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

A introdução da inteligência artificial (IA) empresarial está a ultrapassar a fase de “experimento”, passando para a implementação prática nos negócios, mas no local, os resultados ainda muitas vezes não atingem as expectativas. A indústria aponta que a razão não é a falta de modelos mais avançados, 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, ficará limitado na fase de tomada de decisão.

Vanessa Liu, presidente da Appen Ltd., afirmou recentemente na atividade conjunta do theCUBE com a Bolsa de Nova York (NYSE): “Os dados são essenciais para que as empresas utilizem IA. Assim como um funcionário excepcional precisa de treinamento de adaptação 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 a longo prazo de dados internos e conhecimento de negócios. Liu destacou que o conhecimento especializado próprio da empresa muitas vezes não é sistematizado. Hasker acredita que, no futuro, agentes competitivos não dependerão apenas de “serem fáceis de usar”, mas sim de “terem uma barreira defensiva de dados no mercado”.

2. Os usuários não esperam, os agentes também não

A velocidade já é vista como condição básica, não uma opção. Ariel Schulman, diretor de produto da Bright Data Ltd., explicou que, quando os usuários veem na tela do chatbot a mensagem “procurando na web”, o cronômetro de paciência começa a contar. A Bright Data atualmente fornece dados de rastreamento 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 um agente de IA deve realizar pagamentos ou transferências financeiras, é 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 precisam ser capazes de verificar quem o agente representa, o que pode fazer e por que realiza determinada ação. Essa ideia visa garantir responsabilidade e rastreabilidade na automação financeira através de um sistema chamado “Conheça seu Agente” (Know Your Agent).

4. Além de “forçar fornecedores”, hoje “bloqueios por token” são o verdadeiro problema

Foi também emitido um alerta: construir todos os sistemas em torno de um único modelo de IA 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 lucrar. Ele enfatizou a necessidade de uma camada de plataforma que permita trocar modelos em execução sem reescrever sistemas subjacentes, 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 a percepção da gestão. Tye Kim, CIO da WalkMe Ltd., afirmou que 80% da gestão acredita que fornece excelentes ferramentas de IA aos funcionários, mas poucos funcionários concordam com essa avaliação. O problema não é a quantidade de ferramentas, mas se elas apresentam funcionalidades de forma natural no momento adequado. Sem uma orientação baseada no contexto, no fluxo de trabalho, na hora certa, o investimento em IA terá efeito limitado.

6. Começar com o modelo mais forte e depois buscar 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 uma empresa estabelecer um ponto de partida com modelos baratos, pode perder a capacidade necessária. Somente posteriormente será 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 prova de conceito (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 estável é a operação”. Com a aproximação de uma era em que agentes de IA substituem trabalhos humanos, os dados exclusivos da empresa, o conhecimento interno, a velocidade, o controle de custos e a estrutura de responsabilidade provavelmente serão os fatores decisivos para o sucesso ou fracasso.