Por que tantos agentes funcionam na demonstração e não chegam à operação?

Os avanços recentes mostram que agentes de IA já conseguem executar tarefas cada vez mais complexas. O desafio começa quando precisam fazer isso dentro de empresas reais, convivendo com sistemas, dados, regras, dependências e consequências que uma demonstração dificilmente consegue reproduzir.

Uma demonstração pode provar a capacidade. Não prova a prontidão para operar.

É difícil assistir hoje a uma boa demonstração de um agente de inteligência artificial sem perceber o salto de capacidade ocorrido em pouco tempo. O agente recebe um objetivo, consulta informações, interpreta documentos, utiliza ferramentas, toma algumas decisões intermediárias e entrega um resultado que, até recentemente, exigiria uma sequência de interações humanas. Em ambientes controlados, algumas dessas experiências são realmente impressionantes.

O problema começa quando confundimos essa capacidade com prontidão operacional.

Uma demonstração normalmente delimita o problema antes que o agente comece a trabalhar. As informações necessárias estão disponíveis ou foram previamente selecionadas, as ferramentas que ele poderá utilizar são conhecidas, o objetivo está relativamente claro e boa parte das situações inesperadas foi eliminada do cenário. Mesmo em pilotos mais sofisticados, ainda é possível restringir o universo sobre o qual o agente precisa raciocinar e controlar cuidadosamente as consequências de suas ações.

A operação real é muito menos organizada.

Quando um agente atravessa essa fronteira, passa a encontrar sistemas desenvolvidos em épocas diferentes, aplicações legadas, múltiplas fontes de informação, cadastros inconsistentes, integrações incompletas, diferentes modelos de identidade e permissão, dependências pouco documentadas e processos que nem sempre funcionam exatamente como foram desenhados. Precisa também lidar com mudanças que acontecem enquanto trabalha, exceções que não estavam previstas e informações cujo significado depende do momento e do contexto em que foram produzidas.

É nesse ponto que aparece uma distinção importante para a próxima fase da adoção corporativa de IA: existe uma diferença entre estar preparado para experimentar IA e estar preparado para operar com IA.

Os números começam a tornar essa diferença visível. Em relatório publicado em 2025, a McKinsey observou que quase oito em cada dez organizações já utilizavam IA generativa de alguma forma, enquanto proporção semelhante ainda não identificava impacto material nos resultados financeiros. O estudo também apontou que casos de uso verticais, mais profundamente ligados a funções e processos empresariais, raramente ultrapassavam a fase de piloto. Entre as barreiras estavam fragmentação das iniciativas, dificuldades de integração, problemas de acesso e qualidade dos dados e falta de alinhamento operacional. (McKinsey & Company)

Isso não significa que a tecnologia tenha fracassado. Em certo sentido, significa justamente o contrário. A experimentação avançou tão rapidamente que começou a expor uma camada diferente do problema. Demonstrar que um agente consegue executar uma tarefa é uma questão. Fazer com que essa capacidade opere continuamente dentro de uma organização, de maneira confiável, integrada e controlável, é outra.

Quanto mais o agente pode fazer, mais precisa compreender o ambiente em que atua

A diferença se torna ainda maior quando passamos de agentes que apenas produzem informações para agentes capazes de executar ações.

Se um sistema analisa um incidente e recomenda uma ação a um especialista, ainda existe uma etapa humana entre a recomendação e sua consequência. O profissional pode confrontar aquela sugestão com outras informações, avaliar riscos, perceber uma condição excepcional e decidir não executar o que foi recomendado. Quando o agente recebe permissão para agir diretamente sobre aplicações, infraestrutura ou processos, parte desse intervalo desaparece.

A pergunta deixa de ser apenas se a resposta estava correta.

Passamos a precisar saber quais informações sustentaram aquela decisão, quais sistemas foram consultados, quais permissões foram utilizadas, que dependências poderiam ser afetadas, quais limites deveriam impedir determinadas ações e como detectar rapidamente quando o comportamento observado se afasta do esperado. Também é necessário definir quando o agente deve interromper a execução, solicitar intervenção humana ou simplesmente reconhecer que não dispõe de contexto suficiente para decidir com segurança.

