Michael Majster, Parceiro da Arthur D. Little – Série de Entrevistas

Michael Majster, Parceiro da Arthur D. Little, é um consultor de estratégia e tecnologia experiente com profunda especialização em transformação digital, estratégia de TI e crescimento liderado por inovação. Com base em Bruxelas e trabalhando em toda a região do Benelux, ele traz mais de duas décadas de experiência em aconselhar CIOs e executivos seniores sobre como impulsionar mudanças em larga escala e entregar resultados de negócios mensuráveis. Antes de se juntar à Arthur D. Little, ele passou 16 anos na Accenture, onde ocupou cargos de liderança sênior, incluindo Diretor de Recursos de Tecnologia na França e no Benelux, e desenvolveu forte especialização setorial em energia, utilidades, produtos químicos e recursos naturais.

Arthur D. Little é uma das empresas de consultoria em gestão mais antigas do mundo, fundada há mais de 135 anos e amplamente reconhecida por seu foco em inovação, estratégia e transformação impulsionada por tecnologia. A empresa trabalha com organizações globais para resolver desafios de negócios complexos, combinando insights estratégicos com profunda especialização setorial para apoiar áreas como transformação digital, gestão de inovação e melhoria operacional. Com um forte ênfase em integrar estratégia, tecnologia e execução, a Arthur D. Little construiu uma reputação por ajudar clientes a desenvolver inovações de ponta e se adaptar a dinâmicas de mercado em rápida evolução.

Você passou mais de 16 anos na Accenture, liderando tecnologia e recursos no Benelux e na França, antes de se tornar Parceiro da Arthur D. Little. Como essa jornada moldou sua perspectiva sobre o que as organizações realmente precisam para mudar da experimentação com IA para a transformação operacional em larga escala?

Durante meu tempo na Accenture, eu vi a empresa expandir de 30.000 para mais de 500.000 funcionários. Eu experimentei em primeira mão como a entrega de TI pode ser industrializada a um grau extremo para apoiar transformações em larga escala para CIOs.

No entanto, ao longo dos anos, a TI se tornou cada vez mais uma parte central do negócio, exigindo que as organizações se afastem do tratamento de TI como uma commodity.

Ao me juntar à Arthur D. Little, eu queria explorar como essas transformações estratégicas do negócio poderiam ser tratadas de dentro, como soluções personalizadas em vez de plataformas padronizadas poderiam melhor permitir a diferenciação, e como a responsabilidade conjunta de todo o ExCo poderia ajudar as organizações a dar um passo de mudança na criação de valor.

Em sua visão recente, It’s not the agents, it’s the system, você argumenta que a IA de multi-agente é menos sobre tecnologia e mais sobre mudança no modelo operacional. Por que você acha que tantas organizações ainda abordam a IA principalmente como um problema de ferramentas?

As organizações tendem a abordar a IA como um problema de ferramentas porque isso se encaixa perfeitamente nas estruturas existentes, orçamentos e propriedade, evitando a complexidade da mudança cross-funcional. Isso permite pilotos rápidos e progresso visível, mas frequentemente resulta em iniciativas que falham em escalar ou entregar ROI significativo. Muitos líderes também confiam em modelos mentais de software legado, supondo que a IA possa ser implantada como sistemas de TI tradicionais, em vez de exigir a redesign de fluxos de trabalho e decisões. Além disso, a responsabilidade pela mudança no modelo operacional é difusa e mais difícil de gerenciar, tornando as iniciativas lideradas por tecnologia mais atraentes. Como resultado, as empresas recorrem às ferramentas porque é mais fácil e seguro do que enfrentar a transformação mais profunda necessária para desbloquear o valor total da IA.

Muitas empresas estão atualmente experimentando com IA agente, mas lutando para escalar. Quais são as principais barreiras estruturais que impedem as organizações de ir além dos pilotos e entrar em produção?

As organizações lutam para escalar a IA agente porque se concentram em casos de uso isolados em vez de redesenhar processos de ponta a ponta com propriedade clara. Os modelos operacionais frequentemente não são adaptados, com papéis, direitos de decisão e integração insuficiente da colaboração humano-agente nos fluxos de trabalho diários. Muitas iniciativas também carecem de fortes vínculos com resultados de negócios mensuráveis, causando-as a estagnar em fases de piloto sem demonstrar ROI. Além disso, dados fragmentados e sistemas legados limitam a capacidade dos agentes de operar de forma transparente em toda a empresa. Finalmente, a gestão de mudança fraca e preocupações de governança não resolvidas em torno de risco e confiabilidade atrasam ainda mais a adoção e impedem a escala.

Você enfatiza que a orquestração, e não os agentes individuais, é onde o verdadeiro valor reside. O que a orquestração eficaz realmente parece em um ambiente de empresa real?

A orquestração eficaz significa projetar a IA em torno de processos de negócios de ponta a ponta, e não ferramentas individuais, com agentes designados com papéis claros em todo o fluxo de trabalho. Múltiplos agentes colaboram como uma equipe, lidando com entrada, tomada de decisão, execução e supervisão – coordenados por uma camada de orquestração central. Esses agentes estão fortemente integrados a sistemas de empresa por meio de APIs e fontes de dados, permitindo ações reais em vez de apenas insights. A camada de orquestração também gerencia a sequência de tarefas, exceções e escalonamento para humanos, garantindo a execução suave e controlada. Finalmente, mecanismos de governança, validação e feedback são incorporados para garantir confiabilidade e melhoria contínua.

