Agente de IA é operação, e operação precisa de dono.

É um modelo em que os agentes de IA da empresa são construídos, operados e expandidos de forma contínua por um responsável definido, em vez de entregues como projeto que termina. Na prática existem três fases: fundação, com o catálogo de perguntas, a base de dados e o primeiro agente governado em produção, operação e governança, com monitoramento de precisão e SLA de resposta, e evolução, com novos agentes e processos. Agente de IA em ambiente regulado é operação, e operação precisa de dono.

Agente que nunca erra não existe, o que existe é agente que admite quando não sabe. A engenharia é o que impede a invenção: as respostas ficam ancoradas nos dados reais da empresa, cada resposta cita a fonte e é rastreável até a origem, e o agente é construído para dizer que não sabe em vez de arriscar em decisão crítica. Somando o teste contínuo de precisão e o registro de cada execução, o erro deixa de ser invisível e passa a ser tratável.

Pelo Diagnóstico de Valor, que é a porta única de entrada e produz três coisas: o catálogo das perguntas que o negócio precisa responder, o mapa dos dados que existem para respondê-las e o business case com os ganhos priorizados. O valor do diagnóstico é creditado na fase seguinte. Começar por diagnóstico evita o erro mais caro em IA, que é automatizar o processo errado com muita competência técnica.

A automação tradicional executa passos fixos e quebra quando a tela, a planilha ou a regra muda. O agente de IA interpreta linguagem e contexto, consulta os dados da empresa, decide dentro de limites definidos e explica a resposta citando a fonte. Um substitui trabalho repetitivo, o outro substitui consulta e análise. Os dois convivem: fluxos determinísticos continuam sendo a melhor escolha onde a regra é estável, e o agente entra onde a pergunta varia.

Não. A operação roda sobre a pilha Microsoft, dentro do ambiente e do tenant do próprio cliente, e os dados não são usados para treinar modelos de terceiros. Os documentos, bases e integrações permanecem sob as permissões, os controles de acesso e as políticas de governança que a empresa já aplica, com Power Platform Admin Center e Purview no controle. É por isso que o modelo atende instituições financeiras e operações reguladas, onde levar dado para fora não é uma opção.

A arquitetura usa Power Platform, Copilot Studio, AI Builder, Azure AI Search, Azure OpenAI, Fabric e Dataverse, e a combinação exata depende do caso: um agente que consulta documentos internos custa diferente de um que executa transações em sistemas de origem. O desenho de licenciamento e o custo de consumo entram no Diagnóstico de Valor, antes de qualquer compromisso, para que não exista surpresa de fatura depois. Boa parte das empresas já tem parte dessa pilha licenciada e não percebeu.

Cada execução do agente é documentada e cada resposta é rastreável até o dado que a originou, o que transforma a auditoria em consulta de evidência e não em reconstrução de história. A governança usa os controles nativos da plataforma, incluindo Power Platform Admin Center e Purview, com controle de acesso, políticas de dados e registro de uso. Em ambiente regulado essa é a diferença entre um parque de agentes que é ativo e um que é passivo.

Construir o agente é 10% do trabalho. Os outros 90% são fundação de dados, engenharia de precisão, governança, adoção e a responsabilidade de responder quando o agente erra, que é exatamente onde a maioria dos projetos de IA morre depois do piloto. Time interno com senioridade e tempo dedicado faz. Time interno que vai fazer nas horas vagas entrega uma prova de conceito bonita que ninguém usa e ninguém mantém.

Começa pela Fundação Digital, que mapeia e digitaliza o processo e gera o dado estruturado que a IA vai consumir depois. Quem já tem o dado organizado entra direto na operação com IA, com agentes governados rodando desde o primeiro dia. O dado é o fio condutor entre as duas frentes: o que a fundação produz é exatamente o que a operação consome. Tentar pular essa etapa é o motivo mais comum de agente que responde errado com confiança.

A fase de fundação leva de 8 a 12 semanas até um agente governado em produção, incluindo catálogo de perguntas, fundação de dados, construção, testes de precisão, governança e go-live. O prazo depende muito menos do agente e muito mais do estado dos dados. A partir daí o modelo é contínuo: a operação monitora precisão e responde com SLA, e a expansão acrescenta novos agentes e processos ao parque.

A fundação é contratada por valor, com escopo fechado e resultado acordado, e as fases de operação e de expansão são recorrentes, porque parque de agentes exige alguém monitorando precisão, mantendo os dados e respondendo quando algo sai errado. O Diagnóstico de Valor vem antes e é creditado na fundação, o que significa que a empresa dimensiona o investimento com o business case na mão, e não com base em estimativa de slide.

Não vale para caso trivial, para dado que já está limpo e simples, e para empresa com time interno sênior e com tempo para conduzir a operação sozinha. O modelo faz diferença quando o dado é complexo, o risco é alto, financeiro, regulado ou crítico, e quando governança e responsabilidade pelo resultado importam mais que o preço da hora. Se a resposta certa é uma automação simples, o correto é dizer isso, não vender um parque de agentes.