A IA agêntica está remodelando o empreendedorismo e aumentando os desafios para as empresas já estabelecidas. Startups estão implantando sistemas coordenados de agentes de IA capazes de planejar, agir e se adaptar de forma autônoma. Essa abordagem reduz drasticamente o tempo, o capital e o número de pessoas necessários para lançar e expandir uma empresa. Produtos que antes exigiam grandes equipes e mais de um ano para serem desenvolvidos agora podem ser criados e aprimorados em poucas semanas por um pequeno grupo de pessoas. Startups nativas em IA constroem conhecimento proprietário sobre fluxos de trabalho por meio do uso de agentes de IA, criando vantagens cumulativas. As empresas estabelecidas enfrentam um desafio estrutural: dados isolados em silos, fluxos de trabalho legados e funções rígidas limitam os benefícios da IA agêntica. Os líderes precisam redesenhar processos antes de automatizá-los, fortalecer a qualidade dos dados, esclarecer os pontos de transição entre humanos e IA e preparar os funcionários para se concentrarem em trabalhos que exijam julgamento humano ou que estejam fora do padrão.
O cenário das startups está passando por sua transformação mais profunda desde a revolução da internet. Essa mudança é impulsionada pela convergência de várias forças. Os grandes modelos de linguagem (LLMs) atingiram um nível de maturidade que os torna capazes de raciocinar e planejar tarefas. Quando recebem acesso a dados relevantes e autorização para agir em nome do usuário, os LLMs podem atuar como agentes, assumindo o papel de assistente digital ou até mesmo de funcionário digital. Novas estruturas permitem que múltiplos agentes coordenem suas ações de forma autônoma, criando sistemas de IA agêntica, ou equipes de colegas digitais. Interfaces de programação de aplicações (APIs) de baixo custo tornaram barato conectar diferentes sistemas de TI para que compartilhem dados e trabalhem juntos. E os custos de computação em nuvem continuam caindo, mesmo à medida que a capacidade computacional aumenta. Essas tendências estão produzindo uma segunda grande compressão do empreendedorismo: os custos, o tempo e o número de pessoas necessários para construir um protótipo de produto, testá-lo e depois desenvolver uma versão aprimorada diminuíram drasticamente. Essa compressão altera a base da competição. Pequenas startups podem entrar, expandir ou transformar mercados em uma velocidade e com uma estrutura de custos que desafiam as empresas estabelecidas a reinventarem seus modelos operacionais.
Este artigo baseia-se em nossa pesquisa com dezenas de startups nativas em IA e em entrevistas com fundadores, investidores e executivos corporativos. Ele mapeia as cinco forças que impulsionam esse novo modelo operacional empreendedor e examina o que elas significam tanto para startups nativas em IA quanto para as empresas estabelecidas com as quais agora competem.
Antes de explorar essas forças, apresentamos o que torna a IA agêntica fundamentalmente diferente das gerações anteriores de tecnologia.
De ferramentas a companheiros de equipe: entendendo a IA Agêntica
A evolução dos LLMs para sistemas de IA agêntica representa uma mudança de ferramentas conversacionais para sistemas capazes de buscar resultados complexos de forma autônoma — planejando, agindo e se adaptando ao longo do caminho.
Grandes modelos de linguagem, como ChatGPT e Claude, funcionam como tutores e assistentes poderosos, ajudando usuários a ampliar rapidamente seus conhecimentos sobre novos setores, cenários competitivos e estruturas regulatórias, entre outros exemplos. Esses tutores de IA podem orientar fundadores durante todo o processo de criação de uma startup, ajudando na elaboração de planos de negócios e apresentações para investidores, fornecendo orientação sobre captação de recursos, contratação de pessoal e muito mais. Empresas estabelecidas que desejam expandir suas ofertas também podem acessar as mesmas capacidades. Com o uso das mais recentes ferramentas de pesquisa e raciocínio baseadas em IA, tanto empreendedores quanto empresas consolidadas podem condensar meses de aprendizado em dias ou até horas.
