O que é a Agentic AI?
A Agentic AI é um sistema de software criado para interagir com dados e ferramentas, exigindo o mínimo de intervenção humana. Com foco no comportamento orientado a metas, a Agentic AI realiza tarefas criando uma lista de etapas e as executando com autonomia.
Pense nela como uma combinação entre a automação e as habilidades criativas de um Large Language Model (LLM). Para usar a Agentic AI, você precisa criar um sistema que disponibilize um LLM com acesso a ferramentas externas, além de algoritmos que ofereçam instruções sobre como os agentes de IA devem usar essas ferramentas.
A comunicação dos agentes com as ferramentas envolve orquestração com fluxos e gráficos, dependendo do framework utilizado. Essa abordagem permite que o LLM “raciocine” e determine a melhor forma de responder a uma pergunta, por exemplo, decidir se a consulta pode ser respondida com as informações disponíveis ou se é necessário realizar uma busca externa.
O que a IA agentic pode fazer?
Um agente de IA é como uma entidade que atua controlando e operando outras ferramentas de software. A IA agentic pode ser uma estrutura física, um programa de software ou uma combinação de ambos.
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 com o software para determinar a próxima etapa. Esse processo é conhecido como fusão de sensores.
Enquanto isso, em um ambiente de software, a Agentic AI coleta dados de outras fontes, como APIs, buscas online, prompts de texto e bases de dados, que ajudam os agentes a construir uma percepção e compreensão de contexto.
Vamos explorar algumas das funcionalidades específicas da Agentic AI:
A Agentic AI é adaptável e dinâmica
Ela aprende a partir de padrões e dados anteriores. Isso significa que a tecnologia consegue alterar sua estratégia em tempo real com base nas informações novas e variáveis que recebe. Os fluxos de trabalho agentic podem avançar e retroceder, diferente dos fluxos de trabalho tradicionais, que geralmente seguem em uma única direção. Isso permite que a tecnologia corrija erros ao longo do processo. Em outras palavras, a IA agentic prevê necessidades e as reflete no próprio trabalho.
Por exemplo, um veículo autônomo pode usar a Agentic AI para melhorar sua capacidade de diferenciar lixo de um animal na pista. À medida que o veículo monitora e analisa o próprio comportamento constantemente, ele consegue melhorar os resultados das suas ações.
A Agentic AI é capaz de gerenciar e concluir tarefas por conta própria
Às vezes ela também é chamada de IA autônoma. Isso acontece porque ela consegue se comunicar e colaborar com outros sistemas de IA e infraestruturas digitais, representando usuários humanos ou outros agentes de IA.
Por exemplo, imagine que você informou a um agente de IA que deseja fazer macarrão para o jantar. Ele executará as etapas necessárias para encontrar uma receita, elaborar uma lista de ingredientes e solicitar a entrega desses produtos na sua casa fazendo um pedido em um mercado nas proximidades.
A Agentic AI tem a capacidade de "encadeamento"
Isso significa que o sistema de IA consegue executar uma sequência de ações para responder a uma solicitação. Por exemplo, se você pedir a um agente de IA para "criar um site", ele seguirá todas as etapas necessárias para concluir essa tarefa. Ou seja, com base em apenas um prompt, o agente de IA consegue criar o código da estrutura, preencher as páginas com conteúdo, desenvolver os elementos visuais e testar a responsividade.
Acesse a biblioteca de conteúdos da Red Hat
Benefícios da Agentic AI
A Agentic AI é mais útil para tarefas que exigem monitoramento contínuo ou decisões rápidas. Os benefícios da Agentic AI incluem:
Maior produtividade: delegar tarefas a um agente de IA permite maior foco em iniciativas que agregam valor a uma empresa. Pense nele como um estagiário que trabalha 24 horas por dia, 7 dias da semana.
Custo reduzido: a Agentic AI reduz erros humanos, eliminando o custo associado a ineficiências, supervisões e equívocos.
