Sierra: por que os melhores agentes de AI voltados ao cliente funcionam com arquiteturas simples

O cofundador da Sierra, Zak Reno-Wedeen, e o CEO da LangChain, Harrison Chase, discutiram a natureza dos AI-agents que funcionam de verdade em produção no podcast Max Agency. A conclusão foi contra-intuitiva: os sistemas mais eficazes para atendimento ao cliente não são os mais complexos.

A Armadilha da Complexidade

A maioria das equipes ao criar AI-agents segue o caminho intuitivo: adicionar mais camadas, mais ferramentas, mais orquestração. Na Sierra, chegaram à conclusão oposta após trabalhar com grandes clientes corporativos. De acordo com Reno-Wedeen, agentes com arquitetura simples são mais estáveis e previsíveis em produção. Cada camada adicional de abstração é um ponto potencial de falha, complexidade na depuração e comportamento inesperado em casos extremos. Em sistemas de AI voltados para clientes, isso é crítico: um erro no meio de uma longa cadeia pode arruinar toda a experiência do usuário.

• Menos componentes — mais fácil de depurar e monitorar
• Pipelines simples oferecem latência previsível
• Mais fácil atender requisitos de conformidade e auditoria
• Iteração mais rápida quando a lógica de negócios muda
• Barreira de entrada menor para novos engenheiros na equipe

O que é "org chart shipping"

Um dos principais anti-padrões que Reno-Wedeen descreve como "org chart shipping" — quando a arquitetura do agente espelha a estrutura organizacional da equipe que o criou. Se uma empresa tem um departamento de reclamações, departamento de suporte técnico e departamento de vendas — o sistema de AI desenvolve três agentes separados divididos ao longo das mesmas linhas. O problema é que o cliente não pensa em termos da estrutura organizacional interna. Sua tarefa real pode abranger múltiplos departamentos simultaneamente, e o sistema começa a fornecer respostas fragmentadas ou contraditórias.

"O melhor agente é aquele que resolve o problema do cliente, não aquele que reflete a estrutura interna da empresa", —

Zak Reno-Wedeen.

A alternativa é projetar o agente em torno de cenários de cliente, não em torno de como a empresa é estruturada internamente. Isso requer uma compreensão profunda da jornada do cliente, mas fornece uma experiência de usuário significativamente mais coesiva.

Precificação Baseada em Resultados

A Sierra opera em um modelo de preços baseado em resultados — os clientes pagam por tarefas resolvidas, não pela quantidade de tokens ou chamadas de API. De acordo com Reno-Wedeen, este modelo muda fundamentalmente os incentivos para toda a equipe de desenvolvimento. Quando o pagamento está vinculado aos resultados, a equipe é forçada a responder honestamente com antecedência: o que conta como sucesso? Isso disciplina tanto o pensamento de produto quanto a arquitetura técnica. O agente é otimizado para resultados reais do usuário, não para métricas de uso do sistema.

Em termos práticos, isso significa que antes de ir para produção, a equipe deve definir claramente: o que constitui um "pedido resolvido", em que condições o agente é considerado bem-sucedido e como medir isso. Sem este trabalho, qualquer arquitetura — simples ou complexa — será otimizada em vão.

O que Isto Significa

A indústria de agentes de IA está se movendo de experimentação para maturidade. Os vencedores no segmento corporativo não são aqueles que acumulam complexidade técnica máxima, mas aqueles que definiram com precisão a tarefa do cliente e escolheram a arquitetura minimamente suficiente para ela. Sierra é um dos primeiros exemplos exemplares de como isso se parece na prática.