Os agentes são a ‘terceira onda’ da revolução da IA

A IA Agentic pode estar a levar a inteligência artificial (IA) para um novo nível além da IA ​​generativa, com as mesmas características e desafios – mas também com algumas distinções notáveis.

Marc Benioff, CEO da Salesforce, chama a IA de agente de “terceira onda” na rápida evolução do campo. “Em apenas alguns anos, já testemunhamos três gerações de IA”, observou ele num artigo recente no New York Times. “Primeiro vieram os modelos preditivos que analisam dados. Em seguida veio a IA generativa, impulsionada por modelos de aprendizagem profunda como o ChatGPT. Agora, estamos vivenciando uma terceira onda – definida por agentes inteligentes que podem lidar autonomamente com tarefas complexas.”

Além disso: sou um especialista em ferramentas de IA e estas são as únicas duas pelas quais pago

Os agentes de IA, ou assistentes inteligentes, destinam-se a servir como colegas de trabalho digitais, assistentes ou representantes de atendimento ao cliente, comunicando-se por meio de processamento de linguagem natural. Eles “têm o potencial de aumentar as capacidades humanas de formas anteriormente inimagináveis”, observou Benioff.

“Imagine um mundo onde as empresas possam implantar uma força de trabalho de agentes de IA para gerenciar as interações com os clientes, analisar dados, otimizar estratégias de vendas e executar tarefas operacionais em tempo real e com pouca supervisão humana.”

Em toda a indústria, existe um consenso de que os agentes de IA, com o seu foco restrito, trazem novas capacidades e ROI que uma IA mais ampla não consegue proporcionar de forma eficaz. “Agentic AI será a próxima onda de valor desbloqueado em escala”, disse Sesh Iyer, diretor administrativo e sócio sênior do BCG X, unidade de construção e design de tecnologia do Boston Consulting Group, à ZDNET.

Além disso: não estamos prontos para apoiar agentes autônomos de IA, sugere pesquisa

Ele acrescentou que esta é “uma oportunidade para redesenhar processos fundamentalmente e desbloquear ganhos significativos de produtividade”.

Tal como acontece com a IA analítica e de geração, os agentes de IA precisam ser construídos e executados de acordo com diretrizes éticas e operacionais claras. Isto inclui testes para minimizar erros e uma estrutura de governança. Tal como acontece com todas as instâncias de IA, a devida diligência para garantir a conformidade e a justiça também é uma necessidade para os agentes, disse Iyer.

Tal como acontece com a IA mais ampla, são necessárias as competências certas para conceber, construir e gerir agentes de IA, continuou ele. Esse talento provavelmente já está disponível em muitas organizações, com o conhecimento do domínio necessário, acrescentou. “Aprimore sua força de trabalho para gerenciar e usar a IA de agentes de maneira eficaz. O desenvolvimento de conhecimento interno será fundamental para capturar valor de longo prazo desses sistemas.”

Existem diferenças notáveis ​​entre a IA generativa e a IA agente também. “A Agentic AI é projetada especificamente para tomar decisões de forma autônoma, muitas vezes sem intervenção humana, o que difere de como a gen AI é normalmente usada”, disse David Brault, especialista da Mendix. Há uma série de recursos e funções que separam a IA de agente da IA ​​de geração, observou ele, começando pelo contexto e pelo foco.

Além disso: 25% das empresas que usam IA implantarão agentes de IA até 2025

Embora as aplicações generativas de IA possam ser direcionadas a muitas capacidades e setores, a IA de agência “está focada em ambientes específicos e situações contextuais”, acrescentou. Conseqüentemente, os melhores casos de uso atuais da IA ​​de agência são “tarefas previsíveis e definidas com baixo risco de erros ou baixa gravidade de impacto quando ocorrem erros”, concordou Michael Connell, diretor de operações da Enthought.

Além disso, a integração da IA ​​agente com os sistemas existentes difere da IA ​​generativa. “Aproveitar os recursos de tomada de decisão da IA ​​de agência geralmente requer modificações nos sistemas existentes e integração com APIs existentes para utilizar a lógica de negócios estabelecida para melhorar a precisão das decisões”, disse Brault.

Para se preparar para a mudança da IA ​​genérica para a IA de agente, “comece aos poucos e expanda estrategicamente”, aconselha ele. “Identifique alguns casos de uso de alto impacto – como atendimento ao cliente – e execute programas piloto para testar e refinar os recursos dos agentes. Juntamente com esses casos de uso, entenda as plataformas emergentes e os componentes de software que oferecem suporte para IA de agência.”

Além disso: o que é o Projeto Mariner do Google? Este agente de IA pode navegar na web para você

Isso inclui olhar além da tecnologia e focar na jornada do usuário e nos fluxos de trabalho associados, insistiu Iyer. “Em vez de basear os esforços apenas na tecnologia, pense holisticamente sobre os fluxos de trabalho que os agentes irão transformar. Procure reduzir tarefas mundanas, melhorar a produtividade e criar uma melhor colaboração homem-máquina.”

“O desafio é aplicar IA agente no ambiente empresarial ou em indústrias orientadas para a inovação, como I&D em ciência de materiais ou farmacêutica, onde há maior incerteza e risco”, disse Connell. “Esses ambientes mais complexos exigem uma compreensão muito sutil por parte do agente, a fim de tomar decisões confiáveis.”

Além disso: o que é o Projeto Mariner do Google? Este agente de IA pode navegar na web para você

Tal como acontece com a IA analítica e de geração, os dados – especialmente os dados em tempo real – estão no centro do sucesso da IA ​​de agência. É importante “ter uma compreensão de como a IA agente será usada e dos dados que alimentam o agente, bem como um sistema para testes”, disse Connell. “Para construir agentes de IA, você precisa de dados limpos e, para algumas aplicações, rotulados que representem com precisão o domínio do problema, juntamente com volume suficiente para treinar e validar seus modelos.”

Connell acrescentou que uma dependência crescente dos agentes “exigirá novos quadros de supervisão, especialmente em domínios de alto risco onde os modelos tradicionais de supervisão serão inadequados”. Isto significa que a supervisão humana é sempre necessária – especialmente com o risco de consequências não intencionais se os agentes forem mal aplicados.