Não estamos prontos para apoiar agentes autônomos de IA, sugere pesquisa
A maioria dos executivos e profissionais afirmam que irão rever as suas pilhas de tecnologia para se prepararem para os agentes de IA, mas os desafios generalizados de integração de dados podem dificultar as implementações.
Os agentes de IA estão aumentando e o dinheiro está fluindo para eles. Mais da metade das empresas orçam US$500.000 ou mais anualmente para agentes de IA. O problema é que a maioria das empresas não possui o conjunto de infraestrutura tecnológica para implantar esses agentes de forma eficaz.
Estas são as conclusões de uma nova pesquisa com 1.045 gerentes e profissionais de tecnologia empresarial publicada pela Tray.ai. A pesquisa descobriu que 42% dos entrevistados esperam construir ou prototipar mais de 100 agentes de IA no próximo ano e 36% esperam ver mais de 100 colocados em produção. Uma percentagem semelhante (41%) espera resolver mais de 20 problemas empresariais distintos.
Os agentes de IA são assistentes inteligentes que podem tomar decisões e executar ações de forma autônoma. Destinam-se a servir como colegas de trabalho digitais, assistentes ou representantes de atendimento ao cliente, comunicando-se por meio de processamento de linguagem natural.
As projeções para os agentes de IA são significativas. Até ao final de 2025, um em cada quatro afirma que a maioria dos principais processos de negócio das suas empresas serão executados com agentes de IA. Outros 41% acreditam que entre 26% e 50% dos seus processos principais serão habilitados com agentes de IA.
A pesquisa também descobriu que mais de 86% dos profissionais relatam a necessidade de atualizar suas pilhas de tecnologia existentes para se prepararem para agentes de IA. Os desafios generalizados de integração podem dificultar a implementação de agentes de IA, com 42% dos inquiridos a indicar que as suas empresas precisam de acesso a oito ou mais fontes de dados para implementar agentes de IA com sucesso.
Pelo menos 42% dos profissionais também disseram que devem fazer grandes atualizações de infraestrutura, como adicionar novos fornecedores à sua pilha de tecnologia ou realizar revisões completas. Quarenta e um por cento disseram que estão adotando uma abordagem híbrida de desenvolvimento com uma combinação de soluções de construção ou compra, enquanto 24% disseram que pretendem construir soluções para clientes com código.
“Embora haja um enorme entusiasmo em torno dos agentes de IA, muitas empresas atualmente carecem de blocos de construção essenciais para desenvolvê-los e implantá-los com segurança e eficácia”, disse Rich Waldron, CEO da Tray.ai, à ZDNET.
“Eles contam com vários aplicativos SaaS prontos para uso que levam a desafios de fragmentação e integração, levando os CIOs a gastar mais tempo gerenciando a complexidade do que impulsionando a inovação”. Ele disse que é necessária maior automação de processos e atenção ao tratamento de dados não estruturados.
Em toda a indústria, há um acordo de que é necessária mais preparação para a IA agente. Os agentes autônomos de IA exigem uma infraestrutura básica eficaz e práticas de gerenciamento de dados, disse Lan Guan, diretor de IA da Accenture.
"As organizações estão em vários estágios de preparação. Uma arquitetura de plataforma corporativa robusta pode garantir acessibilidade perfeita aos modelos básicos, incluindo considerações de infraestrutura técnica, como hospedagem em nuvem versus hospedagem local, mas também recursos de rede, medidas de segurança e a capacidade de dimensionar com eficiência o sistema à medida que cresce a demanda por recursos orientados por agentes de IA."
Taylor Bird, vice-presidente da Excella, concorda que a maioria das empresas não está preparada para agentes de IA verdadeiramente autónomos: "Embora as empresas tenham feito progressos na implementação de sistemas tradicionais de IA, a IA agente representa um desafio adicional que requer novas abordagens à infra-estrutura, governação e desenvolvimento de competências. "
A prontidão da infraestrutura é uma obrigação, disse Bird: "As organizações precisam de ecossistemas de API robustos que permitam que os agentes de IA interajam com segurança com seus sistemas de software. As empresas que possuem silos entre seus sistemas terão capacidades limitadas com agentes autônomos".
