A empresa agente

A Agentic Enterprise representa uma mudança fundamental na maneira como as empresas usam a IA. Ele passa de ferramentas passivas que exigem direção humana constante para agentes autônomos que sentem, raciocinam e agem por conta própria enquanto permanecem alinhados à intenção humana. É uma organização em que humanos, agentes e plataformas trabalham juntos dentro de sistemas de negócios governados para entregar resultados que ninguém poderia alcançar sozinho.

Este documento é um acompanhamento do Quadro Bem-Arquivado. Os cinco pilares da estrutura – Trust, Reliabilidade, Excelência operacional, Otimização de recursos e custos e Fairness – fornecem a orientação fundamental que se aplica a todas as soluções do Salesforce. Esta visão geral explica o que muda quando as soluções se tornam agentes e direciona você para os detalhes de cada pilar.

Os sistemas agentes combinam grandes modelos de linguagem, geração aumentada por recuperação, chamada de função e padrões de orquestração para criar recursos que se adaptam ao contexto em vez de seguir caminhos programados rígidos. Os agentes combinam o raciocínio probabilístico (inferência de LLM) com a execução determinística (fluxos de trabalho e orquestração) para habilitar a adaptabilidade e a governança.

Para arquitetos, esse comportamento introduz considerações de design em todos os pilares. Os agentes operam com comportamento não determinista em sua camada de raciocínio, o que exige novos padrões de confiabilidade, monitoramento e controle. A autonomia do agente exige limites de segurança aprimorados e supervisão humana no loop. A coordenação com vários agentes cria complexidade emergente que requer orquestração deliberada. A Agentic Enterprise não está apenas adicionando recursos de IA a arquiteturas existentes, ela reimagina como os sistemas são projetados, implementados e governados.

Feito bem, essa combinação cria valor comercial real: Os agentes lidam com fluxos de trabalho complexos de várias etapas que antes exigiam intervenção humana, sintetizam informações entre fontes e expandem o conhecimento em toda a organização. Ele também apresenta desafios que exigem design deliberado. O comportamento não determinista complica o teste, o monitoramento e o tratamento de erros. A autonomia gera questões de controle, responsabilidade e segurança. As estruturas de custo mudam de uma infraestrutura fixa para o consumo de inferência variável. Os arquitetos devem equilibrar a autonomia com relação ao risco, a inovação com relação ao controle e o recurso com relação ao custo.

Uma distinção fundamental na arquitetura agente é se um agente assiste um humano (padrão de copiloto: sugerir, recomendar, elaborar) ou agir de forma autónoma (padrão do agente: decidir, executar, concluir). Os copilotes exigem aprovação humana para ações de modificação de estado; os agentes operam de modo independente dentro dos limites de permissão. Essa distinção determina requisitos de Trust, necessidades de observabilidade e padrões de supervisão. A mudança de assists para acts é uma mudança arquitetônica, não uma mudança de configuração. Isso exige reavaliar cada pilar por meio da lens de operação autônoma.

A Agentic Enterprise é uma organização em que humanos, agentes e plataformas trabalham juntos dentro de sistemas de negócios governados para entregar resultados que ninguém poderia alcançar sozinho. Esse modelo de três partes forma cada decisão arquitetônica:

Os Humanos fornecem supervisão, julgamento e intervenção quando as capacidades dos agentes faltam ou quando os interesses exigem a responsabilidade humana. A colaboração entre agentes humanos permite que as pessoas se concentrem em estimativas de alto valor enquanto os agentes lidam com a execução de rotina e a síntese de informações. Os humanos permanecem no controle no nível do sistema: eles definem os limites e os agentes decidem e agem dentro deles.
Os agentes fornecem automação inteligente, interfaces de linguagem natural e tomada de decisão adaptável. Os agentes não são recursos independentes, mas participantes integrados em fluxos de trabalho de negócios. Eles percebem o contexto dos dados gerenciados, justificam ações adequadas usando técnicas probabilísticas e determinísticas e atuam por meio de fluxos de trabalho de negócios e integrações externas.
As Plataformas fornecem a infraestrutura gerenciada que possibilita o trabalho agenciado: lógica de negócios acumulada, dados unificados, orquestração e infraestrutura de colaboração. A plataforma distingue sistemas agentes de nível corporativo de experiências de IA não governadas: ela aplica permissões, mantém trilhas de auditoria, aplica regras de conformidade e mantém os agentes operando dentro da governança organizacional.

