Este documento apresenta um ponto de vista descrevendo a arquitetura de TI de que as empresas precisarão nos próximos 3-5 anos para capturar totalmente o valor de uma equipe agente; ele descreve a transformação de TI necessária para dar suporte à implantação em grande escala de agentes de IA. A meta é fornecer um guia estratégico e uma arquitetura de referência para ajudar os CIOs, CDOs e líderes de TI a planejar a jornada para se tornarem uma Enterprise do agente.

Modelos poderosos de IA estão permitindo a criação de uma força de trabalho agente capaz de detectar o ambiente, raciocinar sobre dados, tomar decisões autônomas, realizar tarefas e colaborar de modo eficaz com trabalhadores humanos. Essa nova equipe promete uma mudança em inovação, produtividade e agilidade, criando valor para acionistas e clientes. Para realizar essa visão, as organizações devem passar por uma transformação de negócios e TI para se tornarem Empresas agentes.

Hoje, a empresa tradicional enfrenta ineficiências operacionais decorrentes de silos de informações, funcionários enterrados em trabalho manual, incentivos desalinhados em estruturas organizacionais e loops de feedback desagrupados entre estratégias e resultados. Esses problemas levam a experiências do cliente menos ideais, processos ineficientes e oportunidades perdidas para crescimento.

A Agentic Enterprise supera essas limitações integrando uma força de trabalho digital de agentes inteligentes de IA a trabalhadores humanos. Com essa nova força de trabalho aprimorada por IA, uma organização pode promover a inovação para crescimento, promover a excelência operacional e criar a resiliência da empresa com vários tipos de novos recursos de negócios.

Novas capacidades de negócios para promover a inovação:

• Produtividade humana aumentada: A velocidade, a escala e a natureza sempre ativa dos agentes de IA permitem que as empresas automatizem o trabalho repetitivo e libertem os trabalhadores humanos para se concentrarem em tarefas mais criativas e de maior valor.
• Melhoria de capacidade adaptativa: Como o raciocínio dos agentes de IA pode ser observado, eles podem aprender e implementar dinamicamente novas habilidades, permitindo que a empresa melhore continuamente o desempenho para atingir as metas de negócios e se adapte rapidamente a novas oportunidades de mercado.

Exemplo de ação — Inovando a experiência do cliente em serviços financeiros: Uma empresa de gestão patrimonial pode usar um agente de IA para reinventar seu modelo de engajamento do cliente. O agente monitora automaticamente os portfólios, identifica os principais momentos para uma revisão do cliente e prepara o plano pré-chamada para o consultor, ajustando o plano conforme as notícias aparecem. Isso permite que o consultor humano proporcione uma experiência do cliente proativa e personalizada em escala, fortalecendo os relacionamentos e descobrindo novas oportunidades.

Novas capacidades de negócios para proteger e garantir a resiliência da organização:

• Capacidade elástica da equipe: As empresas podem rapidamente escalar sua capacidade de atender a surtos na carga de trabalho devido à mudança de condições de negócios, sem os custos e atrasos de ampliar uma força de trabalho inteiramente humana.
• Resiliência operacional preditiva: A natureza 24/7 dos agentes de IA permite que eles antecipem, modelem e mitiguem de modo autônomo riscos operacionais, de conformidade e de segurança em tempo real, garantindo que a empresa mantenha a Trust de seus clientes e partes interessadas.

Exemplo de ação — Proteção dos dados dos clientes: Uma grande empresa pode implementar um agente de governança de dados de IA para verificar o ambiente regulatório quanto a alterações nas leis de privacidade de dados, descobrir e classificar informações confidenciais em conjuntos de dados corporativos e, em seguida, aplicar a política de governança adequada. O agente pode revisar solicitações de acesso a dados e encaminhar exceções para um analista humano para revisão, reduzindo o risco de conformidade enquanto permite que os dados sejam usados de maneira confiável.

Novas funcionalidades de negócios que otimizam a excelência operacional:

• Execução de processo autônomo: Uma equipe digital pode executar tarefas complexas de várias etapas 24 horas por dia, 7 dias por semana, na velocidade da máquina (com humanos no loop), reduzindo custos e dimensionando processos de maneira eficiente.
• Orquestração transfronteiriça: Os agentes de IA podem trabalhar em silos de informação e incentivo que normalmente restringem trabalhadores humanos, promovendo a agilidade para processos interfuncionais.

Exemplo de ação — Otimização do funil de marketing no varejo: Uma equipe de marketing de varejo pode implementar um agente de IA para acelerar seu processo de campanha em resposta a novas tendências de consumidores. O agente pode gerar planos de marketing, colaborar com equipes de marketing, produto e vendas para revisão e, em seguida, criar automaticamente garantia digital e executar em vários canais, ajustando dinamicamente a campanha com base em feedback em tempo real.

A arquitetura de TI da empresa pode ser representada usando uma construção de camada. As camadas agrupam logicamente a funcionalidade técnica relacionada e facilitam o raciocínio estruturado, mas não implicam necessariamente implementações específicas ou o grau em que uma camada deve ser projetada de modo monolítico ou de maneira mais heterogênea. Nessa visualização de camada (Figura 1), a arquitetura de TI tradicional consiste em cinco camadas principais: Infraestrutura, Dados, Integração, Aplicativo e Experiência. Duas camadas cruzadas, Segurança e Operações de TI, abrangem essas camadas para garantir a governança, o monitoramento e a proteção.

A arquitetura de TI tradicional foi projetada para um paradigma em que a inteligência corporativa residia com trabalhadores humanos que realizavam ações em aplicativos para acessar dados, aplicar lógica de negócios, facilitar a colaboração e executar fluxos de trabalho. Ele não é projetado para um paradigma em que os agentes de IA podem raciocinar e executar ações para determinados casos de uso feitos anteriormente por humanos (ou não feitos) enquanto os humanos supervisionam os agentes de IA e se concentram em tarefas mais criativas e ambíguas.

Embora a arquitetura tradicional possa dar suporte a implantações de subescala de agentes de IA hoje, ela não pode fornecer totalmente os recursos de negócios da Enterprise do agente descritos acima. A realização desses recursos requer uma arquitetura de TI projetada para implantação ampla de agentes de IA poderosos que podem lidar com casos de uso amplos, em vez de serem restritos a implantações limitadas direcionadas a casos de uso estreitos.

Os agentes de IA continuarão melhorando nos próximos cinco anos, e a arquitetura de TI precisará evoluir para perceber o valor de agentes de IA mais poderosos e inteligentes, para se tornar uma prova futura. Primeiro, os agentes se tornarão mais inteligentes à medida que os modelos de IA subjacentes (como LLMs multimodais) e as arquiteturas cognitivas dos agentes evoluírem (por exemplo, planejamento de várias etapas, decomposição de tarefas e assim por diante). Segundo, os agentes de IA terão habilidades aprimoradas de aprendizagem e adaptação com melhorias de memória, recursos de auto-reflexão e a capacidade de aprender com feedback. Em terceiro lugar, os agentes de IA terão uma maior capacidade de interagir com outros agentes, ferramentas e dados, conforme evidenciado pelo ecossistema em rápida evolução de padrões de tecnologia aberta (por exemplo, Protocolo de contexto do modelo, Agent2Agent e assim por diante). Embora essas três tendências de tecnologia permitam que os agentes de IA sejam mais poderosos à medida que executam tarefas mais abstratas e complexas, elas também apresentarão vários desafios para a arquitetura de TI de hoje.

