O demo sempre dá certo. Alguém abre uma tela de chat, digita uma pergunta ensaiada, o agente responde em dois segundos com uma resposta correta e elegante, e a sala aprova o orçamento. Três meses depois o mesmo agente está prometendo a um cliente um desconto que não existe, ninguém sabe por que ele disse isso, e o caso não pode ser reproduzido porque nada foi registrado.
A resposta curta: o demo mostrou duas camadas, a interface e o agente. O sistema tem treze. As onze que você não viu não são enfeite de engenharia: são as que respondem o que acontece quando o modelo erra, quem autoriza o que ele não pode decidir sozinho, e como você sabe que hoje funciona melhor do que no mês passado. Um projeto não fracassa por causa do modelo. Fracassa por causa das camadas que ninguém construiu.
Por que projetos são cancelados se o piloto funcionava?
Porque o piloto é julgado por casos escolhidos e o sistema é julgado pela realidade.
Três fontes diferentes, medindo coisas diferentes, apontam na mesma direção. O Gartner projeta que mais de 40% dos projetos de IA agêntica serão cancelados antes de 2028, atribuindo isso a custos que escalam, valor de negócio pouco claro e controles de risco insuficientes [1]. A IDC estima que 88% das provas de conceito de IA nunca chegam a implantação ampla [2]. E o estudo do MIT sobre 300 implantações encontrou que 95% dos pilotos de IA generativa não produziram retorno mensurável [4].
Dados
| Medição | Percentual |
|---|---|
| Pilotos de IA generativa sem retorno mensurável | 95% |
| Provas de conceito que não chegam a implantação ampla | 88% |
| Projetos de IA agêntica que serão cancelados antes de 2028 | 40% |
Nenhuma das causas listadas pelo Gartner é um problema do modelo. Custo, valor e controles são problemas de sistema, e os três moram nas camadas que o demo não mostrou.
Quais são as 13 camadas?
Treze, agrupadas em cinco funções. Um demo costuma ter as duas primeiras.
O que o usuário toca
| Camada | A pergunta que responde | O que quebra sem ela |
|---|---|---|
| Interface | Onde a conversa acontece, e o cliente já está lá? | O sistema funciona mas ninguém usa, porque exige que o usuário vá a um lugar novo |
O que decide
| Camada | A pergunta que responde | O que quebra sem ela |
|---|---|---|
| Orquestração de agentes | Quem faz cada etapa, e em que ordem? | Um único agente tenta tudo, e os erros se multiplicam etapa a etapa |
| Regras de negócio | O que é verdade nesta empresa e não é negociável? | O modelo improvisa políticas de desconto, prazos e garantias que ninguém aprovou |
| Roteamento de modelos | Qual tarefa merece qual modelo? | Paga-se preço de modelo grande por trabalho de modelo pequeno, e a conta de produção chega multiplicada |
O que ele sabe
| Camada | A pergunta que responde | O que quebra sem ela |
|---|---|---|
| Contexto e memória | O que ele lembra deste cliente e desta conversa? | O cliente repete a história dele a cada interação |
| Fundação de dados | De onde vêm as afirmações, e quão frescas elas estão? | Ele responde com confiança total a partir de um catálogo de oito meses atrás |
| Ferramentas conectadas | O que ele consegue fazer além de escrever? | Descreve a ação em vez de executá-la, e alguém a faz à mão |
O que o mantém honesto
| Camada | A pergunta que responde | O que quebra sem ela |
|---|---|---|
| Pontos de aprovação | O que ele não pode decidir sozinho? | Uma ação irreversível é executada sem que ninguém a tenha autorizado |
| Testes e avaliações | Como sei que a resposta é boa? | A qualidade é julgada por anedota, e uma melhoria aparente esconde uma regressão |
| Segurança e acessos | Quem pode ver o quê? | O agente responde a um cliente usando dados de outro cliente |
| Rastreamento e registros | O que exatamente aconteceu neste caso? | Um incidente não pode ser reproduzido, então também não pode ser corrigido |
O que o melhora
| Camada | A pergunta que responde | O que quebra sem ela |
|---|---|---|
| Ciclos de aprendizado | Como o erro volta para o sistema? | A mesma falha se repete por meses porque ninguém a devolve ao desenho |
| Refinamento constante | Quem mantém isso quando os modelos mudarem? | O sistema congela na versão do dia do lançamento e envelhece sozinho |
Qual camada quase todo mundo pula?
