Casos de uso da IA agêntica

A IA agêntica usa Large Language Models (LLMs) e ferramentas para obter o máximo da IA generativa (gen AI). Ela funciona se conectando a fontes externas para coletar informações, tomar decisões e orquestrar tarefas automatizadas, a fim de atingir objetivos definidos. 

Para usar a IA agêntica, você precisa criar um sistema que ofereça ao LLM acesso a ferramentas externas e à lógica que orienta o sistema agêntico sobre como usá-las. Um sistema agêntico é uma camada que orienta e opera outras ferramentas de software. 

A IA agêntica pode ser uma estrutura física, um programa de software ou uma combinação de ambos. Por exemplo, um agente de IA é um sistema robótico que usa câmeras, sensores e monitores para coletar dados sobre o ambiente. Em seguida, ele analisa essas informações por meio de um software para determinar a próxima etapa. Esse processo é conhecido como fusão de sensores. 

Em um ambiente de software, a IA agêntica coleta dados de outras fontes, como interfaces de programação de aplicações (APIs), buscas online, prompts de texto e bancos de dados, que ajudam os agentes a construir uma percepção e compreensão de contexto.

Explore o Red Hat AI

IA agêntica vs. agentes de IA

Um agente de IA é um substantivo ("Estou criando três agentes"). Ele se refere a uma entidade de software desenvolvida para realizar tarefas e executar uma função dentro de um sistema agêntico.

A IA agêntica é um termo descritivo que se refere às características comportamentais de um sistema ("Precisamos tornar nosso software mais agêntico."). Ela descreve um sistema que planeja, toma decisões e age para alcançar objetivos com orientação humana limitada. 

Uma breve história dos agentes de IA

As primeiras iterações dos agentes de IA envolviam chamadas de funções básicas da API. A partir disso, os agentes de IA começaram a criar conjuntos de instruções para seus sistemas. 

Em seguida, os frameworks transformaram uma única chamada de ferramenta em um loop: raciocinar, agir, observar e repetir. 

Depois, surgiu o Model Context Protocol (MCP), que padronizou a comunicação entre aplicações e serviços. Isso facilitou mais do que nunca que ferramentas, recursos e prompts fossem expostos e descobertos por um cliente MCP (o componente que solicita acesso a dados ou recursos externos). 

Atualmente, temos agentes de codificação autônomos e sistemas multiagente onde um agente planeja tarefas e as delega aos subagentes que ele cria na hora. O ser humano deixa de estar no loop para ser notificado pelo loop.

Então, se o seu agente pode atuar em sistemas reais, com credenciais reais e durante longos períodos, o que o impede de fazer a coisa errada?

O AgentOps. 

O AgentOps (operações por agentes) é um framework de ferramentas que monitora o "cérebro" da IA em tempo real, conforme ela toma decisões. 

As ações dos agentes são não determinísticas, ou seja, são decididas por uma série de distribuições de probabilidade aleatórias. Isso significa que não podemos prever com precisão suas ações. Os fluxos de trabalho agênticos ajudam a resolver problemas criativamente. No entanto, é preciso gerenciar a criatividade para os sistemas não saírem do controle.

O AgentOps lida com a camada de produção, tornando o software mais confiável. O AgentOps ajuda ao:

• Rastrear recursos de hardware.
• Monitorar as taxas de alucinação.
• Assegurar a criptografia dos dados.
• Fornecer registros auditáveis das operações dos agentes.
• Encerrar o processo em caso de violações de política.

Em ambientes empresariais, o AgentOps é essencial para os fluxos de trabalho agênticos. Ele oferece sistemas de IA que são baseados na sua infraestrutura, treinados com seus dados, alinhados aos seus valores e que seguem suas regras. 

Mais informações sobre o AgentOps

A geração aumentada por recuperação (RAG) é um método que permite obter melhores respostas de uma aplicação de IA generativa conectando um LLM a um recurso externo. A RAG agêntica incrementa a RAG tradicional, permitindo que o LLM investigue ativamente em vez de apenas recuperar informações.

Embora a RAG possa recuperar respostas e fornecer contexto a partir da documentação e dos conjuntos de dados disponíveis, ela depende da engenharia de prompt manual. A RAG tradicional possui consciência contextual limitada e baseia-se exclusivamente na consulta inicial para recuperar informações relevantes.

A RAG agentic é mais sofisticada e dinâmica. Ela gera perguntas, cria contexto a partir da própria memória e realiza outras tarefas sem precisar de instruções explícitas. Esse avanço em relação à RAG tradicional permite que a RAG agêntica tome decisões mais embasadas em nome do usuário, sem depender da sua intervenção manual.

Quando os modelos param de responder e começam a agir

A IA agêntica pode ser usada de diversas formas. Vejamos como diferentes setores podem usá-la:

IA agêntica no setor financeiro

As equipes financeiras supervisionam milhões de transações, tornando inviável acompanhar em tempo real a detecção manual de fraudes e a aplicação de políticas. 

Os agentes financeiros autônomos podem monitorar continuamente transações diárias e sinalizar fraudes ou violações de políticas antes que se agravem. Os agentes ingerem dados em tempo real, cruzam essas informações com regras internas e sinalizam anomalias. Depois, cabe aos revisores humanos analisar as atividades suspeitas sinalizadas e decidir se é necessário agir.

