Toda semana aparece uma nova pesquisa dizendo que "X% das empresas estão adotando IA agêntica". Os números impressionam. Quando você vai olhar o que está por trás deles, a história muda.
O mercado está obcecado em criar agentes. Todo roadmap tem um. Toda demo de fornecedor mostra um chatbot fazendo três tarefas sozinho e o público aplaude. Só que entre uma demo e um agente operando em produção com governança, rastreabilidade e controle existe um abismo. E a maioria das empresas está parada nesse abismo achando que já cruzou.
A corrida pelos agentes antes dos trilhos
A Forrester publicou em junho deste ano uma análise com líderes de grandes empresas. Três quartos disseram que estão adotando IA agêntica. Quando os analistas foram além da pergunta de adoção, chegaram ao ponto que importa: quase nenhuma dessas empresas tem agentes rodando em produção significativa. A maioria tem pilotos com cara de adoção.
O levantamento da OutSystems confirma por outro ângulo. Com 1.879 líderes de TI entrevistados, 97% exploram estratégias com IA agêntica. Apenas 12% usam alguma plataforma centralizada para manter controle do que está rodando. Um gap de 85 pontos entre "estamos explorando" e "temos controle".
Isso me lembra muito o que eu venho escrevendo sobre o paradigma 70/30 e o V-Bounce. O paradigma diz que 70% do esforço precisa ir para a intenção: entender o problema, redesenhar os processos, definir os trilhos sem ambiguidade. Os 30% restantes cobrem a execução e a verificação. Com agentes autônomos, essa proporção importa ainda mais. Porque um agente que opera sem intenção clara não é produtividade. É risco.
As empresas estão mais preocupadas em criar agentes do que em criar os trilhos que sustentam uma escala com segurança. É como botar mais trens na linha sem verificar se a sinalização funciona.
A Meta tentou substituir. Não funcionou
O caso da Meta é o exemplo mais visível de como essa pressa cobra a conta. Em maio de 2026, a empresa executou a maior reestruturação da sua história recente: demitiu 10% da força de trabalho global e transferiu 7.000 funcionários para funções ligadas a fluxos de IA. Menos de um mês depois, Zuckerberg enviou um memorando interno reconhecendo que o processo produziu erros.
Um detalhe que diz tudo: a nova unidade de Applied AI Engineering chegou a ter proporções de 50 colaboradores para cada gerente. Cinquenta para um. Não existe gestão real com essa razão. Existe monitoramento no melhor cenário, e caos no cenário mais provável.
A frase do próprio Zuckerberg resume: "Se cometermos erros em alguns lugares, podemos transferir algumas pessoas de volta." Ou seja, a substituição que parecia definitiva no papel já está sendo revisada na prática.
Isso reforça o ponto central do paradigma 70/30. Se 70% do esforço precisa estar na intenção, no entendimento do problema e no redesenho dos processos, uma reestruturação que pula essa etapa e vai direto para a execução está invertendo a equação. A velocidade de transformação precisa ser calibrada pela clareza da intenção, não apenas pela capacidade tecnológica de execução. A Klarna seguiu um caminho parecido e também recuou silenciosamente nas contratações depois de perceber queda de qualidade.
IA potencializa, não substitui
Enquanto a Meta tentava substituir engenheiros, um caso do outro lado do espectro mostra o que acontece quando a IA é usada como potencializadora.
Tom Di Mino, um engenheiro de IA autodidata e linguista amador, afirma ter decifrado o Linear A, um sistema de escrita minoico da Idade do Bronze que desafiava especialistas há mais de um século. O trabalho está sendo analisado por linguistas de Rutgers e Cambridge.
O que interessa aqui não é se a decifração vai se confirmar. É como ele chegou lá. Di Mino trouxe sete anos de estudo, proficiência em oito idiomas, duas visitas a Creta. Usou o Claude Code para construir scripts Python que cruzam referências e organizam o corpus digitalizado de Linear A, permitindo testar hipóteses em escala que seriam impraticáveis manualmente. A descoberta intelectual veio do conhecimento humano. A IA serviu como ferramenta de automação e análise de dados.
O resultado: 40 leituras propostas para sinais do script, um léxico de 408 termos traduzidos e um manuscrito preparado para submissão acadêmica. Tudo isso feito por uma pessoa com a IA como alavanca, não como substituta.
