Quando se fala em IA no trabalho, a imagem mais comum ainda é a de um funcionário abrindo uma janela de chat e pedindo a um modelo para escrever um e-mail, resumir um documento ou analisar alguns dados. A tarefa fica mais rápida, mas a pessoa continua dando instruções passo a passo e levando o resultado para o restante do workflow.
Os AI Agents deslocam essa fronteira.
Em vez de esperar por um prompt de cada vez, um agente pode receber um objetivo, decidir quais etapas são necessárias, usar ferramentas, inspecionar o resultado e continuar por várias ações dentro de limites definidos. Isso muda a pergunta econômica de "Quanto a IA consegue acelerar uma tarefa?" para o que acontece quando a IA consegue administrar uma sequência de tarefas ao longo de um workflow inteiro?
A OECD publicou Agentic AI in organisations em setembro de 2026, com base em entrevistas com organizações de diferentes regiões e setores. Os resultados mostram que sistemas agentic já estão sendo desenvolvidos e implantados, enquanto governança, mensuração e práticas operacionais ainda estão em estágio inicial.
Nosso artigo anterior A IA realmente vai tirar empregos – ou tornar alguns trabalhos mais valiosos? examinou por que a IA muitas vezes muda a tarefa antes de mudar o emprego inteiro. Quando várias tarefas passam a ser conectadas por um agente, o objeto a ser redesenhado pode se tornar o próprio workflow.
Um AI Agent é mais do que um chatbot mais inteligente
Um chatbot conhecido segue um padrão simples:
usuário pergunta → IA responde → usuário decide o que acontece depois
Um agente pode operar em um ciclo mais longo:
objetivo → plano → usar ferramentas → agir → inspecionar resultados → ajustar → continuar ou escalar
A Anthropic descreve agentes como sistemas capazes de trabalhar entre aplicações, escrever e executar código, gerenciar arquivos e concluir tarefas que abrangem várias etapas. Isso lhes dá mais autonomia, ou seja, mais liberdade para agir dentro das ferramentas, permissões e restrições definidas por pessoas.
Pense em vendas.
Um chatbot pode redigir um e-mail de acompanhamento. Um agente poderia receber o objetivo "acompanhar leads com alto potencial", consultar um CRM, revisar o status da conta, preparar a abordagem, escolher um horário de envio, registrar o resultado, agendar uma reunião e encaminhar o caso a um vendedor quando for necessário julgamento humano.
A maior parte dessas tarefas já existia. O que muda é a capacidade de conectá-las sem exigir que uma pessoa intermedeie cada passagem entre etapas.
A economia muda quando a IA passa de tarefas para workflows
A primeira onda de IA no trabalho concentrou-se muitas vezes na produtividade individual: escrever mais rápido, pesquisar mais rápido ou resumir reuniões mais rápido.
Mas empresas não funcionam como conjuntos de tarefas isoladas. O trabalho passa por pessoas, equipes, sistemas de software e cadeias de aprovação.
Um processo de compras pode receber uma solicitação, verificar estoque, pedir cotações, comparar fornecedores, buscar aprovação, criar uma ordem de compra, acompanhar a entrega e repassar informações à contabilidade. O atraso pode vir menos de uma etapa específica e mais da espera por informações, da reconferência de dados e da coordenação entre funções.
É aí que um agente pode produzir um efeito econômico diferente do de um copilot usado por apenas um funcionário.
A pesquisa global de IA da McKinsey de 2026 mostrou que 80% dos entrevistados disseram que a IA havia melhorado a produtividade individual, enquanto apenas 37% atribuíram pelo menos algum impacto no EBIT ao uso de IA por suas organizações. Essa diferença não prova que agentes resolverão o problema, mas mostra por que tornar uma pessoa mais rápida não torna automaticamente toda a organização mais lucrativa.
Se o workflow ainda contém aprovações duplicadas, transferências de arquivos e sistemas desconectados, o benefício pode parar na mesa do funcionário.
O valor pode estar nas passagens entre etapas
O valor empresarial de um agente, portanto, não se limita às horas de trabalho economizadas.
Ele pode vir da redução do tempo de espera, de tarefas de copiar e colar, de acompanhamentos, de erros na transferência de dados e da quantidade de coordenação humana necessária entre sistemas.
Um processo de faturas, por exemplo, pode receber um documento, validar campos, fazer a correspondência com uma ordem de compra, sinalizar anomalias, preparar um lançamento contábil e encaminhar o caso para aprovação. Se um agente conseguir lidar com as partes estruturadas como uma única sequência, as pessoas talvez só precisem intervir quando os dados não conferirem, um limite for ultrapassado ou algo incomum acontecer.
Agentes não são trabalhadores digitais de custo zero.
As organizações ainda pagam por modelos, integração de software, preparação de dados, permissões, monitoramento, avaliação, segurança e revisão humana das exceções. Alguns workflows podem gerar grandes economias. Outros podem custar mais para automatizar do que retornam em benefício.
Por isso, a economia dos agentes deve ser medida no nível do workflow, e não apenas pelo número de horas de trabalho aparentemente poupadas.
O trabalho humano pode passar de executar cada etapa para supervisionar o sistema
À medida que agentes assumem mais execução, a posição humana dentro de um workflow pode mudar.
Em vez de:
fazer → repassar → verificar → continuar → pedir aprovação
o padrão pode se tornar:
definir objetivo → estabelecer restrições → revisar exceções → decidir → assumir responsabilidade
Isso se conecta diretamente à questão do mercado de trabalho discutida no A10. Se a IA se torna melhor em algumas tarefas, o valor humano pode migrar para julgamento, contexto, comunicação e responsabilidade. Os agentes intensificam essa questão porque conseguem assumir sequências inteiras, e não apenas tarefas isoladas.