Primeiro, os agentes de IA dependem fundamentalmente de modelos de IA, desenvolvidos internamente e adquiridos externamente, que evoluem rapidamente e exigem gerenciamento de modelo de IA/ML sofisticado, compartilhado e padronizado. Hoje, os modelos de IA são desenvolvidos para casos de uso específicos em um aplicativo, não como recursos compartilhados para reutilização com ferramentas comuns para treinamento, implantação, governança e gerenciamento de risco. No futuro, as empresas precisarão poder usar diferentes modelos de IA para vários casos de uso de agentes que exigem ferramentas que permitam que os agentes troquem modelos subjacentes (por exemplo, modelo de base vs. modelo menor específico do domínio) com base no contexto de negócios. Isso exige o gerenciamento de modelos de IA desenvolvidos internamente ou hospedados com ferramentas de ciclo de vida unificadas para garantir consistência, reutilizabilidade, escalabilidade e eficiência. Da mesma forma, acessar modelos de IA hospedados externamente exige uma estrutura de controle corporativa para garantir o desempenho ideal, a segurança, a conformidade, a disponibilidade e a confiabilidade.

Em segundo lugar, os agentes de IA têm padrões de escala e requisitos operacionais distintos, como hospedagem, desenvolvimento, raciocínio, aprendizado, gerenciamento de memória e operações, que exigem um limite arquitetônico separado e dedicado para os agentes. Integrar essa funcionalidade diretamente à arquitetura de aplicativos estática e determinística de hoje introduziria complexidade e risco arquitetônicos desnecessários. Além disso, os agentes de IA devem interoperar com aplicativos existentes por meio de interfaces padronizadas ou sistemas de mensagens para interação em tempo real.

Em terceiro lugar, os agentes de IA precisam ser capazes de pensar sobre conjuntos de dados diferentes e colaborar entre si, geralmente em pilhas de aplicativos isoladas, mas na arquitetura atual, não há nenhuma funcionalidade semântica comum para fornecer uma compreensão compartilhada para esses agentes raciocinarem sobre conjuntos de dados diferentes. Como resultado, embora os agentes de uso único possam ser implementados com sucesso, escalar para operar em grandes números em tarefas complexas e entre silos continua sendo difícil e arriscado.

Por fim, a arquitetura de TI corporativa atual não tem uma maneira eficaz de orquestrar, otimizar e controlar processos de negócios de ponta a ponta que incluem os fluxos de trabalho dinâmicos realizados por agentes mais poderosos, o que aumentará e, em alguns casos, substituirá o papel desempenhado pelos trabalhadores humanos nesse processo. Hoje, as ferramentas de automação são aproveitadas para gerenciar fluxos de trabalho lineares determinísticos que geralmente seguem uma sequência predefinida, documentados em idiomas específicos do processo e dependem de lógica estática que raramente muda. As tecnologias de IA podem aprimorar alguns desses processos lineares (por exemplo, usar modelos de ML em vez de regras de negócios embutidas em código para calcular limites de aprovação de empréstimo), mas os aspectos estratégicos e de execução da maioria dos processos de negócios críticos permanecem inerentemente dinâmicos e flexíveis. Tarefas como desenvolver estratégias de marketing, resolver problemas complexos do cliente ou prospectar clientes têm objetivos claros (satisfação do cliente, velocidade de resolução de caso etc.), mas não seguem uma sequência de execução fixa e predefinida.

Atualmente, as empresas tradicionais dependem principalmente de humanos para coordenar e realizar esses processos de negócios complexos (como definir a estratégia e gerenciar programas complexos). Conforme os agentes de IA continuam evoluindo (maior inteligência, aprendizagem e recursos de interação) nos próximos 3-5 anos, sua capacidade de executar esses processos dinâmicos de modo autônomo aumentará significativamente, introduzindo complexidades e desafios de integração que vão muito além das capacidades das ferramentas de integração e automação existentes. A natureza adaptativa e dinâmica dos agentes de IA cria uma forte necessidade de novos recursos de orquestração para garantir controle em nível corporativo, visibilidade abrangente e alinhamento consistente com objetivos estratégicos em toda a empresa, particularmente no gerenciamento de fluxos de trabalho complexos, longos e de várias etapas que abrangem agentes de IA, humanos, ferramentas de automação e outros sistemas determinísticos.

A arquitetura de TI da Enterprise do agente estabelece uma plataforma para ações inteligentes integrando perfeitamente trabalhadores humanos, agentes de IA e sistemas determinísticos. Essa arquitetura permite que agentes humanos e de IA acessem e aproveitem dinamicamente o Knowledge corporativo unificado de diversas fontes de dados, enriquecido com contexto semântico para executar de modo eficiente fluxos de trabalho e processos complexos alinhados a objetivos estratégicos de negócios. A arquitetura de TI existente de um conjunto de plataformas isoladas e soluções de ponto evoluirá para um conjunto de serviços de aplicativo composíveis, ferramentas de semântica e dados e redes de agentes de IA supervisionadas e governadas por novas ferramentas de orquestração de processos de negócios inteligentes.

Essa arquitetura permite que os agentes sentem, justifiquem e realizem ações dentro de seus respectivos escopos, trabalhem dentro e entre domínios de negócios e aprendam, melhorem e adaptem-se continuamente. Isso exige um projeto focado em mecanismos robustos para acessar dados e Knowledge (compreensão semântica), protocolos e interfaces de comunicação flexíveis e padronizados (como agente a agente, agente a sistemas determinísticos e agente a humano) e, de forma crítica, orquestrar fluxos de trabalho e processos entre agentes, humanos e ferramentas de automação e sistemas determinísticos.

