Padrão 6: recursos com foco em IA

Crie novos recursos tendo os agentes como blocos fundamentais, e não como adaptações de fluxos de trabalho existentes. Esses recursos não eram possíveis antes da IA. Eles melhoram ao longo do tempo por meio de comentários, aprendizado e otimização contínua.

Nesse padrão, os agentes operam em ciclos de perceber-decidir-agir: monitorando sinais continuamente, tomando decisões autônomas dentro de limites predefinidos, executando ações e aprendendo com os resultados. Esses sistemas não são assistentes. São sistemas inteligentes que criam um novo valor de negócios.

Note

Esse padrão é diferente dos outros cinco padrões em natureza, não apenas em grau. Não há nenhum processo existente com o qual comparar, nenhuma referência a partir da qual melhorar e nenhum fluxo de trabalho estabelecido que oriente o projeto. Você deve criar tudo, incluindo como medir o sucesso.

Qual é esse padrão

As capacidades de negócio centradas em IA partem de uma pergunta que os demais padrões nunca fazem: o que poderíamos fazer que antes simplesmente não podíamos fazer? A resposta não é uma versão mais rápida do trabalho de hoje. É uma nova funcionalidade, muitas vezes um loop autônomo que sente uma situação, decide e age, e que melhora a si mesmo ao longo do tempo. Os agentes são os blocos de construção da funcionalidade, não um aprimoramento aparafusado em um fluxo existente.

Esse padrão é a expressão mais profunda do lado de execução do turno de assistência para execução. Como não há precedentes, você deve inventar o projeto, os guardrails e as medidas.

O que os agentes fazem

Os agentes nesse padrão vão além da execução de fluxos de trabalho definidos para operar de forma autônoma:

  • Mecanismos de otimização contínua: preços, inventário, agendamento.
  • Loops de decisão nativos de IA: detecção de fraude, resposta a anomalias, roteamento adaptável.
  • Plataformas de detecção de mercado: monitoramento competitivo, análise de tendências, identificação de oportunidade.
  • Sistemas de planejamento preditivo: previsão de demanda, planejamento de capacidade, modelagem de risco.
  • Geração de fluxo de trabalho autônomo: agentes que projetam e otimizam seus próprios processos.
  • Orquestração de vários agentes: equipes coordenadas de agentes especializados que resolvem problemas complexos.

Esses recursos criam um valor que não poderia existir sem IA. Não são versões mais rápidas dos processos existentes. Eles são genuinamente novos.

O que os humanos fazem

Os humanos atuam como proprietários de produtos. Eles definem objetivos, definem limites, monitoram resultados e tomam decisões estratégicas sobre a evolução da capacidade. Eles não fazem o trabalho. Em vez disso, eles controlam o sistema que faz isso.

Essa transformação de função é a mais significativa de qualquer padrão. Os humanos responsáveis são responsáveis por resultados mesmo que não executem o trabalho por conta própria. Eles:

  • Defina critérios de êxito e métricas de resultado para sistemas autônomos.
  • Defina os limites dentro dos quais os agentes operam (e ajuste-os à medida que a confiança aumenta).
  • Monitore os loops de aprendizagem para garantir que os recursos melhorem na direção certa.
  • Tome decisões estratégicas sobre quando expandir a autonomia do agente.
  • Governe as práticas de IA responsáveis à medida que as funcionalidades se tornam mais sofisticadas.

Como o modelo operacional funciona

Implantar esse padrão com êxito requer alterações em quatro dimensões:

Dimensão Antes Depois
Pessoas Operadores executando tarefas Proprietários de produtos que regem os recursos
Agentes Executando etapas predefinidas Ciclos autônomos de perceber-decidir-agir
Governança Verificações de conformidade Controles inseridos no ciclo de vida com monitoramento contínuo
Métricas Vazão e eficiência Opcionalidade estratégica + taxa de aprendizagem + velocidade de adaptação

Perfil de maturidade alvo

Esse padrão requer maturidade máxima em todos os cinco drivers de funcionalidade. Não há atalhos.

