Às 9h, o trabalho da noite já está na fila
Às 9h, uma responsável por produtos de dados abre sua fila de revisão. Durante a noite, agentes enriqueceram os requisitos de um novo produto de dados, verificaram contratos e classificações, executaram testes e prepararam um contexto decisório para o negócio. Cada execução carrega seus recibos: o que foi feito, por qual agente, sob qual autorização, com qual resultado.
Nada foi publicado. Nada precisou ser desfeito. As exceções estão sinalizadas, com evidências anexadas.
No meio da manhã, a equipe revisa saídas, resolve ambiguidades e refina os limites dentro dos quais os agentes operam. No fim da tarde, os próximos pacotes de trabalho estruturado entram na fila para mais um ciclo noturno.
Ninguém virou a noite. Agentes trabalharam — dentro de limites explícitos, sob autoridade humana, deixando rastro verificável de tudo o que fizeram.
Esse modelo de trabalho contínuo deixou de ser teórico. A McKinsey relata que organizações que redesenharam a entrega de software em torno de agentes já observam ganhos de produtividade de três a cinco vezes, com equipes cerca de 60% menores. A observação importante não é o número — é a causa: os ganhos não vêm de implantar agentes, vêm de reconfigurar o modelo operacional para que pessoas e agentes colaborem 24 horas por dia.
O que a entrega de software está aprendendo primeiro, a jornada do dado ao valor aprenderá em seguida. Preparar dados, qualificar produtos, compor contextos, decidir, executar ações e conciliar resultados é, estruturalmente, o mesmo tipo de trabalho: intenção humana traduzida em execução, com julgamento concentrado nos pontos em que ele é indispensável.
E produtos de dados são o caso visível, não o limite: o mesmo desenho governa decisões, políticas, execuções e a própria operação dos agentes — qualquer trabalho em que a intenção humana precise virar efeito verificável.
Os ganhos não vêm de implantar agentes. Vêm de reconfigurar o modelo operacional para que pessoas e agentes colaborem 24 horas por dia.
O outro lado do número
Os ganhos são reais — e raros. A Deloitte observa que o acesso a ferramentas de IA sancionadas pelas empresas subiu cerca de 50% em um ano, enquanto o uso no fluxo diário de trabalho permaneceu parado. A ferramenta chega; o trabalho continua igual. O piloto impressiona na demonstração de sexta-feira e é abandonado na segunda.
- 95% — dos pilotos de IA generativa sem retorno mensurável; o que trava é a integração ao fluxo (MIT NANDA, 2025)
- >80% — dos projetos de IA falham, por estimativas amplamente citadas; a causa raiz quase nunca é técnica (RAND, 2024)
- ~6% — das empresas extraem impacto real no lucro; o fator-chave é redesenhar o processo (McKinsey State of AI, 2025)
Leituras de pesquisa e consultoria — dado de acesso: Deloitte State of AI in the Enterprise (2026); RAND é estimativa citada, não medição própria; não são medições da Arcogi.
A causa está na planilha, não na tecnologia. As empresas destinam cerca de 93% do orçamento de IA à ferramenta e apenas ~7% às pessoas, aos processos e ao redesenho da forma de trabalhar — a “segunda linha” que transforma capacidade comprada em capacidade instalada. A linha de tecnologia é fácil de defender em comitê: tem fornecedor, cotação, contrato e data de entrega. A linha do redesenho não cabe numa cotação — e por isso fica de fora. A organização compra o que sabe comprar; e colhe pouco porque investe pouco na frente que decide o retorno.
Caso · Klarna. A fintech anunciou que sua IA executava o trabalho de centenas de atendentes e economizava dezenas de milhões. Um ano depois, a própria companhia reconheceu que a decisão pesou custo demais, que a qualidade caiu — e voltou a contratar, num modelo híbrido. A lição não é que a IA não funciona. É que medir velocidade e custo médio sem redesenhar o serviço não é estratégia — é atalho.
A conclusão honesta também não é gastar menos em tecnologia: ferramenta boa é condição necessária, e o custo de acesso à capacidade nunca foi tão baixo. O erro é gastar só nela. Os ganhos existem e são grandes — mas ficam do outro lado de um redesenho que quase ninguém orçou.
Quatro movimentos separam a demonstração impressionante da operação confiável.
