As organizações estão passando de testar agentes de IA para incorporá-los às operações de negócios, mas um novo relatório do MIT Technology Review Insights argumenta que muitas empresas não prepararam os sistemas de dados de que esses agentes precisam. O relatório, publicado em 12 de agosto e baseado em uma pesquisa com 300 executivos de dados e tecnologia, identifica o acesso limitado às informações corporativas e a infraestrutura legada como grandes barreiras para decisões confiáveis e rápidas.

Os resultados sugerem que o próximo obstáculo para a IA agêntica pode estar menos na capacidade do modelo e mais em saber se os agentes conseguem alcançar os dados certos, entender seu contexto de negócios e interagir com segurança com os sistemas onde o trabalho acontece. Isso importa para equipes de produto e compradores corporativos que planejam implantações que vão além de responder perguntas e passam a executar ações operacionais.

O que a pesquisa encontrou

De acordo com o relatório, os sistemas de IA conseguem acessar, em média, 45% dos dados da empresa nas organizações pesquisadas. O acesso cai para 30% ou menos no grupo classificado como “atrasados em dados”, enquanto os “líderes em dados” fornecem acesso a mais de 70% de seus dados.

O relatório relaciona essa diferença à confiança em agentes de IA. Apenas cerca de metade de todos os respondentes disse confiar que as decisões de seus agentes fossem precisas e relevantes. Entre os líderes em dados, no entanto, o relatório diz que 100% expressaram essa confiança.

O relatório também identifica uma lacuna em escala e velocidade. Sessenta e seis por cento dos atrasados em dados disseram que sistemas legados de dados limitam sua capacidade de escalar agentes de IA, enquanto 68% afirmaram que esses sistemas impedem os agentes de tomar decisões rapidamente. Entre os líderes em dados, apenas 8% relataram qualquer uma dessas restrições.

Esses números apresentam o acesso a dados como uma necessidade operacional, e não como um problema de infraestrutura de bastidor. Um agente que não consegue recuperar registros atuais da cadeia de suprimentos, informações de ponto de venda ou dados de recursos humanos pode produzir uma resposta plausível, mas ainda assim ser incapaz de concluir um fluxo de trabalho com confiabilidade.

Por que os sistemas legados importam

Os ambientes tradicionais de dados corporativos foram, em geral, projetados para aplicativos, relatórios e usuários humanos com caminhos de acesso definidos. Os agentes de IA criam uma demanda diferente: eles podem precisar combinar registros estruturados com documentos não estruturados, interpretar informações em contexto e tomar decisões enquanto estão conectados a sistemas operacionais ao vivo.

O relatório argumenta que mesmo sistemas legados relativamente recentes podem criar atrito quando os agentes precisam desse tipo de acesso. Os dados podem estar distribuídos entre plataformas incompatíveis, sujeitos a permissões inconsistentes ou armazenados sem as definições de negócio de que um agente precisa para distinguir um registro autoritativo de um desatualizado ou incompleto.

Essa distinção é importante para a IA empresarial. Dar a um agente acesso mais amplo sem melhorar a qualidade dos dados, as permissões, a linhagem e o contexto pode aumentar o número de ações que ele pode tomar sem tornar essas ações mais confiáveis. Para os desenvolvedores, portanto, o problema não é simplesmente conectar um modelo a mais fontes. É criar acesso controlado a informações que sejam atuais, interpretáveis e apropriadas para uma tarefa específica.

O relatório aponta a melhoria do acesso a dados estruturados e não estruturados como a principal iniciativa para escalar agentes. Também destaca uma governança de dados mais forte que inclua contexto de negócios, além de maior automação da gestão de dados.

Evidências e limites das afirmações

A evidência central vem de uma pesquisa com 300 executivos de dados e tecnologia descrita no relatório do MIT Technology Review Insights. As categorias de líderes e atrasados em dados, bem como os percentuais relatados de acesso, confiança e restrições de sistema, são portanto resultados de pesquisa e não medições auditadas independentemente de implantações corporativas.

O relatório também cita uma previsão da Gartner de que os agentes de IA podem ampliar ou automatizar 50% das decisões de negócios até 2027. Isso é uma projeção, não um resultado estabelecido, e o material fornecido não identifica a metodologia ou as premissas por trás dela.

