Quase toda empresa está construindo hoje com agentes de IA. A maioria não vai colocá-los em produção. Na pesquisa global da McKinsey de 2025, 88% das organizações já usam IA em pelo menos uma função de negócio, mas no máximo 10% escalaram agentes em alguma função específica, e apenas 39% relatam impacto no resultado financeiro em toda a empresa [1]. A lacuna não é de ambição. É de confiabilidade. Este artigo explica como os melhores times fecham essa lacuna com uma disciplina que chamamos de Engineered Agency (autonomia projetada), e como a aplicamos em nossos próprios projetos na MasterDragon.
A resposta curta: os sistemas de IA agêntica funcionam quando a autonomia é conquistada, não concedida. Os melhores times exigem dos agentes um limite de confiabilidade medido, executam a partir de um orquestrador central em vez de um enxame solto, instrumentam cada passo com evals e observabilidade, e mantêm as pessoas nos pontos de exceção e aprovação. A autonomia só se amplia quando a evidência permite.
A lacuna de adoção da IA agêntica é real
A adoção é ampla. Os resultados são escassos. Essa é a tensão que define a IA agêntica em 2026.
Eis o que os dados mostram: a McKinsey relata que 62% das organizações pelo menos experimentam agentes de IA, e 23% escalam um sistema agêntico em alguma parte do negócio, embora o impacto em toda a empresa continue raro [1]. A Deloitte aponta que 74% dos líderes esperam usar agentes de IA pelo menos de forma moderada até 2027, mas apenas 21% têm um modelo de governança maduro para eles [2]. O AI Index 2026 de Stanford é ainda mais direto: a implantação de agentes de IA está na casa de um dígito em quase todas as funções de negócio [3].
O padrão se repete nas três fontes (ver FIG-1). As empresas conseguem iniciar um piloto de agentes. Bem menos conseguem que um deles seja confiável o bastante para assumir trabalho de verdade.
Dados
| Estágio de adoção | Percentual de organizações |
|---|---|
| Usa IA em pelo menos uma função de negócio | 88% |
| Pelo menos experimenta agentes de IA | 62% |
| Escala um sistema agêntico em alguma parte da empresa | 23% |
| Relata impacto EBIT em nível corporativo | 39% |
| Agentes escalados em alguma função específica (10% ou menos) | 10% |
Por que os sistemas de IA agêntica quebram em produção
A falha é estrutural, não é questão de escolher um modelo melhor.
A Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro e controles de risco inadequados [4]. A analista sênior da Gartner Anushree Verma descreve a maioria dos esforços atuais como "experimentos em estágio inicial ou provas de conceito que em grande parte são movidos por hype e muitas vezes mal aplicados" [4].
A comunidade de pesquisa já mediu o porquê. Um estudo de 2025 da UC Berkeley analisou 1,642 traços de execução em sete frameworks multiagente e construiu uma taxonomia de 14 modos de falha distintos, com taxas de falha observadas entre 41% e 86.7% [5]. A maioria das falhas vinha de lacunas de especificação e de desalinhamento entre agentes, não de fraqueza do modelo. Os autores concluem que "melhorias nas capacidades do modelo base serão insuficientes para resolver toda a taxonomia" [5].
As demos de uma tentativa só escondem isso. O benchmark tau-bench mostra que agentes que parecem sólidos em uma tentativa desabam na repetição: um modelo líder em chamada de funções passou em uma tarefa de varejo cerca de 61% das vezes em uma tentativa, mas seu sucesso em oito tentativas seguidas caiu abaixo de 25% [6]. Consistência, e não capacidade de pico, é a verdadeira régua para produção.
A matemática de confiabilidade que os executivos ignoram
Há uma equação simples por trás da maioria das falhas de agentes.
Encadeie vários passos e suas taxas de erro se acumulam. A matemática é elementar: se cada passo de um fluxo tem sucesso em 99% das vezes, uma cadeia de 10 passos acerta cerca de 90.4% das vezes, e uma de 100 passos apenas 36.6%. Eleve a precisão por passo para 99.9% e essa mesma cadeia de 100 passos mal chega a 90.5%. A FIG-2 mostra essa queda.
Dados
| Passos na cadeia | 99% por passo | 99.9% por passo |
|---|---|---|
| 1 | 99% | 99.9% |
| 10 | 90.4% | 99% |
| 50 | 60.5% | 95.1% |
| 100 | 36.6% | 90.5% |
O que isso significa na prática: cadeias longas e totalmente autônomas são frágeis por construção. A correção não é um modelo maior. São trechos autônomos mais curtos, verificação entre passos e uma pessoa nos pontos em que uma decisão errada sai cara. O trabalho empírico acima confirma o padrão em sistemas reais [5][6].
Engineered Agency: a autonomia se conquista, não se concede
É aqui que nossa posição se afasta do hype.
