A Gartner prevê que, até 2028, um terço das interações humanas com a IA generativa passará de comandos de usuários para interfaces diretas com agentes autônomos orientados por intenção. Isso representa um avanço significativo em relação aos assistentes de IA reativos que muitos usuários conhecem atualmente.
“Os agentes representam o próximo passo evolutivo na IA generativa”, afirma Vijoy Pandey, SVP/GM da Outshift, o braço de incubação da Cisco. “Para os executivos, a mensagem é clara: preparem-se agora. Com apenas três anos restantes, comecem implementando assistentes e abordando casos de uso gerenciáveis antes de evoluir para aplicações mais críticas.”
Os agentes de IA são como funcionários especializados e incansáveis, adaptados a tarefas específicas que colaboram para resolver desafios de negócios. Tim Tully, sócio da Menlo Ventures, destaca uma tendência crescente: “Estamos testemunhando empresas de sucesso do cliente substituindo e aprimorando suas equipes com agentes, aumentando a escalabilidade. Isso é evidente na automação de marketing e na geração de código, e espero que os agentes se proliferem ainda mais na engenharia de software.”
Os "Três Grandes"—Google Cloud, Microsoft Copilot e AWS Q—estão ativamente desenvolvendo agentes de IA generativa, sinalizando a emergência de uma tecnologia transformadora.
A Diferença Entre Agentes e Assistentes
Então, o que distingue os agentes de IA de assistentes de IA anteriores? Assistentes de IA reagem a comandos de usuários, empregando grandes modelos de linguagem (LLMs) e processamento de linguagem natural (NLP) para fornecer respostas e conteúdos contextuais em uma interface conversacional.
Em contraste, os agentes de IA são proativos e autônomos, capazes de tomar decisões e realizar ações sem intervenção humana. Eles analisam continuamente dados específicos em tempo real, gerenciando fluxos de trabalho complexos de forma independente enquanto trabalham em direção a objetivos específicos.
Diferente dos assistentes tradicionais, os agentes produzem conteúdo de alta qualidade que pode reduzir os ciclos de revisão em 20% a 60%, graças a um rastro de auditoria facilmente acessível de tarefas e fontes de dados. “Pense neles como funcionários especializados que se concentram em tarefas particulares e colaboram para resolver problemas de negócios mais amplos”, explica Pandey. Por exemplo, em serviços financeiros, um agente pode detectar e prevenir fraudes em tempo real, enquanto em RH, pode analisar dados para identificar os melhores talentos ou prever a rotatividade.
Quando integrados em uma estrutura de múltiplos agentes, esses sistemas podem colaborar em várias áreas de habilidade, tomar decisões informadas e gerenciar fluxos de trabalho complexos de forma autônoma. No entanto, uma camada de orquestração dedicada para a colaboração de agentes ainda está sendo desenvolvida, representando uma oportunidade significativa para startups.
“Há uma necessidade de uma infraestrutura semelhante ao Kubernetes para tecnologias de agentes—algo ideal para executar essas cargas de trabalho especializadas”, observa Tully. O objetivo é conectar esses agentes finos, permitindo uma comunicação sem costura através de protocolos ainda a serem estabelecidos.
Transição de Assistentes para Agentes
O Índice de Prontidão para IA da Cisco revela que, embora 97% das organizações desejem aproveitar a IA generativa, apenas 14% a implementaram—o que destaca uma lacuna substancial. Os principais obstáculos incluem a compreensão de por onde começar, garantir o retorno sobre investimento (ROI) e abordar questões de confiança, segurança e proteção.
“Há limitações para o raciocínio interno e o planejamento necessários para que os agentes enfrentem problemas ambíguos”, explica Pandey, enfatizando a importância de instruções claras para orientar os agentes de forma eficaz.
As organizações devem começar com casos de negócios simples em vez de projetos ambiciosos. Capacitar desenvolvedores cidadãos—indivíduos dentro das funções de negócios que entendem os processos e como aprimorá-los—é fundamental, especialmente dada a disponibilidade limitada de desenvolvedores de IA generativa.
Antes de iniciar sua jornada de IA, as organizações devem priorizar a limpeza de dados para garantir uma gestão adequada de identidades e controles de acesso. “Comece com casos de negócios gerenciáveis em vez de visões desafiadoras”, aconselha Pandey. Essa abordagem permite que as organizações naveguem e aperfeiçoem seu pipeline enquanto educam desenvolvedores cidadãos, estabelecendo, assim, uma base robusta para futuros avanços em IA.
À medida que as indústrias transitam de assistentes para agentes e os LLMs continuam a melhorar, cada organização pode se beneficiar da transformação trazida pela IA generativa agentiva.
Assista a toda a conversa com Vijoy Pandey, SVP/GM da Outshift, Tim Tully da Menlo Ventures e Matt Marshall, editor-chefe da VB [aqui].
Classificação