Para realizar a visão arquitetônica de uma plataforma para ações inteligentes, estes princípios de design são recomendados como prática recomendada:

• Composibilidade e modularidade: Projete elementos arquitetônicos como componentes modulares com interfaces padronizadas para permitir a montagem rápida e dinâmica de funcionalidades do agente, fluxos de trabalho e superfícies voltadas para humanos. Priorize contratos de interface claros e abstração para permitir a maior flexibilidade para os agentes de IA comporem fluxos de trabalho.
• Dados e semântica primeiro: Garanta acesso abrangente, preciso, rápido, seguro e econômico aos dados com compreensão semântica compartilhada para que os agentes justifiquem de modo eficaz em sistemas isolados. Isso exige o tratamento de dados (e metadados) como um produto, com ferramentas para garantir a qualidade, a linhagem, a governança e o acesso, bem como um modo de fornecer uma compreensão semântica compartilhada entre agentes e humanos.
• Observabilidade de TI e negócios integrada: Integre funcionalidades de monitoramento, rastreamento, avaliação e capacidade de explicação de ponta a ponta em toda a arquitetura para obter percepções sobre o raciocínio, os comportamentos, as interações do sistema e o impacto nos KPIs de negócios dos agentes para permitir a otimização contínua do desempenho dos agentes. Isso inclui otimização de custos (FinOps), métricas de sustentabilidade e telemetria operacional, mantendo o Trust, a conformidade e o consumo responsável de recursos. Como os agentes de IA são inerentemente não deterministas, a capacidade de observação é essencial para garantir que os agentes de IA possam operar de maneira confiável, em conformidade e auditável com supervisão humana.
• Total Trust: Imponha permissões dinâmicas e granulares com base na intenção das tarefas do agente (acesso a dados, ações etc.) e implemente práticas de segurança abrangentes, incluindo equipe vermelha, verificação de CVE automatizada, detecção de vulnerabilidade e controles de validação baseados em risco. Controles mais granulares e dinâmicos são necessários, considerando o risco de agentes causarem riscos em cascata devido à sua capacidade de operar a velocidades de máquina. Garanta que todas as saídas geradas por IA (de agentes ou modelos) sejam rigorosamente validadas em relação a políticas definidas de conformidade, segurança, toxicidade e viés antes do uso ou da entrega, exigindo mecanismos de registro e explicabilidade com trilhas de auditoria verificáveis para decisões, ações, conteúdo e previsões de IA.
• Agente em primeiro lugar com supervisão humana: Permita que os agentes de IA sejam a ferramenta padrão para resolver casos de uso de negócios, excluindo outras considerações (por exemplo, custo, adequação técnica) e projetem sistemas de TI para serem acessíveis para fluxos de trabalho agentes. Isso inclui a capacidade dos humanos de monitorar, intervir e substituir qualquer etapa do processo de um agente. Os agentes precisam de recursos de auto-reflexão para buscar orientação humana proativamente se sua confiança na tomada de decisão ficar abaixo dos limites pré-programados.
• Interação reativa e multimodal: Habilite a arquitetura para dar suporte a mecanismos abrangentes de invocação e resposta do agente em todos os tipos de interação, incluindo protocolos de agente para agente, entradas multimodais humanas (voz, texto, visual), eventos de negócios, sinais do sistema e dados de streaming. Habilite os recursos de processamento acionado por evento e em tempo real para garantir que os agentes possam reagir a qualquer sinal oportuno de qualquer origem ou formato.
• Infraestrutura pronta para IA: Garanta que a infraestrutura possa ser dimensionada de modo elástico com a redundância integrada para lidar com cargas de trabalho de IA flutuantes e integrar pipelines de ML/LLM à arquitetura de dados e aplicativos, mantendo a conformidade com os requisitos de residência de dados.
• Ecosistema aberto: Priorize a interoperabilidade e evite o bloqueio de tecnologia favorecendo padrões abertos, protocolos e interfaces bem definidas (APIs, eventos) para se beneficiar do ecossistema de tecnologia.

Para habilitar e dimensionar com sucesso a transformação agente, as empresas devem ir além de simplesmente aprimorar as camadas atuais; elas precisam considerar introduzir explicitamente quatro camadas arquitetônicas adicionais (Figura 2) projetadas especificamente para atender às necessidades dos agentes de IA.

A Caixa Agente é dedicada ao desenvolvimento e gestão de agentes de IA, abrangendo capacidades cognitivas como planejamento, raciocínio, memória, utilização de ferramentas, gerenciamento de estado e controle de ciclo de vida. Essa camada lida com os requisitos técnicos e operacionais exclusivos dos agentes de IA, garante a interoperabilidade entre aplicativos e repositórios de dados por meio de protocolos padronizados e facilita a colaboração entre agentes. A camada de aplicativo existente evoluirá para serviços de aplicativo para ser criada dinamicamente para fluxos de trabalho agentes.

A camada semântica é introduzida para resolver a desconexão entre dados corporativos brutos e a compreensão semântica de que os agentes de IA precisam. Ele codifica e gerencia explicitamente entidades de negócios, conceitos, definições e interrelações, criando uma ontologia corporativa e representação do Knowledge de negócios para permitir a compreensão semântica compartilhada que capacita fluxos de trabalho de vários agentes mais complexos realizando tarefas de nível superior. Além de um catálogo de dados, a Camada semântica traduz uma consulta de linguagem natural em consultas precisas em relação a repositórios de dados específicos, harmoniza os resultados e retorna uma resposta contextual e mais avançada para o agente. Enquanto isso, a Camada de dados existente se unifica por meio da adoção de lagoas centralizadas enquanto amplia o acesso a dados por meio de um tecido de dados pronto para IA para dar suporte a princípios de modelo de operação de malha de dados.

A Laixa de IA/ML centraliza o gerenciamento de recursos de IA empresarial, incluindo grandes modelos de linguagem, grandes modelos de ação e modelos de ML específicos de domínio, lidando com ambos os modelos de IA desenvolvidos internamente ao longo de seu ciclo de vida e o acesso/uso controlado a serviços de IA externos. Diferentemente das arquiteturas tradicionais em que os modelos de IA são integrados a aplicativos, essa camada estabelece modelos de IA como componentes de primeira classe e serviços compartilhados na empresa. Ele se concentra em recursos de IA controlados pela empresa (não recursos de IA fornecidos por fornecedores externos). Essa camada fornece a inteligência para vários agentes e outras cargas de trabalho de IA na empresa com mecanismos padronizados para Trust, segurança, conformidade e implantação.

A camada de orquestração corporativa é a abstração funcional para coordenar, governar e otimizar fluxos de trabalho complexos e de várias etapas e processos de negócios que abrangem agentes de IA, humanos, ferramentas de automação e sistemas determinísticos. Essa camada aproveita um modelo de orquestração combinada que permite que agentes e sistemas individuais lidem de modo autônomo com tarefas coreografadas localmente usando protocolos abertos, como MCP e A2A, ao mesmo tempo que fornecem supervisão centralizada de ponta a ponta e coordenação de todo o processo. Para implementar o modelo de orquestração combinada, essa camada representa processos de negócios críticos em formatos semânticamente avançados legíveis por máquina que definem as etapas deterministas (modeladas durante o tempo de design) e as etapas dinâmicas (determinadas pelos agentes durante o tempo de execução) de um processo de negócios, criando a base do modelo de processo para governança e otimização.