Remova pessoas e você perde a responsabilidade; remova agentes e você perde inteligência; remova plataformas e você perde a governança. A Agentic Enterprise exige todos os três como um sistema unificado.

Qualquer arquitetura agente, em qualquer pilha de tecnologia, deve fornecer um conjunto comum de recursos. Um agente precisa de dados confiáveis para raciocinar, lógica de negócios pela qual ele pode agir com segurança, governança em seu próprio ciclo de vida, uma compreensão compartilhada do que os dados significam e um caminho para escalar para humanos. Estes são requisitos arquitetônicos, não produtos: em que o Salesforce fornece parte da pilha, os recursos restantes ainda precisam de atenção.

O Salesforce oferece esses recursos como um conjunto integrado. Tratá-los como um sistema torna as dependências explícitas: enfraquecer qualquer um e os agentes serão limitados de maneira previsível. Esta seção descreve cada recurso, por que ele é importante para os agentes e como o Salesforce o fornece.

Os agentes precisam de dados controlados e verificados para justificar de modo eficaz. Os modelos de IA conhecem padrões dos dados de treinamento, não dos registros de clientes, do catálogo de produtos ou do histórico de transações de uma empresa. Essa funcionalidade fecha essa lacuna fundamentando os agentes em dados precisos, autorizados, atuais e rastreáveis, em vez de conteúdo da Web arbitrário ou origens não verificadas.

Os datos operacionais atuais permitem decisões urgentes: um agente de comércio respondendo “Qual é o status do meu pedido?”, um agente de serviço detectando casos abertos, ou um agente de vendas classificando oportunidades que fecham neste trimestre.
Os dados históricos – por exemplo, grandes conjuntos de dados mantidos no Data 360 – dão suporte à análise de tendências, previsões e aprendizado com base em padrões passados.
O acesso federado permite que os agentes entendam os dados onde quer que estejam. Ele reduz a duplicação de origens conectadas e apresenta uma visualização unificada.

A Salesforce fornece isso por meio do portfólio do Data 360.

Implicação arquitetônica: A qualidade do agente depende da qualidade dos dados. Investir em governança, classificação e lineagem de dados. Um agente que apresenta dados incorretos erode o Trust mais rapidamente do que um que diz “Eu não sei”.

Um agente que pode responder apenas perguntas é um copiloto. Um agente que pode criar registros, atualizar oportunidades, enviar comunicações e acionar automações é autônomo. Essa autonomia permite aos agentes agir em vez de apenas ajudar — invoca processos de negócios existentes e bem testados, em vez de reimplementá-los no código gerado.

Os agentes traduzem a intenção de linguagem natural em operações comerciais padrão em vez de exigir que os usuários escrevam código.
Os agentes delegam a processos de várias etapas encapsulados (por exemplo, um fluxo de reembolso que lida com verificações de crédito, atualizações de inventário e notificações).
Conforme as regras de negócios evoluem, os agentes herdam as alterações automaticamente, desde que a lógica fique no fluxo de trabalho e não seja refletida nas instruções do agente.

A Salesforce fornece essa funcionalidade por meio da lógica de negócios e da automação de plataforma do Customer 360.

Implicação arquitetônica: Projete agentes para invocar fluxos de trabalho existentes, não substituí-los. Os agentes que chamam automações comprovadas são mais confiáveis do que os agentes que reimplementam a lógica de negócios por meio do código gerado.

Os agentes precisam de governança de desenvolvimento a implantação, monitoramento e descontinuação. Sem isso, a proliferação de agentes não gerenciados cria a IA de sombra: agentes com permissões imprecisas, sem trilhas de auditoria, comportamento não testado e custo desconhecido. Esse recurso garante que os agentes sejam criados com proteções, implementados por meio de portões de aprovação, monitorados para desvio e descontinuados quando não forem mais necessários.

