Por Dr. Philipp Herzig, Chief Technology Officer, SAP
Dividir uma tarefa complexa em partes e atribuí-las a diferentes especialistas ou equipas não é novidade. Esta divisão inteligente do trabalho tem impulsionado as indústrias desde o início do século XX, desde a produção automóvel da Ford até ao “fast food” e ao desenvolvimento de software.
A especialização traz mais eficiência e inovação, pois cada especialista conclui a sua parte antes de passar a tarefa para o próximo. No entanto, pode ser difícil tirar pleno partido disso quando existem silos departamentais e dados dispersos, o que dificulta a colaboração. As organizações também enfrentam escassez de competências ou lacunas entre os perfis exigidos e os profissionais disponíveis para ocupar posições especializadas. A IA de agentes está prestes a transformar o que pode ser alcançado através da especialização, assim como a forma como os humanos interagem e trabalham com a inteligência artificial (IA).
Os agentes de IA colaborativos, que trabalham de forma autónoma em várias funções empresariais, impulsionarão novos níveis de produtividade. Analistas estimam que a presença de IA de agentes em aplicações empresariais crescerá de menos de 1% em 2024 para 33% até 2028, permitindo soluções autónomas para 15% das decisões do dia a dia no trabalho.
Como tirar partido da IA de agente
Uma das características distintivas da IA de agentes é a proatividade. Estes agentes podem realizar tarefas de forma autónoma com fluxos de trabalho autoestruturados e compostos por várias etapas. Por exemplo, um agente especializado no setor do retalho pode reorganizar entregas sem intervenção humana em resposta a perturbações meteorológicas ou falhas no fornecimento de materiais. O agente pode decidir se deve prosseguir, fazer mais pesquisas ou validar dados antes de prosseguir no seu objetivo. Estes agentes, que funcionam 24/7 e reagem a eventos, adaptam-se e desenvolvem novas estratégias à medida que as circunstâncias mudam.
Se isto soa como o seu próprio raciocínio, é porque é mesmo. Garantir que um agente de IA consegue raciocinar exige contexto. Isto permite-lhe considerar mais variáveis ao tomar decisões. Os dados fornecem contexto e uma compreensão do seu negócio: se quiser que os agentes de IA operem com os dados mais atualizados de toda a organização, eles precisam de acesso a esses dados. Agentes que operam em silos de dados gerarão progressos específicos por domínio, mas falharão no impacto transversal à empresa.
Os metadados – o quê, quem e quando – ajudam um agente a determinar se os dados devem ser considerados ou se estão desatualizados ou são irrelevantes. Os grafos de conhecimento ligam tudo, expondo metadados e tornando acessíveis as relações entre informações. Assim, um agente de IA que resolve uma disputa de pagamento sabe qual é a relação entre o fornecedor e o comprador, as ordens de compra, etc. Os grafos de conhecimento também fundamentam os dados e o raciocínio do agente, conectando-os a factos do mundo real. Os agentes de retalho precisam de dados ligados ao contexto real para sugerir produtos com base no histórico de compras e nos dados demográficos dos clientes.
Os agentes também precisam de entender como as diferentes peças de informação dependem umas das outras, para que possam considerar o contexto alargado de uma tarefa além de um único componente. Isto é transmitido por meio de um grafo de conhecimento que capta os fluxos dos processos, como um manual de instruções para agentes de IA. Por exemplo, ao reservar férias, o agente pedirá o destino e as datas antes de o grafo o encaminhar para a reserva de voos e hotéis.
Este modo estruturado de inferir nova informação e estabelecer ligações lógicas ajuda os agentes de IA a raciocinar e a tirar conclusões. Os grafos de conhecimento também permitem escalar: é necessário escrever essa lógica apenas uma vez, não é preciso reconstruí-la para cada novo agente.
A jornada multi-agente
Os benefícios da adoção de IA não agente ao longo de uma cadeia de abastecimento já foram enormes para os distribuidores, com reduções nos níveis de inventário, custos logísticos e gastos em compras. A IA de agentes irá ampliar esses benefícios. Técnicas como raciocínio em múltiplos passos e a capacidade de executar tarefas de forma autónoma tornam-na ideal para sectores dinâmicos como as cadeias de abastecimento, permitindo automatizar tarefas até então consideradas demasiado complexas ou interdependentes.
A IA tradicional pode usar dados históricos para reabastecer stocks, o que pode causar excesso ou ruptura de stock quando há picos inesperados. Já a IA de agentes pode analisar continuamente uma grande variedade de dados para ajustar previsões de procura em tempo real, colaborando, simultaneamente, com outros agentes para otimizar a logística ou ajustar os turnos dos colaboradores.
Esta capacidade de colaborar e ligar especializações oferece benefícios que sistemas isolados não conseguem alcançar. Veja-se a interação entre fabrico, atendimento ao cliente e cadeia de abastecimento. Para prever custos com precisão, as organizações de fabrico precisam de compreender a cadeia de abastecimento. Fornecedores, custos de materiais e transporte afetam os custos de produção. Os agentes de IA podem considerar todos estes fatores em tempo real, enquanto dados de sensores em máquinas e componentes ajudam a prever o tempo de reparações e interrupções na produção. Toda esta informação pode ser enviada a agentes de atendimento ao cliente, permitindo-lhes contactar proactivamente os clientes sobre o estado das entregas, informá-los de atrasos e até oferecer compensações para manter a satisfação.
Onde estamos agora
A IA de agentes ainda está em desenvolvimento e, apesar do seu potencial, há desafios. Os agentes de IA são tão eficazes quanto os dados em que se baseiam, por isso as organizações devem garantir o acesso a dados unificados e de alta qualidade. Os agentes isolados não podem colaborar nem impulsionar a produtividade ao nível organizacional.
Definir objetivos de forma prática continua a ser tão essencial para a IA de agentes quanto para uma força de trabalho tradicional. É importante considerar quais os objetivos a atribuir aos agentes e em que condições estes podem definir os seus próprios objetivos antes de haver intervenção humana. Os agentes podem cometer erros, sobretudo enquanto aprendem. Estabelecer limites e diretrizes ajuda a mitigar riscos.
A promessa da IA de agentes pode parecer ficção científica. Uma IA que trabalha e atua de forma independente, aliviando tarefas complexas e rotineiras, pode parecer distante. No entanto, se implementada corretamente, os benefícios estão ao nosso alcance e a ficção científica torna-se realidade.
