Um ano depois do estudo do MIT, três lições de quem colocou agentes de IA em produção, exemplificadas por um projeto que atravessa as três.
Faz pouco mais de um ano que o projeto NANDA do MIT, The GenAI Divide, publicou a pesquisa que mais fez barulho sobre IA nas empresas. A manchete rodou o mundo: 95% dos pilotos de IA generativa nas grandes empresas não tinham retorno. Quem trabalha com isso no dia a dia não precisou do estudo para saber que poucos projetos estavam gerando valor de verdade. O que o estudo fez foi dar número à dor, e mostrar que existia um grupo pequeno, os 5%, fazendo diferente.
Para aqueles de nós que continuam na sala, que entendem que a IA generativa nas empresas é um caminho sem volta, a pergunta que importava era outra: o que esse grupo tem em comum? Neste ano, colocamos agentes de IA em produção em jornadas inteiras de venda, cobrança e atendimento, e três conclusões do MIT se confirmaram na prática com uma precisão que me surpreendeu:
- MVPs de IA generativa precisam ser ainda menores do que esperávamos.
- Agentes de IA são como recém-contratados, e precisam de critérios de promoção.
- A IA generativa se destaca em alguns lugares e tem dificuldade em outros, e a arquitetura precisa respeitar isso.
A seguir, exploro cada ponto a partir de um projeto que construímos com uma das líderes em mobilidade no Brasil.
1. MVPs de IA generativa precisam ser ainda menores do que esperávamos
Já nos acostumamos a construir MVPs na transformação digital. Comece pequeno, valide, expanda. O que nos surpreendeu é que a IA generativa exige pontos de partida ainda menores, por duas razões que parecem contraditórias. Por ser mais flexível, ela entrega valor muito mais rápido do que uma aplicação tradicional. Por ser menos previsível, o potencial de falha se multiplica na mesma velocidade.
Os times que geram valor real com agentes de IA não tentam automatizar um processo inteiro desde o primeiro dia. Projetos assim se arrastam, presos no gerenciamento interminável de casos de exceção. Os que entregam resultado começam com algo tão focado que chega a ser constrangedor justificar. E é aí que o trabalho real começa: alinhar a expectativa de quem, deslumbrado com o potencial da tecnologia, espera que ela resolva problemas de natureza diferente de uma só vez.
Carro por assinatura é um bom exemplo. É um produto que existe há anos no Brasil, mas que ainda não formou um público amplo: quem chega não conhece a oferta. Na empresa com que trabalhamos, mais de 70% dos leads só avançavam depois de longas conversas com um vendedor, e a jornada inteira tinha dores parecidas. Mapeamos tudo numa semana de imersão com as áreas comercial, de marketing, de sucesso do cliente e de atendimento. E começamos por uma etapa só: a venda. O protótipo ficou pronto em 3 dias e foi testado com clientes reais no WhatsApp, antes de qualquer contrato de construção. Menos sexy do que um agente que faz tudo, claro. Mas foi o que colocou valor na mão do cliente em semanas, e cada etapa seguinte da jornada entrou depois, com o mesmo método.
O estudo do MIT viu o mesmo padrão: soluções focadas em fluxos de trabalho pequenos, mas críticos, alcançam US$ 1,2 milhão em valor anualizado em 6 a 12 meses, e levam cerca de 90 dias do piloto à implementação. Processos amplos e complexos levam 9 meses ou mais, muitas vezes sem nada para mostrar.
2. Trate os agentes de IA como recém-contratados, e estabeleça critérios de promoção
Seus melhores colaboradores não chegaram no primeiro dia com autonomia total. Eles a conquistaram. O mesmo vale para os agentes de IA. A maioria das empresas concede autonomia demais, rápido demais, e assiste à falha. O oposto é igualmente arriscado: agentes restritos demais, à espera da perfeição, podem nunca entregar valor.