Os agentes de IA vão além dos LLMs, executando tarefas mais complexas quando recebem contexto adequado e estão conectados às ferramentas certas. Um agente de IA atuando como analista financeiro, por exemplo, pode desenvolver projeções financeiras para cinco anos se receber insumos como o plano de negócios e pesquisas de mercado, além de estar conectado a ferramentas de planilha para gerar os resultados.
Os sistemas de IA agêntica são redes de agentes especializados de IA, coordenados por um gerente digital, capazes de planejar, raciocinar, adaptar-se e perseguir objetivos organizacionais. Na NTT Data, uma empresa multinacional de serviços de TI, os sistemas de IA agêntica usados no atendimento ao cliente fazem mais do que resolver chamados individuais do service desk; eles sintetizam padrões encontrados em milhares de conversas, identificam problemas sistêmicos, como falhas de software, geram solicitações de mudança, escrevem e testam correções de código e criam artigos de referência para uso futuro. O sistema busca o resultado de melhorar a qualidade do serviço, e não apenas resolver consultas individuais. (A NTT Data é cliente da Ema, uma plataforma corporativa de IA agêntica que Vivian e Linda assessoram.)
As empresas podem construir agentes de IA orientados por resultados sem ficarem limitadas pelos silos organizacionais. Por exemplo, a Ema desenvolveu um assistente de integração de funcionários que solicita o crachá de identificação para um novo colaborador, atribui uma mesa de trabalho, prepara o notebook, ativa a folha de pagamento, realiza a inscrição nos benefícios e até agenda apresentações com colegas-chave da equipe. Ele executa todo o trabalho que, na maioria das empresas estabelecidas, estaria distribuído entre RH, TI e três gestores diferentes.
As Cinco Forças da Mudança Disruptiva
Cinco forças interligadas estão criando um novo modelo operacional para o empreendedorismo. Essas forças reforçam umas às outras, gerando uma vantagem cumulativa ao longo do tempo. Juntas, elas estão transformando a forma como uma startup desenvolve um protótipo de produto ou modelo de negócio, testa sistematicamente sua aceitação e comprova a existência de demanda real no mercado, para então expandi-lo.
1 – Iteração de latência zero.
A iteração de latência zero refere-se ao ciclo de feedback no desenvolvimento de um produto digital. Isso significa que cada versão de um produto digital pode ser alterada instantaneamente após o recebimento do feedback dos clientes, reduzindo drasticamente o tempo necessário para projetar, lançar e expandir um novo produto. Tradicionalmente, uma startup de software como serviço (SaaS) levava de 12 a 18 meses para passar da concepção à comprovação de que seu produto atendia a uma forte demanda de mercado (product-market fit). E esse processo custava, segundo nossa experiência, US$ 1 milhão ou mais. As startups nativas em IA estão reduzindo significativamente esses números.
Quando Michael Rossiter e Neal Suidan, ambos ex-funcionários da Tesla, fundaram a Atomic — uma plataforma de gestão de estoques para cadeias de suprimentos baseada em IA — eles vivenciaram essa compressão de tempo em primeira mão. Utilizando ferramentas simples de “vibe coding” (desenvolvimento de software assistido por IA por meio de comandos em linguagem natural), eles criaram em poucos dias um protótipo funcional da interface de usuário, suficiente para conquistar clientes pagantes.
Essa iteração de latência zero vai muito além dos protótipos iniciais. Souvik Sen, cofundador e diretor de tecnologia da Ema, nos explicou como os agentes de IA aceleram o desenvolvimento de software. Eles não apenas otimizam componentes da interface do usuário (UI) e automatizam a geração de wireframes (o processo de criação de um esboço visual básico ou estrutura inicial de um site, aplicativo ou outro produto digital); também avaliam criticamente a arquitetura técnica, propõem estruturas mais organizadas para armazenamento de arquivos e realizam testes em tempo real para detectar falhas, vulnerabilidades de segurança e problemas de desempenho. Como resultado, gerentes de produto e engenheiros conseguem criar protótipos funcionais em horas, em vez de semanas.