IA agêntica na engenharia de software e TI

Os desenvolvedores passam horas reproduzindo bugs e escrevendo correções que poderiam ser gastas na criação e melhoria de novas funcionalidades. Os agentes de IA podem ajudar na triagem reproduzindo bugs em um sandbox, elaborando possíveis correções e executando testes para verificar se os patches funcionam. Depois de chegar a uma solução, um desenvolvedor humano revisa o código e aprova a implantação na produção.

IA agêntica no gerenciamento da cadeia de suprimentos

Fatores externos, como condições climáticas extremas, greves e congestionamentos portuários, podem afetar as cadeias de suprimentos, resultando em atrasos e perdas financeiras. Os agentes podem rastrear atualizações, monitorar o clima e alertar equipes sobre possíveis atrasos. Além disso, eles podem calcular o impacto financeiro do redirecionamento. Depois, os gerentes da cadeia de suprimentos revisam as análises de custo-benefício do agente e decidem qual estratégia seguir.

IA agêntica para veículos autônomos

Os veículos autônomos precisam navegar por ambientes reais complexos, o que significa interpretar fluxos enormes de dados sensoriais conflitantes. Um sistema agêntico de fusão de sensores combina diferentes entradas brutas, como as de câmeras e radares, para criar uma representação coesa e em tempo real do entorno do veículo. Esse sistema processa, organiza e filtra dados de todos os sensores do veículo para interpretar ambiguidades visuais e prever riscos de colisão em milissegundos. Motoristas de segurança ou operadores remotos supervisionam situações excepcionais, monitoram a confiabilidade desses sistemas e assumem o controle manualmente quando necessário.

IA agêntica no setor de comunicações e relações públicas

O mundo online avança em um ritmo que nenhuma equipe de comunicação conseguiria acompanhar. As notícias circulam em tempo real, o sentimento pode mudar em questão de minutos e uma pequena notícia pode se transformar rapidamente em uma crise.

Os agentes podem passar noite e dia rastreando menções globais à marca nas plataformas e criar um resumo para avaliar o humor do público. Eles também podem verificar novas histórias, artigos acadêmicos recém-publicados e tendências sociais para compilar informes diários. Dessa forma, eles podem resumir esses insights para ajudar as equipes a se preparar para as mudanças do setor. A partir desses informes, profissionais de comunicação podem elaborar mensagens para situações de alto risco e definir estratégias de RP para responder a incidentes que tenham se agravado.

IA agêntica em recursos humanos

O onboarding de novos funcionários envolve tarefas administrativas repetitivas, agendamentos e um fluxo constante de perguntas que pode sobrecarregar as equipes. Para ajudar com isso, um agente de onboarding dedicado pode orientar os recém-contratados na documentação, configuração de TI e treinamento. Ela pode responder perguntas específicas e agendar reuniões iniciais com base no cargo e no departamento do funcionário. Com mais tempo livre, os líderes de RH e os gerentes de equipes podem se concentrar na integração cultural personalizada, mentoria e construção de vínculos pessoais com o novo funcionário. 

IA agêntica para o setor jurídico e de conformidade

As leis de comércio internacional e as regulamentações ambientais mudam o tempo todo, dificultando que empresas multinacionais se mantenham em conformidade. Os agentes podem rastrear continuamente as atualizações regulatórias em todo o mundo e analisar como as mudanças na legislação afetam os fluxos de trabalho operacionais. Isso ajuda as organizações a se anteciparem aos riscos legais sem precisar realizar revisões manuais de políticas. Quando um agente identifica uma área que pode exigir mudanças internas, um consultor jurídico pode analisar as descobertas e, se necessário, redigir políticas corporativas atualizadas. 

IA agêntica em marketing e vendas

Em um mercado competitivo, preços estáticos podem levar à perda de receita. Os agentes monitoram a precificação dos concorrentes e a demanda do mercado em tempo real. Eles sugerem ajustes no preço para manter uma vantagem enquanto protegem as margens de lucro. Os líderes de marketing e receita definem os limites da estratégia de precificação, revisam as recomendações automatizadas e aprovam campanhas promocionais. 

IA agêntica no setor de saúde

Os profissionais de saúde estão sobrecarregados com dados administrativos, o que pode causar burnout e levar a falhas na assistência aos pacientes. Um agente de assistência clínica pode ajudar a organizar os dados dos pacientes, sinalizar resultados laboratoriais ausentes e alertar a equipe sobre possíveis interações medicamentosas ou problemas de dosagem. Os médicos e a equipe clínica usam o agente como uma rede de segurança, revisando os alertas e dedicando mais tempo ao atendimento direto aos pacientes. 

Explore casos de uso agêntico com a Red Hat

O Red Hat® AI operacionaliza todo o ciclo de vida de um agente com um plano de controle de AgentOps dedicado. Isso ajuda a manter cada implantação protegida, observável e eficiente em todo o ambiente de nuvem híbrida. 

A plataforma oferece governança de nível empresarial com guardrails integrados. A infraestrutura subjacente usa o vLLM e o llm‑d para viabilizar uma inferência distribuída de alto desempenho, permitindo escalar fluxos de trabalho intensivos, de ambientes on-premise para a edge.

O Red Hat AI foi criado para oferecer inferências rápidas, flexíveis e eficientes por meio de um servidor com tecnologia vLLM. Ele conecta modelos aos seus dados de maneira confiável para unificar a personalização e o desenvolvimento de agentes especializados na mesma plataforma. Desenvolvidas sobre uma base open source, nossas soluções de IA oferecem controle total sobre os fluxos de trabalho de IA, de ponta a ponta, em qualquer escala.