Essa mudança ajuda a explicar por que a distância entre piloto e produção permanece relevante mesmo com a rápida evolução dos modelos. Pesquisa global da Deloitte publicada em 2026 mostrou que apenas 25% dos respondentes haviam levado 40% ou mais de seus pilotos de IA para produção. Em outro estudo sobre IA agêntica, a Deloitte encontrou uma distribuição igualmente reveladora: 30% das organizações pesquisadas estavam explorando agentes e 38% conduzindo pilotos, enquanto 14% tinham soluções prontas para implantação e 11% declaravam utilizá-las efetivamente em produção. (Deloitte)

Há uma razão estrutural para essa diferença. Um modelo pode melhorar significativamente sua capacidade de raciocínio sem que o sistema legado ao qual precisa se conectar se torne mais fácil de integrar. Pode interpretar linguagem natural com maior precisão sem corrigir a inconsistência entre dois bancos de dados corporativos. Pode planejar uma sequência de ações mais sofisticada sem saber, por si só, que uma determinada aplicação sustenta um serviço crítico ou que uma alteração aparentemente local produzirá efeitos em outro componente da operação.

A inteligência de um agente não elimina a complexidade do ambiente em que ele precisa trabalhar.

Na verdade, quanto maior a autonomia concedida, mais relevante essa complexidade se torna. Um agente que apenas responde perguntas pode conviver com determinadas lacunas de contexto. Um agente autorizado a modificar configurações, acionar processos, interagir com clientes ou atuar sobre infraestrutura precisa operar dentro de limites muito mais rigorosos. A qualidade do modelo continua importante, mas deixa de ser a única variável determinante. Integração, identidade, segurança, governança, observabilidade, conhecimento operacional e mecanismos de supervisão passam a fazer parte do próprio problema.

É por isso que a passagem para produção não deve ser vista simplesmente como a etapa posterior ao desenvolvimento do agente. Ela muda a natureza do sistema que está sendo construído. A partir desse momento, não estamos mais avaliando somente a capacidade da IA. Estamos avaliando a capacidade da organização de incorporar essa IA ao seu funcionamento.

Talvez o gargalo esteja se deslocando do agente para a organização

Os dados mais recentes reforçam essa interpretação. O Enterprise AI Maturity Index 2026, da ServiceNow, pesquisou 4.500 executivos em 19 países e 12 setores. O levantamento encontrou 59% das organizações já além da fase de piloto em IA agêntica, mas apenas 9% com progresso significativo na construção de workflows autônomos e de múltiplas etapas. Apenas 16% haviam substituído sistemas legados fragmentados por uma base integrada, enquanto 71% relatavam dificuldades relacionadas à precisão, ao acesso e à gestão dos dados. (ServiceNow)

O interessante nesses números não é simplesmente concluir que as empresas estão atrasadas. Eles sugerem algo mais importante: a capacidade de adotar a tecnologia está avançando mais rapidamente do que a capacidade de reorganizar o ambiente no qual ela precisa funcionar.

Essa diferença tende a ficar mais evidente à medida que os agentes ganham autonomia. Durante muito tempo, boa parte da transformação digital pôde avançar adicionando novas interfaces sobre estruturas existentes. Um novo aplicativo podia esconder do usuário parte da complexidade que permanecia nos sistemas internos. Com agentes autônomos, essa estratégia encontra um limite. Se o agente precisa atravessar sistemas, correlacionar informações, interpretar estados operacionais e tomar decisões, ele próprio passa a encontrar a fragmentação que antes ficava escondida atrás das interfaces.

Isso muda também a maneira de pensar prontidão para IA. Preparar uma organização para agentes não significa apenas disponibilizar modelos, contratar plataformas ou criar uma política corporativa de uso. Significa tornar progressivamente mais explícitas informações que muitas operações ainda mantêm distribuídas entre sistemas, documentação, procedimentos e conhecimento das pessoas: quais componentes existem, como se relacionam, quais dependências são críticas, qual é o estado atual do ambiente, que regras precisam ser respeitadas, quem pode executar cada ação e em quais situações uma decisão deve ser escalada.

Não será necessário resolver toda a complexidade corporativa antes de colocar qualquer agente em produção. Esse seria apenas outro extremo. A autonomia pode avançar gradualmente, começando por domínios delimitados, com riscos conhecidos, observabilidade adequada e mecanismos claros de intervenção humana. O que muda é a forma de avaliar maturidade. Um piloto bem-sucedido demonstra que determinada capacidade é possível; a produção exige demonstrar também que essa capacidade pode conviver com a realidade operacional.

Há ainda uma consequência importante. À medida que organizações acumularem dezenas, centenas ou eventualmente milhares de agentes, a própria operação desses sistemas se tornará uma disciplina. Será necessário acompanhar comportamento, desempenho, erros, dependências, permissões, interações entre agentes e efeitos das decisões tomadas. Esse é um problema que merece discussão própria e que abordaremos em um próximo artigo desta série.

