Especialistas aconselham rastejando e andando antes de correr com agentes de IA

Bem-vindo à era dos sistemas de IA multiagente, onde o potencial para aumentar a produtividade pessoal e profissional é imenso. No entanto, integrar essas ferramentas avançadas de IA generativa (Gen AI) em sua organização não é uma tarefa simples. De acordo com um relatório recente da Deloitte, o interesse pelo desenvolvimento de agentes autônomos está em ascensão, com 26% das organizações explorando essa área. Mais da metade dos executivos (52%) está entusiasmada em desenvolver IA agentiva, e 45% buscam expandir para sistemas multiagentes. Apesar de seu potencial, esses sistemas não são uma panaceia para todos os desafios.

O relatório destaca que a IA agentiva pode aprimorar significativamente a criação de valor de negócio sustentável ao atender objetivos de forma autônoma com mínima intervenção humana. No entanto, também observa que os obstáculos enfrentados pela Gen AI — como incerteza regulatória, gerenciamento de riscos, deficiências de dados e questões de força de trabalho — são ampliados com sistemas agentivos devido à sua maior complexidade.

Jim Rowan, chefe de IA na Deloitte Consulting, enfatizou que, diferente dos bots convencionais que reagem principalmente a entradas, a IA agentiva pode planejar, priorizar tarefas e executar fluxos de trabalho complexos com pouca supervisão humana. No entanto, ele alertou que a implementação desses sistemas pode ser custosa, destacando a importância de uma infraestrutura de dados robusta, incluindo plataformas de nuvem escaláveis, ferramentas avançadas de análise de dados e fortes medidas de cibersegurança.

Para organizações que desejam adotar agentes de IA, começar de forma simples é fundamental. Benjamin Lee, professor da Universidade da Pensilvânia, sugere que empresas que já usam IA generativa para tarefas simples estão bem posicionadas para aproveitar a IA agentiva. Essas organizações possuem funcionários confortáveis em dividir tarefas complexas em outras mais simples para a IA, já experimentando ganhos de produtividade.

Rowan recomenda uma abordagem por fases — começando com um programa piloto para testar sistemas multiagentes em um ambiente controlado. Ele compara o estado atual da IA ao de uma criança pequena, com a IA agentiva sendo mais avançada, semelhante a um pré-adolescente — funcional e capaz de executar funções específicas.

Para integrar ainda mais os agentes de IA, as organizações devem incentivar o uso de IA generativa para tarefas simples e desenvolver estratégias para dividir tarefas complexas em partes gerenciáveis. Essa abordagem tornará os ganhos de produtividade dos agentes inteligentes transparentes, compreensíveis e confiáveis.

Rowan também defende o uso de modelos de linguagem menores em vez dos maiores que dominaram o cenário da Gen AI. Esses modelos menores podem ser mais eficazes em várias funções, desde gerenciamento de cadeia de suprimentos até desenvolvimento de software e análise financeira. Lee concorda, observando que agentes inteligentes podem dividir tarefas complexas em outras mais simples e usar modelos especializados para combinar resultados em uma resposta coerente.

Dados de qualidade são cruciais para o funcionamento eficaz dos agentes de IA. Dados imprecisos, incompletos ou inconsistentes podem levar a saídas e ações não confiáveis, representando desafios tanto de adoção quanto de risco. Portanto, investir em gerenciamento de dados robusto e modelagem de conhecimento é essencial.

A capacitação da força de trabalho é outra área crítica, com Rowan enfatizando a necessidade de treinamento em habilidades técnicas e na capacidade de colaborar com agentes de IA. Uma força de trabalho bem preparada é vital para realizar plenamente o potencial dos agentes de IA.

O monitoramento contínuo e a melhoria do desempenho dos agentes de IA também são necessários. Isso envolve coletar e analisar dados de desempenho, identificar áreas para aprimoramento e fazer ajustes para otimizar o desempenho.

Do ponto de vista da política, as empresas devem estabelecer diretrizes claras sobre o uso da IA agentiva. Ben Sapp, líder global de inteligência na Digital.ai, destaca a importância de determinar quem pode usar a IA agentiva, suas permissões para interagir com outros agentes e a hierarquia para tomada de decisão quando os sistemas interagem ou entram em conflito.

Sapp forneceu um exemplo de uma empresa de serviços financeiros que usa um modelo de IA para prever falhas em mudanças. Com base na probabilidade de falha, um humano pode decidir se revisa a mudança mais profundamente ou a aprova. Com a IA agentiva, se a probabilidade de falha for inferior a 1%, o sistema pode aprovar automaticamente a mudança, eliminando a necessidade de intervenção humana e simplificando o processo.

Em resumo, embora a IA agentiva tenha grande promessa para aumentar a produtividade e criar valor de negócio sustentável, sua implementação bem-sucedida requer consideração cuidadosa dos desafios técnicos, de dados, de força de trabalho e de política.