O mercado trata a autonomia como um recurso a ser maximizado. Nós a tratamos como um privilégio que um sistema conquista com evidência. Chamamos isso de Engineered Agency, autonomia projetada: você dá a um agente apenas a independência que sua confiabilidade medida justifica, e amplia esse escopo conforme os dados melhoram. O destino coincide com o que a McKinsey chama de empresa simbiótica, um modelo em que "humanos, agentes de IA e robôs inteligentes contribuem cada um conforme suas respectivas forças" [7]. Nossa contribuição é a disciplina de engenharia que chega até lá com segurança.
Os melhores construtores já trabalham assim. A orientação da Anthropic para engenheiros é explícita: "as implementações mais bem-sucedidas usam padrões simples e componíveis em vez de frameworks complexos", e os times devem adicionar complexidade "apenas quando ela melhora os resultados de forma demonstrável" [8]. Andrew Ng, fundador da DeepLearning.AI, defende que "os fluxos de trabalho agênticos de IA vão impulsionar um progresso enorme na IA neste ano, talvez até mais do que a próxima geração de modelos fundacionais" [9]. Suas próprias demonstrações tornam isso concreto: um modelo mais antigo dentro de um loop de agente alcançou 95.1% em um benchmark de código, contra 48.1% do mesmo modelo usado de forma direta [9]. A engenharia em torno do modelo costuma importar mais do que o próprio modelo.
A Engineered Agency se apoia em quatro disciplinas.
Disciplina 1: defina um limite de confiabilidade antes de ampliar a autonomia
Decida o que significa "confiável o bastante" antes de lançar, e meça isso do jeito difícil.
Uma única execução bem-sucedida não prova nada, como o tau-bench demonstra [6]. Definimos uma taxa de sucesso alvo sobre tentativas repetidas para cada tarefa que um agente vai assumir, e mantemos o agente abaixo da autonomia total até que ele supere essa régua. Tarefas de baixo risco e reversíveis conquistam autonomia rápido. As de alto risco e irreversíveis seguem supervisionadas por muito mais tempo.
Disciplina 2: orquestre de forma central, não como um enxame
A coordenação é onde os sistemas multiagente falham, então projetamos a coordenação primeiro.
Como o desalinhamento entre agentes é uma fonte principal de falha [5], preferimos um orquestrador central que decompõe uma tarefa, encaminha cada parte a um agente especializado e verifica o resultado, em vez de um enxame solto improvisando junto. Isso reflete os padrões componíveis e controlados que a Anthropic recomenda, e evita o caos emergente da conversa sem restrições entre agentes [8].
Disciplina 3: torne os agentes observáveis e então otimize
Você não consegue consertar o que não consegue ver.
Cada ação de agente em nossos sistemas é rastreada, registrada e pontuada contra evals que rodam de forma contínua, não apenas no lançamento. A taxonomia de 14 modos de falha do estudo de Berkeley serve também como checklist de diagnóstico: transforma um relato vago de "o agente quebrou" em uma assinatura específica e corrigível [5]. A observabilidade é o que converte um piloto frágil em um sistema que você consegue melhorar de forma planejada.
Disciplina 4: coloque as pessoas nos pontos de exceção e aprovação
O papel humano não desaparece. Ele sobe de nível.
No modelo simbiótico, as pessoas definem a estratégia, arbitram as exceções e exercem o julgamento sobre a saída dos agentes, enquanto os agentes carregam o trabalho cognitivo [7]. Anu Madgavkar, sócia do McKinsey Global Institute, é direta: "não devemos perder de vista que os seres humanos são vitais. Quase metade desse trabalho está além das capacidades da tecnologia atual" [10]. O novo trabalho humano, ela acrescenta, é "guiar, instruir, validar, refinar ou construir sobre o que a IA está fazendo" [10].
A Klarna mostra o custo de esquecer isso. Seu assistente de IA atendeu dois terços dos chats de atendimento ao cliente um mês após o lançamento, fez o trabalho de 700 atendentes e reduziu o tempo de resolução de 11 minutos para menos de 2 [11]. Mesmo assim, até 2025 a empresa voltava a contratar pessoas para o atendimento depois que a qualidade caiu, e seu presidente admitiu que uma abordagem focada só em custo gera "menor qualidade" [12]. A lição não é que os agentes entregam pouco. É que o ponto de controle humano é o que torna a saída deles confiável em escala.
Humanos, agentes e robôs: dividir o trabalho por força
A empresa simbiótica é uma divisão de trabalho, não uma competição.
O framework da McKinsey, repetido na pesquisa do seu Global Institute, atribui a cada participante o trabalho que ele faz melhor [7][13]. A Tabela 1 resume como aplicamos essa divisão quando projetamos um sistema.