1. Projetar a operação para fluxo contínuo
A maioria das organizações ainda opera no ritmo das reuniões: o trabalho avança quando pessoas se encontram. No modelo agêntico, o ritmo se inverte. Durante o turno humano, a equipe revisa saídas, resolve o que exige julgamento, fortalece os limites de operação e prepara insumos estruturados. Durante o turno dos agentes, o trabalho executável acontece em escala: enriquecer requisitos, validar arquitetura e contratos, gerar e testar artefatos, empacotar resultados com evidências para revisão.
O papel humano muda de natureza: menos produzir artefatos, mais supervisionar e melhorar o sistema que os produz.
Exibição 1 de 5 — O ciclo operacional de 24 horas (ilustrativo)
| Turno dos agentes (execução estruturada) | Turno humano (julgamento em gates) |
|---|---|
| Enriquecer requisitos e contextos | Revisar saídas contra critérios de aceite |
| Validar contratos, políticas e arquitetura | Resolver ambiguidades e exceções sinalizadas |
| Executar, testar e gerar evidências | Refinar limites, habilidades e instruções |
| Empacotar resultados para revisão | Priorizar e estruturar o próximo ciclo |
Esse ciclo só funciona sobre algumas fundações práticas. O negócio precisa de uma visão clara do que deve ser produzido — um roadmap, um padrão, uma definição de pronto — para avaliar a qualidade do que os agentes geram. O ambiente precisa ser consistente, com convenções e arquiteturas modulares que permitam reuso em vez de reinvenção. O caminho da intenção à execução precisa seguir uma estrutura padronizada, para que agentes interpretem insumos e produzam saídas previsíveis. E os mesmos stakeholders precisam permanecer engajados ao longo do fluxo, sob pena de desalinhamento e retrabalho contínuos.
Sem esse nível de consistência, a produção dos agentes é fragmentada e difícil de confiar.
Mensagem-chave: a operação contínua é alcançável, mas exige disciplina arquitetural e fluxos padronizados para que agentes operem de forma confiável em escala.
2. Estender a automação para eliminar handoffs manuais
A automação tradicional concentrou-se no fim do pipeline: testes, publicação, monitoramento. A maior parte do esforço — de requisitos a decisões — permaneceu manual e intensiva em interpretação. É aí que o atrito se acumula e o valor estagna.
Na maioria das organizações, requisitos, padrões, políticas e especificações vivem em documentos e ferramentas desconectados. Cada transição exige que alguém traduza intenção de um artefato para outro. Cada tradução introduz ambiguidade.
O modelo agêntico remove esse atrito estruturando artefatos para handoffs máquina-a-máquina. Descrições funcionais, requisitos não funcionais, políticas, contratos e especificações passam a existir em formatos padronizados e legíveis por máquina. O pipeline roda de ponta a ponta em horas, e humanos intervêm em gates de revisão definidos — não como intermediários.
Nesse desenho, detalhes de engenharia viram mecanismos de governança. Um plano de execução pode ser amarrado à autorização que o aprovou por um hash: altere qualquer campo e a autorização anterior deixa de valer. Toda mutação relevante gera um recibo: replay não reexecuta efeitos, divergência de conteúdo é rejeitada. Publicar exige revisão por humano distinto de quem submeteu. A separação de funções deixa de ser política em um PDF e passa a ser invariante no caminho da execução.
Exibição 2 de 5 — Da intenção ao efeito, sem tradução manual
Intenção → contexto estruturado → contrato e plano autorizados → execução por agentes → evidências e recibos → gate humano → publicação. Humanos revisam nas bordas; o meio é máquina-a-máquina.
Mensagem-chave: escalar IA exige aplicar práticas de engenharia ao próprio sistema de trabalho — tornar o processo repetível e automatizar os handoffs.
3. Criar infraestrutura de conhecimento para desbloquear autonomia
Agentes produzem resultados corretos quando têm contexto e memória organizacional. Sem isso, cada tarefa recomeça do zero — ou recomeça errado.
Hoje, o contexto de qualquer decisão relevante está espalhado: feedback de clientes em uma ferramenta, decisões de arquitetura em outra, tickets, repositórios, relatórios de incidentes, políticas resumidas e, sobretudo, o conhecimento tácito de quem está há anos na operação. Dar sentido a isso exige especialistas e longas discussões.