Talvez o aspecto mais impressionante seja o desaparecimento das fronteiras tradicionais entre funções. Na Anterior, uma plataforma de IA para autorizações prévias em planos de saúde, os designers de experiência do usuário (UX) agora alteram o código da interface sem envolver engenheiros. Eles utilizam assistentes de programação baseados em IA para modificar o software e adaptar as interfaces diretamente. Essas eficiências permitem que a empresa desenvolva, teste e lance novas atualizações de software a cada duas semanas.
Com compromissos mínimos de recursos, as startups podem explorar mercados pequenos ou incertos demais para justificar investimentos por parte de empresas estabelecidas. Se descobrirem que o ajuste ao mercado é inadequado, podem mudar de direção quase em tempo real, reduzindo drasticamente o risco de apostar no mercado errado.
2 – Capacidades automatizadas de entrada no mercado
Empresas nativas em IA estão empregando recursos que lhes permitem executar estratégias de entrada no mercado em uma escala e velocidade que antes estavam disponíveis apenas para grandes empresas com departamentos robustos de marketing. Essas capacidades estão reduzindo drasticamente os custos de aquisição e integração de novos clientes.
Por exemplo, algumas startups utilizam agentes de IA para gerar e otimizar conteúdo de marketing, testar milhares de combinações de imagens e textos, identificar as mensagens mais eficazes e redirecionar dinamicamente os investimentos para os canais de melhor desempenho. Essa abordagem orientada por dados permite que uma startup execute estratégias de marketing que anteriormente exigiam equipes inteiras de especialistas. Duas empresas que fazem isso são a Atomic e a Tactix, uma plataforma de inteligência para tomada de decisões voltada para proprietários de restaurantes de fast-food e fast-casual, que fornece recomendações instantâneas sobre ofertas para clientes, dimensionamento de equipes e gestão de estoques. (A DVx Ventures, cofundada por Jon, que também é seu CEO, lançou ambas as empresas.)
A IA agêntica também está eliminando os custos ocultos associados ao crescimento. Nos modelos tradicionais de software como serviço (SaaS), cada novo cliente exige pontos de contato humanos dispendiosos. Como descreve Nikki Monterroso, cofundadora da Tactix, depois que um cliente adere à plataforma, é necessário conceder acesso aos seus dados e fluxos de trabalho, definindo os caminhos específicos que os dados devem percorrer, entre ferramentas e pessoas, para alcançar objetivos de negócio. Em vez de mapear cada etapa manualmente, sistemas agênticos agora conseguem executar grande parte dessas tarefas de integração automaticamente, em horas ou dias, em vez dos muitos meses que seriam necessários para que pessoas realizassem esse trabalho.
A Atomic oferece demonstrações ao vivo pré-venda utilizando dados dos clientes em poucas horas e conclui implementações completas em aproximadamente um quarto do tempo exigido pelas implementações tradicionais de SaaS. Os agentes de IA transcrevem conversas com clientes e configuram a plataforma por meio de interações em linguagem natural; eles conseguem realizar a complexa tradução técnica que antes exigia consultores especializados. É um exemplo de agentes de IA atuando como engenheiros avançados de implantação, assumindo a responsabilidade de compreender as necessidades dos clientes com profundidade suficiente para integrar soluções de software de forma eficaz.
3 – Funções empresariais autônomas
Os sistemas de IA agêntica estão tornando possível planejar, executar e otimizar atividades empresariais de ponta a ponta com mínima participação humana. Isso reduz drasticamente o número de pessoas necessário para construir e expandir um novo negócio e representa uma das diferenças mais radicais entre os modelos tradicionais de startup e aqueles que utilizam sistemas de IA agêntica.
Uma equipe convencional de desenvolvimento de produtos tecnológicos inclui dois ou três engenheiros, um gerente de produto, um pesquisador de UX, um designer de UX e um líder de negócios — talvez entre seis e oito pessoas para criar um produto mínimo viável em seis a doze meses. As startups nativas em IA de hoje precisam de apenas duas pessoas: um especialista no domínio de negócio, que compreenda o problema empresarial, e um engenheiro de IA capaz de construir sistemas agênticos para resolvê-lo.