Estruturas fracas de segurança e controle também dificultarão o desenvolvimento e a implantação de agentes de IA. “Os agentes trarão mais caminhos ramificados para o que o software de uma empresa pode realizar”, disse Bird. “Os mecanismos tradicionais de monitoramento e segurança provavelmente fornecem cobertura apenas para cenários determinísticos. Crescer do estado atual para um sistema de agente requer uma curva de aprendizado.”
Keith Pijanowski, especialista no assunto de IA/ML do MinIO, disse que o sucesso dos agentes de IA se resumirá aos modelos. “Se as empresas querem construir agentes eficazes, precisam de modelos eficazes”, disse ele. "Portanto, tudo o que eles precisam para treinar modelos e executá-los em produção é necessário para ter sucesso com os agentes. Quanto melhores forem os seus modelos, melhores serão os seus agentes."
Em última análise, os agentes de IA serão a chave para fornecer IA para tarefas específicas e restritas. “Os agentes de IA representam uma forma diferente de implementar lógica de controle”, disse Pijanowski. "Até agora, a lógica de controle era codificada pelos desenvolvedores e não muda em tempo de execução. Usando agentes, um LLM é primeiro solicitado a elaborar um plano e depois agir em cada etapa do plano."
À medida que os agentes de IA se tornam mais populares, “os modelos tornar-se-ão mais especializados, o que também impulsionará uma maior adopção”, previu Pijanowski. “Haverá menos modelos multifuncionais e mais modelos menores treinados para fazer uma coisa muito bem”.
Os agentes de IA “representam uma nova forma de implementar lógica de controle”, continuou ele. "Em vez de ser codificado por um engenheiro no momento do projeto, um agente descobre o curso de ação quando o problema é apresentado a ele. Isso é assustador e emocionante ao mesmo tempo. Assustador porque sem verificação interna e grades de proteção, um agente poderia criar muitos problemas. No entanto, esta é uma nova forma de automatizar os processos existentes que podem ser melhorados e problemas que eram demasiado complexos no passado podem agora ser solucionados.
A melhor maneira de enfrentar os desafios dos agentes de IA é conscientizar e treinar à medida que os agentes de IA proliferam. “Quanto à forma como as empresas podem desenvolver a preparação, tivemos sucesso na implementação de casos de uso com agentes por meio de eventos de aprendizagem internos, como hackathons, e aproveitamos nossas lições aprendidas na construção de outras soluções de IA/ML”, disse Bird.
Os dados são o combustível que alimentará os agentes de IA e ainda há muito trabalho a ser feito aqui. Os sistemas Agentic AI devem estar prontos para “alavancar modelos multimodais capazes de processar diversos tipos de dados, incluindo dados não estruturados como imagens, texto e vídeo”, disse Guan. "A integração eficaz de dados é essencial para garantir que os dados de sistemas distintos estejam prontamente acessíveis aos agentes em tempo real para tomadas de decisões e ações informadas."
Guan também disse que o conhecimento empresarial selecionado é outro componente-chave dos agentes de IA. Ela instou as organizações a buscarem um armazenamento empresarial centralizado que “deve incorporar mecanismos para curadoria de conhecimento, uma camada semântica para definir relacionamentos entre elementos de dados e definições padronizadas para garantir consistência”.
Ao capturar e organizar o conhecimento específico da empresa, “os agentes podem aprender continuamente e melhorar o seu desempenho ao longo do tempo”, disse Guan. Os principais pré-requisitos incluem "controles de API do agente, observabilidade e rastreamento de desempenho, feedback e aprendizado contínuo, além de ajuste fino e treinamento de modelo".
No entanto, a crescente adoção de agentes de IA - com mais modelos treinados em conjuntos de dados especializados - colocará pressão no armazenamento de dados, disse Pijanowski.
"Não apenas os próprios modelos precisam ser versionados e salvos em algum lugar, mas também os resultados dos experimentos usados para criá-los - um processo conhecido como operações de aprendizado de máquina (MLOps). Os modelos usados nos agentes devem ser instrumentados e a telemetria salva . Tudo isso representa muito mais dados do que um aplicativo tradicional que usa uma simples tomada de decisão booleana."
O que está claro, concluiu Pijanowski, é que o crescente número de informações armazenadas requer estratégias de armazenamento de dados mais expansivas.