Hoje em dia, falar em Inteligência Artificial nas empresas de tecnologia já não é mais novidade: virou parte da base dos negócios. Mas existe uma distância grande entre um sistema que só gera textos ou imagens (como um chat de IA) e um sistema que consegue executar fluxos de decisão complexos no mundo real. É exatamente essa distância que ainda trava o verdadeiro ganho de valor das empresas.
Nesta edição do Cafétech SOFTSUL, analisei como a evolução dos modelos de linguagem (LLMs) para agentes autônomos está mudando a forma como operamos negócios.
Executivos investem bastante dinheiro em assinaturas de ferramentas de IA generativa, mas esbarram em sistemas isolados, que não conseguem interagir com o ambiente da empresa de forma autônoma e segura. Uma IA usada só como chat não consegue virar motor de operação em escala.
Nesta edição, os pesquisadores Lucas S. Kupssinskü (PUCRS) e André Grahl Pereira (UFRGS), junto com Bruno Lusa (Coordenador da Plataforma de IA no Sicredi), discutiram como a IA está saindo do texto estático para a ação autônoma, desde que sustentada por arquiteturas adequadas de orquestração, governança e planejamento.
5 Análises sob o Olhar do Pensamento Sistêmico e do Design Estratégico
1. A Ilusão da Ação: a IA só gera texto
Um dos pontos mais esclarecedores do debate foi desmistificar o que um modelo de linguagem realmente faz. No fundo, ele é um “previsor” estatístico de palavras, treinado com uma quantidade gigantesca de dados. A capacidade de um agente executar um script, consultar um banco de dados ou acionar um dispositivo não vem de nenhuma “consciência” da rede neural, vem da estrutura construída ao redor dela, chamada de harness (o ambiente que organiza e orquestra as ações).
“O modelo de linguagem a única coisa que ele faz é gerar texto. Para o modelo de linguagem não existe o mundo real: o que existe é texto chegando no prompt. É o harness por fora que interpreta esse texto, intercepta a intenção de execução de função e realiza a chamada de API no mundo real.”
— Lucas S. Kupssinskü
🔍 O Olhar do Designer: Sob a ótica do pensamento sistêmico, achar que a IA "faz tudo sozinha" é uma falha processual. É tratar a IA como um produto final milagroso, em vez de desenhá-la como uma peça de um ecossistema mais amplo. O designer estratégico atua justamente desenhando essa relação entre o usuário, o orquestrador (harness) e as ferramentas externas, garantindo que a intenção da pessoa/instituição vire uma ação segura, controlada e previsível.
2. A evolução do raciocínio e o fim dos mitos
Por muito tempo, o consenso na comunidade de IA era de que os modelos de linguagem não conseguiam planejar sequências complexas de ações. Só que pesquisas recentes mostraram que o avanço na escala dos modelos, somado a técnicas como o ReAct (Raciocinar + Agir) e o Chain-of-Thought (pensar passo a passo antes de responder), abriu um salto de qualidade no raciocínio e no planejamento automatizado.
“Criou-se um consenso de que LLMs não conseguiam planejar. Avaliando os modelos de fronteira em 2026 contra planejadores clássicos da indústria, provamos que o consenso mudou: LLMs agora conseguem planejar e competir em alto nível. A grande questão é como sintetizar programas para fazer mais com menos computação.”
— André Grahl Pereira
Usando a própria capacidade de raciocínio do modelo para gerar e validar códigos, é possível reduzir o custo de energia e o consumo de processamento, o que torna viável resolver problemas que antes exigiam supercomputadores.
🔍O Olhar do Designer: Do ponto de vista do Pensamento Sistêmico, essa “queda do mito” é um bom exemplo de como um sistema complexo se comporta de forma não linear: um consenso sólido por anos pode ser derrubado por uma mudança de escala e pela combinação de poucas técnicas simples (raciocinar + agir, pensar passo a passo). Isso é característico de sistemas complexos: pequenas mudanças estruturais produzem saltos de comportamento que ninguém antecipava linearmente. Para o design estratégico, o aprendizado não é “a IA planeja melhor agora”, mas sim: capacidades emergentes exigem revisão constante de premissas. Projetar produtos e serviços sobre um “teto” tido como fixo (como “IA não planeja”) é um risco estratégico, a fronteira se move mais rápido do que as certezas organizacionais.
3. A operação precisa de uma plataforma, não só de um modelo
Em ambientes corporativos e financeiros (como no caso da Sicredi), onde as transações acontecem em milissegundos e um vazamento de dado pode custar milhões, usar IA exige muito mais do que simplesmente conectar a API comercial de um grande fornecedor. É preciso construir uma verdadeira plataforma de IA, estruturada como um ecossistema.
“Usar IA no dia a dia da máquina local é muito diferente do contexto corporativo. Você precisa ter uma plataforma que administre Gateway de roteamento, cache semântico para redução de custos, servidores de prompts versionados, memória de curto/longo prazo e ferramentas dedicadas de observabilidade de LLMs.”
