Seus Agentes de IA Estão Falhando Porque Não Conhecem Seu Negócio

No ano passado, a Absa, um dos maiores bancos da África, precisou de 120 dias para mover um novo modelo de detecção de crimes financeiros da construção para a produção. Embora isso estivesse próximo da média da indústria na época, o mesmo banco hoje pode implantar um novo modelo em 15 dias, mesmo com o mesmo ambiente regulatório, volumes de transações e requisitos de conformidade.

E, no entanto, uma pesquisa da PwC encontrou que 56% dos CEOs de empresas de grande porte não viram nenhum benefício financeiro significativo de seus investimentos em IA. Cada líder de empresa com quem falo ouviu o discurso: se você implantar agentes de IA e automatizar seus fluxos de trabalho, você verá rapidamente um retorno sobre o investimento. Em vez disso, 18 meses e vários milhões de dólares depois, o impacto nos negócios está desaparecido. O ingrediente que falta é o contexto de domínio, a compreensão baseada nas operações que dá a um agente o que ele precisa para tomar decisões internas de negócios e o que fazer quando ele comete um erro.

Quando os Agentes Param de Aconselhar e Começam a Agir

A Gartner estima que, até 2027, 50% das decisões de negócios serão aumentadas ou automatizadas por agentes de IA para inteligência de decisão. Até muito recentemente, o papel da IA nas empresas era aconselhar, deixando o funcionário tomar a decisão. O pior cenário era uma perda de insight, uma decisão atrasada ou a falta de ação em resposta a um alerta. Com agentes, as consequências são muito maiores.

Em uma fábrica de biológicos de um fabricante de produtos farmacêuticos globais, quando um inspetor digitaliza uma porta de laboratório, o fluxo de trabalho de inspeção correto é lançado automaticamente, personalizado para o equipamento e especificações daquela sala. O agente sequencia a inspeção, superfície do material de referência e deixa o inspetor confirmar. Em uma fábrica regulamentada por GxP, cada inspeção deve estar pronta para auditoria, o que significa que um agente está assumindo uma parte da carga operacional em um ambiente com consequências reais se ele errar a sequência.

A maioria dos quadros de governança em vigor hoje foi construída para o mundo anterior de aconselhamento: revisões periódicas de modelos com um ser humano verificando a saída de um único sistema. Agora temos agentes que passam tarefas para outros agentes, coordenam fluxos de trabalho e compõem uma má chamada inicial em toda a cadeia de processos antes que alguém perceba.

Por Que os Agentes Genéricos Batem em uma Parede

Um agente de propósito geral pode parecer genuinamente impressionante em condições controladas. No entanto, começa a lutar em operações de empresas, que têm restrições, interdependências e julgamentos que são óbvios para qualquer pessoa que tenha trabalhado no chão e invisíveis para um modelo que nunca foi ensinado a vê-los.

Um gerente de categoria em uma das cinco maiores empresas de alimentos e bebidas globais enfrentou uma versão do mesmo problema em uma escala diferente: 96% de penetração no mercado, sem alavancas tradicionais para puxar. O gerente de categoria definiu a lógica de decisão diretamente unificando mais de 100 fontes de dados em mais de 1.000 atributos por loja e deixando o modelo de IA montar lojas em perfis de comportamento de compradores que a equipe de categoria poderia agir. O resultado? Três clusters de compradores, sprints semanais com parceiros varejistas, um aumento de 8% nas vendas e 35% mais rápido na reposição de prateleiras.

Isso funcionou porque o agente já sabia o que é um planograma, o que significa um cluster de compradores e como uma mudança promocional se espalha para categorias adjacentes. Um modelo genérico deve ser ensinado a vocabulário específico da indústria, o que custa 12 a 18 meses que a maioria das empresas não tem.

Por Que a Governança Tem que Ser Arquitetada

Os quadros de responsabilidade que a maioria das empresas tem hoje foram construídos em torno de explicar a saída de um modelo após o fato e revisá-lo periodicamente. Eles não foram construídos para o que acontece quando um agente dispara uma ação irreversível dentro de um fluxo de trabalho.

Trabalhei com um segurador que opera em mercados da Europa Central e Oriental e que precisa considerar os requisitos regulamentares de cada mercado ao tomar decisões de conformidade. Cada decisão de due diligence de um cliente é rastreável como um registro ao vivo que inclui a entrada, modelo, saída e pessoa que assina. O sistema de IA da empresa pode encaminhar uma transação que é compatível em um mercado e não em outro sem a adjudicação manual de um analista de conformidade.

Essa é a mesma arquitetura que permite que a Absa implante seu sistema de AML em produção em 15 dias em vez de 120. A velocidade é incorporada, então o banco pode imediatamente entregar a versão da política para cada decisão a um regulador.

As empresas que vemos investindo nessas camadas de governança cedo ainda estão executando agentes em escala 18 meses depois. As que tratam disso como um exercício de conformidade acoplado após a implantação são as que estão tendo que reprojeter constantemente.

A Inteligência de Domínio Não é Ajuste Fino

Modelos de fundação capazes não entregam resultados de empresa de forma confiável por si mesmos porque são construídos para serem amplamente úteis. As operações de empresas exigem especialização profunda e estreita. Conflitar os dois já custou tempo e recursos à indústria, mas ainda é o erro mais comum que vejo.

A inteligência de domínio não é aplicar geração aumentada por recuperação (RAG) ou ajuste fino de um modelo geral. É a diferença entre um agente que pode processar informações sobre uma loja de alimentos e um que entende como o negócio construiu e implantou 5.000 planogramas personalizados em mais de 750 lojas sem que uma equipe central tocasse em cada local.

Esse tipo de fluência operacional vem de anos de dados de treinamento específicos de domínio, lógica de decisão construída em torno de restrições operacionais reais e uma camada de conhecimento que inclui como uma mudança de preço afeta a margem, como uma mudança de assortimento afeta a disponibilidade da prateleira e como isso impacta a lealdade do comprador. Para uma grande cadeia de supermercados dos EUA, esse raciocínio conectado produziu $200M em lucro incremental.

Construir essa base ou obtê-la de um parceiro que já fez o trabalho é um custo real à frente em dados, especialização de domínio e disciplina para codificar o julgamento institucional em vez de pular direto para um piloto. Se essa base for apressada, um agente que parece consciente do domínio em um conceito pode ainda se desintegrar com o primeiro caso de bordo de produção.

O que Significa Realmente Obter os Agentes de Empresa Certos

As empresas que continuam a colocar modelos capazes em fluxos de trabalho existentes terão que continuar admitindo para seus conselhos que o ROI não está aparecendo. O MIT concluiu no ano passado que, apesar dos investimentos das empresas em IA geradora, 95% das organizações não estão obtendo retorno. Se você não quiser estar nesse grupo, coloque a inteligência de domínio no lugar antes do dia um, incorpore a governança na arquitetura e responsabilize os agentes por resultados específicos.

O modelo por trás de qualquer agente dado é, ironicamente, a parte menos durável da equação. Um melhor será enviado no próximo trimestre, pela empresa que construiu o que você está usando hoje ou por um de seus concorrentes. O que não muda com a próxima versão do modelo é se seus agentes entendem seu negócio. Você deve construir isso deliberadamente. Os agentes que terão sucesso em seu ambiente não serão os agentes de propósito geral mais capazes do mercado, mas eles ganharão sua confiança para fazer cada vez mais por seu negócio.