Acelere agentes de nível humano com 3 melhores práticas

A computação está perto de alcançar “agentes em nível quase humano”, segundo Mustafa Suleyman, chefe de IA da Microsoft, em coluna recente. O avanço promete, mas várias barreiras acompanham o caminho, principalmente para redesenhar fluxos de trabalho e definir quais dados os agentes podem acessar.

A Databricks apontou, em seu relatório State of AI Agents, que apenas 19% das organizações já implantaram agentes de IA, e principalmente de forma limitada. Executivos questionam se é possível controlar, avaliar a qualidade e manter os custos sob controle.

Para enfrentar esses desafios, Craig Wiley, chefe de IA da Databricks, recomenda três práticas desde o início: governança, avaliação da exatidão e começar pequeno. A combinação visa facilitar a entrada de agentes em produção com maior segurança e eficiência.

Governança

Controlar o que o agente pode acessar é o núcleo da governança. Um agente pode consultar bancos de dados, executar código externo e interagir com sistemas de e-mail, conectando-se a recursos corporativos.

A prática eficaz inclui ter regras claras para evitar danos. Um exemplo é impedir que dados de clientes sejam misturados ou expostos em respostas. De modo determinístico, identidades e acessos devem ser gerenciados para cada usuário e para o próprio agente.

Um catálogo de dados funciona como “painel único” para administradores, mostrando dados disponíveis, contextos de modelo e ferramentas usadas. Além disso, ele garante que apenas usuários autorizados vejam ou usem informações específicas.

Avaliação

Avaliar a precisão das respostas não é tarefa de um único momento. Desenvolvedores trabalham com profissionais da área médica para validar conteúdos e contextos relevantes das respostas, indo além de simples métricas de pergunta e resposta.

A avaliação continua ao longo de todo o ciclo de vida do programa, em cada etapa de raciocínio do agente. Se algo está incorreto, o sistema é reavaliado, reajustado e redesployado. Esse ciclo de melhoria aumenta as chances de colocar a solução em produção.

Dados de Flow, por exemplo, mostraram que a qualidade da experiência do usuário diferencia o produto no mercado. Em termos de adoção, organizações que implementam avaliação contínua têm maior probabilidade de ir à produção.

Começar pequeno

O custo é o terceiro aspecto a ser considerado. Com governança e avaliação bem estruturadas, a implementação se torna menos onerosa e mais escalável.

Iniciar com componentes menores e testáveis facilita a governança e a verificação. Empresas com diferentes níveis de ambição costumam começar por partes, consolidando aos poucos capacidades conectadas para tarefas maiores.

Casos práticos incluem a 7-Eleven, que utiliza agentes para acessar manuais e dados de serviços técnicos, reduzindo deslocamentos desnecessários. Já Baylor University analisa gravações de atendimentos para entender fatores de decisão de estudantes, ampliando o aprendizado organizacional.

O que já se vê de resultados

Embora ainda seja cedo para números finais de retorno, há sinais positivos. A gestão de dados organizada pode acelerar a construção de soluções, aumentando a velocidade de implementação.

Entre os exemplos citados, o uso de IA para análise de portfólio pela Franklin Templeton gerou oportunidades de produto acima de 15 milhões de dólares. Observa-se melhoria de métricas como a taxa de solução na primeira visita em estabelecimentos que adotam agentes.

A orientação é clara: dados limpos e bem catalogados facilitam a concepção, construção e implantação de sistemas agenticAI. Com isso, é possível avançar com mais rapidez e controle, reduzindo riscos e ampliando o impacto das novidades em IA nas empresas.