Directum: por que as empresas falam tanto de agentes de IA, mas não correm para implantá-los

Os chatbots que respondem perguntas e escrevem e-mails já não bastam para as empresas: elas querem sistemas de IA capazes de levar uma tarefa até o resultado dentro dos processos corporativos. Mas é justamente onde a autonomia parece mais valiosa que aparecem as principais limitações: infraestrutura cara, erros ao trabalhar com muitos sistemas e ausência de uma responsabilidade clara pelas decisões do agente.

A Directum propõe separar assistentes de agentes. O assistente é, na prática, um interlocutor avançado: reage a uma solicitação, ajuda com texto, busca ou sugestão, mas não conduz o processo por conta própria. O agente funciona de outra forma: decompõe o objetivo em etapas, escolhe ferramentas, alterna entre sistemas e devolve o resultado a uma pessoa. No ambiente corporativo, isso pode significar o ciclo completo de trabalho com um documento, solicitação ou tarefa, da classificação até o repasse ao funcionário responsável.

Segundo a empresa, o aumento do interesse por agentes não é por acaso. Depois da onda de pilotos de 2024, as empresas deixaram de perguntar se a IA consegue escrever um e-mail ou resumir uma reunião e passaram ao próximo nível: dá para confiar a um modelo parte de um processo em que é preciso reunir dados de vários sistemas e tomar uma decisão operacional? Ao mesmo tempo, os próprios LLMs ficaram melhores em planejamento e execução de tarefas em várias etapas, e padrões como function calling e MCP simplificaram a conexão de ferramentas externas, de ERP e CRM a ECM, calendários e cenários de RPA.

O primeiro fator de freio é a infraestrutura. Grandes e médias empresas querem rodar essas soluções dentro do próprio perímetro protegido, porque lidam com finanças, dados pessoais e segredos comerciais. Mas a implantação local de modelos de porte médio exige investimentos pesados em GPU, e fornecimento, preço e disponibilidade desse hardware na Rússia ainda são problemáticos. Alugar capacidade de data centers é tecnicamente possível, mas muitas vezes levanta questionamentos nas áreas de segurança da informação. Como resultado, muitas empresas chegam à fase de interesse, mas não à de lançamento em produção.

A segunda limitação está na qualidade do trabalho do agente à medida que cresce o número de integrações. Em teoria, ele deveria conseguir trabalhar ao mesmo tempo com ERP, gestão eletrônica de documentos, CRM, e-mail, bases de conhecimento e calendários. Na prática, cada nova conexão aumenta o risco: o modelo pode escolher a ferramenta errada, confundir os parâmetros da chamada ou até inventar uma API inexistente.

Pelas observações da Directum, depois de cerca de 15 ferramentas a probabilidade dessas falhas cresce de forma notável, então hoje é mais seguro limitar o agente a um domínio restrito ou a um conjunto de 5–7 sistemas já testados. Escalar para todo o parque de TI da empresa continua sendo um problema de engenharia complexo.

A terceira barreira é a responsabilidade. Mesmo que o agente consiga executar sozinho uma cadeia de ações, em cenários sensíveis a decisão final continua com uma pessoa. Nenhum executivo está pronto para entregar a um modelo, sem ressalvas, o direito de assinar um contrato grande, aprovar uma operação arriscada ou transferir dinheiro sem controle. E não se trata só de desconfiança na tecnologia: o arcabouço jurídico ainda não acompanhou o nível de automação. Se o agente errar, não está claro quem responde pelas consequências: o fornecedor, o integrador, o dono do processo ou o funcionário que configurou o cenário. Enquanto essa questão não for resolvida, a autonomia continuará limitada.

Disso decorre uma conclusão bastante sóbria: o mercado não caminha para a substituição completa de funcionários por agentes, mas para um modelo intermediário, em que a IA assume trechos bem descritos do processo sob supervisão humana. Por isso, os agentes de workflow são os que melhor se apresentam hoje: soluções com limites claros, conjunto restrito de ações e ROI previsível. Para as empresas, isso não é abrir mão da abordagem baseada em agentes, mas um jeito de adotá-la sem risco excessivo: começar por casos restritos, testar a confiabilidade e só depois ampliar o perímetro de automação.