O Caminho de RPA para Agentes Autônomos

Um investigador de crimes financeiros que outrora recebia grandes volumes de alertas de atividades suspeitas que exigiam trabalho de investigação tedioso, reunindo manualmente dados em vários sistemas para eliminar falsos positivos e elaborar Relatórios de Atividade Suspeita (SARs) sobre os demais. Hoje, ela recebe alertas priorizados com pesquisa automatizada e conteúdo sugerido que pode gerar SARs em minutos.

Um planejador de categorias de varejo que anteriormente fazia análises de horas de relatórios das semanas anteriores para tentar descobrir insights sobre quais produtos estavam com desempenho abaixo do esperado e por quê, agora usa IA para fornecer insights detalhados que identificam áreas problemáticas e sugerem ações corretivas, priorizadas para o máximo impacto nos negócios. Um engenheiro de manutenção industrial usa um copiloto que realiza monitoramento de saúde de ativos 24/7 e prevê problemas, gerando alertas nos estágios iniciais de problemas mecânicos ou de desempenho, reduzindo significativamente o tempo de inatividade não planejado.

Essas transformações estão ocorrendo em empresas hoje, sinalizando uma mudança fundamental: aplicações verticais que combinam IA preditiva, gerativa e emergente estão aumentando e transformando a automação de fluxos de trabalho, fornecendo capacidades direcionadas e sofisticadas que abordam desafios mais complexos e contextuais do que as soluções anteriores.

O Hype Cycle for Emerging Technologies 2024 da Gartner destacou a IA autônoma como uma das quatro principais tendências de tecnologia emergente do ano — e com boa razão. Com agentes não IA, os usuários tinham que definir o que tinham que automatizar e como fazer isso com grande detalhe. Mas aplicações que combinam IA preditiva, gerativa e, em breve, agente IA com fontes de conhecimento verticais especializadas e fluxos de trabalho podem extrair informações de fontes dispersas em toda a empresa, acelerar e automatizar tarefas repetitivas e fazer recomendações para ações de alto impacto. Empresas que usam essas aplicações realizam tomada de decisão mais rápida e precisa, identificação e remediação de problemas rápidas e até medidas preventivas para evitar que os problemas ocorram em primeiro lugar.

Os agentes de IA representam a próxima onda de IA empresarial. Eles se baseiam nos fundamentos da IA preditiva e gerativa, mas dão um salto significativo em termos de autonomia e adaptabilidade. Os agentes de IA não são apenas ferramentas para análise ou geração de conteúdo — são sistemas inteligentes capazes de tomar decisões independentes, resolver problemas e aprender continuamente. Essa progressão marca uma mudança da IA como uma ferramenta de suporte para a IA como um participante ativo nos processos de negócios, capaz de iniciar ações e adaptar estratégias em tempo real.

A Evolução de RPA para Agentes Autônomos

Tradicionalmente, o RPA era usado para processos repetitivos, baseados em heurísticas e tarefas de baixa complexidade com entradas de dados estruturadas. O RPA usa entradas estruturadas e lógica definida para automatizar processos altamente repetitivos, como entrada de dados, transferência de arquivos e preenchimento de formulários. A ampla disponibilidade de IA preditiva e gerativa acessível e altamente eficaz tem abordado o próximo nível de problemas de negócios mais complexos que exigem expertise de domínio especializado, segurança de classe empresarial e a capacidade de integrar diversas fontes de dados.

No próximo nível, os agentes de IA vão além dos algoritmos de IA preditiva e software com sua capacidade de operar de forma autônoma, adaptar-se a ambientes em mudança e tomar decisões com base em regras pré-programadas e comportamentos aprendidos. Enquanto as ferramentas de IA tradicionais podem ser excelentes em tarefas ou análise de dados específicos, os agentes de IA podem integrar múltiplas capacidades para navegar em ambientes complexos e dinâmicos e resolver problemas multifacetados. Os agentes de IA podem ajudar as organizações a serem mais eficazes, produtivas e melhorar a experiência do cliente e do funcionário, tudo isso reduzindo custos.

Quando construídos com os modelos de IA certos como ferramentas e com fontes de dados verticais e aprendizado de máquina para apoiar atividade contextual especializada, os agentes de IA se tornam trabalhadores de alta produtividade em termos de decifrar o problema, tomar as etapas certas, recuperar-se de erros e melhorar com o tempo nas tarefas dadas.

Navegando a Implementação: Aspectos Chave para as Empresas Considerarem

Implementar IA preditiva, gerativa e, eventualmente, agente IA em um ambiente empresarial pode ser altamente benéfico, mas tomar as etapas certas antes do deploy para garantir o sucesso é crítico. Aqui estão algumas das principais considerações para as empresas à medida que consideram e começam a implantar agentes de IA.