Tradicionalmente, partes significativas dos processos de negócios conduzidos por humanos permanecem não documentados ou inacessíveis em formulários legíveis por máquina. No entanto, a observabilidade detalhada das atividades dos agentes de IA, incluindo dados avançados e metadados sobre suas tarefas e ações, permite capturar, documentar e integrar trabalho dinâmico anteriormente não estruturado a fluxos de trabalho lineares determinísticos para criar modelos de processo abrangentes. A documentação de processo detalhada captura interdependências de tarefa e caminhos de execução anteriormente invisíveis, permitindo que a empresa otimize continuamente a eficiência operacional, corrija de modo eficaz gargalos e codifique sistematicamente as práticas recomendadas identificadas pelo agente em manuais reutilizáveis para toda a empresa. Isso resulta em um gêmeo digital holístico de processos individuais e, quando dimensionado, de toda a empresa.

Por exemplo, processos complexos, como a execução de estratégias de vendas abrangentes ou a integração de novos funcionários, envolvem várias etapas interdependentes em que a camada de orquestração pode garantir níveis adequados de envolvimento humano (por exemplo, tratamento de exceções), autonomia limitada para agentes de IA e imposição de conformidade. Ao longo desses processos, a camada de orquestração de cima para baixo adiciona previsibilidade e governança, acompanha e avalia continuamente os indicadores-chave de desempenho (KPIs), garante a integridade transacional dos fluxos de trabalho e a lógica de reversão e mantém a visibilidade de cada estágio do fluxo de trabalho para garantir o alinhamento com objetivos de negócios gerais. Para implementar essa funcionalidade, essa camada consome políticas, regras e proteções da camada de segurança e governança (por meio de policy-as-code) e metas de negócios e KPIs armazenados na Camada semântica. Dada a natureza autônoma e rápida das interações conduzidas por IA, confiar apenas em uma coreografia descentralizada corre o risco de desalinhamento estratégico ou violações de conformidade, especialmente em fluxos de trabalho de várias etapas de longa duração. A abordagem de orquestração combinada mitiga esses riscos integrando regras de negócios corporativas, verificações de conformidade e imposição de políticas diretamente em fluxos de trabalho complexos e integra a supervisão humana em junções críticas.

Cada uma dessas 11 camadas contribui com funcionalidades específicas para implantar agentes de IA em escala de maneira segura, confiável e eficaz que desbloqueia todo o potencial da IA agente para transformar como o trabalho é feito em uma empresa. A seção abaixo descreve a função da camada, novas alterações devido ao aumento dos agentes de IA e seus principais recursos tecnológicos.

Função: A Camada da experiência serve como a interface principal para usuários humanos, habilitando a interação multimodal capturando entradas (texto, voz, visual) e fornecendo respostas contextualmente relevantes em vários dispositivos. Ele distribui perfeitamente as intenções do usuário para a Camada do agente para ação enquanto também fornece a interface de usuário dinâmica e visualizações que facilitam escalonamentos humanos e aprovações em fluxos de trabalho agentes.

O que é diferente de hoje: A IA aumentará as interfaces tradicionais baseadas em GUI com processamento de linguagem natural, consciência contextual e suporte proativo à decisão. Os agentes de IA poderão iniciar interações proativamente, fornecendo recomendações personalizadas em tempo real em todos os canais e modalidades.

Principais funcionalidades tecnológicas:

• IA conversacional e assistentes digitais: Habilite a UX por padrão para incluir a assistência de IA para dar suporte a usuários humanos.
• Interface do usuário de Atribuição e Transparência: Torne as respostas explicáveis na interface do usuário, como mostrar citações, origens de arquivos/sistemas e a abordagem/racionalização das decisões.
• Serviço de notificação proativo e ambiental: Permite que os agentes enviem por push percepções ou alertas proativamente aos usuários no canal e no formato mais adequados com base no contexto atual do usuário.
• Experiências do Omnichannel: Fornece uma experiência contínua, consistente e unificada em todos os canais com continuidade da jornada, em que conversas e tarefas seguem a pessoa, em vez do aplicativo.
• Capacidades multimodais: Permite que os humanos interajam com agentes e aplicativos por meio de texto, voz, imagem, toque, vídeo e AR/VR para que os agentes possam entender e apresentar informações na modalidade mais eficiente.
• Personalização sensível ao contexto e UI dinâmica: Habilita experiências de usuário sensíveis ao contexto em tempo real (hora, local, ações do usuário) para habilitar a personalização, incluindo a geração de UI rapidamente.

Função: A Camada agente atua como o ambiente de tempo de execução padrão para fazer trabalho na empresa em que os agentes de IA descomponem tarefas da camada de experiência e executam tarefas montando dinamicamente fluxos de trabalho usando ferramentas da camada de serviços de aplicativos e aplicativos e da camada de dados. O estado de configuração dos agentes de IA é armazenado e gerenciado nessa camada. Os agentes são instanciados para tarefas específicas e as instâncias específicas do agente são desativadas posteriormente. Essa implementação permite que os agentes sempre sejam chamados do estado de configuração mais recente com base em otimizações offline (usando funcionalidades de IA/ML, capacidade de observação e camadas de orquestração). Essa camada é responsável pelo gerenciamento de ciclo de vida abrangente, coordenação e governança dos agentes de IA.

O que é diferente de hoje: Essa camada emergirá do conjunto distinto atual de pilotos e implantações agentes limitadas. Embora existam bots baseados em regras, há poucos programas de software adaptativos, não determinísticos e orientados a metas implantados em escala.

Principais funcionalidades tecnológicas:

• Entorno de tempo de execução do agente: Gerencia o ciclo de vida, a execução e a alocação de recursos para agentes de IA.
• Suíte de gerenciamento de ciclo de vida do agente: Inclui estruturas de desenvolvimento, ferramentas de desenvolvimento e teste e sistemas de gerenciamento para atividades do agente e controle de versão.
• Mecanismo de raciocínio do agente: Uma estrutura cognitiva para que os agentes decomponham metas, planejem e decidam quais ferramentas usar para resolver problemas complexos.
• Memória do agente e Armazenamento de contexto: Permite que as instâncias do agente se lembrem e mantenham o contexto sobre interações anteriores, garantindo consistência e personalização.
• Protocolos de interoperabilidade do agente: Interfaces padronizadas para comunicação entre agentes (A2A) e para que os agentes interajam com sistemas externos (por exemplo, por meio do Protocolo de contexto do modelo).
• Registro de ferramentas: Um conjunto selecionado de ferramentas com suporte interno e externo para os agentes invocarem para realizar uma determinada tarefa.
• Registro do agente: Um ecossistema selecionado de soluções de IA predefinidas e agentes que dão suporte à descoberta e à correspondência de recursos.
• Imposição da política do agente distribuído: Habilita a governança corporativa permitindo que os agentes façam verificação automática da conformidade antes de realizarem ações.
• Quadro de auto-reflexão e adaptação do agente: Fornece um mecanismo para um agente analisar seu próprio desempenho e, com aprovação humana, acionar melhorias ou sugerir modificações a si mesmo.

Função: Essa camada funciona como um hub de inteligência centralizado, oferecendo modelos de IA como um conjunto de serviços compartilhados para serem consumidos pela Camada do agente (e aplicativos) para aprimorar seus recursos de raciocínio e tomada de decisão com estruturas de segurança e monitoramento integradas.