Decisões embasadas: a Agentic AI usa machine learning para filtrar e processar quantidades massivas de dados, mais do que qualquer humano conseguiria. Obter insights a partir de conjuntos maiores de dados de qualidade resulta em previsões e estratégias mais eficazes.
Experiência do usuário aprimorada: tradicionalmente, criar um fluxo de trabalho automatizado exige expertise em engenharia e programação. Com a Agentic AI, os usuários podem interagir utilizando linguagem natural, da mesma forma que interagimos com plataformas como o ChatGPT.
Casos de uso da Agentic AI
Com essas características únicas, a Agentic AI pode ser utilizada para diversos propósitos. Vejamos como ela poderia ser utilizada em diferentes setores em um ambiente empresarial:
- Operações empresariais: para gerenciar cadeias de suprimentos, otimizar níveis de inventário, prever demandas e fazer o planejamento logístico.
- Na área da saúde, os agentes de IA podem ser usados para interagir com clientes, monitorar suas necessidades, conduzir planos de tratamento e oferecer atendimento personalizado.
- Desenvolvimento de software: para gerar código de depuração automaticamente, gerenciar o ciclo de vida do desenvolvimento e projetar a arquitetura do sistema.
- A Agentic AI pode ser aplicada em operações de software para gerenciar de forma autônoma redes, infraestruturas e serviços de TI.
- É possível usar agentes de IA na cibersegurança para monitorar o tráfego de rede, detectar problemas e responder a ameaças em tempo real.
- Pesquisa: para criar e executar experimentos, analisar dados, formular novas hipóteses e acelerar a inovação, operando com mais agilidade que um humano ou um grupo de pesquisadores.
- Operações financeiras: para analisar tendências do mercado e tomar decisões de negociação, ajustando a estratégia, em tempo real, com base nos fluxos de dados.
O que é um fluxo de trabalho agentic?
A Agentic AI nos aproxima da criação de sistemas inteligentes capazes de operar com autonomia, colaborar de maneira eficaz e aprender por meio de suas interações com os dados. A IA agentic funciona por meio de um processo conhecido como fluxo de trabalho agentic.
Um fluxo de trabalho agentic é uma série estruturada de ações gerenciadas e realizadas por agentes de IA. Quando um agente de IA recebe uma meta, ele inicia o fluxo de trabalho dividindo a tarefa em etapas menores e as executa em seguida.
Para isso, um agente se replica, criando um sistema multiagente (multi-agent system, MAS). Nesse fluxo de trabalho, o agente principal (também conhecido como meta-agente, orquestrador ou supervisor) delega tarefas a outros agentes, atribuindo valores e interagindo com a memória em um ciclo de feedback. O comitê de agentes trabalha em paralelo até que a meta geral seja concluída.
Dentro desse MAS, cada agente tem uma estrutura interna que permite a operação independente e colaborativa dentro do sistema. Essa colaboração depende de repositórios de memórias compartilhadas, que fornecem contexto sobre o conhecimento, experiências passadas e estados internos de crença dos agentes.
Agentic AI e IA generativa
Se a IA generativa prioriza a criação, a Agentic AI prioriza a execução. A IA generativa cria novos conteúdos utilizando modelagem preditiva e regressão linear. A IA agentic utiliza sistemas matemáticos para tomar decisões com base em modelagem preditiva, mas vai além ao executar ações em nome do usuário.
A IA generativa cria respostas baseadas nos nossos prompts. A IA agentic se diferencia da IA tradicional por sua capacidade de iniciar ações. Por exemplo, um agente de IA pode criar seus próprios prompts e resultados adicionais com base nas informações às quais tem acesso.
O que é RAG agentic?
A geração aumentada de recuperação (RAG) é um método que permite obter melhores respostas de uma aplicação de IA generativa conectando um LLM (modelo de linguagem de larga escala) a um recurso externo. A RAG agentic 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 de 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 agentic tome decisões mais embasadas em nome do usuário, sem depender da sua intervenção manual.