As ferramentas de desenvolvimento geram configurações iniciais a partir de descrições em linguagem natural e impõem proteções (validação de permissões, escopo do subagente) no momento do projeto.
A orquestração de tempo de execução gerencia a invocação do agente, a imposição de permissões, o registro de auditoria e o tratamento de falhas.
Os funcionalidades reutilizáveis permitem que as equipes adotem agentes e ações predefinidos, incluindo funcionalidades verticais de especialistas em domínio, em vez de criar cada agente do zero.
A observabilidade da sessão armazena interações do agente, etapas de raciocínio e resultados para análise, depuração e detecção de desvio.

A Salesforce fornece essa funcionalidade por meio do Agentforce Studio, do Agent Fabric e do AgentExchange.

Implicação arquitetônica: Trate os agentes como ativos gerenciados, não scripts únicos. A governança no nível do sistema evita a disseminação do agente.

Os agentes que consultam dados precisam entender a semântica: o que “receita” significa, qual campo é “nome do cliente”, como as tabelas se relacionam. Sem uma definição semântica compartilhada, os agentes geram consultas que usam os campos errados, interpretam nulos incorretamente ou violam regras de negócios. Com um, cada agente consulta definições governadas e retorna resultados consistentes e corretos, com a lógica de calendário fiscal e reconhecimento de receita vivendo na definição, não em avisos do agente. Essa camada opera dentro do modelo de segurança nativo da plataforma: o acesso é controlado pelos próprios controles no nível de linha e no nível de campo da plataforma, não reimplementados na camada semântica. Como resultado, os agentes são vinculados pelas mesmas permissões de dados que a plataforma impõe.

O Salesforce fornece essa funcionalidade por meio do Tableau Semantics, uma camada semântica governada integrada ao Tableau Next e ao Data 360.

Implicação arquitetônica: Defina a camada semântica antes de implementar agentes analíticos. Os agentes que consultam tabelas brutas criam lacunas de governança e resultados inconsistentes.

Agentes totalmente autônomos sem supervisão humana criam riscos de conformidade, lacunas de responsabilidade e desconfiança do usuário. Esse recurso mantém os humanos no controle: Os agentes escalonam quando há incertezas, solicitam aprovação para ações de alto impacto e permanecem transparentes sobre seu raciocínio.

Os fluxos de trabalho de aprovação permitem que os agentes solicitem o logout humano antes de executar ações consecutivas (emitir um reembolso, fechar uma oportunidade, excluir dados).
O histórico de interações persistente registra a intenção, os dados acessados, as etapas de raciocínio e as ações realizadas, permitindo auditoria, depuração e melhoria contínua.
Os padrões de escalação são transmitidos aos especialistas humanos com contexto completo quando um agente não tem confiança ou atinge um caso de ponta.

O Salesforce fornece essa funcionalidade por meio de fluxos de trabalho de aprovação e escalação Human-in-the-Loop com histórico de interações persistente e auditável.

Implicação arquitetônica: Projete regras de escalação explícitas com antecedência. Defina quais decisões exigem aprovação humana (limites financeiros, ações irreversíveis, dados regulamentados) e implemente esses fluxos de trabalho antes de implantar agentes autônomos.

Esses recursos são interdependentes. Um agente utiliza dados confiáveis para fundamentar seu raciocínio, atua por meio da lógica de negócios, opera sob a governança de ciclo de vida, consulta por meio de semântica compartilhada e escala para humanos quando necessário. Remova dados confiáveis e os agentes alucinam; remova a lógica de negócios e eles só podem responder, não agir; remova a governança e eles se proliferam em IA sombra; remova a semântica compartilhada e seus desvios de consultas; remova a escalação humana e eles agem sem supervisão. Um modelo de consumo de primeira API, o Salesforce Headless 360, permite que os agentes acessem esses recursos por meio de interfaces programáticas consistentes (API, MCP e CLI), em vez de integrar sistemas separados um a um.