Na Tactix, a equipe central de produto é composta por um especialista da indústria de restaurantes de serviço rápido e um engenheiro de IA. Utilizando ferramentas de programação assistidas por IA, esse único engenheiro realiza o trabalho equivalente ao de dez profissionais. Em poucos meses, a empresa desenvolveu um sistema de IA agêntica que coleta e valida dados dos restaurantes, consolida informações, analisa padrões (incluindo fatores externos como clima e eventos locais) e gera recomendações práticas para preços, promoções e operações. Os agentes de IA responsáveis por cada componente são supervisionados por um agente “gerente”.
Esse grau de automação também se aplica às operações internas das próprias startups. Na Ema, a maior parte dos processos de recursos humanos e integração de funcionários é automatizada por agentes de IA. Na Anterior, agentes de IA reduzem em aproximadamente 90% as despesas jurídicas ao revisar contratos e destacar questões importantes que exigem análise de consultores externos. Assim, Abdel Mahmoud, fundador e CEO da Anterior (médico com formação em ciência da computação), conseguiu destinar muito menos pessoas às atividades administrativas, mantendo 30 dos seus 40 funcionários focados na construção do produto.
Os sistemas agênticos não apenas automatizam fluxos de trabalho; eles liberam a inteligência coletiva escondida nos dados e no histórico organizacional. Mahmoud lançou um “bibliotecário de IA”, um curador digital que organiza todos os documentos, e-mails, atas de reuniões e demais comunicações internas da Anterior para acesso fácil a qualquer momento e de qualquer lugar. Mahmoud utiliza regularmente a IA para avaliar a situação da empresa, fazendo perguntas como: “Quais foram os principais desafios de engenharia desta semana?”. Em segundos, recebe resumos precisos e referenciados. Trata-se de um pequeno exemplo de uma transformação muito maior. O conhecimento que antes estava fragmentado em arquivos individuais e se perdia com a saída de funcionários agora pode ser continuamente indexado, aprendido e reutilizado pela organização.
4 – Eficiência radical de capital
Graças à combinação de operações enxutas, iterações rápidas durante o desenvolvimento de produtos e agentes autônomos de IA, startups nativas em IA necessitam de muito menos capital para lançar um novo negócio e alcançar a lucratividade, além de conseguirem captar recursos mais rapidamente do que startups convencionais.
A LangChain, uma estrutura para desenvolvimento de aplicações de IA, reduziu a jornada típica de captação de recursos, que normalmente ultrapassa dois anos, para apenas dez meses até concluir sua rodada Série A de US$ 25 milhões. A Delve, uma plataforma nativa em IA para automação de conformidade regulatória voltada a startups e empresas que buscam certificações de segurança, levantou US$ 32 milhões em uma rodada Série A apenas seis meses após sua rodada seed.
A DVx Ventures lançou 12 startups em quatro anos. Suas empresas nativas em IA consumiram cerca de US$ 2 milhões em capital até alcançarem o estágio Série A, valor 80% menor do que o gasto pelas startups anteriores da empresa que não utilizavam IA. O tempo necessário para atingir esse marco também foi de 20% a 40% menor. Com menos capital exigido por empresa, fundos de venture capital podem fazer mais apostas, potencialmente aumentando os retornos de seus portfólios.
5 – O volante de crescimento impulsionado por IA
Ao resolver tarefas manuais consideradas “insolúveis” no centro das operações empresariais de seus clientes, startups de IA agêntica obtêm uma compreensão precoce e profunda das prioridades fundamentais desses clientes e melhoram continuamente sua capacidade de atendê-las. Essa é uma de suas principais vantagens competitivas.
