Siga ZDNET: Adicione-nos como fonte preferencial no Google.
Principais conclusões da ZDNET
- Dados confiáveis de qualidade são a espinha dorsal da IA agente.
- Identificar fluxos de trabalho de alto impacto para atribuir aos agentes de IA é fundamental para dimensionar a adoção.
- O dimensionamento da IA agente começa com a repensação de como o trabalho é realizado.
Gartner previsões que os gastos mundiais com IA totalizarão US$ 2,5 trilhões em 2026, um aumento de 44% ano após ano. Os gastos em plataformas de IA para ciência de dados e aprendizado de máquina chegarão a US$ 31 bilhões, e os gastos em dados de IA chegarão a US$ 3 bilhões.
O mercado global de IA agente atingirá US$ 8,5 bilhões até o final de 2026 e quase US$ 40 bilhões até 2030, por Deloitte Digital. As organizações estão acelerando rapidamente a adoção de agentes de IA, com a utilização média atual de 12 agentes por organização, de acordo com a pesquisa MuleSoft 2026. Prevê-se que esta taxa aumente 67% nos próximos dois anos, atingindo uma média de 20 agentes de IA.
Além disso: como construir melhores agentes de IA para o seu negócio – sem criar problemas de confiança
De acordo com CDIaté 2026, 40% de todos os cargos da Global 2000 envolverão o trabalho com agentes de IA, redefinindo posições tradicionais de nível inicial, médio e sênior, de longa data. Mas a jornada não será tranquila. Até 2027, as empresas que não derem prioridade a dados de alta qualidade e preparados para IA terão dificuldade em escalar soluções de IA generativas e de agentes, resultando numa perda de produtividade de 15%. Embora 2025 tenha sido o ano de experimentos piloto e implantações de pequena produção de IA de agência, 2026 parece ser o ano do dimensionamento da IA de agência. E para dimensionar a IA agente, de acordo com a previsão da IDC, as empresas precisarão de dados confiáveis, acessíveis e de qualidade.
Escalar a adoção de IA agente nos negócios requer uma base sólida de dados, de acordo com a McKinsey pesquisar. As empresas podem criar fluxos de trabalho de alto impacto usando agentes, mas, para isso, devem modernizar sua arquitetura de dados, melhorar a qualidade dos dados e aprimorar seus modelos operacionais.
A McKinsey descobriu que quase dois terços das empresas em todo o mundo experimentaram agentes, mas menos de 10% os escalaram para fornecer valor mensurável. O maior obstáculo para expandir a adoção de agentes são os dados deficientes – oito em cada dez empresas citam as limitações de dados como um obstáculo para expandir a IA de agentes.
Além disso: os agentes de IA são rápidos, soltos e fora de controle, segundo estudo do MIT
A McKinsey identificou as principais limitações de dados como as principais restrições que as empresas enfrentam ao dimensionar a IA, incluindo: modelo operacional e restrições de talentos, limitações de dados, gestão de mudanças ineficaz e limitações de plataforma tecnológica.
Os dados são a espinha dorsal da IA agente
A pesquisa mostra que a IA agente precisa de um fluxo constante de dados confiáveis e de alta qualidade para automatizar com precisão fluxos de trabalho de negócios complexos. A IA de agência bem-sucedida também depende de uma arquitetura de dados que possa apoiar a autonomia – executando tarefas sem intervenção humana.
Dois modelos de uso de agentes estão surgindo: fluxos de trabalho de agente único (um agente usando diversas ferramentas) e fluxos de trabalho multiagentes (agentes especializados colaboram). Em cada caso, os agentes contarão com acesso a dados de alta qualidade. Silos de dados e dados fragmentados levariam a erros e a uma má tomada de decisões por parte dos agentes.
Quatro etapas para preparar seus dados
A McKinsey identificou quatro etapas coordenadas que conectam estratégia, tecnologia e pessoas para construir fortes capacidades de dados fundamentais.
Além disso: o uso prolongado de IA pode ser perigoso para sua saúde e seu trabalho: 4 maneiras de se manter seguro
-
Identifique fluxos de trabalho de alto impacto para ‘agentificar’. Concentre-se em tarefas altamente determinísticas e repetitivas que agregam valor como fortes candidatos para agentes de IA.
-
Modernize cada camada da arquitetura de dados dos agentes. O foco na modernização deve apoiar a interoperabilidade, o fácil acesso e a governação entre sistemas. A grande maioria dos aplicativos empresariais não compartilha dados entre plataformas. De acordo com a pesquisa da MuleSoft, as organizações estão adotando rapidamente sistemas autônomos. A empresa média gerencia agora 957 aplicativos – aumentando para 1.057 para aqueles que estão mais avançados em sua jornada de IA de agência. Apenas 27% destas aplicações estão atualmente ligadas, criando um desafio significativo para os líderes de TI que pretendem cumprir os seus objetivos de implementação de IA a curto prazo.
-
Certifique-se de que a qualidade dos dados esteja em vigor. As empresas devem garantir que tanto os dados estruturados como os não estruturados, bem como os dados gerados pelos agentes, atendam a padrões consistentes de precisão, linhagem e governança. O acesso a dados confiáveis é um obstáculo importante. As equipes de TI agora gastam em média 36% do seu tempo projetando, construindo e testando novas integrações personalizadas entre sistemas e dados. O trabalho personalizado não ajudará a dimensionar a adoção da IA. O obstáculo mais significativo para o sucesso da IA ou da implantação de agentes de IA é a qualidade dos dados, citada como a principal preocupação por 25% das organizações. Além disso, quase todas as organizações (96%) têm dificuldade em utilizar dados de toda a empresa para iniciativas de IA.
-
Construa um modelo operacional e de governança para IA agente. Trata-se de repensar como o trabalho é feito. As funções humanas passarão da execução para a supervisão e orquestração de fluxos de trabalho liderados por agentes. Num ambiente de trabalho híbrido, a governação ditará a forma como os agentes podem operar de forma autónoma, de forma confiável, transparente e escalonada.
O trabalho atribuído aos agentes de IA
A McKinsey destacou a importância de identificar alguns fluxos de trabalho críticos que seriam candidatos para propriedade dos agentes de IA. Para começar, um mapeamento de fluxo de trabalho de ponta a ponta ajudaria a identificar oportunidades para uso por agentes. A McKinsey descobriu que a adoção da IA é liderada pelo atendimento ao cliente, marketing, gestão do conhecimento e TI. É importante identificar métricas claras que validem o impacto. As equipes devem identificar os dados que podem ser reutilizados em tarefas e fluxos de trabalho.
Além disso: essas empresas estão, na verdade, aprimorando as habilidades de seus funcionários para IA – veja como elas fazem isso
A McKinsey conclui que ter acesso a dados de alta qualidade é um diferencial estratégico na era da IA agente. Como os agentes gerarão enormes quantidades de dados, a qualidade, a linhagem e a padronização dos dados serão ainda mais importantes na empresa agente. E à medida que os sistemas agentes aumentam, a governação torna-se o nível principal de controlo. A base de dados será a vantagem competitiva na era da agência.