Organizações na fronteira estão construindo uma camada de conhecimento conectada — um grafo que relaciona produtos de dados, decisões anteriores, políticas, evidências e responsáveis dentro de cada domínio, em formato que agentes conseguem navegar. O efeito é transformador: perguntas que exigiam semanas de entrevistas com especialistas passam a ser respondidas em minutos, por um agente “bibliotecário” que consulta a memória institucional estruturada — e responde com as fontes.
Exibição 3 de 5 — Do contexto manual à camada de conhecimento
| Antes: contexto conectado à mão | Depois: camada de conhecimento agêntica |
|---|---|
| Dados fragmentados entre ferramentas | Relações explícitas entre entidades do domínio |
| Dependência de especialistas e reuniões | Agente bibliotecário responde sob demanda |
| Conhecimento tribal não documentado | Memória institucional estruturada e rastreável |
| Decisões sem lastro visível | Cada decisão vinculada à sua evidência de origem |
Toda decisão se torna rastreável. Se alguém pergunta por que uma iniciativa foi despriorizada, a resposta aponta para a fonte — pesquisa de clientes, telemetria de uso, uma política. Conhecimento implícito vira explícito e explicável, reduzindo o tempo de integração de novos membros e fortalecendo a governança.
Importante: isso não começa com um grande esforço ontológico top-down. O grafo deve evoluir organicamente em torno dos domínios prioritários e dos programas vivos, compondo valor ao longo do tempo. Em escala, conhecimento deixa de ser documentação estática e vira infraestrutura de produção — e uma fonte durável de vantagem competitiva.
Mensagem-chave: conhecimento estruturado e conectado é a fundação da autonomia dos agentes. Trate a arquitetura de conhecimento como infraestrutura estratégica.
4. Capturar valor: redesenhar papéis, autoridade e evidência
A produtividade do modelo agêntico só se converte em valor quando a organização muda junto — pessoas, dados, regras e agentes operando como um único sistema de trabalho. Equipes grandes e generalistas dão lugar a times pequenos e multidisciplinares, de alta qualificação, supervisionando execução agêntica — cronogramas comprimidos, custo menor ou capacidade ampliada.
Capturar esse valor exige três movimentos. O primeiro é requalificar pessoas: enquanto um time central desenvolve e mantém a “fábrica” de agentes — padrões, conformidade, boas práticas —, profissionais em toda a organização desenvolvem julgamento, revisão e supervisão. Papéis migram de coordenação manual para coerência de arquitetura, modelagem de domínio e supervisão de IA.
O segundo é trazer os papéis de controle externo (“outer loop”) — risco, jurídico, conformidade, compras — para dentro do desenho, não como porteiros no fim da fila. Um ciclo mais rápido não acelera nada se os controles continuarem sendo gargalo. Política como código, aprovações multi-etapa e certificações embutidas no fluxo fazem com que os controles sejam aplicados por desenho — com mais consistência e rastreabilidade, não menos.
O terceiro é redesenhar a alocação de capacidade: a capacidade liberada precisa ser conscientemente reinvestida — acelerar roadmaps, modernizar plataformas, lançar produtos — ou o ganho evapora em eficiência invisível.
Há ainda um quarto elemento, menos discutido e decisivo: a disciplina de verdade. Em uma operação em que agentes executam, a confiança não se declara — se demonstra. Isso significa manter, no próprio sistema, a distinção entre o que foi especificado, o que foi simulado, o que foi implementado, o que foi testado e o que está homologado para operação. Um modelo operacional que não consegue dizer, a cada momento, o que é real e o que é intenção não merece autonomia.
Exibição 4 de 5 — Do modelo tradicional à operação sociotécnica (ilustrativo)
| Modelo tradicional | Operação sociotécnica |
|---|---|
| Times grandes executando tarefas | Pods pequenos supervisionando agentes |
| Controles no fim do processo | Controles embutidos por desenho |
| Autoridade implícita e informal | Mandatos, limites e responsáveis explícitos |
| Evidência reconstruída depois | Evidência produzida durante a execução |
| Disponibilidade assumida | Disponibilidade demonstrada por estágio |
Mensagem-chave: ganhos de produtividade só viram mudança estrutural quando autoridade, evidência e responsabilidade são redesenhados junto com a capacidade.
O modelo de negócio também muda: serviço na forma de software
Existe uma consequência comercial desse desenho que raramente aparece na discussão sobre agentes. Quando o modelo operacional é codificado — práticas, contratos, gates, evidências —, o serviço que o entrega deixa de ser um projeto e passa a ser uma capacidade contínua.
