governança deixa de ser um checklist de conformidade e passa a constraint de engenharia.
Responsabilização e regulamentação
Antes de implantar modelos agentes, os conselhos precisam decidir quem responde por erros de um agente, como registrar auditorias das decisões e quais thresholds acionam intervenção humana. Fragmentação geopolítica torna esse ajuste mais complexo.
Infraestruturas de nuvem soberana, modelos de IA e localizar dados em certas jurisdições são realidades regulatórias em mercados relevantes como Nova York, Frankfurt, Riade e Cingapura. A governança deve ser um mandamento de alto nível, não apenas uma pauta de TI.
Inteligência relacional para operações comerciais
A qualidade dos dados é fundamental, alerta Raptopoulos, que chama isso de momento da base de dados. Dados mestres fragmentados e sistemas isolados geram imprevisibilidade, especialmente quando decisões afetam fluxo de caixa, clientes ou conformidade.
O valor corporativo depende de ir além de modelos genéricos treinados em textos públicos. Inteligência empresarial verdadeira precisa de dados proprietários — pedidos, faturas, cadeia de suprimentos e registros financeiros integrados aos processos.
Interfaces orientadas por intenções
A interação com aplicações empresariais migra de interfaces estáticas para experiências geradas pela IA. Em vez de navegar, funcionários indicam a intenção, e agentes acionam fluxos, contextos e ações recomendadas.
A adoção depende da confiança dos colaboradores: saídas que respeitem governança, regras de negócio e ganhos de produtividade observáveis. Personas de IA por função, como CFO, CHRO ou líder de cadeia de suprimentos, devem estar integradas a processos familiares.
Defesa competitiva e governança escalável
O retorno financeiro da IA surge mais rápido em interações com clientes. Modelos treinados com dados proprietários fortalecem a vantagem competitiva em casos de exceção, como disputas, devoluções e roteamento de serviços.
A definição de três camadas para escalar a IA envolve: funcionalidade embutida, orquestração de agentes entre sistemas e inteligência setorial específica. Sequenciamento inadequado pode frear ganhos ou aumentar riscos.
Caminho para implantação e governança
Segundo Raptopoulos, o investimento em arquitetura limpa, atualização de pipelines de dados e propriedade de governança cruzada acelera a transição do piloto para operação robusta. A governança iguala o peso da IA ao da equipe humana.
Entre os principais potenciais indicadores de sucesso, o executivo cita precisão, confiabilidade e tempo de resposta em operações críticas. O objetivo é transformar a IA em camada operativa central, com governança abrangente.
Perspectivas de mercado e próximos passos
A liderança empresarial precisa alinhar ambições com preparo técnico real. O debate sustenta que decisões de governança definem se as implantações gerarão vantagem duradoura ou lições dispendiosas. O SAP segue acompanhando regulações e avanços no setor.
Entre na conversa da comunidade