Apresentado por DigitalOcean
Desde a refatoração de bases de código até a depuração do código de produção, os agentes de IA já estão provando seu valor. Mas aumentá-los na produção continua a ser a exceção, não a regra.
Em Relatório de pesquisa Currents de 2026 da DigitalOceancom base em uma pesquisa com mais de 1.100 desenvolvedores, CTOs e fundadores, 67% das organizações que usam agentes relatam ganhos de produtividade. Enquanto isso, 60% dos entrevistados afirmam que os aplicativos e os agentes representam o maior valor de longo prazo na pilha de IA. No entanto, apenas 10% são agentes de expansão na produção.
O principal bloqueador? Quarenta e nove por cento citam o alto custo da inferência. Não se trata apenas do preço de uma única chamada de API. É o custo crescente à medida que os agentes encadeiam tarefas e executam de forma autônoma. Quase metade dos entrevistados gastam agora entre 76 e 100% do seu orçamento de IA apenas em inferências. Este é um problema que a DigitalOcean está trabalhando para resolver. O que é necessário é uma infraestrutura projetada em torno da economia de inferência: desempenho previsível, controle de custos sob carga e menos peças móveis. É assim que 2026 se torna o ano em que os agentes passam do piloto ao produto.
52% das empresas estão implementando ativamente soluções de IA (incluindo agentes)
Há apenas um ano, quando realizamos esta pesquisa, apenas 35% dos entrevistados estavam implementando ativamente soluções de IA – a maioria ainda estava em modo de exploração ou executando seus primeiros projetos. Agora são 52%. A mudança de “vamos ver o que isso pode fazer” para “vamos colocar isso em produção” está bem encaminhada.
Há um boom de agentes por trás desses números. 46% dos entrevistados estão implantando especificamente agentes de IA, sistemas autônomos que executam tarefas por conta própria, em vez de esperar por instruções a cada passo. OpenClaw (anteriormente Moltbot e Clawdbot) é um exemplo recente, um assistente de código aberto que se conecta a aplicativos de mensagens, navega na web, executa comandos shell e executa tarefas de forma autônoma.
Para onde vão esses agentes? Principalmente em código e operações:
-
54% disseram geração e refatoração de código, tornando-a claramente a pioneira
-
49% estão automatizando operações internas
-
45% estão construindo suporte ao cliente e chatbots
-
43% estão focados na lógica de negócios e orquestração de tarefas
-
41% estão usando agentes para geração de conteúdo escrito
-
27% estão buscando a automação do fluxo de trabalho de marketing
-
21% estão conduzindo análises de dados
Os desenvolvedores estão liderando o ataque aqui. Por exemplo, Y Combinator compartilhou que um quarto de suas startups do inverno de 2025 estávamos construindo com bases de código 95% geradas por IA. Depois, há o que Andrej Karpathy chama de “codificação vibratória” – descrever o que você deseja em linguagem simples e deixar a IA escrever o código.
As ferramentas foram divididas para corresponder a diferentes fluxos de trabalho. O Cursor transforma a IA em uma bifurcação do VS Code para edições in-line e iteração rápida. Claude Code é executado no terminal para um trabalho mais profundo em repositórios inteiros. Mas ambos foram muito além do preenchimento automático. Essas ferramentas agora operam em loops de agente, lendo arquivos, executando testes, identificando falhas e iterando até que a construção seja aprovada. Você descreve um recurso. O agente o implementa. Algumas sessões se estendem por horas – ninguém ao teclado.
Mas os agentes não são apenas para engenheiros. Eles estão abrindo caminho para marketing, sucesso do cliente e operações. Vemos isso internamente na DigitalOcean também. Vitrines experimentais e dias de hack trouxeram demonstrações de fluxos de trabalho de IA para testar o texto do anúncio em grande escala, personalizar e-mails e priorizar experimentos de crescimento.
67% das organizações que utilizam agentes relatam melhorias mensuráveis de produtividade
A questão da produtividade é aquela que todos se perguntam: os agentes estão realmente entregando resultados ou isso ainda é exagero? Os dados sugerem o primeiro. No geral, 67% das organizações que utilizam agentes relatam melhorias mensuráveis na produtividade. E para alguns, os ganhos são substanciais: 9% dos entrevistados relataram aumentos de produtividade de 75% ou mais.
Quando questionados sobre quais resultados eles observaram com o uso de agentes de IA:
-
53% disseram produtividade e economia de tempo para os funcionários
-
44% relataram a criação de novas capacidades de negócios
-
32% notaram uma necessidade reduzida de contratar pessoal adicional
-
27% obtiveram economias de custos mensuráveis
-
26% relataram melhoria na experiência do cliente
Interno pesquisa na Antrópica explora o que estas tecnologias revelam: quando a empresa estudou como os seus próprios engenheiros utilizam o Claude Code, descobriu que mais de um quarto do trabalho assistido por IA consistia em tarefas que simplesmente não teriam sido realizadas de outra forma. Isso inclui dimensionar projetos e construir ferramentas internas. Também inclui trabalho exploratório que antes não valia o investimento de tempo – mas agora vale.