Os pilares da Estrutura bem criada continuam a ser a base para sistemas agentes. Os agentes ainda operam dentro dos limites do regulador, exigem controles de acesso adequados, precisam de monitoramento, consomem recursos e atendem os usuários de maneira justa. Comece com a orientação do principal pilar e aplique as considerações agentes que cada companheiro do pilar adiciona.

Diretrizes do principal pilar:

Trust — Modelo de responsabilidade compartilhada, controle de acesso de quatro camadas (org/object/field/record), criptografia, fluxos OAuth, trilhas de auditoria, estruturas de conformidade
Confiabilidade – limites do regulador com um buffer operacional recomendado (o limite de 70% é uma prática recomendada da comunidade, não uma especificação oficial do Salesforce), processamento assíncrono, interruptores de circuito, planejamento de capacidade, padrões de várias organizações, recuperação de desastres
Excelência operacional — Monitoramento de evento, Proactive Monitoring, Práticas de DevOps (desenvolvimento orientado por fonte, CI/CD), automação, gerenciamento de incidentes, métricas DORA
Otimização de recursos e custos — Otimização SOQL, prevenção de data-skew, organização de código, estratégias de empacotamento, monitoramento de desempenho, modelagem de TCO, compilação vs. compra, otimização de licenças, monitoramento de custos
Justiça — acessibilidade (WCAG 2.2 AA), padrões de não discriminação (regras de partilha, FLS), arquitetura de privacidade, governança ética da IA

Os padrões principais Trust (Modelo de responsabilidade compartilhada, privilégio mínimo, criptografia, OAuth) permanecem fundamentais. Os sistemas agentes adicionam:

Autenticidade e autenticação do agente – os agentes podem usar autenticação baseada em JWT em vez de chaves de API estáticas, o que habilita trilhas de auditoria por agente e rastreamento de permissão granular
Propagação de identidade do usuário – quando os agentes invocam sistemas externos em nome de um usuário, propagam a identidade do usuário (não apenas a do agente) para que os sistemas a jusante apliquem permissões no nível do usuário e rastas de auditoria
Limites de permissão – privilégio mínimo para agentes, herança de permissão do usuário em execução, permissões explícitas do agente e validação nos limites de delegação
Human-in-the-Loop para decisões consequenciais — fluxos de trabalho de aprovação para ações de alto impacto ou irreversíveis e dados regulamentados
Explicabilidade – os agentes explicam o seu raciocínio, citam fontes para alegações factuais e tornam transparentes os dados e ações que tomaram
Conformidade para sistemas autônomos — aderir à classificação de risco do Ato UE de IA (diferenciando implantações de risco limitado em relação a implantações de alto risco) e aos regulamentos específicos do setor, como a HIPAA e a lei de serviços financeiros funcionais; manter uma gestão rigorosa do consentimento para o processamento orientado por agentes

Por que isso importa: Os agentes que atuam de forma autônoma sem limites de Trust adequados criam vulnerabilidades de segurança, violações de conformidade e desconfiança do usuário. O pilar principal Trust fornece o Modelo de responsabilidade compartilhada e controle de acesso de quatro camadas; a variante agente adiciona autenticação de agente opcional baseada em JWT, portas de aprovação HITL e capacidade de explicação.

Saiba mais: Agent Enterprise Trust

Os principais padrões de confiabilidade (limites do regulador, processamento assíncrono, interruptores de circuito, planejamento de capacidade) permanecem fundamentais. Os sistemas agentes adicionam:

Manuseio de raciocínio não determinístico – a mesma entrada pode produzir diferentes saídas; design para variação com pontuação de confiança, verificações de validação e estratégias de fallback
Degradação graciosa — quando a inferência falha ou retorna baixa confiança, degrade para capacidades mais simples em vez de falhar completamente
Manuseio de falha de orquestração – fluxos de trabalho de vários agentes precisam de isolamento de falha, estratégias de repetição e tratamento de resultado parcial para que um agente especializado que falha permaneça isolado em vez de ser encadeado
SLOs de desempenho do modelo – definir metas aceitáveis de latência, precisão e disponibilidade para serviços do agente
Disparadores para coordenação do agente – evitar falhas em cascata quando um agente experimenta erros ou latência excessiva

Por que isso importa: O comportamento do agente probabilístico significa que os padrões de confiabilidade determinística não são suficientes. O pilar de confiabilidade central fornece padrões assíncronos e quebradores de circuito para integrações externas; a variante agente adiciona degradação agradável para falhas de inferência e tratamento de falha de orquestração para coordenação de vários agentes.