• Alinhamento com Metas de Negócios: Para a adoção de IA empresarial ser bem-sucedida, ela deve abordar casos de uso específicos em setores específicos e entregar aumento de produtividade e precisão. Envie regularmente os stakeholders de negócios no processo de avaliação/seleção de IA para garantir alinhamento e fornecer ROI claro. Os produtos devem ser ajustados a processos e fluxos de trabalho que melhorem os resultados para os casos de uso e domínios verticais definidos.
• Qualidade, Quantidade e Integração de Dados: Como os modelos de IA exigem grandes quantidades de dados de alta qualidade para funcionar efetivamente, as empresas devem implementar pipelines de coleta e processamento de dados robustos para garantir que a IA receba dados atuais, precisos e relevantes. Curar fontes de dados reduz significativamente o risco de alucinações e permite que a IA faça análises, recomendações e decisões ótimas.
• Segurança e Privacidade: Lidar com dados sensíveis em modelos de IA apresenta riscos de privacidade e vulnerabilidades de segurança potenciais. Uma consideração cuidadosa sobre quais dados são necessários para a IA fazer seu trabalho e não fornecer dados que não seriam diretamente relevantes pode ajudar a minimizar a exposição. As aplicações também devem fornecer controle de acesso baseado em função e usuário com proteções de autenticação construídas nas camadas de dados e API e confirmar que os dados não atingem SLMs ou LLMs sem verificação e proteção.
• Infraestrutura e Escalabilidade: Executar grandes modelos de IA exige recursos computacionais significativos, e a escalabilidade também pode ser um problema. Um bom design pode evitar o consumo excessivo de recursos — por exemplo, um SLM especializado pode ser tão eficaz quanto um LLM mais generalizado e reduzir significativamente os requisitos computacionais e latências.
• Interpretação e Explicabilidade de Modelos: Muitos modelos de IA, especialmente modelos de aprendizado profundo, são frequentemente vistos como “caixas pretas”. Produtos de IA empresarial de boa qualidade provam transparência total, incluindo quais fontes os modelos acessaram e quando, e por que cada recomendação foi feita. Ter esse contexto é crítico para criar confiança do usuário e impulsionar a adoção.

Desvantagens Potenciais de Agentes de IA

Como qualquer nova tecnologia, os agentes de IA têm algumas desvantagens potenciais. As melhores aplicações de agentes de IA dependem de processos humanos no loop — incluindo todas as aplicações e capacidades de agente IA da SymphonyAI. Essa abordagem permite supervisão humana, intervenção e colaboração, garantindo que as ações do agente estejam alinhadas com os objetivos de negócios e considerações éticas. Sistemas humanos no loop podem fornecer feedback em tempo real, aprovar decisões críticas ou intervir quando a IA encontra situações desconhecidas, criando uma colaboração poderosa entre inteligência artificial e humana.

IA responsável também entrega uma interface de usuário forte, rastreabilidade e a capacidade de auditar as etapas de por que o agente escolheu um caminho de execução. Nós nos comprometemos com os princípios de IA responsável de responsabilidade, transparência, segurança, confiabilidade/segurança e privacidade.

O Caminho para Agentes Autônomos Totalmente

É difícil prever quão realista é o cenário de agente autônomo totalmente porque não estabelecemos uma medida de setor para o nível de autonomia. Por exemplo, a área de direção autônoma foi estabelecida em termos de Níveis 1-5 de Capacidade de Direção Autônoma, com zero sendo nenhum nível de automação onde o motorista realiza todas as tarefas de direção, até o nível cinco sendo automação total onde o veículo realiza todas as tarefas de direção.

Estamos bem avançados no que vejo como a terceira fase do caminho para o valor empresarial com IA — onde aplicações de IA preditiva e gerativa combinadas fazem recomendações sofisticadas e suportam análise de “e se” fluida. Na SymphonyAI, vemos a próxima fase evoluindo em direção a agentes de IA autônomos, trabalhando com IA preditiva e gerativa para acelerar investigações de fraude financeira, impulsionar gestão de categorias de varejo e previsão de demanda, e permitir que os fabricantes prevejam e evitem falhas de máquina.

Estamos atualmente aprimorando a complexidade e a autonomia dos agentes de IA dentro de nossas aplicações, e o feedback dos clientes é muito positivo. IA preditiva e gerativa avançaram para um nível em que podem automatizar fluxos de trabalho que antes eram considerados muito complexos para software tradicional. IA autônoma, ou agente IA, é excelente em lidar com essas tarefas sem supervisão, levando a ganhos de produtividade transformacionais e permitindo que os recursos humanos se concentrem em atividades mais estratégicas.

Por exemplo, um banco europeu multinacional que usa o SymphonyAI Sensa Investigation Hub com agentes de IA e um copiloto ajudou os investigadores de crimes financeiros a economizar tempo em suas investigações, ao mesmo tempo em que melhorou a qualidade das investigações. Em semanas, o banco viu uma economia de esforço média de aproximadamente 20% em investigações de Nível 1 e Nível 2. O banco também projeta economia de custos com a SymphonyAI no Microsoft Azure de €3,5 milhões por ano, incluindo uma redução de 80% nos gastos com um provedor de tecnologia líder de €1,5 milhão por ano para €300 mil por ano.

Com design empresarial cuidadoso e pensado, usando princípios de IA responsável, os agentes de IA entregam produtividade, precisão e excelência transformacionais para uma variedade crescente de casos de uso comprovados. Na SymphonyAI, nossa missão é fornecer às empresas agentes de IA que entregam excelência operacional. Ao combinar respostas rápidas com pensamento estratégico de longo prazo, a IA agente está pronta para revolucionar processos críticos em múltiplos setores.