Chamamos isso de serviço na forma de software (services as software): o serviço não é um volume de horas de especialistas; é uma prática codificada em um ambiente operacional que permanece com o cliente. O corpo de conhecimento explica como praticar; o software operacionaliza o comportamento comprovado; pessoas e agentes executam dentro dele.
A diferença prática é profunda. No modelo tradicional de consultoria, o conhecimento entra com a equipe e sai com ela: cada projeto recomeça o contexto, reconstrói a evidência e depende da disponibilidade de poucos especialistas. No serviço-como-software, a memória fica no ambiente do cliente — decisões, critérios, exceções e evidências acumulam valor a cada ciclo, e cada ciclo tende a ser mais produtivo que o anterior.
É o mesmo princípio que vale para o julgamento: ele não pode ser episódico. A capacidade de operar com dados e agentes também não pode depender de uma equipe externa que vai embora. O que se contrata não são horas de terceiros — é a operação em si, com profissionais sêniores supervisionando e agentes executando.
A entrega é modular e soberana. O centro de operações é implantável por partes no ambiente do próprio cliente — começando por organização e agentes, e somando dados prontos para uso e decisões governadas no mesmo espaço de trabalho. E a autoridade não se transfere: configurações, aprovações e mandatos permanecem sob controle da organização. O fornecedor entrega capacidade — a operação continua sendo do cliente.
A “segunda linha” do orçamento que vimos acima — a que transforma capacidade comprada em capacidade instalada, e que a recomendação de referência da BCG coloca como a maior parte do esforço — é precisamente o que o serviço na forma de software entrega: codificada, contínua e sob autoridade do cliente, em vez de recomprada como consultoria a cada ciclo.
Para o cliente, a economia vem de três lugares: menos horas cobradas, porque o executável roda em agentes; menos retrabalho, porque artefatos padronizados eliminam a tradução manual; e menos dependência, porque o conhecimento institucional permanece na própria organização — não na firma contratada. Para quem entrega, o mesmo desenho permite que equipes pequenas e sêniores atendam muito mais: a repetibilidade está no software, não na memória de quem executa.
Exibição 5 de 5 — Do projeto episódico à capacidade contínua (ilustrativo)
| Serviço por projeto | Serviço na forma de software |
|---|---|
| Conhecimento sai com a equipe | Conhecimento permanece no ambiente do cliente |
| Custo por hora, cresce com o escopo | Custo por operação, decresce a cada ciclo |
| Evidência é o relatório no fim | Evidência produzida durante a execução |
| Dependência do fornecedor | Autonomia crescente da organização |
| Continuidade episódica | Continuidade operacional |
Mensagem-chave: quando o serviço é codificado em software, a capacidade fica com o cliente — e cada ciclo fica mais produtivo, mais verificável e mais econômico.
Por onde começar
A transformação deve começar onde o impacto é maior. Na maioria das organizações, um número pequeno de programas concentra a maior parte do investimento — modernizações, reconstruções de sistemas legados, lançamentos de novos produtos de dados. Mirar essas iniciativas maximiza o impacto visível e acelera o aprendizado.
O primeiro movimento é pequeno por desenho: um domínio priorizado, um programa vivo e um responsável nomeado. Organiza-se primeiro quem trabalha — papéis, agentes, conhecimento e limites de autoridade — e os dados e as decisões entram no mesmo ambiente à medida que a confiança é demonstrada. A escala vem da repetição de ciclos verificáveis, não de uma implantação big bang. E quem ainda é pequeno tem vantagem real: menos processo cristalizado para desmontar, menos camada para atravessar — o redesenho sai mais barato quando se desenha certo desde o começo.
À medida que agentes assumem a execução em escala, os papéis humanos concentram-se em arquitetura, julgamento de produto e desenho de sistemas — e o conhecimento institucional e a coerência técnica tornam-se os diferenciais decisivos. As organizações que começarem a construir essas capacidades como parte de um esforço maior de reconfigurar o modelo operacional não vão apenas se mover mais rápido.
Vão redefinir como os dados criam valor.
Baixar a versão executiva em PDF →
Este artigo descreve o modelo operacional que fundamenta a arquitetura EDAVEN — um centro de operações sociotécnico em que pessoas e agentes executam práticas do dado à decisão, com autoridade, evidência e disponibilidade demonstradas por estágio — e o modelo de entrega da Arcogi: serviço na forma de software, em que a capacidade construída permanece no ambiente do cliente.