O que é IA agêntica?

Ao contrário dos modelos de IA tradicionais, que operam dentro de restrições predefinidas e requerem intervenção humana, a IA agêntica demonstra autonomia, comportamento orientado a objetivos e adaptabilidade. O termo "agêntica" refere-se à agência desses modelos, ou sua capacidade de agir de forma independente e proposital.

Os sistemas agênticos têm muitas vantagens em relação aos seus antecessores generativos, que são limitados pelas informações contidas nos conjuntos de dados nos quais os modelos são treinados.

O avanço mais importante dos sistemas agênticos é que eles permitem autonomia para executar tarefas sem supervisão humana constante. Os sistemas agênticos podem manter metas de longo prazo, gerenciar tarefas de resolução de problemas em várias etapas e acompanhar o progresso ao longo do tempo.

Os sistemas agênticos oferecem a flexibilidade dos LLMs, que podem gerar respostas ou ações com base em uma compreensão diferenciada e dependente do contexto, com as funcionalidades estruturadas, determinísticas e confiáveis da programação tradicional. Essa abordagem permite que os agentes "pensem" e "façam" de uma forma mais humana.

Os LLMs por si só não podem interagir diretamente com ferramentas ou bancos de dados externos ou configurar sistemas para monitorar e coletar dados em tempo real, mas os agentes podem. Os agentes podem pesquisar na web, chamar interfaces de programação de aplicativos (APIs) e consultar bancos de dados e, em seguida, usar essas informações para tomar decisões e agir.

Os agentes podem se especializar em tarefas específicas. Alguns agentes são simples e executam com confiabilidade uma única tarefa repetitiva. Outros conseguem usar a percepção e recorrer à memória para resolver problemas mais complexos. Uma arquitetura agêntica pode consistir em um modelo "condutor" impulsionado por um LLM, que supervisiona tarefas e decisões e coordena outros agentes mais simples. Arquiteturas assim são ideais para fluxos de trabalho sequenciais, mas são suscetíveis a gargalos. Outras arquiteturas são mais horizontais, com agentes trabalhando em harmonia como iguais, de forma descentralizada, mas essa arquitetura pode ser mais lenta do que uma hierarquia vertical. Aplicativos de IA diferentes exigem arquiteturas diferentes.

Os agentes podem aprender com suas experiências, receber feedback e ajustar seu comportamento. Com as proteções certas, os sistemas agênticos podem melhorar continuamente. Os sistemas multiagentes possuem a escalabilidade para, eventualmente, lidar com iniciativas de amplo escopo.

Como os sistemas agênticos são desenvolvidos com LLMs, os usuários podem interagir com eles por meio de prompts em linguagem natural. Isso significa que interfaces de software inteiras – pense nas muitas guias, menus suspensos, gráficos, controles deslizantes, pop-ups e outros elementos de IU envolvidos na plataforma SaaS de sua escolha – podem ser substituídas por linguagem simples ou comandos de voz. Teoricamente, a experiência de qualquer usuário de software agora pode ser reduzida a "conversas" com um agente, que pode buscar as informações necessárias e agir com base nessas informações. Esse benefício de produtividade não pode ser subestimado quando se considera o tempo que leva para os funcionários aprenderem e dominarem novas interfaces e ferramentas.

As ferramentas de IA agêntica podem assumir muitas formas, e frameworks diferentes são mais adequados a problemas diferentes, mas estas são as etapas gerais que os sistemas agênticos seguem para executar suas operações.

A IA agêntica começa coletando dados do seu ambiente por meio de sensores, APIs, bancos de dados ou interações do usuário. Este passo garante que o sistema tenha informações atualizadas para analisar e atuar.

Depois que os dados são coletados, a IA os processa para extrair insights relevantes. Com processamento de linguagem natural (NLP), visão computacional ou outros recursos de IA, ela interpreta as consultas dos usuários, detecta padrões e compreende o contexto mais amplo. Essa capacidade ajuda a IA a determinar quais ações tomar de acordo com a situação.

A IA define objetivos com base em metas predefinidas ou nos inputs do usuário. Em seguida, elabora uma estratégia para alcançar essas metas, muitas vezes com árvores de decisão, aprendizado por reforço ou outros algoritmos de planejamento.

A IA avalia várias ações possíveis e escolhe a ideal com base em fatores como eficiência, precisão e resultados previstos. Ela pode usar modelos probabilísticos, funções de utilidade ou raciocínio baseado em aprendizado de máquina para determinar a melhor linha de ação.

Depois de selecionar uma ação, a IA a executa, seja interagindo com sistemas externos (APIs, dados, robôs) ou fornecendo respostas aos usuários.

Depois de executar uma ação, a IA avalia o resultado e reúne feedback para aprimorar decisões futuras. Por meio do aprendizado por reforço ou do aprendizado autossupervisionado, a IA refina suas estratégias ao longo do tempo, o que a torna mais eficaz para lidar com tarefas semelhantes no futuro.

A orquestração de IA é a coordenação e o gerenciamento de sistemas e agentes. As plataformas de orquestração automatizam fluxos de trabalho de IA, acompanham o progresso das tarefas até a conclusão, gerenciam o uso de recursos, monitoram o fluxo de dados e a memória e tratam eventos de falha. Com a arquitetura certa, dezenas, centenas ou até milhares de agentes poderiam, em tese, trabalhar juntos de maneira harmoniosa e produtiva.