Saiba mais: Confiabilidade corporativa dos agentes

Os principais padrões de excelência operacional (Monitoramento de evento, DevOps, automação, gerenciamento de incidentes) permanecem fundamentais. Os sistemas agentes adicionam:

Ciclo de vida de desenvolvimento do agente (ADLC) – gerencie os agentes em todo o ciclo de vida, desde o design e os testes até a implantação, o monitoramento e o ajuste
Observando sistemas probabilísticos — capturar etapas de raciocínio, pontuações de confiança, fontes de dados acessadas e raciocínio da decisão, não apenas entrada→output
Detecção de desvio – monitore a degradação do desempenho de turnos de distribuição de dados, alterações de regras de negócios ou atualizações de modelo a montante em relação às linhas de base comportamentais
Versão do agente e implementação – distribuição gradual, teste A/B, reversão e controle de versão para avisos e configurações
Resposta de incidente para falhas do agente – distinguir falhas de modelo, falhas de orquestração e falhas de dados para remediação direcionada

Por que isso importa: Comportamento não determinista dificulta a observação. O principal pilar de Excelência operacional fornece práticas de Monitoramento de evento e DevOps; a variante agente adiciona ADLC, detecção de desvio e observabilidade específica do agente.

Saiba mais: Excelência operacional da Agtic Enterprise

Os padrões de otimização de custo e recurso essenciais (otimização de SOQL, limites do controlador, organização de código, monitoramento de desempenho, modelagem de TCO, criação vs. compra, otimização de licença, monitoramento de custo) permanecem fundamentais. Os sistemas agentes adicionam:

Otimização de latência de inferência — respostas de streaming, execução paralela, armazenamento em cache e otimização de prompt
Economia de token — cada etapa de chamada, recuperação e raciocínio consome tokens; crie estratégias de gerenciamento de contexto (resumo, recuperação seletiva) para janelas de contexto limitadas
Otimização de recuperação de memória — pesquisa vetorial eficiente e recuperação semântica para que padrões RAG não criem gargalos de latência
Gerenciamento de latência de vários agentes – execução especializada em paralelo, delegação assíncrona e orçamento de tempo limite para evitar que cadeias de agentes sequenciais acumulem latência
Modularização de agentes — Dividir agentes monolíticos em agentes especializados para reutilização, escalação independente e otimização direcionada
Preço baseado em consumo — Ao contrário da licença por usuário, os custos dos agentes aumentam com o uso, exigindo orçamento e previsões diferentes
Unidades de trabalho agentes (AWUs) — medir o gasto em relação ao trabalho realizado pelos agentes, não apenas o consumo bruto do token, e ajustar o consumo em relação ao valor entregue
Construir vs. comprar para recursos agenciais — avaliar a criação de recursos diferenciados em relação à adoção de recursos de commodity
Medida do ROI do agente – acompanhar os resultados de negócios em relação aos custos operacionais do agente

Por que isso importa: O consumo de token e a latência de inferência são novas restrições de recurso, e os modelos de custo de agência diferem fundamentalmente dos custos de infraestrutura. O pilar principal fornece orientação de limite do regulador, otimização de SOQL e a estrutura de TCO; a variante agente adiciona economia de token, otimização de latência de inferência, gerenciamento de precificação baseado em consumo e Unidades de trabalho agente para medir o custo em relação aos agentes de trabalho concluídos.