O que é diferente de hoje: Tradicionalmente, os modelos de IA eram integrados a aplicativos específicos. Na arquitetura de TI da Agential Enterprise, a camada de IA/ML será um conjunto centralizado de primeira classe que habilita muitos aplicativos e agentes, oferecendo suporte a todo o ciclo de vida do modelo, do desenvolvimento ao fornecimento em tempo real em escala.

Principais funcionalidades tecnológicas:

• Modelos de base pré-construídos: Modelos de ML grandes treinados em um amplo espectro de dados, capazes de realizar uma ampla variedade de tarefas gerais.
• Geração de recuperação ampliada (RAG): Um pipeline centrado em IA que baseia modelos de base em dados específicos da empresa para melhorar a precisão e reduzir alucinações.
• Hub de Trust, Segurança e Governança de IA: Um conjunto de ferramentas integrado ao ciclo de vida do modelo para aplicar princípios de IA responsável, como detecção de viés, capacidade de explicação e monitoramento de segurança.
• Gateway do modelo: Um mecanismo de roteamento que atua como um único ponto de entrada para todas as solicitações de inferência de modelo, gerenciando chamadas a vários modelos internos e externos para otimizar quanto a custo, desempenho e conformidade.
• Desenvolvimento de modelo Workbench: Um ambiente de desenvolvimento integrado para cientistas de dados com ferramentas para pré-processamento de dados, treinamento de modelo e experimentação.
• MLOps e pipeline de automação de ciclo de vida: O mecanismo CI/CD para aprendizado de máquina, automatizando o ciclo de vida de ponta a ponta dos modelos, do treinamento à implantação e à descontinuação.
• Model Serving & Inference Runtime: Um ambiente dimensionável e de baixa latência para implantar modelos treinados como pontos de extremidade de API seguros para consumo em tempo real.
• Modelo e registro de ativos: Um repositório centralizado controlado por versão para todos os ativos de IA/ML, incluindo modelos, conjuntos de dados e código-fonte, garantindo a reprodutibilidade e a capacidade de auditoria.
• Geração e gerenciamento de dados sintéticos: Ferramenta para gerar e gerenciar dados sintéticos que mantêm as propriedades estatísticas de dados reais sem expor informações confidenciais.

Função: A Camada de orquestração corporativa é o plano de controle para trabalho de ponta a ponta em uma empresa agente. Ele garante que fluxos de trabalho e interações agentes cumpram os objetivos corporativos e as políticas de governança. Ele consome a telemetria de observabilidade de outras camadas para criar modelos de processo de negócios abrangentes, habilitando a otimização em relação a KPIs obtidos da Camada semântica. Essa camada fornece o contexto compartilhado e a memória de execução longa a cada nova instância de um agente de IA para fluxos de trabalho críticos.

O que é diferente de hoje: Essa camada fornece visibilidade unificada dos processos de negócios criando modelos legíveis por máquina que capturam etapas deterministas estruturadas e trabalho dinâmico não estruturado realizado por humanos e agentes. Ela vai além dos modelos de colaboração e governança centrados em humanos de hoje, codificando programaticamente os objetivos de negócios e as regras de conformidade como restrições em fluxos de trabalho agentes para governar a equipe agente.

Principais funcionalidades tecnológicas:

• Mecanismo de execução de fluxo de trabalho híbrido: O tempo de execução principal que executa o "modelo de orquestração combinada", fornecendo supervisão centralizada enquanto permite a coreografia local do agente.
• Governança de processo e mecanismo de restrição: Um serviço de governança em tempo real que consome e aplica regras comerciais declarativas, políticas e restrições a todos os processos em andamento.
• Gerenciamento de memória compartilhada e contexto: Uma camada de memória compartilhada acessível a todos os agentes em um fluxo de trabalho para manter a continuidade e a coerência entre várias etapas.
• Process Modeling Studio: Um ambiente de tempo de design para criar e gerenciar modelos de processo semânticamente avançados legíveis por máquina que definem etapas deterministas e dinâmicas orientadas a metas.
• Otimização e simulação de processos: Uma funcionalidade que cria simulações digitais de processos de negócios para análise avançada, simulações What-If e otimização preditiva.
• Descoberta de processos e monitoramento de saúde: Ingere modelos de processo e dados em tempo real para relatar métricas de negócios da integridade do processo.
• Modelação de processo gêmeo digital: Um espelho em tempo real de fluxos de trabalho ativos para teste, simulação de alterações e otimização sem afetar a produção.

Função: Essa camada expõe a funcionalidade de aplicativo de negócios existente como ferramentas e serviços compostos e modulares para os agentes usarem. Ele também serve como o tempo de execução de apresentação para integrar recursos agentes à experiência do usuário. Os aplicativos continuam sendo o sistema de registro, mas são remodelados para serem recursos "autônomos" para agentes.

O que é diferente de hoje: Os aplicativos evoluirão de UIs monolíticos para "serviços de back-end" que os agentes podem chamar dinamicamente por meio de APIs e eventos. Essa camada será integrada nativamente a agentes e modelos de IA, e a proliferação de LLMs de geração de código levará a um aumento no número de microaplicativos personalizados criados por agentes.

Principais funcionalidades tecnológicas:

• Serviços de aplicação modular: Lógica de negócios descomposta de aplicativos tradicionais, publicadas como ações legíveis por máquina para os agentes chamarem.
• SDKs de integração do agente: Kits de ferramentas e bibliotecas que permitem aos desenvolvedores integrar com segurança os agentes diretamente às UIs do aplicativo.
• Serviços de geração de UI dinâmica: Serviços que permitem que um agente de IA gere ou modifique componentes da IU em tempo real com base no contexto do usuário.
• Estruturas de IU nativas de IA: Estruturas de front-end projetadas com suporte integrado para lidar com UIs conduzidas por IA, como gerenciar dados probabilísticos e respostas de texto de streaming.
• Sistemas de engajamento infundidos por agente: Aplicativos de produtividade e colaboração corporativos que incorporam recursos de agente de IA por meio de componentes visuais.
• Desenvolvimento de aplicativos de baixo código/sem código aprimorado por IA: Ferramentas que permitem que usuários e agentes criem aplicativos e serviços personalizados usando linguagem natural e avisos.
• App Guardrails para uso do agente: Controles no lado do aplicativo para uso do agente, como limitação de taxa, permissões com escopo e telemetria.

Função: A Camada Semântica fornece uma compreensão unificada dos dados e Knowledge em toda a empresa, permitindo que os seres humanos e os agentes de IA interpretem e atuem com base em informações de maneira consistente. Ele usa ferramentas de representação do Knowledge como ontologias e gráficos do Knowledge para traduzir consultas de linguagem natural em consultas de dados precisas e sensíveis ao contexto.