Perfil de maturidade

Controlador de capacidade Nível de destino Por que
Tecnologia e dados 500 (Eficiente) O que rompe barreiras de escala. Orquestração de vários agentes, telemetria em tempo real e infraestrutura de aprendizagem.
Estratégia e experiência de IA 500 (Eficiente) A capacidade é a estratégia, conduzida com iteração contínua.
Estratégia de negócios 500 (Eficiente) Uma nova funcionalidade de negócios, com processos adaptáveis e autônomos.
Governança e segurança 500 (Eficiente) Gerenciamento de risco preditivo e conformidade contínua para sistemas autônomos.
Organização e cultura 500 (Eficiente) Uma comunidade auto-sustentável e uma cultura de aprendizagem que pode inventar e operar o novo.

Insight principal: Este padrão exige o mais alto nível de maturidade em todas as capacidades. Não existe nenhum processo com o qual comparar, nenhum parâmetro de referência para medir a melhoria e nenhum fluxo de trabalho existente para orientar o projeto. Tudo deve ser criado, incluindo como você mede o sucesso.

Quebra de escala: tecnologia e dados, especificamente orquestração multiagente, telemetria em tempo real e infraestrutura de aprendizado. Sem uma base técnica robusta, as funcionalidades autônomas tornam-se imprevisíveis e ingovernáveis.

As capacidades centradas em IA são geridas como produtos, abrangem vários domínios e exigem equipes de produto distribuídas que operam segundo padrões compartilhados. O CoE fornece padrões de arquitetura, estruturas de IA responsáveis e padrões de orquestração. Não é fornecido de forma centralizada.

Dica

O papel decisivo nesse padrão é o product owner do agente. Este é um produto, não um projeto. Ele precisa de disciplina de gerenciamento de produtos: um roteiro, uma lista de pendências, uma definição de sucesso e uma equipe comprometida com sua evolução a longo prazo. Sem essa função, a funcionalidade é criada uma vez e nunca foi aprimorada.

Saiba mais sobre estrutura, funções e governança em níveis de risco em Criar um Centro de Excelência agêntico.

O que você precisa e não precisa

Você precisa:

  • Propriedade do produto com equipes dedicadas: cada funcionalidade precisa de um proprietário de produto e uma equipe com o mandato, habilidades e continuidade para desenvolvê-lo ao longo do tempo. Esse desenvolvimento não é um projeto que termina.
  • Limites de autonomia com monitoramento contínuo: Defina limites claros que se adaptam à medida que a confiança aumenta. Comece conservador e expanda com base em evidências.
  • Loops de aprendizado contínuos: a funcionalidade melhora a cada interação. Planeje o aprendizado desde o início, porque é muito mais difícil incorporá-lo depois.
  • Práticas de IA responsáveis inseridas: a ética e a segurança devem ser incorporadas à arquitetura, não aparafusadas após a implantação. Essa abordagem inclui testes de viés, avaliação de imparcialidade e design de explicabilidade.
  • Cultura de experimentação com controles à prova de falhas: as equipes precisam de permissão para tentar novas abordagens e limpar redes de segurança quando as coisas dão errado. Culturas que punem a falha não podem criar sistemas de aprendizagem.
  • Arquitetura de vários agentes: se sua funcionalidade envolver agentes coordenados, projete a coordenação de agente para agente desde o início. Adaptar uma arquitetura multiagente é caro.

Você não precisa:

  • Automação incremental: esse padrão não se trata de tornar os processos existentes 10% mais rápidos.
  • Entrega central de TI: esses recursos precisam de equipes de produtos dedicadas com experiência em domínio.
  • Readaptação de fluxos de trabalho existentes: projete do zero para execução nativa de IA. Restrições de fluxo de trabalho herdadas limitam o que é possível.
  • Compilações pontuais: Esses recursos devem aprender e melhorar continuamente. Uma capacidade que não aprende degrada ao longo do tempo.
  • Gerenciamento de projeto tradicional: use o gerenciamento de produtos com ciclos de experimento. Marcos e entregas não são o modelo de governança adequado para sistemas de aprendizado.

IA responsável em escala

As capacidades orientadas por IA representam a vanguarda da operação autônoma de IA. As práticas responsáveis de IA são especialmente críticas aqui porque:

  • Os agentes operam com alta autonomia e supervisão humana limitada em tempo real.
  • Erros podem se propagar na velocidade do computador antes que os humanos possam intervir.
  • Os sistemas de aprendizagem podem desenvolver comportamentos inesperados conforme otimizam.
  • A escala de impacto, positiva e negativa, é maior do que qualquer outro padrão.

