A discussão sobre agentes de IA agora ocupa decisões sobre áreas diversas, como atendimento, vendas, marketing, operações, governança e produtividade.
O Agentforce World Tour São Paulo 2026 reforçou esse movimento ao apresentar a Empresa Agêntica, um modelo em que agentes, dados, sistemas de negócio e pessoas passam a operar de forma integrada.
Na prática, essa visão desloca a IA de uma função isolada para uma camada operacional conectada ao contexto do negócio, aos sistemas de trabalho e aos ambientes em que as equipes tomam decisões.
Os principais insights do Agentforce World Tour São Paulo 2026 são: agentes de IA dependem de dados confiáveis, exigem redesenho operacional e precisam partir de casos de uso mensuráveis. O valor não está apenas em automatizar tarefas, mas em conectar IA, sistemas, pessoas e governança para melhorar decisões melhorar decisões, reduzir ruído operacional e executar fluxos com mais controle.
A promessa dos agentes de IA é simples de entender, mas complexa de executar. Um agente não deve apenas responder perguntas. Seu papel é acessar dados, entender regras, respeitar políticas, executar ações, manter contexto e registrar decisões.
A própria Salesforce vem tratando esse tema como uma mudança de arquitetura empresarial. Segundo o Agentic Enterprise Index, a criação de agentes entre empresas early adopters cresceu 119% entre janeiro e junho de 2025, enquanto o volume médio de conversas de atendimento conduzidas por agentes cresceu 22 vezes no mesmo período.
O desafio para as empresas é transformar esse avanço em desenho operacional, entendendo quais fluxos do negócio já têm dados, regras e volume suficientes para serem parcialmente executados por agentes com segurança.
Agentes de IA precisam de contexto para gerar valor. Sem dados estruturados, histórico confiável e integração com sistemas de trabalho, o agente se aproxima de um chatbot com linguagem melhor, mas baixa capacidade operacional.
No evento, a ideia de Empresa Agêntica foi construída a partir da estrutura de uma base de dados. A camada de contexto, representada por Data 360 e Data Cloud, aparece como o cérebro do sistema, porque transforma informações dispersas em conhecimento acionável. Esse ponto é central para qualquer discussão sobre dados confiáveis.
A implicação é direta. Antes de discutir quantos agentes serão criados, é preciso avaliar quais dados sustentam cada decisão. Um agente de atendimento, por exemplo, precisa acessar histórico do cliente, contrato, status de pedidos, políticas comerciais e regras de exceção. Se essas bases estiverem fragmentadas, o agente responde com baixa precisão ou transfere a complexidade para o humano.
Em uma operação comercial, isso aparece em situações simples. Um vendedor pede ao agente uma recomendação de próxima ação para uma conta estratégica. Se o agente olha apenas para o CRM, ignora tickets recentes, histórico financeiro e sinais de engajamento digital. A recomendação pode até parecer plausível, mas é incompleta.
Já com contexto integrado, a resposta muda. Com essa base, o agente pode priorizar contas com maior propensão, apontar riscos, sugerir abordagem e registrar o racional. Assim, a IA deixa de ser uma camada de interface e passa a atuar como uma infraestrutura de decisão.
O primeiro insight é este: a maturidade dos agentes é limitada pela maturidade dos dados. Empresas que tratam agentes como camada de interface tendem a capturar eficiência superficial. Quando as empresas investem em dados, integração e governança, os agentes são tratados como camada operacional.
A adoção de agentes não deve ser lida apenas como ganho de produtividade, e sim como uma mudança na distribuição de tarefas entre pessoas, sistemas e decisões.
Os casos apresentados no Agentforce World Tour São Paulo indicam essa mudança. No Banco do Brasil, a IA aparece tanto na personalização da experiência do cliente quanto no apoio interno a campanhas, segmentos e insights para gerentes. Na Brasilprev, o Agentforce foi usado para suporte a consultores internos a partir de uma base de conhecimento estruturada, reduzindo tempo de resposta e melhorando assertividade.
Esse movimento também aparece no Salesforce 2025 State of Service Report. Segundo a Salesforce, a IA deve resolver 50% dos casos de atendimento até 2027, acima dos 30% em 2025.
Todo esse contexto deixa claro que o agente não substitui o papel humano em decisões críticas, mas reduz o custo operacional de tarefas repetitivas, organiza informação e libera tempo para análise, negociação, escuta e tomada de decisão.
Esse ponto se conecta diretamente à discussão sobre IA com propósito e governança. A eficiência gerada por agentes depende da clareza sobre quando a IA age sozinha, quando recomenda e quando precisa escalar para uma pessoa.
O resultado dessa construção é um redesenho de papéis. Um gerente de relacionamento, por exemplo, pode deixar de consumir tempo procurando informações dispersas e passar a se dedicar a conversas consultivas. Já uma área de atendimento pode automatizar dúvidas recorrentes e direcionar casos complexos para especialistas com mais contexto.