O que é diferente de hoje: Embora as empresas de hoje tenham repositórios de metadados diferentes, a arquitetura de TI da Agentic Enterprise requer um Enterprise Knowledge Graph (EKG) centralizado que vincula dados entre domínios com relacionamentos semânticos explicitamente definidos. Isso fornece o contexto rico que os agentes de IA podem percorrer para realizar raciocínio complexo, criando requisitos para um conjunto de recursos técnicos para capacitar gráficos do Knowledge que abrangem vários domínios funcionais.

Principais funcionalidades tecnológicas:

• Serviço de metadados: Fornece metadados descritivos, incluindo linhagem de dados, propriedade e classificações.
• Glossário de negócios e gerenciamento de taxonomia: Uma ferramenta para que usuários de negócios definam e concordem com termos comerciais padrão.
• Gerenciamento de modelo semântico: Um workbench para engenheiros do Knowledge criar, gerenciar e gerenciar modelos e ontologias semânticas.
• Enterprise Knowledge Graph (EKG): Uma instanciação de tempo de execução da ontologia corporativa que armazena e mapeia os relacionamentos entre entidades de negócios.
• Motores de ingestão e harmonização de metadados: Um pipeline automatizado que preenche e mantém o Enterprise Knowledge Graph de vários sistemas de origem.
• Mecanismo de consulta semântica: Interpreta consultas de linguagem natural e cria consultas estruturadas com base no EKG para recuperar dados de várias fontes.
• Engenharia de raciocínio semântico: Analisa e deriva Knowledge implícito e relacionamentos ocultos do ECG.

Função: A Camada de dados é a fonte fundamental da verdade, gerenciando e fornecendo acesso seguro e controlado a todos os dados corporativos para a Camada semântica interpretar, a Camada de IA/ML para usar para treinamento, aplicativos para usar para transações e agentes para raciocínio.

O que é diferente de hoje: A Camada de dados evolui para ser mais unificada, em tempo real e focada em governança, muitas vezes centralizada em um data lakehouse em escala de nuvem. Ele deve lidar com um maior volume e variedade de dados e mudar de processamento orientado em lote para streaming em tempo real para dar suporte a agentes reativos. A governança e a qualidade dos dados assumem uma importância ainda maior para evitar que dados ruins criem saídas de IA com defeito.

Principais funcionalidades tecnológicas:

• VectorDB: Um banco de dados especializado otimizado para armazenar e consultar integrações de vetores de alta dimensão, essenciais para RAG.
• Pipelines de dados analíticos inteligentes: Um serviço automatizado conduzido por metadados para ingestão, transformação e carregamento de dados (ETL/ELT) na Camada de dados.
• Enterprise Data Lakehouse: Um repositório central para dados estruturados, semistruturados e não estruturados, otimizado para cargas de trabalho de análise e IA.
• Federação de dados de cópia zero e pesquisa: Técnicas para acessar, consultar e pesquisar dados em várias lojas sem movimento de dados físico.
• Linguagem natural para SQL: Uma técnica para converter consultas de linguagem natural em SQL.
• Serviço de descoberta e catálogo de dados corporativo: Um inventário centralizado pesquisável de todos os ativos de dados na empresa.
• Mestre e Gerenciamento de Dados de Referência (MDM): Gerencia o "registro ouro" para entidades de negócios críticas, como Cliente e Produto.
• Serviço de qualidade de dados adaptável: Um serviço de monitoramento contínuo que usa IA para detectar e corrigir Problemas de qualidade dos dados automaticamente em tempo real.
• Contratos de dados: Acordos legíveis por máquina entre produtores de dados e consumidores que especificam o esquema, a semântica e os SLAs de troca de dados.
• Armazenamentos de dados especializados em IA: Bancos de dados projetados para casos de uso de IA específicos, como bases de dados de série temporal ou de gráfico.
• Tela de dados pronta para IA: Uma camada de abstração de dados lógica que fornece uma visualização unificada e virtualizada dos dados em sistemas físicos distintos.
• Processamento de dados em tempo real: Capacidades para processar e analisar fluxos de dados multimodais continuamente a velocidades de máquina.

Função: A Camada de infraestrutura é a base de todas as outras camadas, fornecendo os recursos de computação, armazenamento, rede e nuvem necessários para executar IA e cargas de trabalho agentes em escala de maneira resiliente e econômica.

O que é diferente de hoje: As cargas de trabalho de IA exigem maior escalabilidade e elasticidade para lidar com a natureza probabilística de sistemas agentes. A infraestrutura deve dar suporte a provisionamento rápido, hardware especializado como GPUs e tráfego de rede de baixa latência e alta taxa de transferência para comunicação entre agentes.

Principais funcionalidades tecnológicas:

• Infra-estrutura como código: Provisionamento automatizado e gerenciamento de infraestrutura com pipelines de implantação de CI/CD.
• Infraestrutura de IA híbrida e multi-nuvem: Aproveita a elasticidade da nuvem pública e a infraestrutura especializada para cargas de trabalho de IA generativa.
• Computador, armazenamento e rede otimizados por IA: Aloca e escala dinamicamente recursos de infraestrutura com base na demanda variável de cargas de trabalho de IA.
• Infraestrutura de IA de ponta: Permite que modelos e agentes de IA sejam implantados na borda da rede para casos de uso com requisitos exclusivos de latência ou privacidade.
• Infra-estrutura de autolimpeza: Usa IA para gerenciar a recuperação do sistema sem entrada manual, garantindo alta disponibilidade.
• Computando IA Sustentável: Abordagens de eficiência energética para mitigar o impacto ambiental de cargas de trabalho de IA.
• Autoscaling sensível ao custo e carbono: Usa FinOps e sinais de sustentabilidade para promover a escala e o posicionamento da capacidade.

Função: A Camada de integração serve como o tecido de comunicação universal para todos os sistemas (legados e novos) por meio de APIs, eventos, protocolos e middleware para garantir que os agentes possam descobrir e interagir com serviços, dados e ferramentas sem problemas.

O que é diferente de hoje: A integração deve evoluir para dar suporte aos padrões dinâmicos de comunicação do tipo muitos para muitos dos agentes de IA, em vez de apenas lidar com interações estáticas predeterminadas entre alguns sistemas conhecidos. Ele requer processamento de dados em tempo real e deve acomodar a descoberta e a colaboração ad-hoc entre agentes.

Principais funcionalidades tecnológicas:

• Pipeline de conectividade de dados operacionais: Ferramentas com suporte de IA para mapeamento automático de esquema, transformação de dados e geração de fluxo de trabalho, incluindo recursos de API conduzido, conduzido por evento e ETL reverso.
• Gerenciamento de API adaptável e Rede de serviço: Gateways de API e tecnologia de rede de serviços que podem registrar, descobrir e gerenciar dinamicamente serviços com aplicação de política adaptativa para agentes.
• Adaptadores semânticos do Knowledge: Um componente de integração que fornece um vocabulário compartilhado e um modelo de dados entre agentes e aplicativos para interpretação de dados consistente.
• Tela de integração conduzida por evento: Uma base de mensagens e streaming de alta taxa de transferência e baixa latência que habilita comunicação assíncrona e desacoplada.
• Gateway de protocolo do agente: Um gateway para serviços de MCP que permite aos agentes descobrir com segurança ferramentas e acionar ações, conectando o MCP a APIs e eventos internos.
• Catálogo e mercado de capacidade composta: Um catálogo centralizado e governado para todas as funcionalidades corporativas (APIs, serviços, habilidades do agente, modelos e conjuntos de dados) anotado com metadados semânticos para composição sob demanda.