Crie IA responsável em sua arquitetura desde o primeiro dia:

  • Explicabilidade: Você pode entender por que o sistema tomou uma decisão específica? Caso contrário, não é possível detectar ou corrigir descompasso.
  • Monitoramento de viés: avalie continuamente se o aprendizado está reforçando preconceitos ou criando resultados injustos.
  • Funcionalidade de reversão: você pode reverter para um estado anterior se uma atualização de aprendizado der errado?
  • Substituição humana: Mesmo em sistemas totalmente autônomos, defina as condições sob as quais um humano pode intervir e como essa intervenção é implementada.

Saiba mais em Aplicar princípios de IA responsáveis.

Métricas de valor e êxito

O valor aqui é a existência de uma funcionalidade que não existia antes e dos novos resultados que ele cria. Priorize medidas de criação de valor e de existência, e não percentuais de eficiência, porque não há uma referência prévia a partir da qual melhorar.

Qual é a aparência do valor

  • Novos recursos que não eram possíveis antes da IA.
  • Novas receitas, serviços ou modelos de negócios.
  • Resposta autônoma a uma velocidade e escala que nenhum processo manual poderia alcançar.
  • Uma vantagem composta à medida que a funcionalidade aprende e melhora.

Métricas de sucesso para acompanhar

Categoria Medidas de exemplo O que isso te diz
Criação de valor (o título) Nova receita ou modelo de negócios criado, existência de funcionalidade ("agora podemos fazer X"), novo alcance desbloqueado Se a funcionalidade cria um valor que não existia antes.
A autonomia e o ciclo Latência de decisão entre o sinal e a ação, taxa de conclusão autônoma de tarefas, vazão e escala do ciclo, custo unitário por tarefa autônoma Se o ciclo detectar-decidir-agir é executado em velocidade e escala de máquina.
Qualidade e segurança Avaliação, fundamentação e pontuações de segurança, escalonamento e taxa de fallback Se o sistema autônomo permanece correto e seguro à medida que é executado.
Capacidade de inovação Tempo para lançar uma nova capacidade, número de capacidades em produção, reutilização em diferentes cenários Se você pode chegar repetidamente à fronteira, não apenas uma vez.
Governance Proporção de agentes com identidade gerenciada, taxa de conformidade com a política, contagem de agentes sombra Se a propriedade autônoma permanece governada à medida que cresce.

Como medir

  • Avaliações do Microsoft Foundry e observabilidade rastreiam o comportamento do agente e avaliam a qualidade e a segurança, o que é mais importante quando não há referência.
  • Defina a medida de sucesso antecipadamente porque a capacidade não tem precedentes. Defina o que é "bom" antes do lançamento.
  • Microsoft Agent 365 governa e mensura o ambiente autônomo, incluindo a descoberta de identidades e de agentes sombra.

Dica

Não julgue uma capacidade totalmente nova com métricas de eficiência antigas. "Quanto tempo economizamos" pressupõe um processo que não existia. Meça se o recurso agora existe, qual novo valor ele cria e quão seguro o loop autônomo é executado. Invente a medida junto com a funcionalidade.

Antipadrões comuns

As falhas nessa área vêm do tratamento do trabalho de fronteira como um projeto normal.

Antipadrão Como é Em vez disso, o que fazer
Produtividade disfarçada A capacidade "net-new" é, na verdade, uma tarefa já existente, apenas acelerada. Teste a ideia: você poderia fazer isso antes da IA? Se sim, ele pertence a outro padrão.
Métricas antigas em novos trabalhos O sucesso é medido pelo tempo economizado em comparação com um parâmetro de referência que não existe. Defina as medidas de existência e criação de valor antecipadamente.
Construir antes de o alicerce estar pronto A funcionalidade é iniciada antes que a tecnologia, os dados e a governança estejam maduros o suficiente. A infraestrutura não pode dar suporte aos loops de aprendizagem, telemetria e monitoramento necessários, portanto, o sistema é imprevisível sem visibilidade do motivo pelo qual ele se comporta como se comporta. Alcance um nível suficiente de maturidade em tecnologia, dados e governança primeiro. Crie a orquestração, a telemetria em tempo real e o loop de aprendizado antes da funcionalidade.
Aprendizado sem guardrails O sistema aprende com dados operacionais sem supervisão, reforçando padrões não intencionais, otimizando para o objetivo errado ou amplificando o viés presente nos dados. Defina o que o sistema deve e não deve aprender antes de habilitar o aprendizado e monitorá-lo continuamente.
Sem proteções inventadas Os limites de segurança são presumidos com base em outros padrões que não se encaixam. Projete guardrails especificamente para essa funcionalidade, já que não há precedentes.
Revisão de IA responsável agendada para depois do lançamento A equipe planeja abordar a IA responsável depois que a funcionalidade for comprovada. Até lá, a arquitetura é fixa e o custo da alteração é alto. Incorpore a IA responsável desde o início.
Mentalidade de projeto aplicada a um produto A equipe alcança a entrada em produção e considera o trabalho concluído. A funcionalidade não é mantida, os loops de aprendizagem não são monitorados e o sistema degrada ao longo do tempo. Trate-o como um produto com compromisso de gerenciamento indefinido, não um projeto que termine no lançamento.
Experimentação não governada Agentes de fronteira proliferam sem identidade ou supervisão. Governe com identidade gerenciada e um registro desde o início.