Esse é o paradigma 70/30 na prática. 70% do esforço foi intenção: Di Mino investiu anos entendendo o problema, dominando o contexto, eliminando ambiguidades. Os 30% restantes foram execução e verificação, com a IA como alavanca. Quando você inverte essa proporção, pulando direto para a execução sem investir na intenção, o resultado é o memorando de retratação do Zuckerberg.
O trust tax e o dividendo da confiança
A Forrester trouxe um conceito que conecta tudo: o "trust tax", o imposto da confiança. É o custo operacional de tornar cada ação autônoma rastreável e defensável para um auditor.
Num software tradicional, você constrói, testa, faz deploy. O código executa o que foi programado, e a auditoria foca no resultado. Num agente autônomo, o caminho entre a instrução inicial e o resultado final pode passar por dezenas de decisões intermediárias, chamadas a APIs externas, leituras de sistemas legados. Cada etapa precisa de log. Cada etapa precisa de responsável nomeado. Cada etapa pode ser questionada por compliance ou por um regulador.
Esse custo raramente aparece nos roadmaps. E quando o time vai levar o piloto para produção, a surpresa chega.
Mas o conceito tem um lado que a Forrester não explorou e que pra mim é onde mora a oportunidade. Se existe um imposto da confiança quando ela está ausente, existe também um dividendo da confiança quando ela está presente. Quando a organização investe em trilhos, em golden paths, em plataformas internas que tornam a governança invisível e automática, o oposto do trust tax acontece: decisões fluem melhor, pessoas colaboram mais, o agente opera dentro de limites claros e a empresa ganha velocidade sem sacrificar controle.
O trust tax é o preço de operar sem confiança estrutural. O trust dividend é o retorno de construí-la.
Por que o documento de política não resolve
Tem um dado da Forrester que surpreende. Mais da metade das empresas reporta lacunas de governança mesmo depois de adotar o AI Risk Management Framework do NIST. O framework está ali. A lacuna continua.
A razão conecta direto com a tese que venho defendendo. Documento de política não controla agente autônomo. Um agente não lê o manual antes de chamar uma API. Ele age. Estar "sujeito à política" e "agir de acordo com a política" são coisas diferentes, e a diferença é técnica e operacional.
O dado da OutSystems reforça: 66% dos líderes de TI acham tecnicamente difícil implementar checkpoints de humano no loop. E 41% dependem apenas de regras no nível do projeto, sem framework corporativo.
É o mesmo padrão que aparece no TI Inside quando falam que o verdadeiro ROI da IA em 2026 não está na produtividade bruta, mas no redesenho de processos. Política no papel e automação pontual não geram transformação. Redesenhar o processo inteiro, incluindo os pontos de controle, é o que gera.
Construir os trilhos é o trabalho de verdade
As empresas que saíram do piloto de verdade não são as que têm mais agentes. São as que investiram nos trilhos antes de adicionar mais trens.
O primeiro movimento é investir em orquestração antes de adicionar mais agentes. Registros compartilhados do que está rodando, padrões de handoff entre agentes, visibilidade central de todas as instâncias.
O segundo é redesenhar o trabalho em torno da autonomia, não só adicionar ferramenta nova em fluxo antigo. Papéis, aprovações e pontos de verificação precisam ser reconstruídos levando em conta o que o agente vai fazer por conta própria.
O terceiro é tratar cada agente como uma identidade governada, com credenciais únicas, log completo de ações e um responsável nomeado.
Isso não é burocracia. É o que transforma o trust tax em trust dividend. É o que torna autonomia sustentável em escala.
O piloto é o passo mais fácil. Você monta, demonstra, todo mundo aplaude. O que não aparece na apresentação é o trabalho de construir os trilhos. E esse é exatamente o trabalho que separa adoção de operação.
Referências
- Brian Hopkins et al. – The State Of Agentic AI In 2026: Companies Are Chasing, Few Are Catching. Forrester, 03/06/2026.
- Dashveenjit Kaur – Enterprises are running AI agents everywhere. Hardly anyone is governing them. TechHQ, 13/04/2026. Dados: OutSystems 2026 State of AI Development (1.879 líderes de TI).
- Bruno Lois – Zuckerberg: substituir humanos por IA, na Meta, gerou "alguns erros". StartSe, 17/06/2026.
- AI Engineer Claims to Have Cracked Linear A. AI Clambake, 16/06/2026.
- Além da produtividade: por que o redesenho de processos será o verdadeiro ROI da IA em 2026. TI Inside, 16/06/2026.
- NIST – AI Risk Management Framework.