Padrão 6: Capacidades de IA em primeiro lugar

Conceba novas capacidades tendo os agentes como elementos fundamentais, e não como adaptações posteriores de fluxos de trabalho existentes. Estas capacidades não eram possíveis antes da IA. Melhoram ao longo do tempo através de feedback, aprendizagem e otimização contínua.

Neste padrão, os agentes operam em ciclos de sentido-decidir-agir: monitorizando continuamente sinais, tomando decisões autónomas dentro dos limites, executando ações e aprendendo com os resultados. Estes sistemas não são assistentes. São sistemas inteligentes que criam novo valor para o negócio.

Note

Este padrão é diferente dos outros cinco padrões em termos de natureza, não apenas de grau. Não existe um processo existente para comparar, nem uma base para melhorar, nem um fluxo de trabalho incumbente para orientar o design. Tens de construir tudo, incluindo a forma como medes o sucesso.

O que é este padrão

As capacidades empresariais de IA em primeiro lugar partem de uma pergunta que os outros padrões nunca colocam: o que poderíamos fazer que simplesmente não podíamos fazer antes? A resposta não está numa versão mais rápida da forma como trabalhamos hoje. É uma nova capacidade, muitas vezes um ciclo autónomo que sente uma situação, decide e age, e que se melhora ao longo do tempo. Os agentes são os elementos fundamentais da capacidade, não uma melhoria acrescentada a um fluxo existente.

Este padrão é a expressão mais profunda do lado do executar na passagem de assistir para executar. Como não há precedentes, é preciso inventar o design, as barreiras de proteção e as medidas.

O que os agentes fazem

Os agentes neste padrão vão além da execução de fluxos de trabalho definidos para operar de forma autónoma:

  • Motores de otimização contínua: Preços, inventário, agendamento.
  • Ciclos de decisão nativos de IA: deteção de fraude, resposta a anomalias, roteamento adaptativo.
  • Plataformas de deteção de mercado: monitorização da concorrência, análise de tendências, identificação de oportunidades.
  • Sistemas de planeamento preditivo: Previsão da procura, planeamento de capacidade, modelação de risco.
  • Geração autónoma de fluxos de trabalho: Agentes que desenham e otimizam os seus próprios processos.
  • Orquestração multi-agente: Equipas coordenadas de agentes especializados a resolver problemas complexos.

Estas capacidades criam um valor que não poderia existir sem a IA. Não são versões mais rápidas dos processos existentes. São mesmo novos.

O que os humanos fazem

Os humanos atuam como proprietários do produto. Definem objetivos, definem limites, monitorizam resultados e tomam decisões estratégicas sobre a evolução das capacidades. Eles não fazem o trabalho. Em vez disso, controlam o sistema que o faz funcionar.

Esta transformação de papel é a mais significativa de qualquer padrão. Os humanos responsáveis são responsáveis pelos resultados, mesmo que não executem o trabalho eles próprios. Eles:

  • Defina critérios de sucesso e métricas de resultados para sistemas autónomos.
  • Defina os limites dentro dos quais os agentes operam (e ajuste-os à medida que a confiança se constrói).
  • Monitorize os ciclos de aprendizagem para garantir que as capacidades melhoram na direção correta.
  • Tome decisões estratégicas sobre quando expandir a autonomia do agente.
  • Governar práticas responsáveis de IA à medida que as capacidades se tornam mais sofisticadas.

Como funciona o modelo operacional

Implementar com sucesso este padrão requer alterações em quatro dimensões:

Dimensão Antes Depois
Pessoas Operadores a executar tarefas Capacidades de governação dos proprietários de produto
Agentes Execução de passos pré-definidos Ciclos autónomos de sentido-decidir-agir
Governação Verificações de conformidade Controlos incorporados ao longo do ciclo de vida com monitorização contínua
Métricas Rendimento e eficiência Opcionalidade estratégica + taxa de aprendizagem + velocidade de adaptação

Perfil de maturidade alvo

Este padrão exige maturidade máxima em todos os cinco fatores de capacidade. Não há atalhos.

