O sucesso ou fracasso da IA empresarial não depende apenas do modelo, mas do 'contexto'... 7 condições para a era dos agentes inteligentes

A introdução da inteligência artificial (IA) de nível empresarial está ultrapassando a fase de "experimento", passando para implantação prática nos negócios, mas no local, os resultados ainda muitas vezes não atendem às expectativas. A indústria aponta que a causa não é a falta de modelos melhores, mas a ausência de "contexto". Por mais excelente que seja um agente de IA, se não conseguir obter adequadamente o conhecimento interno da empresa e o contexto de negócios, ele ficará estagnado na fase de tomada de decisão.

Vanessa Liu, presidente da Appen Ltd., afirmou recentemente no evento conjunto theCUBE com a Bolsa de Valores de Nova York (NYSE): "Os dados são essenciais para que as empresas utilizem IA. Assim como um funcionário excepcional precisa de treinamento para se adaptar à organização após a contratação, o agente de IA também deve fornecer contexto de negócios para funcionar normalmente." Executivos de infraestrutura de dados, finanças, modernização empresarial e IA de código aberto, incluindo Steve Hasker, CEO da Thomson Reuters Corp., participaram do evento para discutir "como fazer os agentes realmente aplicarem-se aos negócios".

1. A competitividade empresarial depende, em última análise, de "dados exclusivos"

Os participantes concordaram que apenas modelos de IA de ponta não são suficientes para diferenciação. O núcleo está na acumulação de dados internos e conhecimentos de negócios ao longo do tempo. Liu destacou que o conhecimento especializado exclusivo da empresa muitas vezes não é sistematizado. Hasker acredita que, no futuro, agentes competitivos não dependerão apenas de "quão bons são", mas sim de "se possuem uma barreira de proteção de dados defensiva no mercado".

2. Os usuários não esperarão, e os agentes também não

A velocidade já é vista como condição básica, não mais uma opção. Ariel Schulman, diretor de produto da Bright Data Ltd., explicou que, quando os usuários veem na tela do chatbot a mensagem "buscando na web", o cronômetro de paciência começa a contar. A Bright Data atualmente fornece dados de raspagem de páginas como ponto de partida para respostas de chatbots, controlando o tempo de transmissão da página abaixo de 1 segundo, com uma mediana de 500 milissegundos. Devido à lentidão na obtenção de dados, o agente pode perder o usuário antes de organizar a resposta.

3. Agentes de IA que lidam com dinheiro precisam de "contas" e sistemas de identidade

Algumas opiniões sugerem que, se o agente de IA for responsável por pagamentos ou transferências financeiras, será necessário um sistema de autenticação semelhante ao de documentos de identidade humanos. Sean Neville, cofundador e CEO da Catena Labs Inc., afirmou que os bancos devem ser capazes de verificar quem o agente representa, o que pode fazer e por quê. Essa ideia visa garantir responsabilidade e rastreabilidade na automação financeira por meio de um sistema chamado "Conheça Seu Agente (Know Your Agent)".

4. Além de "forçar" fornecedores, agora "bloqueios de tokens" são o problema

O evento também alertou: construir todos os sistemas em torno de um modelo de IA específico pode levar à perda de controle de custos no futuro. Woodson Martin, CEO da OutSystems Inc., apontou que empresas dependentes de um único modelo de ponta, com o aumento dos custos de inferência, enfrentarão pressão para lucratividade. Ele enfatizou a necessidade de uma camada de plataforma que permita trocar modelos em execução sem reescrever o sistema subjacente, uma solução prática para gerenciar lucros e perdas na estratégia de agentes.

5. "Fornecer" ferramentas de IA e realmente "fazer as pessoas usarem" são coisas diferentes

Há uma grande lacuna entre a aplicação prática no local e o entendimento da gestão. Tye Kim, CIO da WalkMe Ltd., afirmou que 80% da liderança acredita que fornece excelentes ferramentas de IA aos funcionários, mas poucos funcionários concordam com isso na prática. O problema não é a quantidade de ferramentas, mas se elas podem ser apresentadas de forma natural no momento adequado. Sem uma orientação baseada no contexto, no fluxo de trabalho e no momento necessário, o investimento em IA terá efeito limitado.

6. Começar com o modelo mais forte e depois procurar alternativas mais baratas

Algumas opiniões consideram que priorizar a redução de custos é um erro estratégico. Wu Qingyun, representante da AG2ai, afirmou que primeiro deve-se usar o modelo de melhor desempenho para determinar o nível alcançável, e depois comparar se modelos open source ou alternativas mais baratas podem oferecer desempenho semelhante. Isso significa que, se desde o início for definido um ponto de partida para modelos baratos, a empresa pode perder a capacidade necessária. Somente depois é possível equilibrar custo e desempenho.

7. Pilotos são fáceis, mas a fase de operação real é a mais propensa a falhas

O maior risco não está nos projetos piloto, mas na exposição durante a operação em produção. Bar Moses, cofundador e CEO da Monte Carlo Data Inc., explicou que muitos agentes que funcionaram bem na validação inicial (POC) podem apresentar problemas na implantação real, como uso de dados desatualizados, pular etapas de inferência, consumir tokens excessivamente ou gerar "alucinações" não detectadas nos testes. Especialmente, o tribunal já decidiu que a responsabilidade final pelo comportamento do agente não recai sobre o usuário, mas sobre a empresa que criou o serviço. Portanto, estabelecer sistemas de controle e monitoramento é ainda mais importante para as empresas.

A avaliação final aponta que a próxima rodada de competição em IA empresarial não depende tanto do desempenho do modelo em si, mas de "quão precisos podem fornecer o contexto" e "quão estáveis podem operar". Com a crescente substituição do trabalho humano por agentes de IA, os dados e conhecimentos internos exclusivos, velocidade, controle de custos e estruturas de responsabilidade provavelmente se tornarão os fatores decisivos para o sucesso ou fracasso.