De fato, interfaces de IA personalizadas já não são um recurso escasso, e plataformas prontas para construção de agentes estão cada vez mais disponíveis. A verdadeira força dessas startups reside no profundo conhecimento operacional e dos fluxos de trabalho adquirido ao implantar agentes de IA personalizados para resolver alguns dos problemas mais difíceis de seus clientes, especialmente nas unidades de negócio economicamente mais críticas.
Por exemplo, a Anterior conquistou tração inicial no avesso ao risco setor de seguros de saúde utilizando agentes de IA para construir o que Mahmoud chamou de “o melhor mecanismo de ingestão de prontuários médicos”. O sistema processa de forma confiável PDFs recebidos por fax — o “trabalho sujo” com o qual muitos humanos e sistemas de IA têm dificuldade — extraindo dados estruturados a partir de documentos não estruturados.
Durante as análises de autorização prévia, os agentes da Anterior estruturavam dados clínicos ricos — frequentemente cerca de 600 páginas de informações não estruturadas de pacientes por caso — fornecendo às seguradoras de saúde acesso rápido a informações valiosas e precisas. Com esses dados estruturados, os planos de saúde conseguem aprimorar a gestão do cuidado, o ajuste de risco e a integridade dos pagamentos. Em seguida, empresas como a Anterior as apoiam na construção de processos melhores, inclusive entregando-lhes os recursos para desenvolver seus próprios agentes. Como explica Mahmoud: “Enfermeiros recém-saídos do ambiente hospitalar conseguem, em poucas semanas, projetar seus próprios fluxos de trabalho clínicos baseados em IA” utilizando a plataforma da empresa.
A retenção de clientes se fortalece ao longo do tempo. Isso ocorre porque a profunda integração da empresa aos fluxos de trabalho cria elevados custos de mudança, tornando cada vez mais difícil para os usuários abandonarem a solução, o que funciona como uma barreira à entrada de novos concorrentes.
Um dos atributos mais poderosos de um sistema de IA agêntica é seu ciclo de reforço próprio, que lhe permite melhorar continuamente uma função empresarial ao aprender com suas próprias ações e resultados. Esse é o chamado efeito volante (flywheel). Mais utilização gera mais insights, que melhoram o engajamento dos clientes e o desempenho dos agentes, o que gera ainda mais utilização. Assim como as empresas de SaaS se tornaram mais valiosas à medida que acumulavam dados de clientes, as startups nativas em IA que constroem conhecimento proprietário sobre fluxos de trabalho por meio de seus agentes de IA criam vantagens cumulativas.
No nível da plataforma, empresas como a Ema também estão acumulando um profundo entendimento sobre operações e gestão da mudança à medida que implantam essa nova geração de produtos SaaS que incorporam agentes de IA. Por exemplo, a Ema ajuda líderes a lidar com as tensões da adoção da IA ao estabelecer regras claras de uso e recomendar mecanismos de proteção para garantir uma implementação tranquila. A empresa é especializada em transformar tarefas comuns, desorganizadas e manuais — como atendimento ao cliente e integração de novos funcionários — em processos organizados e automatizados. À medida que as implementações de IA aumentam em escala e complexidade, a fluência em operações complexas torna-se uma vantagem competitiva significativa.
As Empresas Estabelecidas precisam repensar sua arquitetura
A ascensão de concorrentes nativos em IA, altamente eficientes em termos de capital, revela uma incompatibilidade estrutural entre a forma como as empresas estabelecidas foram construídas e a forma como os sistemas agênticos operam. As startups nascem em torno de fluxos de trabalho limpos, ciclos de aprendizado rápidos e modelos de dados projetados para sistemas que aprendem continuamente. Já a maioria das empresas estabelecidas evoluiu para privilegiar estabilidade, especialização e controle, e tende a resistir a esforços de experimentação e inovação.