Tabela 1. Dividir o trabalho por força em um sistema agêntico. Fonte: adaptado da McKinsey [7][13].
| Dimensão | Humanos | Agentes de IA | Robôs inteligentes |
|---|---|---|---|
| Força principal | Estratégia, julgamento, criatividade, confiança | Execução cognitiva autônoma em escala | Trabalho físico além dos limites humanos |
| O que fazem melhor | Definir prioridades, ética, prestação de contas, arbitragem de exceções | Fluxos de vários passos, aplicar habilidades do negócio, uso de ferramentas | Atuar no mundo físico, gerar dados operacionais |
| Limitação principal | Velocidade e volume do trabalho cognitivo rotineiro | Julgamento diante de exceções novas, confiabilidade de longo prazo | Planejamento de alto nível, intervenções de segurança |
| Papel no modelo | Governar, decidir e supervisionar | Executar e orquestrar o trabalho cognitivo | Executar e adaptar o trabalho físico |
A McKinsey estima que redesenhar os fluxos de trabalho em torno de pessoas, agentes e robôs juntos poderia liberar cerca de US$ 2.9 trilhões de valor econômico nos Estados Unidos até 2030, mas apenas para as organizações que "redesenham os fluxos de trabalho, em vez das tarefas individuais" [13]. Essa ressalva é o jogo inteiro. A IA acoplada por cima (bolt-on) automatiza uma tarefa dentro de um processo antigo. Os sistemas AI-native reconstroem o processo em torno da nova divisão de trabalho.
Como a MasterDragon constrói sistemas de IA agêntica
Construímos AI-native, o que significa que redesenhamos o fluxo de trabalho antes de automatizá-lo.
Em nossos projetos, isso vira um método consistente:
- Partir do fluxo de trabalho, não do modelo. Mapeamos onde pessoas, agentes e ferramentas agregam mais valor, e projetamos a orquestração em torno desse mapa.
- Construir sobre sistemas com APIs e dados limpos. Um agente vale o que valem as ferramentas e o contexto que ele consegue alcançar.
- Escrever evals antes de ampliar a autonomia. Cada tarefa que um agente assume ganha uma régua de sucesso mensurável e um teste de tentativas repetidas, conforme a Disciplina 1.
- Orquestrar de forma central e verificar cada passo. Um controlador decompõe, encaminha e verifica, conforme a Disciplina 2.
- Instrumentar tudo. O rastreamento, o registro e os evals contínuos mantêm o sistema melhorável, conforme a Disciplina 3.
- Manter as pessoas nas exceções. A aprovação e o tratamento de exceções ficam com as pessoas sempre que uma decisão tem custo real, conforme a Disciplina 4.
Isso é mais lento do que ligar um enxame de agentes e torcer. Também é como um agente chega à produção e permanece lá.
O trabalho pela frente
A lição dos últimos dois anos não é que a IA agêntica entrega pouco. É que os vencedores não são as organizações que implantam mais IA, mas as que "reinventam seus modelos operacionais mais rápido" e asseguram os pontos em que a execução inteligente cria valor [7]. A autonomia confiável é construída com engenharia, um passo medido por vez, com pessoas onde o julgamento mais importa.
Essa engenharia é o que fazemos. Fale com nossos engenheiros de IA sobre o seu projeto e ajudaremos você a projetar um sistema agêntico que conquista sua autonomia e entra em produção. Comece pelo nosso portfólio de produtos IA reais já entregues.
Referências
- McKinsey & Company. (2025, 5 de novembro). The state of AI in 2025: Agents, innovation, and transformation. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- Deloitte. (2025). State of AI in the enterprise (edição 2026). https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html
- Stanford Institute for Human-Centered AI. (2026). The 2026 AI Index report: Economy. https://hai.stanford.edu/ai-index/2026-ai-index-report/economy
- 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
- Cemri, M., Pan, M. Z., Yang, S., Agrawal, L. A., Chopra, B., Tiwari, R., Zou, J., Ramchandran, K., Sahai, A., Gonzalez, J. E., & Stoica, I. (2025). Why do multi-agent LLM systems fail? arXiv. https://doi.org/10.48550/arXiv.2503.13657
- Yao, S., Chen, H., Yang, J., & Narasimhan, K. (2024). tau-bench: A benchmark for tool-agent-user interaction in real-world domains. arXiv. https://arxiv.org/abs/2406.12045
- QuantumBlack, AI by McKinsey. (2026, 16 de junho). The symbiotic enterprise: How cognitive and physical AI are reinventing enterprise execution. McKinsey & Company. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-symbiotic-enterprise
- Anthropic. (2024). Building effective AI agents. https://www.anthropic.com/research/building-effective-agents
- Ng, A. [@AndrewYNg]. (2024, 21 de março). Agentic workflows [Post]. X. https://x.com/AndrewYNg/status/1770897666702233815
- McKinsey & Company. (2026, 30 de abril). The rise of the human-AI workforce [Episódio de podcast]. The McKinsey Podcast. https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-rise-of-the-human-ai-workforce
- Klarna. (2024, 27 de fevereiro). Klarna AI assistant handles two-thirds of customer service chats in its first month. https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/
- Pereira, A. (2025, 9 de maio). Klarna changes its AI tune and again recruits humans for customer service. Customer Experience Dive. https://www.customerexperiencedive.com/news/klarna-reinvests-human-talent-customer-service-AI-chatbot/747586/
- McKinsey Global Institute. (2025, 25 de novembro). Agents, robots, and us: Skill partnerships in the age of AI. McKinsey & Company. https://www.mckinsey.com/mgi/our-research/agents-robots-and-us-skill-partnerships-in-the-age-of-ai