Agentes de IA no Red Hat OpenShift: o que empresas estão fazendo no momento

Insights de uma mesa-redonda com clientes no Red Hat Summit 2026

Líderes de Engenharia de Plataforma e Operações de diversos setores — incluindo companhias aéreas, serviços públicos, serviços financeiros, ensino superior e governo — se reuniram para uma conversa franca sobre agentes de IA no Red Hat Summit 2026. Queríamos descobrir o que realmente funciona, onde estão os riscos e como as equipes estão gerando valor atualmente.

Do gerenciamento de plataforma à colaboração por IA

A pergunta subjacente a todas as conversas em nossa mesa-redonda era uma variante desta: Como será quando uma plataforma deixar de ser algo que você gerencia e passar a ser algo que pensa junto com a sua equipe?

As equipes gerenciam ambientes multicluster complexos com o mesmo número de funcionários de dois anos atrás. O trabalho manual de diagnosticar incidentes, correlacionar alertas e executar correções consome a capacidade que deveria ser direcionada ao desenvolvimento principal. Um participante definiu seu objetivo de maneira clara: dobrar o número de clusters gerenciados sem contratar nenhuma pessoa adicional.

A necessidade vai além da eficiência. A verdadeira questão é: no que seus melhores profissionais trabalham quando as tarefas rotineiras são resolvidas automaticamente? Os clientes em nossa mesa-redonda já estão tendo vislumbres disso. Os agentes de uma equipe detectaram uma falha silenciosa de um driver de armazenamento a cada 15 minutos, invisível para os logs e alertas existentes. O agente apresentou o problema com um resumo completo do diagnóstico e permaneceu em estado de bloqueio até que uma pessoa autorizasse a próxima etapa. Essa ação certamente gera resoluções mais rápidas, mas também cria uma relação fundamentalmente diferente entre a plataforma e as pessoas que a operam.

Retorno sobre o investimento (ROI) surpreendente além da TI

Alguns dos insights mais interessantes surgiram quando os participantes descreveram agentes de IA resolvendo problemas fora do domínio tradicional da infraestrutura.

A equipe de uma universidade implementou agentes para ajudar o grupo de serviços financeiros estudantis a identificar alunos carentes que se qualificavam para financiamento federal, mas foram ignorados por consultas ao banco de dados. O sistema identificou rapidamente mais de 100 estudantes e entre US$ 60.000 e US$ 70.000 em ajuda federal não reivindicada. A equipe não havia percebido que esse caso de uso era possível algumas semanas antes.

Outro exemplo ocorreu quando uma agência governamental descreveu sua visão de longo prazo de fornecer uma interface de agentes de IA para auxiliar os cidadãos a navegar por regulamentações legais complexas. O sistema coordenaria automaticamente os serviços públicos apropriados com base em eventos importantes, como ter um filho, abrir um negócio ou se mudar, oferecendo uma interface inteligente única em vez de dezenas de portais desconectados.

As organizações que ganham mais força são aquelas que expandem seus casos de uso e ampliam as noções preconcebidas sobre o significado de "IA para operações".

A supervisão humana é inegociável

O consenso na mesa-redonda foi claro: a autonomia total não é uma opção. Como a IA é não determinística, o principal desafio não é confiar nos agentes, mas sim estruturar fluxos de trabalho para que eles acelerem tarefas rotineiras com segurança enquanto os humanos mantêm o controle sobre ações críticas. As soluções de agentes de IA precisam de um modelo de governança de fluxo de trabalho padrão e claro que seja nativo da plataforma.

O modelo que mais repercutiu foi tratar os agentes como Site Reliability Engineers: eles analisam sistemas, geram planos de execução e rascunham tickets resumindo as descobertas e as ações propostas. Engenheiros revisam e aprovam as ações, e o agente só executa o que foi autorizado explicitamente.

Uma equipe compartilhou uma história de advertência sobre testes de arquiteturas de agentes de supervisão, onde o agente supervisor de IA supervisiona um conjunto de subagentes especializados. Eles contaram que três agentes subordinados se coordenaram para convencer a IA de supervisão a aprovar uma ação que deveria ter sido rejeitada. A equipe detectou o problema antes que qualquer dano ocorresse, mas a lição foi clara: A IA não pode governar outra IA de forma confiável sem intervenção humana.

Esse exemplo aponta para a necessidade de funcionalidades de governança codificáveis e fáceis de usar, como um "serviço de proteção" ou "Approval-as-a-Service", que as organizações implantem em todos os ambientes desde o primeiro dia.

Seguro por design

Para as equipes de operações, o foco principal é conter as consequências de erros cometidos por ferramentas autônomas. Os riscos variavam de um agente tentar executar um comando destrutivo (como rm -rf) a um agente de diagnóstico executar repetidamente comandos pesados e travar acidentalmente o próprio cluster que deveria corrigir.

Para mitigar esses riscos, as equipes usam agentes de sandbox em ambientes de containers com limites rígidos de recursos e logs de auditoria completos para cada ação. O emparelhamento de agentes com camadas de dados determinísticas, como repositórios de documentos validados por esquema ou outros sistemas que restringem rigorosamente as entradas aceitáveis, também se mostrou altamente eficaz para fundamentar o comportamento do agente.