Perfil de maturidade

Fator impulsionador da capacidade Nível alvo Porquê
Tecnologia e dados 500 (Eficiente) O quebrador de balança. Orquestração multi-agente, telemetria em tempo real e infraestrutura de aprendizagem.
Estratégia e experiência em IA 500 (Eficiente) A capacidade é a estratégia, posta em prática com iteração contínua.
Estratégia de negócios 500 (Eficiente) Uma nova capacidade empresarial, com processos adaptativos e autónomos.
Governação e segurança 500 (Eficiente) Gestão preditiva de riscos e conformidade contínua para sistemas autónomos.
Organização e cultura 500 (Eficiente) Uma comunidade auto-sustentável e uma cultura de aprendizagem capaz de inventar e operar o novo.

Perceção chave: Este padrão exige a mais alta maturidade em todas as capacidades. Não existe um processo existente para comparar, nem uma base de referência para medir a melhoria, nem um fluxo de trabalho incumbente que oriente o design. Tudo tem de ser construído, incluindo a forma como se mede o sucesso.

Quebra-escala: Tecnologia e dados, especificamente orquestração multi-agente, telemetria em tempo real e infraestrutura de aprendizagem. Sem uma base técnica robusta, as capacidades autónomas tornam-se imprevisíveis e ingovernáveis.

As capacidades centradas em IA são geridas como produtos, abrangem múltiplos domínios e exigem equipas de produto distribuídas a trabalhar de acordo com normas comuns. O CoE fornece padrões de arquitetura, frameworks de IA responsável e padrões de orquestração. Não entrega de forma centralizada.

Sugestão

O papel determinante neste padrão é o do gestor de produto do agente. Isto é um produto, não um projeto. Precisa de disciplina em gestão de produto: um roteiro, um atraso, uma definição de sucesso e uma equipa comprometida com a sua evolução a longo prazo. Sem este papel, a capacidade é construída uma vez e nunca melhorada.

Saiba mais sobre estrutura, papéis e governação por níveis de risco no Crie um Centro de Excelência Agêntico.

O que precisas e o que não precisas

Precisas:

  • Propriedade do produto com equipas dedicadas: Cada capacidade necessita de um product owner e de uma equipa com o mandato, competências e continuidade para a desenvolver ao longo do tempo. Este desenvolvimento não é um projeto que termina.
  • Limites de autonomia com monitorização contínua: Defina limites claros que se adaptem à medida que a confiança cresce. Começa de forma conservadora e expande com base em evidências.
  • Ciclos de aprendizagem contínua: A capacidade melhora a cada interação. Desenha para aprender desde o início porque é muito mais difícil adicioná-lo mais tarde.
  • Práticas responsáveis de IA integradas: A ética e a segurança devem estar incorporadas na arquitetura, não adicionadas após a implementação. Esta abordagem inclui testes de viés, avaliação de justiça e desenho de explicabilidade.
  • Cultura de experimentação com controlos à prova de falhas: As equipas precisam de autorização para experimentar novas abordagens e limpar redes de segurança quando algo corre mal. Culturas que punem o fracasso não conseguem construir sistemas de aprendizagem.
  • Arquitetura multi-agente: Se a sua capacidade envolve agentes coordenados, projete desde o início a coordenação entre agentes. A adaptação posterior de uma arquitetura multiagente é dispendiosa.

Não precisa de:

  • Automação incremental: Este padrão não consiste em tornar os processos existentes 10% mais rápidos.
  • Entrega centralizada de TI: Estas capacidades requerem equipas de produto dedicadas com especialização no domínio.
  • Readaptação de fluxos de trabalho existentes: Conceber de raiz para uma execução nativa de IA. Restrições legadas do fluxo de trabalho limitam o que é possível.
  • Compilações pontuais: Estas capacidades têm de aprender e melhorar continuamente. Uma capacidade que não aprende degrada-se com o tempo.
  • Gestão de projetos tradicional: Use a gestão de produto com ciclos de experiência. As etapas e as entregas são um modelo de governação inadequado para sistemas de aprendizagem.

IA responsável em grande escala

As capacidades de IA em primeiro lugar representam a fronteira da operação autónoma de IA. Práticas responsáveis de IA são especialmente críticas aqui porque:

  • Os agentes operam com elevada autonomia e supervisão humana limitada em tempo real.
  • Os erros podem propagar-se à velocidade da máquina antes que os humanos possam intervir.
  • Os sistemas de aprendizagem podem desenvolver comportamentos inesperados à medida que otimizam.
  • A escala do impacto, tanto positiva como negativa, é maior do que qualquer outro padrão.