Por exemplo, com a RAG tradicional, você pode pedir a um chatbot que mostre a política de devolução de uma empresa. Com a RAG agentic, ela pode fornecer a política e oferecer a opção de iniciar a devolução. Dessa forma, os agentes de IA podem realizar a logística de preencher o formulário de devolução com o número do seu pedido, verificar suas informações de cartão de crédito para reembolso e concluir a transação por você.
Agentic AI e Model Context Protocol (MCP)
Quando os sistemas de Agentic AI precisam se conectar com recursos externos, eles usam o Model Context Protocol (MCP). O MCP é um protocolo open source que viabiliza a conexão bidirecional e a comunicação padronizada entre aplicações de IA e serviços externos.
O MCP oferece uma maneira simplificada e confiável de os sistemas de IA se “conectarem” virtualmente a diferentes ferramentas e fontes de dados. Pense nele como um cabo USB-C que conecta dispositivos a acessórios e permite a transmissão de dados.
O MCP e a Agentic AI funcionam juntos para criar sistemas de IA inteligentes. Com o MCP, os sistemas de IA podem interagir com o ecossistema digital mais amplo para realizar tarefas para os usuários. Sem o MCP, a Agentic AI pensa e planeja (todas as características da IA generativa), mas não consegue interagir com sistemas externos.
Limitações e considerações sobre a Agentic AI
A Agentic AI traz a promessa de inovação e velocidade para muitos de nossos sistemas. No entanto, alguns problemas técnicos e éticos ainda precisam ser discutidos. Por exemplo, o que garante que os sistemas agentic estão alinhados aos nossos valores? Quem se responsabiliza quando uma IA agentic comete um erro? Em alguns casos, existem desafios de transparência, porque não temos como ter certeza de como o agente chegou à conclusão que está oferecendo como resultado, dilema conhecido como o problema da “caixa preta”.
Por motivos de segurança e privacidade, é importante termos cuidado ao criar ou usar qualquer modelo de IA. Isso significa garantir que a arquitetura foi desenvolvida com parâmetros de segurança para proteger o fluxo de dados.
Vale lembrar que a Agentic AI exige uma grande quantidade de recursos computacionais, inclusive muita capacidade de processamento e armazenamento. Também vale considerar o impacto ambiental. É importante observar que a agentic AI exige recursos computacionais substanciais, incluindo muito poder de processamento e de armazenamento. Para gerenciar essas cargas de trabalho pesadas, os desenvolvedores podem usar bibliotecas de inferência como o vLLM. O vLLM pode processar várias solicitações de agentic AI simultaneamente, gerando uma saída mais rápida. Ele também tem o poder de usar técnicas como inferência distribuída para escalar cargas de trabalho em várias GPUs, ajudando a reduzir o custo de hardware por agente.
Por fim, como com qualquer tecnologia nova, há uma curva de aprendizado. Implementar e gerenciar fluxos de trabalho agentic com LLMs exige habilidades específicas, especialmente ao nível empresarial.
Como a Red Hat pode ajudar
Agentes de IA podem ajudar organizações que estão começando a explorar a IA generativa a identificar benefícios mensuráveis para seus negócios. O Red Hat® AI e nosso ecossistema de parceiros podem ajudar você a desenvolver os frameworks para criar fluxos de trabalho agentic e escalar os agentes de IA.
Com o Red Hat OpenShift® AI, você tem uma plataforma unificada para criar sistemas multiagente. Além disso, o aprendizado adaptativo e raciocínio que os agentes de IA utilizam podem ser controlados por meio dos recursos de MLOps do OpenShift.
Introdução à IA empresarial: um guia para iniciantes
Leia este guia para iniciantes e descubra como o Red Hat OpenShift AI e o Red Hat Enterprise Linux AI podem ajudar a acelerar sua jornada de adoção da inteligência artificial.