O Work Trend Index 2026 da Microsoft para a Tailândia informou que 32% dos trabalhadores tailandeses em sua amostra se enquadravam como "Frontier Professionals", comparados a uma média global de 16%, enquanto as organizações tailandesas ainda enfrentavam desafios para passar do uso individual de IA para workflows centrais da organização.
Trata-se de evidência da plataforma e da pesquisa da Microsoft, não de uma estatística do mercado de trabalho representativa de todo o país. Ainda assim, ela destaca uma diferença importante: ser bom em usar IA individualmente não é o mesmo que redesenhar uma organização em torno dela.
Mais autonomia não significa retirar as pessoas do sistema
A atração de um agente está em poder continuar trabalhando com menos supervisão passo a passo. Essa mesma característica também amplia o risco.
Se um chatbot der uma resposta ruim, uma pessoa pode perceber antes de agir. Se um agente interpretar mal um objetivo e tiver acesso a vários sistemas, o erro pode percorrer várias etapas antes de alguém percebê-lo.
A Anthropic identifica riscos como interpretar incorretamente a intenção do usuário e ataques de prompt injection que tentam manipular agentes para executar ações que não deveriam realizar.
Isso torna o desenho human-in-the-loop mais sofisticado do que simplesmente exigir que uma pessoa aprove cada clique.
Uma organização pode definir:
- quais sistemas o agente pode acessar
- limites de transação ou gastos
- ações que exigem aprovação
- dados que não podem sair de determinado limite
- exceções que devem ser escaladas
- pontos em que o processo precisa parar para uma decisão humana
O objetivo não é necessariamente retirar as pessoas do workflow. É escolher onde o julgamento humano tem mais valor.
Grandes empresas e PMEs podem não se beneficiar na mesma velocidade
O desempenho de um agente depende de mais do que o modelo de IA. Também depende da qualidade dos dados, da integração entre sistemas, das permissões e de quão claramente o workflow existente está definido.
Isso coloca uma empresa com CRM, ERP, APIs, governança de dados e equipe de TI em uma posição inicial diferente da de uma pequena empresa que ainda trabalha com planilhas, aplicativos de chat e documentos espalhados por vários sistemas.
A pesquisa D4SME 2026 da OECD mostrou que o uso de IA por PMEs está aumentando e algumas empresas estão experimentando AI Agents, mas a integração estratégica e segura nas operações de negócio continua desigual. Restrições de tempo, custos de manutenção e lacunas de competências estão entre as barreiras.
Isso cria uma questão competitiva mais interessante do que simplesmente perguntar quem recebe um chatbot primeiro.
Se os agentes realmente reduzirem os custos de coordenação, empresas com dados e sistemas melhores podem reduzir o custo por transação ou processar mais trabalho antes que concorrentes menores consigam fazer o mesmo. Se essa vantagem se acumular, a diferença de produtividade entre empresas pode aumentar.
O caminho oposto também é possível. Agentes empacotados, baratos e fáceis de implantar podem reduzir a desvantagem tecnológica enfrentada pelas PMEs. Ainda é cedo demais para presumir que apenas grandes empresas serão beneficiadas.
E se isso avançar muito mais em direção à AGI?
Os AI Agents de hoje não são Artificial General Intelligence, ou AGI, conceito usado para uma IA com capacidades amplas em muitos domínios.
Um framework de alfabetização em IA da OECD e da European Commission descreve AGI como sistemas capazes de igualar ou superar a versatilidade cognitiva e a proficiência de um adulto com boa formação e afirma que sistemas assim ainda não existem.
Filmes costumam retratar algo muito mais amplo: uma mente digital capaz de aprender, planejar, decidir e agir de forma autônoma em quase qualquer domínio. Essa imagem está muito além dos agentes com que as empresas experimentam hoje.
Os agentes atuais ainda operam com objetivos, ferramentas, permissões e limites fornecidos por pessoas, e ainda podem falhar em tarefas aparentemente comuns.
Se os sistemas um dia passarem de workflows especializados para capacidades gerais amplas do tipo associado à AGI, as implicações para negócios e trabalho serão uma questão de outra ordem. Antes disso, o problema mais prático é onde os humanos devem permanecer no workflow à medida que agentes assumem uma parte maior da execução.
O que observar a seguir
O primeiro sinal é a velocidade com que agentes passam de pilotos para workflows de produção. Uma demonstração bem-sucedida não é o mesmo que operar todos os dias com dados, clientes e dinheiro reais.
O segundo é se as empresas começam a medir ROI no nível do workflow. Se os relatórios continuarem focados apenas em taxas de adoção ou horas de trabalho economizadas, o efeito econômico pode continuar pouco claro.
O terceiro é quanta permissão as organizações estão dispostas a conceder aos agentes – acesso somente para leitura, elaboração de conteúdo, transações ou ações sem aprovação. Isso revela tanto confiança quanto o nível de risco aceito.
O quarto é a taxa de exceções e os pontos de escalonamento para humanos. Um sistema que parece autônomo na tela pode ainda depender de uma quantidade substancial de trabalho humano invisível.
Para a Tailândia, outro sinal é se as PMEs conseguem acessar sistemas de agentes confiáveis a um custo viável. Se workflows agentic exigirem infraestrutura de dados e integração caras, a diferença de produtividade entre empresas pode aumentar. Se sistemas prontos reduzirem fortemente esses custos, negócios menores podem se beneficiar antes do esperado.
A primeira onda de IA no trabalho nos fez perguntar: "A IA pode ajudar nesta tarefa?" Os AI Agents levam a pergunta adiante: "Ainda precisamos desenhar o workflow desta forma?" Talvez seja aí que o impacto empresarial se torne mais profundo do que simplesmente ter um assistente de escrita mais rápido.
