MRH Trowe dá a 400 funcionários acesso governado a agentes de IA de autoatendimento

A alemã MRH Trowe colocou em produção uma plataforma de IA de autoatendimento governada para aproximadamente 400 funcionários, usando infraestrutura AWS e software de código aberto para atender às exigências de segurança e residência de dados dos serviços financeiros.

O primeiro agente em produção da corretora de seguros comerciais e industriais transforma reuniões do Microsoft Teams em atas estruturadas. Os funcionários podem pedir em alemão uma reunião recente com um participante; em seguida, o agente encontra a entrada do calendário, recupera a transcrição e produz um resumo cobrindo participantes, itens da pauta, tópicos discutidos e ações de acompanhamento.

A AWS descreveu a implementação em um estudo de caso do Machine Learning Blog. Portanto, a conta é controlada pelo fornecedor, e os números de adoção, custo e economia projetada devem ser tratados como relatados pela AWS, e não como dados de mercado verificados independentemente. Ainda assim, a implementação oferece um exemplo concreto de como uma empresa regulada está indo além do chat de uso geral em direção a agentes de IA gerenciados centralmente e conectados a sistemas internos.

De experimentos isolados a uma plataforma governada

Segundo a AWS, a MRH Trowe opera principalmente na Alemanha, Suíça e Áustria e cresceu por expansão orgânica e aquisições. A empresa foi uma das primeiras corretoras de seguros alemãs a operar exclusivamente com infraestrutura de TI baseada em nuvem, com a AWS como sua parceira de nuvem preferida.

À medida que a demanda dos funcionários por IA generativa aumentava, equipes individuais começaram a experimentar ferramentas de forma independente. A AWS diz que isso criou o risco de implantações fragmentadas e de possível exposição de informações sensíveis de clientes e seguros. A empresa queria que os funcionários pudessem criar e usar agentes de IA sem que cada equipe precisasse construir sua própria pilha técnica.

Esse requisito vai além de uma interface de chat convencional. A MRH Trowe precisava de respostas fundamentadas em informações internas, agentes capazes de executar tarefas em várias etapas, conexões seguras aos sistemas da empresa e supervisão centralizada de acesso e gastos. Seu objetivo declarado é que perguntas rotineiras sejam respondidas por IA antes da intervenção humana e que o trabalho repetitivo seja automatizado pelos funcionários que antes o executavam.

A plataforma resultante combina três componentes. Os desenvolvedores usam o Strands Agents, um kit de desenvolvimento de software de código aberto para criar fluxos de trabalho de agentes. O Amazon Bedrock AgentCore fornece o ambiente de produção para conectar, operar e escalar agentes. O LibreChat oferece a interface voltada aos funcionários, com autenticação, gestão de conversas, identidade visual, orçamentos de tokens e suporte a vários modelos.

Controles de identidade, residência e infraestrutura

O fluxo de trabalho das atas de reunião é projetado em torno da identidade do funcionário que faz a solicitação. O LibreChat autentica os usuários por meio do Microsoft Entra ID e passa essa identidade ao agente no lado do servidor. A identidade não pode ser fornecida ou alterada via prompt de chat, e o agente é limitado ao acesso ao próprio calendário e à transcrição da reunião do usuário.

A AWS diz que os agentes, modelos e dados operam na região AWS Europe (Frankfurt), também conhecida como eu-central-1. Essa alocação regional tem como objetivo manter os dados de reuniões e clientes na Alemanha, embora a AWS observe que a disponibilidade de serviços e modelos varia por região.

A implantação roda em uma única conta AWS dentro de uma virtual private cloud. Os funcionários se conectam da rede corporativa por meio de um transit gateway e de um provedor de zero trust, em vez de enviar tráfego pela internet pública. Um Application Load Balancer interno encaminha as solicitações para a camada de aplicação em uma sub-rede privada.

A AWS identifica o isolamento de sessão como uma das principais razões pelas quais a MRH Trowe escolheu o Amazon Bedrock AgentCore. O serviço isola sessões de agentes nos níveis de computação e sistema de arquivos e oferece suporte a frameworks de código aberto como o Strands Agents. Para uma corretora regulada, essa combinação pretende preservar a flexibilidade dos desenvolvedores enquanto reduz o risco de uma sessão de agente acessar os dados de outra.

O que as evidências mostram — e o que não mostram

A AWS informa que a implantação alcançou aproximadamente 400 funcionários no primeiro mês em produção. Ela também relata um custo inicial de cerca de US$ 14 por assento naquele mês, com um caminho projetado para reduzir os custos de infraestrutura em cerca de 40% por meio de right-sizing e escalonamento programado.

