Depois de um período marcado por testes, provas de conceito e experimentações, a discussão sobre inteligência artificial agora passa pela aplicação produtiva dos agentes de IA e, principalmente, pela capacidade de transformar tecnologia em resultado. O tema apareceu com força durante a Futurecom 2026.

A conversa mostrou que colocar agentes em operação é apenas uma parte do desafio. Governança, custos de tokens, qualidade dos dados, processos, cultura corporativa e preparação das pessoas começam a pesar tanto quanto a própria tecnologia.

IA precisa resolver problemas reais

Para Rodrigo Murta, CTO do grupo Heineken, o primeiro passo não deveria ser escolher um agente ou qualquer outra tecnologia. A empresa precisa entender qual problema pretende resolver. A lógica é começar pelas dores e oportunidades do negócio e, só depois, avaliar qual solução faz sentido. Em alguns casos, uma simples otimização de processo pode ser suficiente. Em outros, um agente de IA pode ser a melhor alternativa.

A conta também precisa fechar. O business case deve considerar desenvolvimento, operação, custos e benefícios esperados. Para Murta, não faz sentido escalar uma tecnologia apenas porque ela é nova. Na Heineken, a estratégia tem sido testar em uma escala menor antes de ampliar o uso. A empresa pode começar com poucos usuários ou clientes, observar o comportamento da solução e corrigir problemas antes de levar o agente para uma operação maior.

Um dos exemplos envolve o atendimento a uma operação que alcança cerca de 1 milhão de pontos de venda no Brasil. O agente foi pensado para aumentar a frequência e a capacidade de atendimento, e não para simplesmente substituir posições de vendas. A empresa também trabalha com diferentes vozes para o agente. São cerca de 9 mil variações, com o objetivo de tornar a interação mais familiar para os clientes. “Com agentes é testar, aprender, validar conceitos e corrigir antes de escalar”, explicou Murta.

O valor da IA não aparece só no balanço

Uma dificuldade que deve acompanhar a expansão da IA é medir o impacto da tecnologia de maneira imediata. Elisa Pereira, pesquisadora da Stanford Institute for Human-Centered AI (HAI), chamou a atenção que nem todo ganho aparece como redução de quadro ou corte direto de custos.

Em plataformas de IA voltadas a serviços médicos, por exemplo, a tecnologia pode reduzir o tempo gasto em determinadas atividades sem necessariamente eliminar médicos. O ganho, nesse caso, pode estar na capacidade de atender mais pessoas, melhorar a experiência ou liberar profissionais para tarefas de maior complexidade.

A mesma lógica aparece em centrais de atendimento. Algumas empresas estão usando IA em níveis mais básicos do atendimento e mantendo profissionais humanos nas situações que exigem maior capacidade de decisão e relacionamento. O resultado é uma transformação do trabalho, e não necessariamente uma substituição imediata de pessoas.

Essa mudança também cria uma questão para as empresas: como preparar quem está entrando no mercado de trabalho agora para atuar em ambientes cada vez mais mediados por tecnologia?

O conhecimento está na cabeça das pessoas

Um dos pontos mais interessantes da discussão foi justamente a relação entre agentes de IA e conhecimento humano. Elisa apontou que grande parte do conhecimento crítico das organizações não está documentada em sistemas. Ele está acumulado na experiência de quem executa os processos diariamente.

São profissionais que sabem por que determinada etapa existe, quais exceções aparecem no caminho e como resolver problemas que não estão descritos em nenhum manual. Por isso, Elisa indica que a construção de uma solução de IA não deveria ficar restrita ao time técnico. É preciso colocar desenvolvedores, especialistas em dados e usuários lado a lado para entender como o trabalho realmente acontece.

Quem conhece a operação e que consegue dizer se uma solução realmente resolve um problema ou apenas adiciona mais uma camada de tecnologia ao processo. “Tem que dar protagonismo para essas pessoas, pois são elas que vão fazer o projeto dar certo. Quem faz a tecnologia dar certo são os humanos”, frisou Elisa.

A própria estrutura das empresas está mudando. Elisa citou como exemplo uma transformação na proporção entre profissionais de engenharia e produto. Enquanto o Google já teve uma relação de quatro engenheiros para cada profissional de produto, atualmente a proporção pode chegar a dois profissionais de produto para um engenheiro.

A mudança mostra que tecnologia não é mais apenas uma questão de construir sistemas. Também é preciso entender qual problema está sendo resolvido e se a solução faz sentido para quem vai utilizá-la.

Cultura vira parte da infraestrutura

Marcio Kanamaru, sênior advisor do BCG, contou que muitas empresas estão avançando na chamada agentificação sem necessariamente ter uma estratégia comum. Existe uma expectativa elevada em torno dos agentes, mas nem sempre ela vem acompanhada de uma direção clara. A empresa precisa saber onde quer chegar e alinhar essa estratégia entre diferentes áreas.