As avaliações. E há um dado que mostra isso com uma precisão incômoda.
O relatório State of Agent Engineering da LangChain encontrou que 89% das equipes com agentes já têm observabilidade instrumentada, mas apenas 52% rodam avaliações offline e só 37% rodam avaliações online [3].
Dados
| Prática | Equipes |
|---|---|
| Têm observabilidade instrumentada | 89% |
| Rodam avaliações offline | 52% |
| Rodam avaliações online | 37% |
A distância entre 89 e 37 é uma mentalidade que a LangChain nomeia bem: lançar e observar. Ter o rastro sem a avaliação é ter a gravação da câmera sem ninguém revisando. Serve para investigar depois do incidente, não para evitá-lo.
Do lado executivo o número acompanha: apenas metade dos executivos verifica com regularidade a qualidade do que a IA produz [5].
A ambição está indo mais rápido que a capacidade?
Bem mais rápido, e essa distância é onde os projetos são cancelados.
Dados
| Hoje | Planejado em dois anos | Delta | |
|---|---|---|---|
| Organizações com agentes implantados | 17% | 60% | 43% |
Ir de 17 a 60 em dois anos não é um problema de modelos, que estão disponíveis para qualquer um com um cartão de crédito. É um problema das onze camadas.
Um projeto pequeno precisa das treze?
Não, e exigi-las desde o primeiro dia é uma forma cara de nunca lançar.
Aqui está o limite honesto deste modelo: a maioria dos projetos não deve construir treze camadas antes de ter um usuário. O que importa é distinguir o que é barato adicionar depois e o que não é.
Obrigatório desde o primeiro dia, porque adicionar depois significa refazer: fundação de dados, segurança e acessos, e rastreamento. Os três definem a forma do sistema. Encaixar controle de acesso num sistema que já guarda tudo junto é um projeto, não um ajuste.
Adicionado quando o uso exigir: orquestração, roteamento de modelos, memória, ciclos de aprendizado. Construí-los antes de saber como é a produção é projetar para um problema imaginado.
Nunca opcional, em qualquer tamanho: pontos de aprovação para ações irreversíveis. Um agente pequeno que pode emitir uma nota de crédito precisa do mesmo controle que um grande.
Como aplicamos isso na MasterDragon
Começamos pela camada que mais dói não ter, não pela que demonstra melhor.
Na prática, a primeira conversa de um projeto não é sobre o modelo. É sobre quais ações seriam irreversíveis, quais dados nunca podem cruzar entre clientes, e como vamos saber que o sistema piorou antes que um cliente irritado nos conte. Com isso definido, o agente é a parte rápida.
Também significa que entregamos com o rastreamento ligado e com um conjunto de casos de avaliação desde a primeira implantação, mesmo que sejam vinte casos escritos à mão. Vinte casos que rodam a cada mudança valem mais que um painel de observabilidade que ninguém abre.
Se você está avaliando uma proposta de IA e quer saber quantas dessas camadas ela inclui, fale com nossos engenheiros antes de assinar. Você pode começar por como construímos seu software e ver nosso portfólio de produtos AI-native já lançados. Quanta autonomia dar a cada agente desenvolvemos em autonomia projetada, como desenhar o sistema para poder trocá-lo por partes em arquitetura empresarial componível, e por que usar a ferramenta não basta em adoção não é adaptação.
Referências
- Gartner. (2025, 25 de junho). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- International Data Corporation. (2025). Estimativa sobre provas de conceito de IA que não alcançam implantação ampla, amplamente citada na imprensa especializada.
- LangChain. (2026). State of Agent Engineering. https://www.langchain.com/state-of-agent-engineering
- Project NANDA, Massachusetts Institute of Technology. (2025). The GenAI Divide: State of AI in Business 2025.
- Cantrell, S., Domergue, C., Dake, A., Murphy, J., Sundholm, T., e Gustafson, M. (2026, 9 de julho). AI adoption to adaptation. Deloitte Insights. https://www.deloitte.com/us/en/insights/topics/talent/ai-adoption-to-ai-adaptation.html