Função: Essa camada monitora e gerencia o desempenho operacional e de integridade dos agentes e de todo o sistema (princípio integrado de observabilidade), fornecendo transparência e controle gerando percepções para habilitar a auditoria, depuração, capacidade de explicação, custo e otimização de recursos da equipe agente da empresa.

O que é diferente versus hoje: Essa camada se torna ainda mais crucial, considerando o risco de agentes de IA criarem erros na velocidade da máquina. Ele deve se expandir além do monitoramento de infraestrutura para incluir o comportamento imprevisível de agentes autônomos, exigindo novos tipos de telemetria e a capacidade de entender a correção semântica, não apenas o desempenho técnico.

Principais funcionalidades tecnológicas:

• Plataforma de monitoramento e observabilidade em tempo real: Coleta continuamente registros, métricas e rastreamentos em todo o ambiente de TI, com extensões para métricas de ML e comportamento do agente.
• FinOps e gerenciamento de custos na nuvem: Responsável por monitorar, analisar e otimizar os custos de infraestrutura associados a IA e cargas de trabalho agentes.
• Monitoramento específico do agente e do ML: Registra cada etapa da execução de um agente em uma trilha de auditoria imutável e faz o perfil contínuo dos comportamentos do agente para detectar desvios das normas estabelecidas.
• AIOps, Gerenciamento de incidentes e mudanças: Usa IA/ML para prever possíveis problemas de TI, identificar causas-raiz e criar fluxos de trabalho de remediação.
• Loop de feedback de aprendizado fechado: Integra a telemetria de observabilidade dos agentes de volta aos pipelines de MLOps, habilitando o treinamento automatizado de modelo ou o ajuste de prompt.
• Mecanismo de observabilidade semântica: Integra a capacidade de observação à camada semântica para contextualização para permitir a detecção de anomalias semânticas no comportamento do agente.

Objetivo: Essa camada incorpora Trust e segurança em toda a arquitetura, protegendo os ativos da empresa contra ameaças, gerenciando o risco e garantindo a conformidade com os requisitos regulatórios. Ele abrange gerenciamento de identidade, detecção de ameaças, GRC e medidas de segurança específicas da IA.

O que é diferente de hoje: A camada de segurança deve evoluir para lidar com novas surpresas de ataque apresentadas por agentes e modelos de IA, como injeção imediata e envenenamento de modelo. O gerenciamento de identidade e acesso deve mudar de controles estáticos baseados em papel para permissões dinâmicas baseadas em intenção que são concedidas imediatamente e revogadas imediatamente após o uso.

Principais funcionalidades tecnológicas:

• Segurança de entrada/saída de LLM e proteções: Proteções corporativas aplicadas no tempo de solicitação e resposta para bloquear conteúdo inseguro, vazamentos de PII e jailbreaks.
• Arquitetura Zero Trust com verificação de IA: Autenticação contínua aprimorada pela análise comportamental baseada em IA, com acesso preciso granular para agentes com base em sua tarefa específica.
• Quadro de segurança do agente: Modelos de permissão detalhados, monitoramento de comportamentos prejudiciais e mecanismos de contenção para interromper com segurança as atividades do agente.
• Segurança do modelo de IA: Uma estratégia de defesa em profundidade com controles em cada estágio do ciclo de vida do modelo para proteger contra envenenamento, extração e ataques adversários.
• IA de preservação de privacidade: Técnicas como aprendizado federado e privacidade diferencial para proteger dados confidenciais.
• GRC aprimorado por IA: Uso de agentes de IA para monitorar continuamente a conformidade da arquitetura de TI com controles.
• Policy-as-Code Engine: Uma única fonte da verdade para definir regras de negócios e restrições de conformidade em um formato declarativo e legível por máquina para definir proteções para o comportamento do agente.
• Red-Teaming contínuo: Teste adversário automatizado e contínuo de modelos de IA e agentes para identificar vulnerabilidades antes que os invasores as explorem.

Transformar-se em uma empresa agente exige seguir uma jornada de vários estágios definindo as noções básicas da tecnologia enquanto cria valor comercial tangível (consulte Figura 3 abaixo). Embora o roteiro preciso dependa da estratégia, da cultura, do modelo de governança de IA e do ponto de partida da arquitetura de TI da empresa, a maioria das organizações deve adotar uma abordagem em fases como a continuação dos investimentos de TI impulsiona os agentes com escopo, complexidade e criação de valor crescentes. O Modelo de maturidade agente da Salesforce oferece uma estrutura útil de níveis de maturidade para que as empresas possam estruturar sua transformação, descrevendo como as capacidades dos agentes podem crescer da recuperação de informações básicas (nível 1) à orquestração de fluxos de trabalho de vários domínios mais complexos (níveis 2 e 3) e de vários agentes (nível 4). Para avançar com sucesso nesses estágios, a arquitetura de TI deve evoluir de maneira concertada, com investimentos direcionados em diferentes camadas da arquitetura em cada fase para atender às necessidades das implementações mais complexas e de maior valor dos agentes de IA. Para cada nível de maturidade, os recursos de tecnologia específicos necessários nas 11 camadas arquitetônicas são identificados com uma fundamentação para o investimento.

Nível de maturidade 1: Agentes de recuperação de informações

Objetivo & Valor de Negócios: Aumente a produtividade dos trabalhadores humanos fornecendo uma interface confiável e conversacional para consultar o Knowledge empresarial. O valor primário é aumentar as capacidades humanas, não substituí-las. Esses agentes ajudam os humanos recuperando informações e recomendando ações.

Foco arquitetônico: O foco é estabelecer uma base de dados segura e confiável e os componentes básicos de IA necessários para recuperação de informações. A governança e a observabilidade são essenciais desde o primeiro dia para criar o Trust do usuário e controlar os custos.

Principais investimentos em tecnologia (Figura 4):

Nesse estágio, a TI deve se concentrar em criar um pipeline de dados para agente confiável e outros recursos de base. As tecnologias na camada de dados, como um VectorDB, são essenciais para habilitar as técnicas de geração aumentada de recuperação (RAG) que alimentam os agentes de recuperação de informações. Isso é combinado com uma camada centralizada de IA/ML que inclui um Gateway de modelo para acesso seguro e controlado por custo aos modelos de base e um AI Trust, Safety & Governance Hub para monitorar saídas inseguras e garantir a conformidade. Gerenciamento de dados mestre e glossários de negócios na Camada semântica são fundamentais para que os agentes recuperem informações precisas. Os recursos de tempo de execução e ciclo de vida do agente são necessários para garantir que os agentes criados nesse estágio possam ser modificados e estendidos para casos de uso futuros. Para oferecer valor e aumentar a confiança do usuário, a Caixa de experiência deve incorporar uma IU de Atribuição e Transparência, que torna as respostas dos agentes explicáveis mostrando as citações e as fontes de suas informações. Investimentos fundamentais de observabilidade e segurança (por exemplo, trust zero) devem começar a ser implementados para estabelecer a base para futuras implantações por agências.