Esses números são indicadores úteis da economia relatada da implantação, mas não são um benchmark independente. A AWS não fornece, no estudo de caso fornecido, um detalhamento detalhado do uso por funcionário, do consumo de modelo, do volume de execuções do agente ou da base exata para a redução projetada. As evidências também não estabelecem se todos os 400 funcionários usam o sistema regularmente nem como o agente de atas se compara ao trabalho manual em precisão, latência ou taxas de erro.

O estudo de caso, porém, estabelece as escolhas técnicas de design que a MRH Trowe afirma ter feito: um caminho de rede privado, processamento regional, solicitações vinculadas à identidade, orçamentos de tokens e uma interface aberta que suporta vários modelos. Ele também mostra que o primeiro caso de uso em produção é relativamente limitado. A recuperação e a sumarização de reuniões podem oferecer valor imediato ao mesmo tempo em que limitam a autoridade do agente em comparação com fluxos de trabalho que modificam registros, enviam comunicações externas ou tomam decisões de negócios.

Por que a implantação importa para equipes de IA

Para os construtores, a abordagem da MRH Trowe destaca a importância de tratar identidade e infraestrutura como parte do design do agente, e não como recursos adicionados depois do desenvolvimento. Passar o contexto do usuário autenticado da interface para o agente pode tornar o controle de acesso explícito, enquanto o isolamento de sessão trata de outra camada de risco em implantações multiusuário.

A arquitetura também separa experimentação de operações de produção. Os desenvolvedores podem usar o Strands Agents para construir fluxos de trabalho sem implementar toda a infraestrutura subjacente por conta própria, enquanto o AgentCore fornece um runtime gerenciado e um modelo baseado em consumo. O LibreChat dá ao negócio uma interface familiar sem obrigar a corretora a adotar um produto de chat comercial como sua única interface.

Para compradores corporativos, o uso de vários modelos pode reduzir a dependência de um único provedor e permitir que equipes escolham modelos para tarefas específicas. Orçamentos de tokens oferecem um mecanismo básico de controle de custos, mas não substituem o monitoramento de qualidade, latência, acesso a dados e falhas dos agentes. Essas questões operacionais se tornarão mais importantes à medida que os agentes passarem de sumarização para ações nos sistemas de seguros.

A implantação também ilustra um caminho prático para IA empresarial em ambientes regulados: começar com um fluxo de trabalho útil, internamente limitado e auditável; aplicar permissões em nível de usuário; manter o processamento em uma região aprovada; e escalar o acesso por meio de uma plataforma central em vez de ferramentas não gerenciadas por equipe.

O que observar a seguir

Os próximos sinais serão se a MRH Trowe expandirá além das atas de reunião para fluxos de trabalho que recuperam ou atualizam registros de seguros e clientes. Esses casos de uso testariam se os controles de identidade e o isolamento de sessão da plataforma continuam suficientes quando os agentes puderem tomar ações com consequências.

A qualidade da adoção importará tanto quanto o número de funcionários informado. Evidências de acompanhamento sobre uso ativo, taxas de conclusão de tarefas, revisão humana, tratamento de erros e tempo economizado pelos funcionários forneceriam uma imagem mais clara do valor de negócios do que o simples acesso no primeiro mês.

O relatório de custos é outra área a ser monitorada. A redução prometida de cerca de 40% depende de right-sizing e escalonamento programado, portanto o gasto real após a otimização ajudaria os compradores a avaliar se a infraestrutura baseada em consumo continua previsível à medida que o uso cresce. Mais detalhes sobre seleção de modelos e disponibilidade regional também esclareceriam o quão portátil é a arquitetura entre cargas de trabalho e jurisdições.

Perspectiva da Creati.ai

A implantação da MRH Trowe é notável menos por colocar um chatbot na frente dos funcionários e mais por tratar a IA de autoatendimento como uma plataforma interna governada. A combinação de permissões vinculadas ao funcionário, conectividade privada, processamento regional e execução controlada de agentes aborda vários motivos pelos quais organizações reguladas hesitam em sair da experimentação para a produção.

As evidências continuam sendo um estudo de caso do fornecedor, portanto suas alegações sobre adoção e custos exigem validação independente. Mesmo com essa ressalva, o design aponta para um padrão sensato de curto prazo para IA em serviços financeiros: primeiro agentes estreitos e auditáveis, com automação mais ampla dependendo de confiabilidade demonstrada, limites claros de autorização e custos operacionais que as empresas possam medir.