Da IA preditiva à Agentic AI: o que muda quando o software passa a agir

Agentic AI é o ponto em que o software deixa de sugerir e passa a agir: abre chamado, altera cadastro, prepara pagamento, conversa com outro sistema sem alguém clicar em "confirmar". É também o ponto em que a pergunta deixa de ser só técnica. Quando um sistema age em nome da empresa, alguém precisa ter decidido até onde ele pode ir.

Chamamos de empresa híbrida a organização que desenha essa divisão de propósito: pessoas definem direção, limites e exceções; sistemas carregam o volume e a complexidade. Chegar lá é uma sequência de camadas, e cada uma mudou algo diferente no trabalho.

As cinco camadas, pelo que mudaram na operação

1. Machine learning clássico. Modelos aprendem com o histórico para prever churn, demanda, risco de crédito ou fraude. Plataformas como Vertex AI, SageMaker e Azure Machine Learning tornaram isso rotina em times de dados. O que mudou: decisões recorrentes passaram a ter uma estimativa numérica ao lado.
2. Redes neurais profundas. O software passou a lidar com imagem, áudio e texto não estruturado: leitura de notas fiscais, inspeção visual em linha de produção, transcrição de atendimento. O que mudou: dados que antes exigiam uma pessoa olhando passaram a ser processáveis em escala.
3. IA generativa. Modelos de linguagem como GPT, Claude, Gemini e Llama escrevem, resumem, traduzem e programam. O que mudou: o custo de produzir um primeiro rascunho caiu perto de zero. A responsabilidade pelo rascunho continua com quem assina.
4. Agentes de IA. Um modelo de linguagem com acesso a ferramentas (APIs, bancos de dados, navegador) que decide os próximos passos para cumprir um objetivo. O que mudou: a IA passou a executar tarefas de várias etapas, e não só responder perguntas.
5. Agentic AI. Um ou vários agentes coordenando o trabalho de ponta a ponta em um processo, com pouca intervenção humana entre as etapas. O que mudou: o processo inteiro, e não só a tarefa, pode ser delegado. Por isso mesmo, é aqui que governança deixa de ser opcional.

As camadas não se substituem. Uma operação madura usa as cinco ao mesmo tempo, cada uma onde faz sentido.

Agente ou fluxo automatizado: a distinção que economiza dinheiro

A Anthropic publicou em dezembro de 2024 um guia que virou referência para quem constrói esses sistemas (Anthropic, 2024). Ele separa dois tipos: workflows, em que modelos e ferramentas são orquestrados por caminhos definidos em código, e agentes, em que o próprio modelo decide dinamicamente quais passos seguir e quais ferramentas usar. A recomendação central é começar pela solução mais simples e só adicionar autonomia quando a simples comprovadamente não basta.

Na prática, boa parte dos pedidos que chegam até nós como "queremos um agente" se resolve melhor com um fluxo: classificar um e-mail, extrair campos, consultar um sistema, montar uma resposta para revisão. Fluxos são mais baratos, mais previsíveis e mais fáceis de auditar. Autonomia real compensa quando o caminho não pode ser previsto de antemão, como investigar a causa de uma divergência entre três sistemas ou pesquisar e cruzar informações de fontes diferentes.

O que o mercado está mostrando

O entusiasmo é grande e o resultado ainda é desigual. A pesquisa anual da McKinsey publicada em novembro de 2025 mostra que 62% das organizações ao menos experimentam agentes de IA, mas só 23% dizem estar escalando agentes em alguma função do negócio (McKinsey, 2025).

O Gartner foi mais direto. Em junho de 2025, previu que mais de 40% dos projetos de agentic AI serão cancelados até o fim de 2027, por custo crescente, valor de negócio pouco claro ou controle de risco inadequado (Gartner, 2025). No mesmo anúncio, deu nome ao agent washing, fornecedores rebatizando chatbots, assistentes e RPA como "agentes", e estimou que só cerca de 130 dos milhares de fornecedores que se apresentam como de agentic AI entregam algo que merece o nome.