O obstáculo para as empresas consolidadas não é a falta de ferramentas de IA; é a arquitetura organizacional sobre a qual essas ferramentas precisam operar. Funcionários que passaram uma década dominando processos estáveis têm pouca preparação para funções ampliadas por IA. Gestores intermediários, cuja autoridade historicamente deriva do controle de informações e recursos, frequentemente resistem a qualquer iniciativa que ameace sua esfera de controle. Nada disso reflete falta de competência; reflete a forma como essas funções foram desenhadas. Como Clayton Christensen e seu coautor alertaram no primeiro artigo da Harvard Business Review sobre inovação disruptiva, os próprios processos que atendem aos mercados principais “funcionam tão bem que cegam essas empresas [estabelecidas]” para novas formas de operar.
A dívida técnica — o retrabalho adicional, o tempo extra e os recursos necessários para corrigir projetos de software inadequados — amplia o desafio. Fluxos de trabalho corporativos raramente são documentados de forma clara. Os dados permanecem em silos. As integrações são frágeis. Exceções exigem intervenção manual. A IA agêntica depende de fluxos de trabalho claros, dados unificados e ciclos de feedback ininterruptos, e alcançar esses requisitos pode ser extremamente difícil para empresas estabelecidas. O erro mais comum é tentar automatizar antes de reestruturar os fluxos de trabalho. Nas palavras de Michael Hammer: “É hora de parar de pavimentar trilhas de vaca. Em vez de incorporar processos ultrapassados ao silício e ao software, devemos eliminá-los e começar de novo.”
A economia do setor intensifica ainda mais a pressão. Empresas nativas em IA conseguem atingir marcos iniciais com apenas uma fração do capital e da equipe que antes eram necessários. Quando um concorrente consegue produzir cinco vezes mais utilizando os mesmos recursos ou alcançar tração com apenas um quinto do capital, toda a curva de custos de um setor se desloca. Essa dinâmica pressiona as empresas estabelecidas a reduzir significativamente seus preços (correndo o risco de comprometer a estabilidade operacional) ou mantê-los inalterados (correndo o risco de perder competitividade gradualmente).
Ainda assim, as startups nativas em IA possuem vulnerabilidades que as empresas estabelecidas podem explorar. Sistemas autônomos introduzem riscos de qualidade, confiabilidade e conformidade regulatória: um sinal interpretado incorretamente, uma aprovação equivocada ou uma configuração defeituosa podem gerar consequências reais. Demonstrar controle sobre sistemas compostos por múltiplos agentes não é trivial, especialmente quando esses sistemas dependem de modelos de IA que são inerentemente imprevisíveis. Diferentemente dos softwares tradicionais, agentes de IA nem sempre produzem o mesmo resultado duas vezes, tornando seu comportamento mais difícil de padronizar e verificar.
As startups precisam construir mecanismos de teste, monitoramento e escalonamento de problemas que as empresas estabelecidas levaram décadas para aperfeiçoar. Isso inclui trilhas de auditoria, relatórios de conformidade, uma cultura de resposta a incidentes e, em caso de erros, estruturas como gestores de incidentes, análises de causa raiz e revisões pós-incidente. As startups nativas em IA podem descobrir que precisam dessas capacidades antes mesmo que os clientes estejam dispostos a confiar nelas.
As empresas estabelecidas podem aproveitar sua reputação consolidada de excelência operacional e conformidade regulatória para apresentar as soluções nativas em IA como inerentemente arriscadas e menos confiáveis.
O talento é outra limitação. Embora a IA agêntica possa lidar com tarefas simples e reduzir o número total de trabalhadores necessários, ela aumenta drasticamente a necessidade de profissionais de primeira linha com conhecimento profundo e especializado do setor. E são justamente esses indivíduos que já trabalham nas grandes empresas estabelecidas. À medida que os grandes modelos de linguagem (LLMs) se tornam commodities, os verdadeiros diferenciais passam a ser os dados proprietários, a capacidade de reestruturar fluxos de trabalho internos em torno da IA e a experiência organizacional necessária para combinar a velocidade da IA com o julgamento humano. Todas essas são fontes de força competitiva que as empresas estabelecidas podem desbloquear se estiverem dispostas a mudar fundamentalmente a forma como operam.
