A IA agêntica já está rodando em produção, mas a maioria das empresas ainda não sabe como entrar

Felipe Blanes veio ao AI Festival com casos reais, dados de campo e uma reflexão: por que tantas empresas ainda tratam IA agêntica como experimento, se ela já está operando em produção em algumas das maiores organizações do mundo?

Blanes é Technical Program Manager no Amazon AGI Labs, responsável pelo programa de adoção do Amazon Nova Act — o modelo de agente da Amazon projetado para interações autônomas em navegadores e sistemas corporativos. Sua posição é a de quem está na linha de frente entre o que a tecnologia já entrega e o que os times de negócio ainda hesitam em adotar.

Por que agora? Duas mudanças que tornaram tudo diferente

Durante anos, a IA agêntica foi promessa. O que mudou nos últimos 12 meses não foi uma revolução de capacidade — foi uma mudança de natureza. Blanes descreveu com precisão: os modelos ficaram confiáveis. Não necessariamente mais inteligentes — confiáveis. Essa distinção importa muito na prática. Um modelo que frequentemente alucina ou age de forma imprevisível não pode ser implantado em fluxos críticos. Um modelo que entrega consistência operacional, sim.

Ao mesmo tempo, as ferramentas amadureceram. O que antes exigia meses de desenvolvimento para ir a produção hoje pode ser construído em horas. Esses dois movimentos juntos — confiabilidade dos modelos e maturidade das ferramentas — criaram a janela que torna o momento atual diferente de tudo que veio antes.

O gap que ninguém resolve falando de tecnologia

O dado mais impactante da palestra foi também o mais honesto. Existe um gap de confiabilidade entre o que a maioria dos agentes de IA entrega hoje — em torno de 55% de taxa de sucesso — e o que as empresas efetivamente precisam para operar com segurança: mais de 90%. Esse intervalo não é pequeno. É a diferença entre um sistema que funciona na demo e um sistema que pode ser responsabilizado por um resultado real.

Blanes não apresentou isso como um problema sem solução — apresentou como o ponto exato onde a estratégia de adoção precisa começar. Quem entende o gap consegue arquitetar ao redor dele: escolher os casos de uso certos para o nível de confiabilidade disponível, e não tentar aplicar agentes onde a margem de erro ainda é inaceitável.

A Regra 90/10: onde a IA agêntica realmente pertence

Um dos conceitos mais práticos da palestra foi a Regra 90/10. Em qualquer sistema bem construído que usa IA agêntica, 90% do trabalho real é feito por APIs e código determinístico — lógica previsível, testável, auditável. Os 10% restantes são onde a IA agêntica entra: nos pontos onde a variabilidade é inerente ao problema, onde nenhuma regra fixa consegue cobrir todos os casos, onde julgamento contextual faz diferença.

A implicação prática é direta: empresas que tentam usar agentes para substituir toda a lógica determinística estão apostando errado. As que usam agentes para resolver a cauda longa de complexidade que código tradicional não consegue manter — essas estão na direção certa.

Três casos que mostram como funciona na prática

Blanes ilustrou a tese com três exemplos concretos de adoção, cada um revelando um padrão diferente de onde IA agêntica cria valor real.

O primeiro foi o 1Password. O problema: um único fluxo de autenticação precisa funcionar em centenas de sites diferentes, cada um com sua própria variação — Login Form A, OAuth Flow, 2FA Challenge, SSO Redirect, CAPTCHA, Legacy Portal, Multi-step Wizard, Healthcare App e centenas de outros formatos. Manter isso manualmente é inviável. Agentes lidam com a cauda longa de complexidade que nenhum time consegue sustentar com código estático.

O segundo foi a Sola Systems. O problema: tarefas repetitivas em sistemas desconectados, onde automações tradicionais quebram toda vez que algo muda na interface ou no processo. Com agentes, a empresa passou a processar mais de 100 mil workflows por mês — cobrindo reconciliação de pagamentos, coordenação de envios e atualização de prontuários médicos. O que ferramentas tradicionais não conseguiam automatizar de forma estável, agentes conseguem porque adaptam ao contexto em vez de seguir regras fixas.

O terceiro foi a Hertz em parceria com o Amazon Leo. O problema: o gargalo de QA no ciclo de desenvolvimento. Testes manuais exigem alto investimento em alocação de recursos. Testes automatizados tradicionais exigem alta manutenção para se manter atualizados. Com agentes no fluxo de teste, a Hertz atingiu 5x mais velocidade de entrega — sem aumentar headcount de QA.

O stack por trás da inteligência

Blanes apresentou uma visão de arquitetura que ajuda a entender por que cada camada importa — e por que melhorar qualquer uma delas melhora o resultado do agente no topo. O stack tem quatro níveis: chips na base, modelos fundacionais acima, serviços de agentes na camada seguinte e a aplicação do negócio no topo. Cada avanço em chips torna modelos mais eficientes. Cada melhora nos modelos expande o que os serviços de agentes conseguem fazer. E cada evolução nos serviços de agentes amplia o que a aplicação pode entregar ao usuário final. Quem entende essa lógica de camadas consegue tomar decisões de arquitetura mais resilientes — e não fica refém de um único provedor ou modelo.

A única coisa que toda adoção bem-sucedida tinha em comum

A palestra terminou com uma observação simples, extraída da experiência direta de Blanes com dezenas de implementações: toda adoção bem-sucedida que ele viu começou com "eu tenho um problema" — não com "vamos usar IA." A diferença não é semântica. É estrutural. Quem começa pelo problema sabe o que precisa medir, sabe quando parar o piloto e sabe quando escalar. Quem começa pela tecnologia fica procurando problema para encaixar na solução — e raramente encontra o certo.

A conclusão que ficou ao final: IA agêntica não é uma promessa para 2027. É uma realidade de hoje. Comece pelo problema. Lembre da regra 90/10. Encontre seus 10%. Comece ali. Prove. Escale.