Deloitte: ampliar inteligência autônoma para crescimento real

Deloitte defende aumentar a inteligência autônoma para promover crescimento real de margem

A Deloitte Consulting aponta a necessidade de ir além de aplicações gerativas para escalar a chamada inteligência autônoma. O objetivo é que sistemas executem tarefas independentes, atravessem redes internas e finalizem transações com pouca ou nenhuma intervenção humana.

Segundo Prakul Sharma, sócio da prática de AI & Insights, o estágio atual fica entre assistente de IA e IA autônoma. Hoje, a geração de IA e chatbots ajudam, mas a autonomia envolve alcançar resultados por meio de raciocínio orientado a metas, com controles humanos.

Ele ressalta que a mudança de centro de gravidade ocorre quando a IA toma decisões dentro de limites definidos, usando ferramentas e dados, sem exigir instrução humana para cada passo. A arquitetura de identidade e ciclos de aprovação são cruciais para a segurança.

Auditoria de decisões para ganhos efetivos

Para gerar valor econômico, os sistemas autônomos devem operar em fluxos que geram receita ou reduzem custos de maneira direta. Em compras, por exemplo, um agente acompanha o estoque e preços em tempo real e pode autorizar ordens de compra dentro de parâmetros financeiros predefinidos.

Esse funcionamento depende de identidade verificável no ERP, dados com validade contratual e limites de aprovação aprovados por jurídico e compliance. Sem qualquer dessas ligações, a automação perde justificativa. A implementação requer exame forense das operações existentes.

Sharma descreve o método da Deloitte para iniciar a revolução operacional e identificar onde a autonomia gera valor. O primeiro passo é auditar decisões em cadeias de valor com gargalos decisórios e mapear como as decisões são tomadas hoje.

A ideia é identificar fluxos com potencial real de ganhos, além de expor lacunas de dados e governança que possam atrapalhar um projeto piloto. Em seguida, a empresa monta as bases com dados, identidade de agentes e padrões de participação humana, validando antes de escalar.

Infraestrutura de vetores e arquitetura a montante

Ao isolar o alvo operacional, a execução tecnológica pode esbarrar em fricções upstream. Modelos de base de grandes provedores evoluíram para lidar com tarefas complexas, mas o desafio está em conectá-los a arquiteturas de dados legadas.

O ponto crítico não costuma ser o modelo em si, mas o design anterior ao modelo. Empresas definem um caso de uso sem mapear o fluxo subjacente, o que pode automatizar um processo já fragilizado. A qualidade dos dados também importa: IA autônoma requer dados de decisão, com rastreabilidade, controle de acesso e atualidade contratual.

Essa exigência envolve integrar agentes com bancos de dados de vetores que gerenciam informações não estruturadas. Os dados devem ter representações de vetor atualizadas com frequência para evitar decisões com informações desatualizadas.

Além disso, o custo computacional precisa ser previsto, já que o uso de múltiplos modelos pode gerar despesas escaláveis. Estratégias para reduzir alucinações por meio de geração assistida por recuperação também elevam a necessidade de controle financeiro.

Governança, de deuda a ecossistema empresarial

A passagem de ambientes de teste para implantação em larga escala muda o cenário de risco. A segurança moderna obriga integração profunda com provedores de identidade e controles de nuvem nativos.

O principal entrave, segundo Sharma, é a lacuna entre piloto e produção. Pilotos bem-sucedidos não representam cenário real, que envolve avaliações contínuas, autenticação, gestão de mudanças e modelos de custo baseados no uso.

A dívida de governança, com controles, trilhas de auditoria e estruturas de risco, costuma inviabilizar a implantação. Empresas que avançam tratam pilotos como primeira produção reutilizável, com avaliações, identidade e governança equivalentes aos futuros casos.

Padrões legais aplicados apenas no teste costumam não atender a produção. Equipes que buscam resultados rápidos costumam pular protocolos de segurança, criando gargalos para futuras escalas.

A visão comum entre as três frentes de falha — lacuna de produção, dívida de governança e atrito de dados upstream — é que cada problema fica invisível em pilotos bem-sucedidos. A solução é construir uma plataforma reutilizável desde o início, com verificação de identidade, avaliações contínuas de modelos e monitoramento financeiro.