Saiba mais: Otimização de recursos empresariais e custo

Os principais padrões de equidade (acessibilidade, não discriminação, privacidade, governança de ética de IA) permanecem fundamentais. Os sistemas agentes adicionam:

Explicabilidade – os agentes explicam por que decidiram, quais dados usaram e quais alternativas consideraram. (O pilar Trust abrange a explicabilidade como um controle de auditoria e transparência; Fairness abrange-a como o direito de um usuário entender uma decisão que os afeta.)
Contestabilidade – os usuários podem desafiar as decisões do agente, solicitar revisão humana e entender o processo de apelações
Detecção e mitigação de desastres — teste com entradas diversas e monitoramento de resultados diferentes em grupos demográficos
Supervisão humana proporcional ao impacto — Decisões de alto nível exigem Human-in-the-Loop; decisões de baixo nível podem operar de forma autónoma
Experiências equitativas conduzidas por agentes — atendem todos os usuários de forma eficaz, independentemente de proficiência linguística, conhecimento técnico ou necessidades de acessibilidade

Por que isso importa: Agentes autônomos tomando decisões que afetam as pessoas aumentam os juros de justiça. O principal pilar de Fairness fornece padrões de acessibilidade e padrões de não discriminação; a variante agente adiciona explicabilidade, contestabilidade e supervisão humana proporcional.

Saiba mais: Agent Enterprise Fairness

Ao arquivar soluções agentes:

Comece aqui para o modelo conceitual: os recursos de que os agentes precisam e como os pilares se aplicam aos agentes.
Leia os guias básicos para as abordagens fundamentais que se aplicam a todas as soluções do Salesforce.
Leia os companheiros de pilares agenciais para detalhes de design específicos para os agentes.

Crie em padrões de plataforma comprovados e, em seguida, aborde as considerações apresentadas pelos agentes. Os pilares centrais fornecem a base, os acompanhantes agentes fornecem os detalhes e essa visão geral os une.

Os recursos e os pilares acima descrevem como arquivar um sistema agente. Colocar esse sistema em produção requer uma estrutura de governança permanente: um Centro de excelência (CoE). No sistema unificado de humanos, agentes e plataformas, o CoE dá controle aos humanos. O CoE define os limites dos agentes, decide o que atinge a produção e alinha o trabalho do agente à intenção comercial e aos requisitos regulatórios. Um CoE é a diferença entre sistemas agentes governados e experiências não governadas que se desviam para a IA sombra – agentes com permissões imprecisas, sem trilha de auditoria e custo desconhecido.

A autonomia torna cada decisão de governança consequente. O CoE ajuda as equipes a tomar essas decisões deliberadamente e aplicá-las de modo consistente, em vez de resolvê-las em uma equipe por vez.

Um CoE une negócios, TI e conformidade em torno de uma pendência compartilhada e uma definição compartilhada de pronto. Sua associação abrange as perspectivas que uma decisão agente toca:

Um patrocinador executivo detém a autoridade orçamental e limpa os bloqueadores organizacionais.
Os líderes empresariais traduzem a estratégia em prioridades e possuem o backlog.
Um escritório de programa e administradores de dados conectam o trabalho agente a iniciativas mais amplas e avaliam a integridade e a segurança dos dados.
Arquitetos, administradores e desenvolvedores possuem o modelo de dados, os padrões de integração e o ritmo de entrega e detectam restrições técnicas antes do início do trabalho.

Os agentes enviam, alteram e desviam mais rapidamente do que o software tradicional. Para manter a governança alinhada à entrega, o CoE é executado em um ritmo de revisão primeiro assíncrono e acelerado. O ritmo fica mais apertado em comparação a um CoE convencional, e a revisão assíncrona se torna o modo de trabalho padrão:

A revisão contínua assíncrona é o modo principal: os membros permanecem alinhados em um canal compartilhado à medida que as mudanças chegam, não apenas em reuniões agendadas.
As revisões operacionais semanais confirmam que as alterações no voo permanecem compatíveis com agentes ativos e integrações, um ritmo mais rápido do que as revisões mensais ou trimestrais que um ritmo mais lento de entrega permitiria.
As exames estratégicos mensais ponderam o atraso em relação às prioridades de negócios e avaliam a prontidão em relação à linha de base atual de qualidade dos dados.

O Conselho de Administração toma decisões explícitas sobre quem aprova alterações nos objetos, campos e automações de que os agentes dependem; quem tem prioridade quando as solicitações competem; quando descontinuar o débito técnico; e quais métricas de negócios definem o sucesso.

