McKinsey aponta quatro passos para escalar agentic AI com dados de qualidade

McKinsey lançou recomendações para empresas que tentam escalar agentic AI mas enfrentam obstáculos não nos modelos, mas nos dados. O ponto principal é direto: sem uma base de dados comum, workflows claros e governance robusto, agentes nunca saem de pilotos para processos reais de negócio.

Por que os pilotos emperram

De acordo com McKinsey, quase dois terços das empresas já experimentaram com agentes de AI, mas menos de 10% conseguiram escalar até um nível que entrega valor empresarial significativo. Em oito a cada dez casos, os dados se tornam a barreira: estão em sistemas fragmentados, têm contextos diferentes, falham em verificações de qualidade unificadas e são mal adequados para soluções autônomas. Enquanto humanos manualmente juntam fontes e revalidam resultados, o piloto ainda funciona.

Quando as mesmas ações precisam ser feitas constantemente e em tempo real, a estrutura começa a desabar. O problema se torna mais agudo conforme a autonomia aumenta. Um único agente pode sequencialmente visitar múltiplos sistemas e tomar decisões baseadas em informação fragmentada, enquanto um grupo de agentes especializados pode passar erros uns para os outros.

Por isso McKinsey coloca no centro não o modelo em si, mas a capacidade da empresa em fornecer aos agentes acesso estável aos dados, definições claras, rastreabilidade e regras de acesso. Caso contrário, automação fica impressionante em uma demo mas quebra sob o primeiro volume sério de operações.

Quatro passos iniciais

McKinsey propõe não reestruturar a empresa inteira de uma vez, mas começar com quatro passos interconectados que vinculam estratégia, arquitetura e modelo operacional. A lógica é: primeiro escolher processos onde a autonomia realmente compensa, depois preparar a infraestrutura, e só então escalar. Essa abordagem é necessária para evitar gastar meses em pilotos caros sem efeito repetível e para prevenir que antigos problemas de dados se transportem para nova infraestrutura de agentes.

• Selecionar 1-2 workflows de alto impacto e avaliá-los por valor, viabilidade e impacto estratégico
• Atualizar camadas de arquitetura de dados para que agentes possam trocar contexto com segurança
• Mover de limpezas pontuais para controle contínuo de qualidade de dados estruturados e não estruturados
• Introduzir um modelo operacional e governance: papéis, direitos de acesso, logs, políticas e pontos de aprovação humana

Uma ênfase particular é colocada em executar todos os quatro passos em coordenação. Se uma empresa escolheu o caso certo mas manteve a arquitetura antiga, o agente vai dar de cara com sistemas incompatíveis. Se a arquitetura já é moderna mas faltam regras de acesso e logging de ações, escalar rapidamente se tornará um risco para segurança, compliance e qualidade das decisões de negócio. McKinsey também recomenda validar a abordagem em pilotos focados com métricas claras e imediatamente procurar dados que depois possam ser reutilizados em workflows adjacentes.

Que base é necessária

Sob uma arquitetura agent-ready, McKinsey entende não um novo monolito mas um conjunto de camadas modulares. Dados devem entrar na empresa uma vez e depois ser usados para analytics, machine learning e generative AI, sem pipelines paralelos separados para cada tarefa. Uma semantic layer tem papel importante: descreve o que cada entidade significa, como objetos se relacionam e que regras de negócio se aplicam.

Na prática, isso leva a ontologias, knowledge graphs e data products com propriedade clara, qualidade e interfaces de acesso. McKinsey enfatiza separadamente o trabalho com dados não estruturados—documentos, imagens, correspondência e históricos de tickets. Para agentes usarem tal conteúdo confiavelmente, precisa ser tagueado, classificado, indexado via embeddings e vinculado ao resto do modelo de dados corporativo.

Para dados estruturados, a prioridade é diferente: não limpeza periódica manual, mas monitoramento contínuo de qualidade, validação automatizada, detecção de anomalias e rastreamento de lineage. Os mesmos padrões devem se aplicar a dados criados pelos próprios agentes. A camada final é governance ao redor do ciclo de vida dos agentes.

A empresa deve determinar antecipadamente o que agentes são permitidos fazer, que dados podem acessar, onde confirmação humana é necessária e quem é responsável pelos resultados. Isso inclui provisionamento de credenciais, telemetry, logs de ações, monitoramento de performance e verificações automáticas de conformidade com políticas. Nessa configuração, times de negócio possuem seus workflows e modelos de domínio, enquanto times centrais de dados e AI possuem as plataformas comuns, guardrails e supervisão.

O que isso significa

O mercado está gradualmente mudando da pergunta "qual modelo escolher" para "em que dados e processos ele vai operar". Para empresas, isso é má notícia para demos rápidas, mas boa para aquelas prontas para construir agentic AI como parte do sistema operacional do negócio em vez de um experimento isolado.