Nível de maturidade 2: Orquestração simples, Agentes de domínio único

Objetivo & Valor de Negócios: Automatize tarefas de rotina e orquestre fluxos de trabalho de baixa complexidade em um único domínio de negócios. Isso melhora a eficiência operacional e reduz o trabalho manual, permitindo que os trabalhadores humanos se concentrem em atividades de maior valor.

Foco arquitetônico: A principal mudança arquitetônica é da recuperação de dados somente leitura para executar ações. Isso exige iniciar uma jornada mais longa para modularizar a funcionalidade do aplicativo (frequentemente exposta como APIs) para os agentes acessarem, implementar segurança robusta para ações do agente e criar funcionalidades de desenvolvimento de IA e semântica para melhorar a inteligência dos agentes de IA.

Principais investimentos em tecnologia (Figura 5):

Os investimentos se concentram tematicamente em capacitar os agentes de IA a agir com a governança adequada. A camada de aplicativos e serviços de aplicativos está passando por uma mudança crítica, à medida que a lógica de negócios monolítica é decomposta em serviços de aplicativos modulares (APIs) para os agentes ligarem. Estes são protegidos por App Guardrails para evitar que os agentes sobrecarreguem os sistemas, com integrações em ferramentas de observabilidade. Para capacitar esses agentes, é necessário investir em raciocínio do agente, protocolos de ferramentas (como MCP) e registros. Isso introduz novos riscos, tornando um dedicado Quadro de Segurança do Agente e modelo de IA e recursos de monitoramento do agente essenciais para a governança e a segurança. Por fim, as empresas podem começar a dimensionar seus recursos de IA/ML para modelos personalizados para capacitar esses agentes a lidar com tarefas específicas do domínio.

Nível de maturidade 3: Agentes de orquestração de vários domínios

Objetivo & Valor de Negócios: Automate processos de negócios complexos e completos que abrangem limites organizacionais e funcionais (como "cotação em dinheiro", "lead to order"). O valor está em quebrar silos, acelerar tempos de ciclo do processo e otimizar cadeias de valor inteiras dentro do negócio. Alterações mais altas na produtividade do trabalhador humano são possíveis à medida que as barreiras organizacionais começam a quebrar e os humanos começam a se concentrar mais em supervisionar agentes de IA.

Foco arquitetônico: A arquitetura agora deve dar suporte a problemas técnicos intersetoriais. Uma compreensão semântica compartilhada em toda a empresa, um mecanismo de orquestração centralizado para governança e um tecido de integração desacoplado conduzido por evento se tornam os habilitadores críticos.

Principais investimentos em tecnologia (Figura 6):

Os investimentos em tecnologia são tematicamente focados na orquestração de processos em escala corporativa entre humanos, agentes e sistemas determinísticos. A camada de orquestração corporativa se torna um foco de investimento, exigindo um mecanismo de execução de fluxo de trabalho híbrido para coordenar atividades e um mecanismo de governança e restrição de processos para aplicar regras de negócios e políticas de conformidade em processos em voo, uma vez que os agentes trabalham entre domínios, muitas vezes com diferentes políticas e definições semânticas. Essa coordenação entre domínios só é possível com uma camada semântica madura com um Enterprise Knowledge Graph (EKG), que cria uma compreensão compartilhada de como as entidades de negócios se relacionam entre domínios. A camada de integração deve evoluir para incluir um tecido de integração conduzido por evento, que usa uma estrutura de streaming para desacoplar sistemas e permitir a comunicação resiliente e assíncrona típica de processos empresariais de longa duração. Dado o maior valor desses fluxos de trabalho e os riscos associados, os investimentos adicionais em segurança e monitoramento tornam-se primordiais (por exemplo, AIOps, policy-as-code). Por fim, é necessário investir ainda mais na Camada de Aplicações e Serviços (como LCNC habilitado por IA, experiências de usuário mais dinâmicas e multimodais) à medida que os usuários humanos começam a monitorar e colaborar com agentes de IA mais capazes.

Nível de maturidade 4: Orquestração de vários domínios multiagente

Objetivo & Valor de Negócios: Redesenhe e otimize as operações de negócios entre domínios para impulsionar mudanças graduais em produtividade e eficiência. Esse estágio avança para a criação de uma simulação digital holística (twin digital) da empresa para melhoria contínua e planejamento estratégico entre os principais processos de negócios e fluxos de trabalho.

Foco arquitetônico: O estágio final se concentra em habilitar a colaboração dinâmica entre agentes. Isso requer protocolos de comunicação avançados de agente a agente (A2A), recursos de autoaprendizagem do agente, investimento adicional na maturação das camadas Orquestração, Dados e Semântica e infraestrutura totalmente dinâmica e de auto-cura para dar suporte às crescentes necessidades de cargas de trabalho de IA dinâmica conforme os agentes foram expandidos em toda a empresa.

Principais investimentos em tecnologia (Figura 7):

Os investimentos temáticos focam a criação de um sistema autônomo para auto-melhoria. Na camada agente, um Quadro de auto-reflexão e adaptação do agente fornece o mecanismo para que um agente analise seus próprios registros de desempenho e acione melhorias. Esse aprendizado é suportado pela Caixa de operações e observabilidade de TI, que implementa um Closed Learning Feedback Loop para automaticamente alimentar dados de observabilidade de volta aos pipelines MLOps para retrabalho de modelo, que também pode aproveitar a geração de dados sintéticos para otimizar ainda mais o desempenho do modelo. Com as redes de agentes sendo implantadas em todos os departamentos, juntamente com os esforços de modularização de aplicativos em andamento, novos investimentos em segurança e, essencialmente, um catálogo de recursos compostos tornam-se necessários para que os agentes comprem dinamicamente recursos para resolver tarefas mais abstratas e de maior valor. Esses processos são todos orquestrados e otimizados por meio de uma nova funcionalidade Digital Twin Process Modeling, que usa dados em tempo real para criar simulações para análise "o que é" e otimização preditiva, permitindo que a empresa teste e implante com segurança novas implementações agentes.

Conclusão

O roteiro para uma Enterprise agendada percorre uma evolução arquitetônica de TI. Os arquitetos empresariais serão os principais impulsionadores dessa transformação, conduzindo as decisões de investimento críticas, junto com outros parceiros nos negócios e TI, necessárias para a organização perceber o valor dos novos recursos de negócios da Enterprise do agente.