As soluções de IA agêntica podem ser implementadas em praticamente qualquer caso de uso de IA em qualquer ecossistema do mundo real. Os agentes podem se integrar a fluxos de trabalho complexos para realizar processos de negócios de forma autônoma.

• Um bot de negociação impulsionado por IA pode analisar cotações de ações em tempo real e indicadores econômicos para realizar análises preditivas de dados e executar operações.
  

• Em veículos autônomos, fontes de dados em tempo real, como GPS e dados de sensores, podem melhorar a navegação e a segurança.
  

• Na área da saúde, os agentes podem monitorar dados de pacientes, ajustar recomendações de tratamento com base em novos resultados de exames e fornecer feedback em tempo real aos profissionais de saúde por meio de chatbots.
  

• Na cibersegurança, os agentes podem monitorar continuamente o tráfego de rede, os logs do sistema e o comportamento dos usuários em busca de anomalias que possam indicar vulnerabilidades a malware, ataques de phishing ou tentativas de acesso não autorizado.
  

• A IA pode agilizar o gerenciamento da cadeia de suprimentos por meio da otimização e automação de processos, fazendo pedidos de forma autônoma aos fornecedores ou ajustando os cronogramas de produção para manter os níveis ideais de inventário.

Os sistemas de IA agêntica têm um enorme potencial para a empresa. A autonomia é o principal benefício, mas essa natureza autônoma pode trazer sérias consequências se os sistemas agênticos saírem dos trilhos. Os riscos usuais da IA se aplicam, mas podem ser ampliados em sistemas agênticos.

Muitos sistemas de IA agêntica usam aprendizado por reforço, que envolve a maximização de uma função de recompensa. Se o sistema de recompensa for mal projetado, a IA pode fazer exploração de brechas para alcançar "pontuações altas" de maneiras não intencionais.

Considere alguns exemplos:

• Um agente encarregado de maximizar o engajamento nas redes sociais, que prioriza conteúdo sensacionalista ou enganoso e acaba disseminando desinformação
  

• Um robô de armazém otimizado para velocidade, que danifica produtos para se mover mais rápido.
  

• Uma IA de negociação financeira destinada a maximizar lucros, que adota práticas de negociação arriscadas ou antiéticas e provoca instabilidade no mercado.
  

• Uma IA de moderação de conteúdo projetada para combater discursos nocivos censura demais as discussões legítimas.

Alguns sistemas de IA agêntica podem se tornar autorreforçadores, levando os comportamentos a se intensificarem em direções inesperadas. Esse problema ocorre quando a IA se foca demais em otimizar uma métrica específica sem as devidas proteções E como os sistemas agênticos geralmente são compostos de vários agentes autônomos trabalhando juntos, há chances de falhas. Engarrafamentos, gargalos, conflitos de recursos – todos esses erros podem se acumular. É importante que os modelos tenham metas claramente definidas que possam ser medidas, com ciclos de feedback implementados para que os modelos possam se aproximar cada vez mais da intenção da organização ao longo do tempo.

A IA agêntica se apoia em técnicas de IA generativa (gen AI), usando modelos de linguagem de grande porte (LLMs) para funcionar em ambientes dinâmicos. Enquanto os modelos generativos se concentram em criar conteúdo com base em padrões aprendidos, a IA agêntica amplia essa capacidade ao aplicar as saídas generativas a metas específicas. Um modelo de IA generativa como o ChatGPT, da OpenAI, pode produzir texto, imagens ou código, mas um sistema de IA agêntica pode usar esse conteúdo gerado para concluir tarefas complexas de forma autônoma, chamando ferramentas externas. Os agentes podem, por exemplo, não apenas informar o melhor momento para escalar o Monte Everest de acordo com sua agenda de trabalho, como também reservar um voo e um hotel para você.

Medir o ROI (retorno sobre o investimento) de iniciativas agênticas exige uma metodologia que compare os custos totais de desenvolvimento e implementação com benefícios como ganhos de eficiência e crescimento da receita. Isso pode ser complicado, porque os benefícios costumam ser indiretos e abstratos e podem não se concretizar no curto prazo.

Depende do tipo de agente, mas corrigir um agente de IA travado geralmente envolve encerrar o processo travado, limpar a memória ou o contexto do agente e refinar as instruções do prompt para ajudá-lo a não ficar preso em loops lógicos.

O processo exige identificar fluxos de trabalho repetitivos específicos que sejam ideais para automação, estabelecer conexões de API seguras e iniciar um programa piloto com frameworks de agentes de IA. A identidade exclusiva de agente fornecida por plataformas como o IBM Verify é útil para minimizar os riscos de segurança que acompanham a integração.

A transparência total na IA agêntica é difícil de alcançar por causa da complexidade do funcionamento dos modelos, mas certo nível de transparência costuma ser considerado um requisito de arquitetura para uma implementação segura e eficaz em contextos corporativos. Um IBM Technology Summit dedicado a Agent Ops e IA responsável abordou os desafios operacionais, de risco e de governança trazidos pelos agentes de IA.