À medida que as organizações redesenham os fluxos de trabalho em torno da IA, como os direitos de decisão devem evoluir entre humanos e sistemas autônomos para evitar tanto a automação excessiva quanto os gargalos?

Os direitos de decisão devem evoluir para um modelo baseado em risco, onde decisões de baixo risco e alto volume são automatizadas, enquanto casos de alto impacto ou incertos permanecem sob controle humano. Os agentes devem lidar com percepção, análise e execução, enquanto os humanos se concentram em julgamento, exceções e definição de resultados corretos. Caminhos de escalonamento claros são essenciais para que os agentes saibam quando deferir decisões em vez de ultrapassar sua autoridade. Para evitar gargalos, a participação humana deve ser seletiva e focada em exceções em vez de supervisão completa de cada etapa. Ao mesmo tempo, guardrails fortes, mecanismos de validação e monitoramento garantem controle e prevenção de automação excessiva.

Um dos seus principais pontos é que a confiabilidade deve ser projetada de ponta a ponta. Quais são os principais modos de falha que você está vendo hoje quando as empresas implantam sistemas de multi-agente sem salvaguardas suficientes?

Um modo de falha-chave é a propagação de erros, onde pequenos erros de um agente se propagam pelo sistema e se tornam amplificados. Outro problema é a alucinação e a confiança falsa, pois a IA pode gerar saídas plausíveis, mas incorretas, sem sinalizar incerteza. As organizações também lutam quando muito poder é dado a agentes em decisões de alto impacto sem portas de validação ou aprovação adequadas. O tratamento de exceção fraco complica ainda mais o problema, com agentes falhando em escalonar casos ambíguos ou de borda para humanos. Em geral, falhas ocorrem porque a confiabilidade não é projetada em todo o sistema de coordenação, verificação e supervisão.

A governança é frequentemente tratada como uma camada de conformidade em vez de um princípio de design. Como as empresas devem repensar a governança ao construir modelos operacionais nativos de IA?

A governança deve mudar de uma camada de conformidade pós-fato para um princípio de design central incorporado diretamente nos fluxos de trabalho de IA. Isso significa integrar guardrails, etapas de validação e portas de aprovação em pontos de decisão-chave, em vez de adicionar controles após a implantação. As empresas devem adotar uma abordagem baseada em risco, ajustando os níveis de autonomia e supervisão humana dependendo do impacto e incerteza da decisão. A responsabilidade e os direitos de decisão devem ser claramente definidos, garantindo que os agentes saibam quando agir e quando escalonar. Finalmente, mecanismos de monitoramento contínuo, feedback e confiabilidade projetada são essenciais para manter confiança, desempenho e controle em escala.

A partir do seu trabalho aconselhando CIOs e CDOs, o que separa as organizações que alcançam ROI mensurável com IA daquelas que permanecem presas na experimentação perpétua?

As organizações que alcançam ROI se concentram na transformação de processos de ponta a ponta em vez de casos de uso de IA isolados. Elas vinculam as iniciativas a KPIs financeiros claros e incorporam a IA em fluxos de trabalho, papéis e estruturas de decisão. Elas também investem em gestão de mudança, adoção e governança para garantir que as soluções sejam escaladas de forma eficaz. Em contraste, as organizações presas na experimentação executam pilotos desconexos, se concentram em ferramentas em vez de processos e carecem de propriedade e responsabilidade claras. Como resultado, elas falham em traduzir a IA em valor de negócios mensurável e permanecem presas na fase de piloto.

À medida que os sistemas de multi-agente se tornam mais complexos, como as organizações devem pensar sobre observabilidade, monitoramento e escalonamento para manter a confiança nas decisões impulsionadas por IA?

As organizações devem tratar a observabilidade, o monitoramento e o escalonamento como elementos centrais de design do sistema, e não como pós-pensamentos. Isso inclui garantir a rastreabilidade completa por meio de logs, registros de auditoria e pontos de verificação de validação para que as decisões possam ser compreendidas e verificadas. O monitoramento deve se concentrar não apenas no desempenho, mas também na qualidade dos resultados, erros e como os problemas se propagam por agentes. Regras de escalonamento claras são necessárias para que os agentes sejam escalonados para humanos em situações de alto risco ou ambíguas sem criar gargalos. Em última análise, a confiança vem de sistemas que são transparentes, mensuráveis e projetados para supervisão humana por padrão.

Olhando para o futuro, como você vê os modelos operacionais de empresa evoluindo nos próximos 3 a 5 anos, à medida que os sistemas de IA de multi-agente se tornam mais profundamente incorporados nos processos de negócios centrais?

Os modelos operacionais de empresa evoluirão para forças de trabalho híbridas humano-IA, onde os agentes atuam como funcionários digitais incorporados em processos centrais. As organizações mudarão de silos funcionais para estruturas centradas em processos com propriedade e orquestração de ponta a ponta em fluxos de trabalho. A tomada de decisão se tornará mais dinâmica, com tarefas rotineiras automatizadas e humanos se concentrando em exceções e supervisão. Os mecanismos de governança e confiabilidade serão construídos em operações diárias, em vez de serem tratados como camadas separadas. Em última análise, a vantagem competitiva dependerá de como as empresas redesenham seus modelos operacionais em torno da IA, e não apenas da tecnologia em si.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Arthur D. Little.