O erro comum é implementar agentes sem revisar o fluxo de trabalho. Nessa abordagem, a empresa apenas adiciona uma nova camada sobre processos antigos. O resultado costuma ser fricção. O agente até responde, mas o time não sabe quando confiar, quando escalar, como auditar ou onde registrar a decisão.
O segundo insight é este: agentes precisam de desenho operacional para irem além da automatização e qualificarem o trabalho humano.
A IA agêntica ganha força quando resolve problemas concretos. O evento trouxe exemplos em setores diferentes, de saúde a serviços financeiros, agronegócio e previdência. Em comum, os casos partem de uma dor operacional clara.
No Hospital de Amor, a aplicação de agentes no acompanhamento da dor de pacientes oncológicos foi apresentada como uma forma de reduzir idas desnecessárias ao pronto-socorro e apoiar pacientes em casa. Na Brasilprev, o uso de uma base de conhecimento para apoiar consultores internos gerou assertividade entre 96% e 98% e ROI estimado a partir de ganhos de eficiência. Já no agronegócio, a tecnologia apareceu como forma de codificar conhecimento técnico e escalar sistemas agroflorestais complexos.
A própria Salesforce reforça essa lógica em seus casos globais. No anúncio do Agentforce 3, a empresa citou redução de 15% no tempo médio de atendimento da Engine, resolução autônoma de 70% dos chats administrativos da 1-800Accountant em semanas críticas de impostos e aumento de 22% na retenção de assinantes do Grupo Globo.
Esses exemplos mostram que o valor não nasce da pergunta “como usar agentes?”, mas de questões mais específicas:
Esse ponto se conecta ao tema eficiência operacional com IA, principalmente para aprofundar critérios de priorização, mensuração e governança.
Para essa jornada, o mais seguro é começar por casos de uso com fronteiras bem definidas, como um agente para triagem de atendimento interno, para apoiar vendedores com histórico e próximos passos ou para organizar sinais de risco em contas estratégicas.
A governança precisa entrar desde o início. A Salesforce também reconhece esse ponto ao afirmar que a adoção de agentes deve caminhar junto com princípios, estruturas de decisão, políticas de uso, avaliação de riscos e processos de mitigação.
O terceiro insight é este: agentes funcionam melhor quando têm escopo, métrica e governança. Projetos amplos demais dificultam aprendizado, enquanto os casos específicos permitem testar, medir e evoluir.
A principal decisão para lideranças de negócio e tecnologia é sair da discussão abstrata sobre IA e entrar no desenho de fluxos.
Isso envolve três movimentos práticos:
1) mapear onde há trabalho repetitivo com alto consumo de tempo;
2) avaliar se existem dados confiáveis para sustentar a ação do agente;
3) definir o que será automatizado, o que seguirá com supervisão humana e como o impacto será medido.
A IA agêntica tende a pressionar a governança corporativa. Isso significa que quanto mais o agente executa, maior a necessidade de clareza sobre permissões, rastreabilidade, segurança e responsabilidade. Empresas que avançam sem esse desenho podem ganhar velocidade, mas também ampliam risco.
Por outro lado, empresas que estruturam agentes com método podem transformar a relação entre dados e decisão. O agente deixa de ser uma ferramenta isolada e passa a funcionar como uma camada de eficiência operacional.
Para aprofundar essa reflexão, confira o episódio sobre agentes de IA no DoTheMATH, que levanta exemplos de mercado e uma leitura executiva sobre o tema.
O Agentforce World Tour São Paulo reforça uma leitura importante: a era dos agentes já começou, mas sua maturidade depende menos da interface e mais da arquitetura que sustenta a operação.
Agentes de IA não devem ser avaliados apenas pelo que conseguem responder, mas pelo que executam com contexto, segurança e rastreabilidade. Para isso, em vez de priorizar experimentos desconectados, é preciso identificar fluxos em que dados, regras, sistemas e pessoas já possam operar de forma integrada.
A adoção de agentes também exige uma visão mais precisa sobre produtividade, que vá além do ganho de tempo. O benefício real é a possibilidade de deslocar esforço humano para tarefas de maior valor, reduzir ruído operacional, melhorar a qualidade da decisão e dar previsibilidade à execução. Esse é um ponto central para empresas que querem usar IA de forma operacional. A tecnologia precisa ser tratada como parte do sistema de decisão.
A MATH AI Platform parte dessa lógica. Nossa ferramenta permite pensar IA como infraestrutura operacional, que inclui a leitura de impacto para o negócio, identificando onde implementar a IA é sinônimo de eficiência.
Se sua empresa quer começar a operar com inteligência assistida, a MATH pode ajudar a mapear fluxos, dados e critérios de governança para transformar casos de uso em eficiência operacional.