As empresas estabelecidas precisam se perguntar: “Como redesenhamos o trabalho para que pessoas e agentes possam aprender juntos?”. A arquitetura vencedora é um sistema em que dados, processos e regras de tomada de decisão são especificamente projetados para melhorar ao longo do tempo.
O que as Empresas Estabelecidas devem fazer agora
Ignore projetos-piloto que apenas adicionam agentes a fluxos de trabalho defeituosos. Em vez disso, comece pelos pontos onde o atrito operacional é maior e as consequências dos problemas são mais significativas.
Realize uma auditoria de vulnerabilidade com base nas cinco forças disruptivas. Analise cuidadosamente alguns dos fluxos de trabalho mais importantes da organização e identifique onde eles desaceleram, dependem de transferências excessivas entre pessoas ou departamentos, ou obrigam os funcionários a tomar decisões sem informações adequadas. Isso pode incluir processos de alto volume de entrada e encaminhamento, como sinistros de seguros, encaminhamentos médicos ou operações de crédito, que frequentemente são executados por funcionários juniores e nos quais erros iniciais podem gerar problemas significativos posteriormente. Da mesma forma, em fluxos de trabalho como integração de funcionários no RH ou coordenação da cadeia de suprimentos, a transferência manual de dados entre múltiplos sistemas frequentemente leva à perda de contexto crítico.
Esses pontos fracos são exatamente os locais que um concorrente nativo em IA atacaria primeiro, porque corrigir apenas um deles pode redefinir as expectativas dos clientes da noite para o dia. O objetivo é enxergar sua empresa da mesma forma que um concorrente ágil a enxergaria. Identifique os poucos fluxos de trabalho que realmente definem sua vantagem competitiva e aqueles que podem rapidamente se transformar em passivos.
Comece com um processo delimitado e de alto atrito. Escolha um fluxo de trabalho importante e melhore-o primeiro. Ele deve ser relevante o suficiente para que os resultados sejam perceptíveis, mas limitado o bastante para permanecer administrável. Procure o ponto ideal em que o aprendizado será maior e onde as melhorias fortalecerão sua posição competitiva. Evite escolher um piloto fácil. Escolha algo que, se corrigido, eleve claramente o padrão de toda a organização e redefina as expectativas de clientes ou equipes.
Na NTT Data, por exemplo, a equipe de transformação em IA liderada por Edoardo Tealdi começou pelo processo de elaboração de propostas em resposta a solicitações formais de propostas (RFPs) de clientes potenciais, uma atividade que normalmente exigiria centenas de horas de trabalho humano. Utilizando o repositório de todos os serviços da empresa, informações sobre relacionamento com clientes e dados de mercado e concorrência, o agente de IA para elaboração de propostas da NTT cria uma primeira versão em apenas 20 minutos. Isso aumentou tanto o número de respostas da empresa às RFPs quanto sua taxa de sucesso.
Reestruture antes de automatizar. Não insira um sistema inteligente em um processo desorganizado esperando resultados milagrosos. Se um fluxo de trabalho estiver ultrapassado, confuso ou repleto de etapas desnecessárias, um agente apenas reproduzirá essas falhas mais rapidamente. Primeiro, redesenhe o processo: elimine etapas que não fazem mais sentido, esclareça quem toma cada decisão e simplifique o fluxo. Depois que a estrutura estiver limpa, a automação ampliará os ganhos em vez de perpetuar problemas antigos.
Faça parcerias com empresas nativas em IA. Trabalhar com uma empresa especializada em IA é uma maneira prática de observar como um fluxo de trabalho moderno pode funcionar quando não está preso a sistemas legados. Você mantém o controle sobre seus relacionamentos com clientes e sobre as decisões estratégicas; seu parceiro demonstra como um processo mais limpo e rápido pode funcionar na prática. Essa colaboração revelará lacunas internas que talvez passassem despercebidas e ajudará a acelerar os esforços de redesenho.