Relatos de clientes

Estas histórias publicadas de clientes da Microsoft mostram conhecimento especializado ampliado em escala com agentes fundamentados em fontes e com citações, enquanto as pessoas continuam responsáveis.

Cliente Resultado relatado
Microsoft (Pergunte Microsoft) Um sistema multi-agente, com sub-agentes especializados baseados em conteúdo específico, fornece até 61% latência mais baixa e até 70% menos escalonamentos humanos, com visitantes envolvidos muito mais propensos a se inscrever.
Fujitsu Uma IA composta orquestra vários agentes especializados e um agente de orquestrador que respondem "como uma equipe". Essa arquitetura de vários agentes, que não existia na IA generativa convencional, melhora a criação de propostas em 67%.
Quantum Capital Group Reduza o planejamento de cenários de desenvolvimento de campo de 3 semanas para 20 minutos com otimização geoespacial no Azure e um agente de consulta do Copilot Studio.
Physics Wallah Dá suporte a dois milhões de alunos com o professor de IA do "Gyan Guru" no Azure OpenAI.
Rolls-Royce Aumentou a utilização do computador em 30% com IA preditiva em Azure Databricks e Microsoft Cloud for Manufacturing.
The Estée Lauder Companies Reduza a obtenção de insights sobre o consumidor de semanas para minutos com o agente "ConsumerIQ" no Copilot Studio e no Azure OpenAI.

Capacidades agênticas da Microsoft para esse padrão

Os exemplos a seguir destacam capacidades que são particularmente relevantes para capacidades centradas em IA. Use esses exemplos como ponto de partida para a correspondência de recursos com seus cenários e segmentos de usuário e explore o ecossistema de agente do Microsoft para a imagem completa.

Desenvolver a capacidade

Aterre, conecte e observe

Avaliar e testar antes de enviar

Nesse nível de autonomia e complexidade, a avaliação contínua é uma disciplina de engenharia principal, não uma lista de verificação de pré-lançamento.

  • A avaliação de agentes no Copilot Studio realiza avaliações estruturadas, pontuando as respostas em dimensões de qualidade como precisão, fundamentação e conclusão da tarefa. Use-o para validar o comportamento do agente em toda a gama de entradas, incluindo casos de borda e cenários adversários, antes e depois de cada alteração.
  • Copilot Agent Kit (anteriormente conhecido como kit de Copilot Studio) estende a cobertura de teste com testes em massa, execuções de regressão automatizadas e um painel de pontuação. Para sistemas de IA que melhoram ao longo do tempo, as evidências de avaliação repetíveis e auditáveis são essenciais para manter a confiança à medida que a funcionalidade evolui.

Como saber que você está pronto

Esse padrão é para organizações que operam na maior maturidade. Considere-o quando:

  • Você tem equipes avançadas que podem projetar, executar e melhorar sistemas autônomos.
  • Você tem a base técnica: orquestração de vários agentes, telemetria em tempo real e um loop de aprendizado.
  • Você pode criar balizas e critérios de sucesso onde não existem.
  • Você pode governar uma propriedade autônoma com identidade gerenciada e conformidade contínua.
  • Você já está aplicando vários dos outros padrões com sucesso.

Próximas Etapas 

Fazer a avaliação de preparação do agente

Ou explore o modelo completo de maturidade de adoção da IA agêntica.

Explore outros padrões com mais detalhes:

  • Last updated on