Por enquanto, a questão fundamental é anterior: antes de perguntar quanto mais os agentes conseguirão fazer, talvez seja necessário perguntar em que tipo de ambiente estamos colocando esses agentes para trabalhar.

Da capacidade tecnológica à prontidão operacional

A distância entre uma demonstração convincente e uma operação confiável não diminui a importância dos avanços recentes em IA. Ao contrário, ela é consequência deles.

Os agentes estão começando a sair do espaço relativamente seguro da geração de conteúdo, da consulta de informações e da recomendação para ocupar uma posição diferente: sistemas capazes de participar da execução do trabalho. Quanto mais essa transição avança, menos sentido faz avaliar sua maturidade olhando apenas para o que o modelo consegue fazer isoladamente.

O desafio passa a envolver tudo aquilo que existe ao redor dele.

Dados precisam estar acessíveis e ter significado. Sistemas precisam poder ser integrados. Permissões precisam refletir o grau de autonomia concedido. Dependências precisam ser compreendidas. Ações precisam ser observáveis. Exceções precisam ter caminhos de tratamento. E a organização precisa saber onde termina a autonomia da máquina e onde começa a responsabilidade humana.

Os bons resultados obtidos em demonstrações e pilotos não devem, portanto, ser interpretados como uma promessa frustrada. Eles mostram que uma parte essencial da equação avançou extraordinariamente rápido. Agora começam a revelar com maior nitidez as demais partes que precisam avançar junto.

Talvez o principal desafio da próxima fase da IA corporativa não seja construir agentes capazes de fazer mais, mas construir organizações preparadas para permitir que eles façam mais.

Da visão à prática: ARGUS

Em operações de TI e Telecom, uma parte desse desafio aparece de maneira particularmente concreta. Quando um agente deixa um ambiente controlado e passa a participar da investigação ou da execução de uma operação real, não basta que conheça genericamente redes, aplicações, infraestrutura ou procedimentos. Ele precisa compreender o que está acontecendo naquele ambiente específico, naquele momento, e como os diferentes sinais e componentes se relacionam.

É nesse ponto que o ARGUS, plataforma AIOps desenvolvida pela Target Solutions, pode contribuir. A plataforma conecta informações provenientes de múltiplas fontes, correlaciona eventos, reduz ruído operacional e enriquece as informações disponíveis. Também permite incorporar regras determinísticas e representar relações e interdependências conhecidas entre elementos da operação, ajudando a construir uma visão mais consistente do estado do ambiente.

Essa compreensão pode apoiar inicialmente especialistas e processos operacionais, depois automações e, progressivamente, agentes de IA. O objetivo não é atribuir ao ARGUS responsabilidades que pertencem a uma arquitetura mais ampla de IA, como identidade, segurança agêntica ou governança corporativa. Sua contribuição está em uma camada específica e necessária: ajudar a construir e disponibilizar contexto operacional sobre o ambiente no qual decisões precisam ser tomadas.

O ARGUS não procura substituir as diferentes ferramentas que conhecem partes específicas da operação. Ele ajuda a conectar aquilo que elas sabem para construir uma compreensão mais consistente do todo.

Quando agentes começam a deixar a demonstração e entrar na operação, essa diferença entre simplesmente ter acesso a informações e efetivamente compreender o ambiente pode se tornar cada vez mais importante.

Conheça o ARGUS e veja como funciona na prática.

Sobre o autor

Paulo Florêncio de Menezes é cofundador da Target Solutions e atua há mais de 15 anos em projetos relacionados a infraestrutura, monitoramento, observabilidade, automação e operações de TI e Telecom.

É graduado em Processamento de Dados pela Universidade Federal do Amazonas (UFAM), possui MBA em Gestão Empresarial pela Fundação Dom Cabral (FDC) e Mestrado Profissional em Economia pela Fundação Getulio Vargas (FGV).

Em sua pesquisa de Mestrado, desenvolveu o IBEOP-IA (Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial), investigando a exposição potencial das ocupações brasileiras às capacidades da IA por meio da combinação de dados ocupacionais, patentes de inteligência artificial e técnicas de processamento de linguagem natural.

Sobre a Target Solutions

A Target Solutions é uma empresa brasileira de tecnologia especializada em soluções para ambientes críticos de TI e Telecom.

Ao longo de mais de 15 anos, participa de projetos envolvendo infraestrutura, monitoramento, observabilidade, automação, integração de plataformas e operações de redes e serviços.

O ARGUS é sua plataforma AIOps para correlação de eventos, redução de ruído e construção de contexto operacional a partir de múltiplas fontes.