As barreiras: adesão, trilhas de auditoria e ROI

Os obstáculos que retardam a adoção são, em grande parte, organizacionais, e não técnicos.

Conquistar a adesão interna é difícil, especialmente entre equipes que já passaram por iniciativas de automação com promessas excessivas no passado. Trilhas de auditoria detalhadas são essenciais para construir essa confiança (e obrigatórias por lei em algumas regiões). As organizações devem mostrar aos órgãos reguladores e à liderança exatamente o que um agente fez, o raciocínio utilizado e quem autorizou a ação. Sem essas evidências, as equipes de governança tendem a rejeitar a tecnologia.

Demonstrar um ROI claro é igualmente essencial. Todas as equipes na mesa-redonda notaram a pressão para provar o valor antes de garantir o orçamento. As equipes que avançam mais rápido começam com provas de conceito pequenas e de alta visibilidade, documentam os resultados e utilizam essas evidências para obter mais financiamento. Um ganho de US$ 60.000 a US$ 70.000 em ajuda financeira estudantil é um argumento de orçamento muito mais convincente do que uma redução no ruído de alertas, mesmo que ambos agreguem valor.

Principais descobertas

As organizações nesta mesa-redonda estão em diferentes estágios de adoção de agentes de IA, mas enfrentam as mesmas questões. Algumas práticas se destacam entre as equipes que mais progridem:

• Comece com observabilidade e autorrecuperação: é onde a dificuldade operacional é maior, o caminho para o valor é mais claro e o escopo limitado torna o projeto gerenciável.
• Projete a supervisão humana desde o primeiro dia: não adicione a governança apenas após a implantação. Crie fluxos de trabalho de aprovação, estados de bloqueio e trilhas de auditoria diretamente na sua arquitetura.
• Coloque seus agentes em sandbox: ambientes de execução em containers não são opcionais: eles oferecem as proteções necessárias para os agentes operarem com segurança.
• Leve a sério os custos de infraestrutura de IA: várias equipes descreveram custos de inferência em nuvem e GPU aumentando mais rápido do que o esperado, superando, em alguns casos, o valor gerado. O Red Hat OpenShift AI foi projetado especificamente para esse desafio, auxiliando as empresas a otimizar o uso de GPU em infraestruturas híbridas para que o custo de execução da IA em escala não impeça sua expansão. Em um ambiente onde as faturas de inferência em nuvem e o hardware de GPU on-premise representam compromissos de capital significativos, é crucial ter uma plataforma que maximize esse investimento.
• Foque no valor de negócio de alta visibilidade: as equipes com maior dinamismo encontram casos de uso que entregam valor para toda a organização, não apenas para a equipe de Engenharia de Plataforma. 

Red Hat OpenShift para a era dos agentes de IA

Todas as grandes ondas de software empresarial exigiram uma camada fundamental que tornasse sistemas complexos e distribuídos governáveis em escala. Na era cliente-servidor, era o middleware como o JBoss. Na era nativa em nuvem, era o Kubernetes. Na era dos agentes de IA, essa função pertence ao Red Hat OpenShift e ao Red Hat OpenShift AI.

Os clientes nesta mesa-redonda estão criando agentes autônomos operando em ambientes multicluster, tomam decisões em limites rígidos de governança, integram-se a fluxos de trabalho empresariais sendo executados em infraestrutura soberana ou híbrida. Isso não pode ser construído de forma confiável com ferramentas ad hoc. Isso exige uma base open source consistente e focada na segurança, na qual as empresas já confiam. 

O OpenShift é mais do que um orquestrador de containers. É a plataforma na qual frameworks de agentes, servidores MCP, bibliotecas de habilidades de agentes, fluxos de trabalho human-in-the-loop e cargas de trabalho de GPU são unificados em uma base que as empresas podem implantar, governar e escalar em ambientes multicluster.

Estabelecer essa base focada na segurança exige abordar todo o stack de governança de agentes de IA: controles de política e autoridade, gerenciamento de identidade e acesso, governança de aplicações e ferramentas, segurança e auditoria de runtime, sandbox de execução, governança de dados e conteúdo e gerenciamento do ciclo de vida human-in-the-loop. Fundamentalmente, a identidade e a autenticação não podem ser deixadas para depois: cada ação do agente deve ser autenticada e atribuível a uma entidade autorizada específica. 

O OpenShift atende a esses requisitos por meio do AgentOps, a abordagem independente de framework da Red Hat AI para operacionalizar agentes em qualquer modelo, acelerador ou nuvem, com proteções integradas que abordam cada uma dessas camadas de governança e segurança. Essas funcionalidades não são opcionais para serem adicionadas posteriormente: elas são a base que permite a escala empresarial de agentes de IA. As organizações que entendem e lidam com isso desde o início avançarão mais rápido, governarão com mais eficiência e gastarão menos tempo construindo essa base, permitindo que sigam com confiança para o futuro dos agentes de IA.

Para ver como o Red Hat OpenShift está abordando o futuro dos agentes de IA:

• Assista à sessão Product Spotlight do Red Hat Summit 2026. 
• Confira nosso blog: "Modelos não geram receita, aplicações sim." 
• Visite a página do produto Red Hat OpenShift AI.