Quando o 18º Corpo Aerotransportado do Exército dos Estados Unidos desenvolveu o Maven Smart System — uma plataforma de IA baseada em visão computacional que acessa dados de sensores de diversas fontes, auxilia soldados na identificação e seleção de alvos militares e fornece suporte ao fluxo de aprovação pela cadeia de comando — o sucesso dependeu da colaboração com engenheiros de campo da indústria. Segundo Emilia Probasco, pesquisadora sênior do Centro para Segurança e Tecnologia Emergente da Universidade de Georgetown, ao trabalharem diretamente com soldados, os parceiros de IA agêntica do Exército desenvolveram interfaces intuitivas e fluxos de trabalho que se integraram perfeitamente aos processos de inteligência militar já existentes.
Fortaleça a qualidade dos dados e deixe claro quando as tarefas devem retornar aos humanos. Os agentes não precisam de dados perfeitos, mas necessitam de regras claras e sinais confiáveis — informações precisas, consistentes e confiáveis que reflitam a realidade. Certifique-se de que os dados utilizados nas decisões diárias sejam corretos, que exceções sejam visíveis em vez de ficarem escondidas em e-mails e que esteja evidente quando uma tarefa deve ser encaminhada para um ser humano.
Manter um humano no ciclo decisório é um componente vital da governança da IA agêntica. Quando os limites, pontos de transição e mecanismos de proteção são explícitos, os agentes fluem suavemente pelo trabalho. Quando não são, o sistema trava, repete erros antigos ou, pior ainda, cria novos problemas.
Prepare as pessoas para funções em transformação. Os seres humanos se concentrarão cada vez mais em julgamento, casos excepcionais e empatia, enquanto os agentes cuidarão da configuração, coordenação e monitoramento das atividades. Novas responsabilidades surgirão, como supervisionar agentes, interpretar exceções e melhorar continuamente os fluxos de trabalho.
Por exemplo, quando o centro de atendimento do Hospital Geral de Tampa implantou sua agente digital, Aimee, ela foi instruída a lidar com consultas rotineiras e encaminhar casos complexos para funcionários humanos. A equipe operacional do call center manteve total controle sobre a base de conhecimento da Aimee e sobre a lógica específica que orientava suas respostas. Quando as equipes evoluem junto com a tecnologia, ambos continuam melhorando.
Espere que a definição de equipes compostas por humanos e agentes evolua para além das funções e responsabilidades tradicionais.
A IA agêntica está desencadeando uma reestruturação fundamental da dinâmica competitiva em praticamente todos os setores. Para os empreendedores, as barreiras de entrada nunca foram tão baixas. Para os executivos das empresas estabelecidas, a questão não é se devem adotar a IA agêntica, mas com que rapidez e abrangência podem fazê-lo de forma segura.
Durante duas décadas, as empresas estabelecidas competiram com startups a partir de uma posição de superioridade em recursos. Os empreendimentos baseados em IA agêntica reduziram dramaticamente essa vantagem. A história sugere que esperar até que a ameaça se torne inegável é esperar tempo demais.
Fonte:
Uma versão deste artigo foi publicada na edição de julho-agosto de 2026 da Harvard Business Review, com tradução pelo ChatGPT.
Sobre os autores:
Vivian S. Lee, médica (MD), é pesquisadora executiva associada da Harvard Business School e professora sênior da Harvard Medical School. Foi presidente da divisão Health Platforms da Alphabet, ex-CEO da University of Utah Health e autora do livro The Long Fix (W.W. Norton, 2020).
Linda Mantia atua nos conselhos de empresas tanto nativas em IA quanto estabelecidas, incluindo Alan, Dayforce, Liberty Mutual e Maple Leaf Foods. Foi diretora de operações (COO) da Manulife e vice-presidente executiva do Royal Bank of Canada, onde liderou transformações corporativas nas áreas digital, de dados e tecnologia.
Jon McNeill é cofundador, sócio e CEO da DVx Ventures e membro do conselho de diversas empresas, incluindo General Motors, Lululemon, Asurion, CrossFit e Stash. Anteriormente, foi presidente da Tesla e diretor de operações (COO) da Lyft. É autor do livro The Algorithm (Penguin Random House, 2026).