Durante meses, o termo “agentes de IA” invadiu apresentações, keynotes e roadmaps. A promessa é sedutora: sistemas autónomos que planeiam, decidem e executam tarefas em nome das equipas, sem mão humana constante. Mas, quando se passa do slide à implementação, o brilho esbate-se. Em muitas organizações, os pilotos revelam-se mais frágeis do que o marketing sugere, e a intervenção humana continua a ser necessária em passos críticos. O resultado? Expectativas em alta, ganhos concretos limitados e ciclos de venda mais longos do que o previsto.
O desfasamento entre ambição e execução
Há dados que ajudam a explicar o cepticismo. Investigadores da Carnegie Mellon University reportaram que, em tarefas reais de escritório, até os melhores agentes atuais falham com frequência num estudo recente, um modelo de topo não concluiu a maioria das tarefas propostas. Na prática, isto significa que fluxos de trabalho com várias etapas, dependências externas e validações tornam-se autênticos campos minados para modelos generativos que ainda tropeçam no básico.
Também a experiência com agentes disponibilizados ao público tem ficado aquém do discurso. Houve quem classificasse algumas destas soluções como lentas, pouco úteis e instáveis. Quando um agente erra num passo intermédio, todo o encadeamento se desmorona, exigindo supervisão e, muitas vezes, refazer trabalho. E se as “alucinações” informações fabricadas com ar de verdade já são problemáticas em respostas simples, imagine-se o efeito multiplicador num projeto multietapas.
O caso Microsoft: entusiasmo de produto, prudência do cliente
A Microsoft tem sido uma das vozes mais audíveis da era “agentic”, com o Copilot a ganhar novas capacidades e a promessa de um sistema operativo mais orientado a agentes. Contudo, vender esta visão a ritmo acelerado não é tarefa fácil. De acordo com o The Information, as equipas comerciais da Azure terão sentido dificuldades em alinhar a tração no mercado com metas internas consideradas ambiciosas, um sinal de que os decisores empresariais querem provas antes de assinarem cheques maiores.
A própria Microsoft veio contrariar a leitura de que quotas tenham sido reduzidas em termos agregados, sublinhando a diferença entre crescimento e metas comerciais. Ainda assim, a reação bolsista com uma queda de mais de 2% num dos dias de negociação espelha bem o nervosismo do mercado perante sinais de abrandamento.
Para complicar, há pressão competitiva: a Bloomberg avançou que muitos colaboradores preferem recorrer diretamente a ferramentas da OpenAI, o que condiciona a adoção de alternativas como o Copilot quando os utilizadores já criaram hábitos noutros ecossistemas.
Porque é que as empresas hesitam?
Os motivos repetem-se em conversas com CIOs e líderes de operações:
- Confiabilidade: taxas de erro ainda altas em processos com regras e dependências.
- Governança e risco: necessidade de trilhos de auditoria, explicabilidade e controlo de dados.
- Velocidade e custo: agentes a “clicar” num computador virtual podem ser caros e lentos, especialmente sob carga.
- Integração: ligar agentes a ERP, CRM, ITSM e sistemas legados exige conectores robustos e gestão de permissões.
- Responsabilidade: quem responde pelo resultado quando a decisão foi “autónoma”?
Até que estes pontos estejam amadurecidos, a balança pende para abordagens assistivas (copilots) em vez de total autonomia.
Onde há valor hoje: pragmatismo antes de autonomia plena
Apesar do ruído, há formas de extrair ROI já:
- Copilots “com humanos no circuito”: redação, revisão, análise de documentos, sumarização de reuniões e apoio em e-mails, sempre com validação final.
- Recuperação aumentada por pesquisa (RAG): respostas baseadas em fontes internas verificáveis reduzem alucinações e melhoram a precisão.
- Automação com guardrails: fluxos que exigem aprovação humana em passos-chave (por exemplo, antes de executar uma ação financeira ou alterar dados mestre).
- Casos de baixo risco e alto volume: classificação de tickets, triagem de leads, extração de dados de faturas e contratos, FAQs internas.
- Observabilidade e métricas: acompanhar taxa de sucesso por tarefa, tempo poupado por utilizador, custo por execução e incidências de erro para ajustar modelos e políticas.
Esta abordagem incremental gera confiança, cria referências internas e prepara o terreno para maior autonomia quando a tecnologia o permitir.
Impacto no setor e o que observar em 2025
Mesmo com a prudência dos clientes, a nuvem continua a beneficiar. A verdade é que grande parte da receita ligada à IA, para já, vem do consumo de infraestrutura de cloud por startups e equipas de dados, não da venda direta de “agentes” completos ao tecido empresarial. Mas as fissuras são visíveis: se os agentes não entregarem ganhos mensuráveis, os orçamentos vão deslocar-se para projetos mais tangíveis, como modernização de dados, finetuning em domínios específicos e plataformas de MLOps/segurança.
Sinais a acompanhar:
- Queda sustentada nas alucinações em benchmarks abertos e privados.
- Conectores empresariais certificados com gestão de identidades e auditoria nativa.
- Melhorias de latência/custo com hardware especializado e modelos mais eficientes.
- Modelos de responsabilidade partilhada claros entre fornecedor, integrador e cliente.
- Estudos de caso com métricas públicas: poupança de tempo, redução de erros e payback inferior a 12 meses.
Fonte: Futurism