A publicação traz uma divulgação importante: o conteúdo foi produzido pela Insights, a área de conteúdo personalizado do MIT Technology Review, e não pela equipe editorial do MIT Technology Review. O relatório afirma que a pesquisa e a redação foram produzidas por pesquisadores, redatores, editores, analistas e ilustradores humanos, com quaisquer ferramentas de IA limitadas a processos secundários de produção sujeitos à revisão humana.

Essa divulgação não invalida a pesquisa, mas significa que os leitores devem tratar as comparações e conclusões mais fortes como conteúdo respaldado por pesquisa associado a um relatório personalizado. A fonte não oferece estudos de caso independentes, auditorias técnicas ou implantações corporativas nomeadas que verifiquem se os líderes em dados alcançaram os resultados relatados em fluxos de trabalho específicos.

Implicações para desenvolvedores e compradores corporativos

Para os desenvolvedores de IA, os achados deslocam a atenção para os sistemas ao redor de um modelo. Um agente usado para compras, operações com clientes, finanças ou gestão de pessoas precisa de mais do que recuperação de informações. Ele precisa de políticas de acesso, registros atualizados, prioridade clara de fontes, tratamento de erros e uma forma de explicar quais dados moldaram uma decisão.

As equipes de produto também devem definir o que um agente pode fazer quando faltam informações ou quando há conflito entre elas. Um sistema que pausa para revisão humana pode ser mais lento, mas pode ser mais confiável do que um que preenche lacunas com uma suposição sem respaldo. O monitoramento deve cobrir não apenas as respostas do modelo, mas também chamadas de ferramentas, frescor dos dados, falhas de permissão e efeitos subsequentes.

Para os compradores corporativos, o relatório é um lembrete para avaliar a prontidão dos dados antes de ampliar um piloto de agentes. As perguntas devem incluir se o sistema proposto consegue se conectar a sistemas operacionais sem criar cópias descontroladas de dados sensíveis, se o acesso pode ser limitado por função e tarefa e se os usuários de negócio podem auditar as decisões de um agente.

Isso também cria uma oportunidade competitiva para fornecedores de infraestrutura. Ferramentas que unificam o acesso a dados, automatizam o gerenciamento de metadados, aplicam governança e conectam agentes a sistemas operacionais podem se tornar tão importantes para a economia da implantação quanto a escolha do modelo. Mas conectividade mais ampla, por si só, não garante melhores resultados; a confiabilidade depende da qualidade e do significado das informações expostas.

O que observar em seguida

O primeiro sinal será se as empresas migram de pilotos isolados para agentes que operam em múltiplos sistemas. Uma implantação mais ampla deve mostrar se o acesso a dados melhora na prática ou se as organizações continuam restringindo os agentes a tarefas estreitas e de baixo risco.

Um segundo sinal é o surgimento de benchmarks independentes para a prontidão de dados de agentes. Métricas úteis podem incluir a parcela de dados relevantes que um agente consegue acessar, o frescor dos dados, a precisão das permissões, a recuperação diante de informações ausentes e a taxa de ações que exigem correção humana.

Os compradores também devem observar como os fornecedores tratam governança e auditabilidade. Alegações sobre agentes confiáveis serão mais significativas quando os fornecedores divulgarem taxas de falha, comportamento de escalonamento e desempenho em fluxos de trabalho reais, em vez de depender apenas de benchmarks de modelos ou pesquisas de adoção.

Por fim, a previsão da Gartner citada pelo relatório precisará ser testada contra a automação real de decisões de negócios. Se a adoção se expandir sem melhorias correspondentes em confiança e controles, as empresas podem usar agentes amplamente, mas mantê-los longe das decisões em que seu valor seria maior.

Perspectiva da Creati.ai

A mensagem central do relatório é plausível como alerta de implantação: agentes não podem agir de forma confiável com informações que não conseguem acessar ou interpretar. Mas seus números devem ser lidos como sinais de pesquisa, não como prova de que os líderes em dados resolveram a IA empresarial. A conclusão mais útil para os desenvolvedores é tratar acesso a dados, governança e integração de sistemas como parte do próprio produto agente.

O mercado provavelmente se dividirá entre fornecedores que apenas tornam os agentes mais fáceis de lançar e aqueles que tornam suas ações mensuráveis, reversíveis e responsáveis. Para as equipes corporativas, o teste prático é simples: antes de perguntar se um agente é inteligente o bastante, determine se ele tem os dados confiáveis e as permissões controladas necessários para agir.