Faz dois anos que a conversa sobre agentes de IA gira em torno de demonstração. Um agente que responde e-mail, outro que monta relatório, outro que “trabalha sozinho”. A pergunta que importa para quem toca uma operação é outra: o que acontece quando o agente sai do piloto e entra no dia a dia da empresa?
A Dynatrace foi perguntar para quem já está nessa fase. O relatório The pulse of agentic AI in 2026 ouviu 919 líderes de grandes empresas, e o retrato é menos sobre tecnologia e mais sobre confiança, regra e visibilidade. Abaixo estão os números que mais importam e o que a gente tira deles.
O que a pesquisa mediu
Responderam diretores e vice-presidentes de engenharia, líderes de plataforma, executivos que decidem investimento e risco em IA, líderes de automação e times de confiabilidade (SRE). Os setores foram serviços financeiros, varejo, governo, utilities, transporte e software. O Brasil entrou na amostra, com 35 respondentes, ao lado de Estados Unidos, México, Canadá, Europa, Oriente Médio, Japão, Índia e Austrália.
Vale o aviso: a Dynatrace vende observabilidade, e a conclusão do relatório puxa para esse lado. Os números, porém, falam por si, e batem com o que a gente vê nas empresas daqui.
Os agentes já saíram do laboratório
Metade das empresas já tem agentes em produção para casos de uso específicos, 44% têm adoção ampla em alguns departamentos e 23% já integraram agentes na empresa toda. Quase três em cada quatro (72%) tocam de 2 a 10 projetos ao mesmo tempo.
O dinheiro acompanha. O orçamento atual fica, na maioria, entre US$ 2 e 5 milhões, e 74% esperam gastar mais no ano que vem. Quase metade prevê mais US$ 2 a 5 milhões.
A TI lidera porque é onde a tarefa é mais repetitiva e mais fácil de medir. Mas os casos que mais crescem nos próximos anos são os voltados para o cliente, e o jurídico, hoje o menos comum, deve triplicar. A lista acima é um retrato, não um limite: se é tarefa que se repete, dá para automatizar, em qualquer área.
O que trava não é o modelo
Quando a pergunta é o que impede um projeto de ir para produção, as respostas quase não falam de qualidade do modelo. Falam de controle.
No detalhe da segunda barreira aparece o ponto mais interessante do relatório: 45% não conseguem definir com clareza quando o agente pode agir sozinho e quando precisa pedir aprovação. Logo atrás vêm a falta de visibilidade de como o agente decide (41%), a dificuldade de monitorar custo e desempenho a cada versão nova (40%) e a dificuldade de rastrear o efeito de um erro em outros sistemas (36%).
O gargalo é de desenho, não de tecnologia. Antes de ligar um agente, alguém precisa escrever a regra: o que ele faz sozinho, o que ele sugere e o que ele nunca faz sem uma pessoa.
Os critérios para aprovar a ida à produção seguem a mesma linha: segurança e privacidade dos dados (59%) e precisão das respostas (55%) na frente, monitoramento e controle do comportamento (44%) logo depois. Para quem opera no Brasil, segurança e privacidade passam pela LGPD; na Europa, pelo GDPR.
Gente no circuito é escolha, não atraso
69% das decisões dos agentes ainda são verificadas por uma pessoa. E isso não aparece como um problema a resolver. Só 13% das empresas constroem apenas agentes totalmente autônomos; 64% misturam agentes autônomos e supervisionados, e 23% fazem só supervisionados.
Mesmo olhando para o futuro, a meta não é tirar as pessoas. Em TI e atendimento de rotina, as empresas miram uma divisão perto de 50/50 entre IA e pessoas; nas áreas de negócio, como finanças, RH, jurídico e vendas, perto de 60/40 com mais peso humano.
A conta é simples: a IA executa o que se repete e o que é urgente, e a pessoa define objetivo, limite e responde pelo resultado. É o mesmo desenho que defendemos no texto sobre human-in-the-loop: revisão humana nos pontos certos, não em tudo.
Como as empresas medem (e onde ainda fazem na mão)
O sucesso dos agentes é medido primeiro por desempenho técnico (60%), eficiência operacional (56%) e eficiência dos desenvolvedores (54%). Resultado de negócio vem depois (48%). Entre os indicadores de retorno, produtividade (45%) e satisfação do cliente (43%) lideram, e taxa de uso diário fica por último (23%).
O dado que mais chama atenção é outro: 44% ainda revisam na mão a conversa entre agentes. Quando um agente passa trabalho para outro, alguém lê o histórico para ver se deu certo. Funciona com três agentes. Não funciona com trinta.
E 30% dizem que têm dificuldade de ligar o que o agente fez a um resultado do negócio. Medir tempo de resposta do modelo é fácil; difícil é dizer quanto aquilo reduziu de retrabalho, prazo ou custo. Por isso a gente insiste em combinar as métricas antes de começar, e não depois.
O plano de controle
A tese central do relatório é que a observabilidade, o registro em tempo real do que cada parte do sistema está fazendo, precisa deixar de ser só um painel e virar um plano de controle: a camada que dá aos agentes fatos confiáveis para decidir, impõe limites que não dependem do humor do modelo e registra cada ação para alguém auditar depois.
Na prática, isso quer dizer enxergar sete camadas ao mesmo tempo: o resultado de negócio, a experiência do usuário, a orquestração, a conversa entre agentes, o modelo, a busca nos dados (RAG) e a infraestrutura. Já usam observabilidade em alguma fase 69% na implementação, 57% na operação e 54% no desenvolvimento, mas só 40% acompanham a comunicação entre agentes e o uso de MCP.
Para quem está começando, a recomendação do relatório é ir por etapas, e é a parte mais útil para levar para a reunião:
- Começar por operações preventivas e fluxos em que o agente recomenda e a pessoa decide.
- Supervisionar: com uma pessoa no circuito, dar mais autonomia aos poucos, à medida que os dados, os sistemas e os sinais ficam confiáveis.
- Graduar para a autonomia total só onde dá para verificar, em tempo real, o que cada componente está fazendo.
Para entender o que dá para registrar e acompanhar, vale ler o nosso texto sobre observabilidade de agentes de IA e o de como levar um piloto de IA para produção.
O que isso muda na prática
A pesquisa olha para empresas grandes, mas a lição serve para qualquer tamanho: o agente que funciona na demonstração precisa de três coisas para virar operação.
- Regras de autonomia escritas. Para cada etapa: o agente faz, o agente sugere ou o agente para e pede aprovação. É a barreira número um da pesquisa e se resolve no desenho, antes do código.
- Registro de tudo. Cada decisão, cada ferramenta chamada, cada passagem entre agentes, num lugar onde alguém consiga olhar e auditar.
- Métricas combinadas antes. Erro, retrabalho, tempo de ciclo e custo, medidos antes e depois. Sem isso, a conversa sobre retorno vira opinião.
É o trabalho que fazemos com os clientes. O Analista de IA mapeia a rotina, encontra o que se repete e escreve as regras e as métricas. O Forward Deployed Engineer coloca os agentes dentro dos sistemas que a empresa já usa, com registro e aprovação humana nos pontos certos. E o treinamento lado a lado cuida de quem vai supervisionar.
Os agentes já estão em produção. Quem escreve as regras, registra cada passo e mede o resultado consegue dar mais autonomia a eles com segurança.
Gostou deste artigo?
Receba o próximo antes de ele chegar ao blog.
Um e-mail curto por edição com o que vale a pena sobre agentes de IA na operação. Sem spam.