Um framework proposto por pesquisadores da Universidade de Washington, Levels of Autonomy for AI Agents (Feng, McDonald e Zhang, 2025), tem sido decisivo nos nossos projetos. Ele descreve cinco papéis que a pessoa assume ao trabalhar com um agente: operador, colaborador, consultor, aprovador e observador. O ponto central é que o agente não pula etapas. Ele é promovido à medida que entrega resultado.
Foi assim com o agente de carros por assinatura. A supervisão humana existiu desde o protótipo, e foi por ela que o time do cliente corrigiu o agente enquanto ele era construído. A autonomia cresceu em etapas, conforme o agente provava que acertava. Na análise de crédito, por exemplo, a mesa continuou com a decisão, e passou a receber a recomendação pronta.
O que diz quando um agente está pronto para assumir mais são métricas de negócio claras desde o primeiro dia, não a precisão subjetiva do modelo: o tempo que o time economiza, quanto ele precisa corrigir do que o agente produz, quanto do que o agente qualificou se converte.
3. Entenda onde a IA generativa se destaca (e onde ela tem dificuldade)
A primeira onda de aplicações criou uma ilusão: a de que tudo se resolvia com engenharia de prompt e recuperação de contexto (o RAG). Não existe bala de prata. Sistemas puramente generativos atacando fluxos complexos falharam repetidamente, e todo fluxo que parece simples revela uma complexidade surpreendente quando você tenta automatizá-lo, principalmente em alto volume, na frente do cliente.
O que os 5% parecem entender é que projetos de sucesso se parecem mais com software tradicional do que com mágica. A arquitetura vencedora é híbrida: fluxos determinísticos onde a confiabilidade importa, IA generativa onde ela de fato se destaca, que é entender e gerar linguagem, lidar com ambiguidade e se adaptar ao contexto. Lógica de negócio, regra previsível e tratamento de exceção continuam melhores na engenharia tradicional.
No agente de carros por assinatura, preço, prazo e condição de pagamento vêm de regras definidas com o negócio, nunca do modelo. O modelo entra para qualificar, tirar dúvidas e conversar. E o que o cliente vê como um agente é, por dentro, um grafo de agentes menores com papéis definidos: um entende a necessidade, outro consulta preço e estoque, outro explica o contrato, outro guarda a memória da conversa, outro dá a resposta final no mesmo tom. Um orquestrador distribui a conversa entre eles e funciona como trava de segurança. Quando precisa, a conversa passa a uma pessoa.
O que isso pede de quem constrói
Foco extremo, autonomia conquistada e arquitetura híbrida não são escolhas de ferramenta. São escolhas de abordagem, e é a abordagem, não a tecnologia, que separa os 5% dos outros 95%. Na prática, isso tem três consequências para quem vai construir.
A primeira é que a solução é sob medida. Uma plataforma de prateleira, por mais impressionante na demonstração, não conhece as regras de crédito, a política de cobrança nem os casos de exceção do seu negócio. É neles que ela quebra.
A segunda é que o desenho vem antes da tecnologia. Entender o fluxo de trabalho primeiro, e só então adaptar a IA a ele, e não o contrário.
A terceira é que nada disso se faz sem os times de negócio na sala. São eles que conhecem o fluxo, as regras e as exceções que o agente vai encontrar, e é na troca com eles que o desenho nasce. No projeto de carros por assinatura, essa troca começou numa semana de imersão com quatro áreas, e o protótipo da venda ficou pronto em 3 dias. Com a Kariisma, uma startup dos Estados Unidos de live commerce, foram 3 dias de imersão com os fundadores e os investidores na sala, e a plataforma foi ao ar em 4 semanas. Como cada projeto seguiu dali, com os números, está nos cases: o agente de IA para a jornada de venda de carros por assinatura e o produto de IA que treina, dirige e analisa lives no TikTok Shop.
A IA generativa continua sendo uma jornada de aprendizado, e o conhecimento de quem está construindo é o ativo mais valioso. Se você é um dos que continuam na sala, adoraríamos continuar essa conversa: escreva para a gente.