Incorpore IA responsável na sua arquitetura desde o primeiro dia:

  • Explicabilidade: Consegue perceber porque é que o sistema tomou uma decisão específica? Se não, não consegue detetar nem corrigir a deriva.
  • Monitorização de preconceitos: Avaliar continuamente se a aprendizagem reforça preconceitos ou cria resultados injustos.
  • Capacidade de rollback: É possível reverter para um estado anterior se uma atualização de aprendizagem correr mal?
  • Sobreposição humana: Mesmo em sistemas totalmente autónomos, defina as condições em que um humano pode intervir e como essa intervenção é implementada.

Saiba mais em Aplicar princípios de IA responsável.

Métricas de valor e sucesso

O valor aqui é a existência de uma capacidade que antes não existia e os novos resultados que ela cria. Lidere com medidas de criação de valor e existência, não com percentagens de eficiência, porque não há uma base prévia para melhorar.

Como é o valor

  • Novas capacidades que não eram possíveis antes da IA.
  • Novas receitas, serviços ou modelos de negócio.
  • Resposta autónoma a uma velocidade e escala que nenhum processo manual poderia alcançar.
  • Uma vantagem acumulada à medida que a capacidade aprende e melhora.

Métricas de sucesso a acompanhar

Categoria Exemplos de medidas O que te diz
Criação de valor (a manchete) Novo modelo de receita ou negócio criado, existência de capacidades ("podemos agora fazer X"), novo alcance desbloqueado Se a capacidade cria valor que antes não existia.
Autonomia e o ciclo Latência de decisão entre o sinal e a ação, taxa de conclusão autónoma de tarefas, capacidade de processamento e escala do ciclo, custo unitário por tarefa autónoma Se o ciclo sentir-decidir-agir funciona à velocidade e escala da máquina.
Qualidade e segurança Avaliação, pontuações de fundamentação e de segurança, encaminhamento e taxa de recurso Se o sistema autónomo se mantém correto e seguro enquanto funciona.
Capacidade de inovação Tempo para lançar uma nova capacidade, número de capacidades em produção, reutilização em diferentes cenários Se consegues chegar à fronteira repetidamente, não só uma vez.
Governance Quota de agentes sob identidade gerida, taxa de conformidade com políticas, número de agentes sombra Se o conjunto autónomo se mantém governado à medida que cresce.

Como medir

  • As avaliações e a observabilidadedo Microsoft Foundry rastreiam o comportamento dos agentes e avaliam a qualidade e segurança, o que é mais importante onde não existe uma linha base.
  • Defina a medida de sucesso desde o início porque a capacidade não tem precedentes. Define o que é "bom" antes de lançares.
  • O Microsoft Agent 365 gere e avalia o ecossistema autónomo, incluindo a descoberta de identidades e de agentes-sombra.

Sugestão

Não julgue uma capacidade líquida nova com métricas de eficiência antigas. "Quanto tempo poupámos" pressupõe um processo que não existia. Meça se a capacidade já existe, que novo valor cria e quão seguro o ciclo autónomo funciona. Invente a medida juntamente com a capacidade.

Anti-padrões comuns

Falhas nesta área resultam de tratar o trabalho de fronteira como um projeto normal.

