Se quase todas as empresas têm acesso aos mesmos modelos, às mesmas plataformas e aos mesmos agentes de IA, por que algumas levam a IA para a produção e outras seguem presas em pilotos? A Gartner, na descrição de um de seus webinars sobre empresas que escalam IA, responde sem rodeios: a diferença não está no modelo em si, e sim em como a organização é construída em torno dele.
É a mesma ideia que dá título a este artigo. Acesso a agentes de IA deixou de ser diferencial. O que separa quem colhe resultado de quem coleciona demonstrações é o modelo de operação: quem responde pelo agente, o que ele pode decidir, com quais dados atua e como se mede o que ele entrega.
Acesso virou commodity; operar, não
Um piloto de agente costuma ser barato de começar e fácil de aplaudir. Alguém conecta um modelo a um sistema, escolhe um processo e mostra, numa demonstração, uma tarefa sendo concluída sozinha. O que a demonstração não mostra é o dia seguinte: quem acompanha o agente, quem corrige quando ele erra, quem decide ampliar ou desligar, e quem responde quando uma ação dele afeta um cliente.
É por isso que a lacuna raramente está no acesso. Tecnologia, hoje, praticamente qualquer área consegue contratar ou testar. O que não se contrata pronto é a estrutura que sustenta o agente depois que a novidade passa: papéis, regras, medição e responsabilidade. Pense em contratar uma pessoa sem definir seu cargo, seu gestor, o que ela pode aprovar sozinha e como será avaliada. Dificilmente se faria isso com um colaborador. Com um agente, é comum que aconteça por omissão.
Agente sem dono é um colaborador sem gestor: age, mas ninguém responde.
Por que “pessoas, processos e tecnologia” deixou de bastar
Durante anos, o desenho de operação de TI se apoiou em três eixos: pessoas, processos e tecnologia. A Gartner argumenta, na descrição de outro webinar, que esse tripé deixa de ser suficiente quando agentes de IA passam de ferramentas que apoiam o trabalho a participantes que influenciam decisões e resultados. Como alternativa, apresenta o modelo Actors, Assets and Approach, algo como atores, ativos e abordagem.
Pelas descrições públicas, os três termos apontam para movimentos concretos: atores remetem a uma força de trabalho que passa a incluir agentes; ativos, à governança de itens críticos como dados e plataformas; e abordagem, a formas mais adaptativas de entregar resultado de negócio.
Na leitura da Target, a lógica é fácil de reconhecer na rotina. O tripé antigo trata a tecnologia como algo que as pessoas operam. Quando o agente decide e age, ele deixa de ser só tecnologia e passa a ocupar um lugar no trabalho, com necessidade de dono, alçada e supervisão, como qualquer outro participante. Os ativos que ele consome, como dados, sistemas e permissões, passam a determinar a qualidade do que ele faz. E a abordagem não pode ser colar um agente sobre um processo que já era confuso: é preciso redesenhar o trabalho em torno de quem faz o quê, humano ou agente.
A lacuna não é o acesso aos agentes. É o modelo de operação em torno deles.
Cinco decisões que precisam de dono antes de um agente entrar em produção
Um modelo de operação não é um documento longo. Começa com poucas decisões explícitas, tomadas antes de o agente atuar sobre algo que importa:
– Quem é o dono do agente? Uma pessoa responsável pelo resultado de negócio, e não apenas pela tecnologia.
– O que ele pode decidir sozinho e o que exige aprovação? A alçada define o risco que a empresa aceita delegar.
– Com quais dados e sistemas ele pode atuar? Permissões e fontes precisam ser escolhidas, não herdadas por conveniência.
– Como saberemos se está funcionando? Uma medida ligada a resultado de negócio, e não apenas à atividade do agente.
– Quem assume quando ele falha ou sai do esperado? Exceção sem responsável vira atraso, retrabalho ou incidente.
Nenhuma dessas decisões é técnica no sentido estrito. São decisões de gestão sobre responsabilidade, limite e medição, e é por isso que o piloto não as resolve sozinho. O mesmo agente que funciona numa demonstração pode emperrar na transição para a produção porque ninguém foi designado para respondê-las.
Os ativos merecem atenção especial. Um agente age sobre o que a empresa tem de dado e de sistema. Se as definições são inconsistentes e os donos são desconhecidos, ele executa a inconsistência com velocidade e sem hesitar. Por isso a governança de dados deixa de ser tema de conformidade e passa a ser condição para delegar trabalho a uma máquina.
Há ainda uma mudança de mentalidade: tratar o agente como produto, e não como projeto. Projeto termina na entrega. Produto tem dono, evolução, medição e custo de operação, e esse custo é justamente o que a demonstração não mostra. Empresas que tratam agentes como projetos tendem a descobrir isso tarde, quando a equipe que construiu já foi para a próxima iniciativa e ninguém ficou responsável por operar.
A pergunta para a liderança, portanto, não é quantos agentes a empresa já tem. É quem responde por cada um deles, o que cada um pode decidir e como a empresa saberá se estão entregando o que prometeram. Quem responde a isso cedo transforma acesso, que todos têm, em operação, que dá mais trabalho de sustentar. E é nessa diferença que a IA deixa de ser demonstração e vira resultado.
Como a Target apoia a operação de IA e agentes
O Lab de AI & Inovação da Target ajuda a levar casos de uso de agentes do piloto à produção, definindo desde o início quem é o dono, qual é a alçada e como o resultado será medido.
O Data Office estrutura a governança dos ativos sobre os quais o agente atua, como dados, definições e permissões, para que delegar trabalho a uma máquina não signifique delegar também a inconsistência.
E o Data Squad constrói e opera as integrações e os produtos de dados que sustentam o agente no dia a dia, para que a equipe que entrega não seja a única a saber como ele funciona. A meta é simples: que a empresa tenha agentes que alguém opera, e não apenas agentes que alguém demonstrou.