Duas mudanças de infraestrutura ajudam a separar o que é sério. O Model Context Protocol (MCP), padrão aberto para conectar modelos a ferramentas e dados, foi doado pela Anthropic à recém-criada Agentic AI Foundation, sob a Linux Foundation, em dezembro de 2025, com AWS, Google, Microsoft e OpenAI entre os membros (Linux Foundation, 2025). No mesmo mês, a OWASP publicou um Top 10 de riscos específico para aplicações agênticas, escrito para sistemas que planejam, guardam memória, chamam ferramentas e agem com autoridade delegada (OWASP, 2025). Protocolo comum e lista de riscos publicada são sinais de uma tecnologia saindo da fase de demonstração.

O que pesa mais numa empresa brasileira

Dados pessoais entram cedo. Quase todo agente útil em atendimento, cobrança ou vendas toca dados de clientes. Pela LGPD, a empresa continua sendo controladora desses dados mesmo quando quem os acessa é um agente rodando na API de um fornecedor estrangeiro. Isso exige base legal, contrato com o fornecedor que cubra a transferência internacional e registro do que o agente consulta. Decisões tomadas unicamente por tratamento automatizado que afetem o titular podem ser objeto de pedido de revisão, pelo artigo 20 da LGPD.

O canal costuma ser o WhatsApp. Boa parte do relacionamento com clientes no Brasil passa por ele, o que faz dos agentes conversacionais o primeiro caso de uso em muitas empresas. É também o canal em que um erro fica visível para o cliente na hora.

Os sistemas legados são o gargalo. Um agente só age onde existe uma interface para agir. ERP antigo sem API, planilha como fonte de verdade e processo que depende de alguém operando uma tela limitam o que dá para automatizar com segurança. Muitas vezes, o primeiro projeto de "agentes" é, na verdade, um projeto de integração.

Um exemplo de escada de autonomia

Pegue um processo comum no financeiro: tratar divergências entre a nota fiscal do fornecedor e o pedido de compra. Um exemplo ilustrativo de como subir a escada:

1. Nível 1, assistido: o sistema lê a nota e o pedido, aponta a divergência e sugere a causa provável. O analista decide tudo.
2. Nível 2, com aprovação: o agente prepara a resposta ao fornecedor e o lançamento de ajuste. O analista revisa e aprova.
3. Nível 3, autônomo com limites: divergências abaixo de um valor definido pelo financeiro e com causa conhecida, como arredondamento ou frete, são resolvidas sem intervenção. O resto sobe para uma pessoa.
4. Nível 4, supervisionado por amostragem: o agente resolve a maior parte dos casos e a equipe audita uma amostra semanal, ajustando limites a partir dos erros encontrados.

Cada degrau só é liberado depois que o anterior mostra, com dados, uma taxa de acerto aceitável. E o limite de valor do nível 3 é decisão do diretor financeiro, não do time de tecnologia. É isso que chamamos de empresa híbrida funcionando: a máquina carrega o volume, a pessoa define até onde ela pode ir.

Antes de começar, confira

• O processo tem volume para justificar o esforço? Dez casos por mês raramente justificam um agente.
• O caminho é previsível? Se for, comece por um fluxo automatizado, não por um agente.
• Existe API ou integração para cada ação que o agente precisaria executar?
• Há um dono de negócio que responde pelo resultado e pode definir os limites de autonomia?
• Você consegue medir a taxa de acerto hoje, sem IA, para comparar depois?
• Os dados pessoais envolvidos têm base legal e contrato adequado com o fornecedor do modelo?
• Existe um caminho claro para o caso sair do agente e chegar a uma pessoa?

Se a maioria das respostas for sim, o próximo passo é validar o caso com dados reais em poucas semanas, antes de comprometer o orçamento de um projeto inteiro. É para isso que existe a Cyborg Forge: hipótese definida, construção em três a seis semanas e um Decision Package com a recomendação de escalar, ajustar ou descartar. Se o caso já estiver validado, veja como trabalhamos com agentes de IA em produção.