Anti-padrão Aspeto O que fazer em vez disso
Produtividade disfarçada A funcionalidade "net-new" é, na verdade, uma tarefa já existente, executada mais rapidamente. Testa a ideia: seria possível fazer isto antes da IA? Se sim, pertence a outro padrão.
Métricas antigas em trabalhos novos O sucesso é avaliado pelo tempo poupado em relação a uma linha base que não existe. Defina desde o início medidas de existência e criação de valor.
Construir antes de a fundação estar pronta As capacidades são lançadas antes de a tecnologia, os dados e a governação estarem suficientemente maduros. A infraestrutura não consegue suportar os ciclos de aprendizagem, telemetria e monitorização de que precisa, por isso o sistema é imprevisível e não tem visibilidade sobre o motivo pelo qual se comporta. Alcance maturidade suficiente em tecnologia, dados e governação primeiro. Crie a orquestração, a telemetria em tempo real e o ciclo de aprendizagem antes da funcionalidade.
Aprendizagem sem guarda-corpos 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 ativar a aprendizagem, e monitorize-a continuamente.
Sem corrimãos de proteção inventados Limites de segurança são assumidos a partir de outros padrões que não se encaixam. Defina diretrizes especificamente para esta funcionalidade, uma vez que não existe precedente.
Revisão responsável da IA agendada para após o lançamento A equipa planeia abordar a IA responsável assim que a capacidade for comprovada. Nessa altura, a arquitetura já está fixa e o custo da mudança é elevado. Incorpore IA responsável desde o início.
Mentalidade de projeto aplicada a um produto A equipa atinge uma etapa de entrada em produção e considera o trabalho concluído. A capacidade não é mantida, os ciclos de aprendizagem não são monitorizados e o sistema degrada-se com o tempo. Trate-o como um produto com compromisso de gestão indefinido, não como um projeto que termina no lançamento.
Experimentação não governada Agentes da fronteira proliferam sem identidade ou supervisão. Implemente a governação com uma identidade gerida e um registo desde o início.

Histórias de clientes

Estas histórias publicadas de clientes da Microsoft mostram conhecimento especializado escalado com agentes fundamentados e citados, enquanto as pessoas mantêm a responsabilidade.

Customer Resultado reportado
Microsoft (Pergunte à Microsoft) Um sistema multi-agente, com subagentes especializados baseados em conteúdos específicos, oferece até 61% menos latência e até 70% menos escaladas humanas, com visitantes envolvidos muito mais propensos a inscreverem-se.
Fujitsu Uma IA composta orquestra múltiplos agentes especializados e um agente orquestrador que respondem "em equipa". Esta arquitetura multi-agente, que não existia na IA generativa convencional, melhora a criação de propostas em 67%.
Grupo Quantum Capital Reduza o planeamento 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 Apoia dois milhões de estudantes com o tutor de IA "Gyan Guru" no Azure OpenAI.
Rolls-Royce Aumentou a utilização das máquinas em 30% com IA preditiva em Azure Databricks e Microsoft Cloud para Fabrico.
The Estée Lauder Companies Reduza de semanas para minutos o tempo necessário para obter insights sobre os consumidores com o agente "ConsumerIQ" no Copilot Studio e no Azure OpenAI.

Capacidades agênticas da Microsoft para este padrão

Os exemplos seguintes destacam capacidades particularmente relevantes no contexto de funcionalidades orientadas para IA. Use estes exemplos como ponto de partida para combinar capacidades com os seus cenários e segmentos de utilizador, e depois explore o ecossistema de agentes da Microsoft para obter uma visão completa.

Construir a capacidade

Aterrar, ligar e observar

Avalie e teste antes de enviar

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

  • A avaliação de agentes no Copilot Studio realiza avaliações estruturadas, avaliando respostas em dimensões de qualidade como precisão, fundamento e conclusão de tarefas. Use-o para validar o comportamento do agente em toda a gama de entradas, incluindo casos extremos e cenários adversariais, antes e depois de cada alteração.
  • O Copilot Agent Kit (anteriormente conhecido como Copilot Studio Kit) amplia a cobertura de testes com testes em massa, execuções automáticas de regressão e um painel de pontuação. Para sistemas de IA em primeiro lugar que melhoram ao longo do tempo, evidências de avaliação repetíveis e auditáveis são essenciais para manter a confiança à medida que a capacidade evolui.

Como saber se estás pronto

Este padrão aplica-se a organizações que operam na maturidade mais elevada. Considere-o quando:

  • Tem equipas avançadas que podem desenhar, gerir e melhorar sistemas autónomos.
  • Tens a base técnica: orquestração multi-agente, telemetria em tempo real e um ciclo de aprendizagem.
  • Pode inventar salvaguardas e métricas de sucesso onde elas não existem.
  • Pode governar um património autónomo com identidade gerida e conformidade contínua.
  • Já estás a aplicar bem vários dos outros padrões.

Passos seguintes

Faça a Avaliação de Prontidão do Agente

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

Explore outros padrões com mais detalhe:

  • Last updated on