Kanamaru resumiu essa divisão em uma proporção: 10% algoritmos, 20% tecnologia e 70% pessoas e processos. A maior parte da captura de valor não está na tecnologia isoladamente. Ela depende de mudanças na forma como as pessoas trabalham e de como os processos são organizados.

Isso também muda a discussão sobre uma estratégia AI First. “Nao existe empresa AI First sem ser Data Centric. Se não existir a centralidade em dados, dados confiáveis e com qualidade, não existe a jornada de AI First“, apontou Kanamaru. Dados confiáveis, acessíveis e de qualidade são pré-requisito para que os agentes consigam tomar decisões melhores. Sem essa base, a empresa pode até colocar agentes em operação, mas terá dificuldade para confiar nos resultados produzidos por eles.

Governança precisa fazer parte do processo

Outro ponto recorrente durante o painel foi a governança. Com a expansão dos agentes, questões como vieses, segurança, controle e responsabilidade deixam de ser preocupações exclusivas do departamento de tecnologia.

Muitas empresas estão adotando comitês e estruturas de governança para aumentar a conscientização sobre o uso responsável da IA, apontou Kanamaru. A ideia é fazer com que controles e boas práticas sejam incorporados ao cotidiano, em vez de aparecerem apenas como uma barreira antes da implementação.

Mas existe um equilíbrio delicado entre controle e liberdade para experimentar. Se a organização criar obstáculos demais, funcionários podem buscar soluções por conta própria e alimentar o chamado shadow AI. Por outro lado, liberar qualquer ferramenta sem critérios cria riscos de segurança, privacidade e qualidade.

A saída é estabelecer práticas razoáveis para o uso da IA generativa e permitir que as pessoas experimentem dentro de limites conhecidos.

O trabalho começa a mudar

A transformação também aparece na própria relação entre pessoas e sistemas. Nas organizações tradicionais, grande parte dos processos ainda acontece em interações de humano para humano. Em uma empresa orientada por IA, a tendência é combinar interações entre humanos e agentes e, em alguns casos, também entre agentes.

Algumas empresas já começam a tratar agentes como integrantes da força de trabalho, o que muda a maneira de pensar processos, responsabilidades e indicadores. Kanamaru defendeu ainda a importância de OKRs, KPIs e outros indicadores para acompanhar o retorno dos investimentos em IA. E alertou que o objetivo não deve medir apenas economia de custos, mas como é gerado valor, como aumentou a velocidade e produtividade com as agentes.

Para chegar a esse resultado, porém, é preciso olhar para os silos e para a fragmentação dos processos. Muitas oportunidades de ganho aparecem justamente quando a empresa consegue conectar etapas que hoje estão espalhadas por diferentes áreas.

Experimentação faz parte da rotina

No iFood, a estratégia ganhou uma dimensão diferente por causa da escala da operação. Segundo Victor Redivo, head de dados da companhia, um dos pilares da adoção foi fazer com que os próprios colaboradores tivessem contato direto com agentes.

A ideia era que cada colaborador deveria colocar um agente de IA de pé e experimentar a tecnologia na prática. O objetivo não era transformar todos em especialistas em IA. Era criar familiaridade e permitir que as pessoas descobrissem, a partir da própria rotina, onde a tecnologia funciona e onde ela não faz sentido.

A estratégia combinou a experimentação tecnológica e a mudança cultural. Redivo explicou que hoje a empresa tem cerca de 27 mil agentes em diferentes níveis de maturidade. Alguns já têm contato direto com clientes. A experiência também mostrou que a adoção em larga escala muda o trabalho. Parte das atividades rotineiras passou a ser executada por agentes, abrindo espaço para que profissionais sejam deslocados para tarefas mais complexas. Inclusive o iFood discute novas carreiras ligadas a dados e capacitação, e como preparar as pessoas para funções de maior complexidade à medida que os agentes assumem atividades mais operacionais.

Dados e processos precisam estar preparados

A expansão dos agentes também aumenta a importância dos dados não estruturados. Muitas informações relevantes para as empresas estão espalhadas por documentos, sistemas e diferentes formatos. Ter uma arquitetura capaz de armazenar e utilizar esse material pode ampliar as possibilidades de aplicação da IA.

Mas não basta ter dados disponíveis. É preciso saber como eles foram produzidos, onde estão, quem pode acessá-los e se possuem qualidade suficiente para alimentar modelos e agentes. Redivo reforçou que é preciso ser Data Driven de verdade, sem dados bem governados, fica mais difícil confiar nas decisões tomadas por agentes.

Para Murta, a mesma lógica começa ainda antes do desenvolvimento. Segurança da informação, ética de dados e questões regulatórias são avaliadas antes de um novo projeto avançar. A Heineken divide os agentes em diferentes níveis de complexidade. Há ambientes para soluções mais simples, outros para agentes que precisam de integrações e um terceiro nível, com governança mais rígida, voltado a soluções que envolvem integrações complexas ou dados sensíveis. A arquitetura também precisa acompanhar essa evolução. Processos bem documentados e dados tratados formam uma base mais consistente para construir agentes e modelos capazes de entregar resultados melhores.