— Bruno Lusa
Exemplos práticos, como detectar fraudes no Pix em menos de 400 milissegundos, ou cruzar normas regulatórias como a IFRS 9, mostram que a IA só gera valor de verdade quando está conectada a fluxos de dados muito rápidos e regras claras do que fazer se algo der errado.
🔍 O Olhar do Designer: Aqui a complexidade se manifesta de forma bem concreta: não existe uma IA que resolve todos os problema, existe um ecossistema de partes interdependentes (gateway, cache, memória, observabilidade), e falhar em desenhar qualquer uma delas compromete o todo. É um convite direto à Multidisciplinaridade: engenheiros de dados, especialistas em segurança, compliance e designers estratégicos precisam estar na mesma mesa, porque a decisão de arquitetura técnica é, ao mesmo tempo, uma decisão de risco de negócio. O papel do design estratégico aqui não é desenhar a plataforma em si, mas desenhar a governança dessa plataforma, os pontos de decisão, os planos de emergência, e como o erro é tratado quando ele acontece.
4. A mudança no trabalho de pesquisa e desenvolvimento
Com agentes autônomos cada vez mais presentes na engenharia e na pesquisa, muda também a forma de medir produtividade humana. Em vez de escrever linhas de código repetitivas ou rodar testes manualmente, o papel do profissional técnico passa a ser formular hipóteses e supervisionar os agentes.
🔍 O Olhar do Designer: Isso impacta diretamente o design de todo o ecossistema de trabalho. Ferramentas agênticas passam a atuar como assistentes contínuos de pesquisa e desenvolvimento. E o ganho de produtividade não é só linear, é uma virada de qualidade, de "zero pra um": mudanças complexas que levariam anos em sistemas antigos (como migrar de Python para C++) passam a ser concluídas e validadas em poucas horas, sob supervisão de agentes.
5. Governança, soberania de dados e o dilema dos custos
A maturidade da IA agêntica esbarra também na governança corporativa. O dilema entre usar modelos proprietários de ponta na nuvem ou rodar modelos de pesos abertos na própria infraestrutura envolve variáveis complexas: sigilo de dados sensíveis, custo de energia e hardware, e o risco de “terceirizar” decisões éticas para poucas grandes empresas de tecnologia.
“Quando você usa modelos fechados, terceiriza decisões e valores para a empresa fornecedora. Por outro lado, manter uma infraestrutura própria ininterrupta é caríssimo. Ninguém tem todas as respostas sobre o futuro, mas a soberania dos dados e a privacidade serão as vetores centrais do debate corporativo.”
— Lucas S. Kupssinskü & André Grahl Pereira
Com o surgimento de modelos abertos menores e mais eficientes, desenha-se um futuro em que a execução agêntica pode migrar da nuvem para servidores locais, e até para dispositivos de borda, como celulares, redefinindo a segurança da informação.
🔍 O Olhar do Designer: Esse é, talvez, o ponto onde o Design Estratégico tem o papel mais explícito: trata-se de uma decisão de valores, não só técnica. Escolher entre modelo fechado e infraestrutura própria é escolher, na prática, quem detém o poder de decisão sobre os critérios éticos, os vieses e os limites daquilo que a empresa vai automatizar. Sob o Pensamento Sistêmico, isso é uma questão de fronteira do sistema: onde termina a responsabilidade da empresa e começa a responsabilidade do fornecedor de IA? Não há resposta puramente tecnológica para isso, é uma decisão que exige diálogo entre lideranças de negócio, jurídico, tecnologia e sociedade, o que reforça, mais uma vez, a necessidade de multidisciplinaridade na hora de desenhar essas plataformas.
Conclusão
Entender a transição dos LLMs de simples geradores de texto para agentes autônomos de decisão exige abandonar a visão iludida do “artefato mágico” em troca de uma compreensão realmente sistêmica. Como mostraram as exposições e debates do Cafétech SOFTSUL, a inteligência de um agente não está nos parâmetros isolados de um modelo, mas na arquitetura de orquestração (harness), nos ciclos de retroalimentação com o mundo real e nas camadas rigorosas de governança corporativa.
Sob a ótica do design estratégico, o grande desafio das empresas de TIC e das lideranças de inovação não é mais só adotar ferramentas de IA para ganhos marginais de produtividade… é redesenhar os fluxos de valor e as jornadas de trabalho. Quando o processamento de texto, a síntese de programas e o planejamento lógico passam a ser feitos em conjunto com agentes, a pergunta central deixa de ser “como fazemos mais rápido o que já fazemos?” e passa a ser “que novos produtos, serviços e modelos de negócio essa nova capacidade torna possíveis?”.
A consolidação da IA agêntica nos convoca a projetar sistemas que equilibrem alta capacidade computacional, baixíssima latência operacional e soberania de dados. O futuro da inovação em TIC não pertence a quem só consome modelos de fronteira, mas às organizações que souberem construir estruturas resilientes, governáveis e capazes de transformar a autonomia dos agentes em impacto real, seguro e sustentável para a sociedade.