Um CoE pronto para agentes controla cada pilar. Os guias de pilares principais fornecem os controles fundamentais; é no CoE que eles se tornam prática observável imposta.

Trust – a segurança em nível de objeto, campo e registro controla os dados que os agentes usam. Os controles de acesso no nível do agente limitam os dados e ações que cada agente pode acessar. Identidade, privilégio mínimo e modelagem de ameaça são integrados ao design do agente. Consulte Trust e Agentic Enterprise Trust.
Excelência operacional – Registros de rastreamento e auditoria capturam decisões, ações e resultados dos agentes. Os painéis de monitoramento revisam o desempenho e o alinhamento em relação às metas no ciclo de vida de desenvolvimento do agente. Consulte Excelência operacional e Excelência operacional da agência.
Confiabilidade e Otimização de recursos e custos – Especificação, geração de testes, loops de feedback e descontinuação controlam todo o ciclo de vida do agente. Limitação de taxa, controles de recurso e estratégias de remediação contêm os efeitos de erros do agente. Consulte Confiabilidade e Otimização de recursos e custos.
Justiça — Os pontos de verificação humanos permitem que as pessoas interceptem ou revisem ações consequentes. Os caminhos de escalação e o treinamento da equipe preparam as pessoas para revisar e substituir fluxos de trabalho agentes. Consulte Fairness e Agent Enterprise Fairness.

Um CoE está pronto para controlar cargas de trabalho agentes quando estas condições são atendidas:

Política — Políticas de acesso e ação para agentes são definidas, aplicadas e auditáveis.
Observabilidade — As ferramentas de monitoramento e auditoria dão suporte a análises retrospectivas e em tempo real do comportamento dos agentes.
Secure by design – Segurança, privacidade e conformidade são integrados aos fluxos de trabalho da agência desde o início.
Ciclo de vida — Um processo estruturado rege a integração, a atualização e a descontinuação dos agentes.
Supervisão humana – Os revisores lidam com exceções e usam feedback para melhorar os fluxos de trabalho da agência.

Confirme estas quatro noções básicas antes de implementar seu primeiro agente de produção:

Uma linha de base de qualidade dos dados documentada, revisada em um ritmo regular.
Um processo formal de aprovação de alteração de esquema com um proprietário nomeado e logout registrado.
Um registo de dívida técnica mantido, revisado no ritmo estratégico.
Uma política de governança de IA que abrange o acesso aos dados, o escopo do agente e os requisitos de auditoria.

Implicação arquitetônica: Estabeleça o CoE e confirme essas bases antes de implantar agentes autônomos. Governança integrada nas escalas iniciais com a adoção pelo agente. A governança adaptada posteriormente compete com a disseminação que deve ser evitada.

Veja também: Processos de aprovação de implantação no guia de Excelência operacional da empresa agente — a lista de verificação por agente que complementa a visualização de prontidão no nível da organização desta seção.

As organizações que começam sua jornada agente devem:

Comece com casos de uso de alto valor — Concentre os agentes iniciais em fluxos de trabalho com ROI claro; o sucesso cria um impulso.
Criar capacidades fundamentais — Estabelecer governança de dados, bases de Knowledge e padrões de integração.
Desenvolva o conhecimento dos agentes — Desenvolva habilidades em engenharia rápida e arquitetura de agentes, mesmo que as ferramentas com pouco código e linguagem natural reduzam a barreira de entrada.
Estabelecer um Centro de Excelência – defina o órgão de governança responsável pelos processos de aprovação, testes de segurança e monitoramento antes de implantar agentes de produção (consulte Prontidão organizacional: O Centro de Excelência acima).
Iterate – plano para refinamento contínuo em vez de uma implantação inicial perfeita.
Mede o valor – rastreie resultados de negócios, poupança de custos e satisfação do usuário para informar o investimento.

A Agentic Enterprise é uma oportunidade de transformação para organizações prontas para adotar fluxos de trabalho desenvolvidos com IA. Um design arquitetônico deliberado permite que você o realize enquanto gerencia o risco e a complexidade.

Compartilhe seu feedback sobre o Framework bem-construído.