O que eleva ainda mais esses números de produtividade? Os agentes estão aprendendo a trabalhar juntos. O lançamento do Google do Kit de Desenvolvimento de Agente como uma estrutura de código aberto marcou uma mudança de agentes de propósito único para sistemas multiagentes coordenados que podem descobrir uns aos outros, trocar informações e colaborar independentemente do fornecedor ou da estrutura.
Dito isto, 14% ainda não perceberam nenhum benefício e 19% dizem que é muito cedo para medir. Pelo que estamos vendo, 2025 foi em grande parte um ano de prototipagem e experimentação, com 2026 parecendo ser o momento em que mais equipes moverão agentes para a produção.
60% apostam nas aplicações e agentes como a maior oportunidade em IA
Os orçamentos acompanham os resultados. A IA continua a ser uma área ativa de investimento para a grande maioria das organizações: apenas 4% dos entrevistados disseram que não esperam investir em IA nos próximos 12 meses. E onde as organizações estão obtendo ganhos de produtividade, elas estão dobrando a aposta — na camada de aplicação, não na infraestrutura fundamental.
Quando questionados sobre onde os entrevistados esperam crescimento orçamentário nos próximos 12 meses, 37% apontaram para aplicações e agentes, mais que o dobro da parcela para infraestrutura (14%) ou plataformas (17%). A visão de longo prazo é ainda mais forte: 60% veem as aplicações e os agentes como a maior oportunidade na pilha de IA, em comparação com apenas 19% para a infraestrutura.
Os dados de mercado comprovam isso. De acordo com um relatórioa camada de aplicação capturou US$ 19 bilhões em 2025 – mais da metade de todos os gastos com IA generativa. As ferramentas de codificação lideraram com US$ 4 bilhões, representando 55% dos gastos departamentais com IA e a maior categoria em toda a pilha. As organizações estão apostando que a camada de aplicação, onde a IA realmente atinge os usuários e os fluxos de trabalho, será mais importante do que os componentes subjacentes.
49% afirmam que o custo de funcionamento da IA em escala é a sua principal barreira ao crescimento
Os agentes só funcionam se você puder executá-los. E neste momento, a inferência é o gargalo. Ao contrário do treinamento, que é um investimento inicial fixo para construir o modelo, cada solicitação a um agente gera tokens que incorrem em um custo. Esse custo aumenta com cada etapa de raciocínio, nova tentativa e ciclo de autocorreção. Em escala, isto transforma a inferência numa despesa operacional que pode exceder o investimento original no próprio modelo.
Quando perguntamos aos entrevistados o que limita a sua capacidade de escalar a IA, 49% identificaram o alto custo da inferência em escala como a sua principal barreira. Isto acompanha o destino dos orçamentos: 44% dos entrevistados gastam agora a maior parte do seu orçamento de IA (76-100%) em inferência e não em formação.
Mas a solução para inferência não deve recair sobre os desenvolvedores.
A complexidade de otimizar configurações de GPU, gerenciar estratégias de paralelização e ajustar a infraestrutura de atendimento de modelos não é o tipo de trabalho que a maioria das equipes deveria realizar. Essa é uma complexidade em nível de infraestrutura, e os provedores de nuvem precisam absorvê-la.
Na DigitalOcean, isso é fundamental para a forma como pensamos sobre o nosso Nuvem de inferência de IA Gradient™. Estamos investindo na otimização de inferências para que as equipes que atendemos não precisem fazer isso. Personagem.ai é um bom exemplo: eles nos procuraram com a necessidade de reduzir os custos de inferência sem sacrificar o desempenho ou a latência. Ao migrar para nossa plataforma de inferência em nuvem e trabalhar em estreita colaboração com nossa equipe e a AMD, eles dobraram o rendimento de inferência de produção e reduziu seu custo por token em 50%.
Esse tipo de resultado é o que se torna possível quando a plataforma faz o trabalho pesado. À medida que os agentes passam dos pilotos para a produção, as empresas que crescerem com sucesso serão aquelas que não ficarão presas na resolução de inferências por conta própria.
Wade Wegner é Diretor de Ecossistema e Crescimento da DigitalOcean.
Artigos patrocinados são conteúdos produzidos por uma empresa que paga pela postagem ou tem relacionamento comercial com a VentureBeat, e estão sempre claramente marcados. Para mais informações, entre em contato vendas@venturebeat.com.
