Agente de IA já está em produção — e o gargalo é o seu dado

TL;DR — A versão confortável da história diz que agente de IA é promessa que não saiu do PowerPoint. Os dados dizem o contrário: 57% das organizações já rodam agentes em fluxos de várias etapas e 80% relatam retorno econômico mensurável. Só que os três maiores obstáculos para escalar não são o modelo — são integração (46%), qualidade de dados (42%) e gestão de mudança (39%). E o uso de maior impacto fora da engenharia é justamente análise de dados e geração de relatório (60%): apontaram o agente exatamente para a camada que 42% admitem não estar pronta. Este artigo é sobre esse desencontro — e sobre o que governança precisa ser para resolvê-lo.

Existe uma forma preguiçosa de ser anti-hype: dizer que nada funciona. É confortável, rende aplauso de quem está cansado de promessa e não exige apurar nada. Também é falso — e a marca que se propõe a colocar verdade técnica antes de agradabilidade não pode se dar esse luxo.

Então vamos ao que os números realmente mostram. Eles são menos convenientes para os dois lados: nem "a IA vai resolver tudo", nem "ninguém conseguiu tirar do piloto".

Agente em produção não é mais promessa

A pesquisa de 2026 da Anthropic com a consultoria Material, com mais de 500 líderes técnicos, mostra um cenário bem distante do experimento de laboratório:

Nas empresas grandes esse agregado sobe para 62%. Além disso, 81% pretendem atacar casos mais complexos em 2026, cerca de 90% já usam IA para apoiar a escrita de código, e 80% afirmam que o investimento em agentes já entregou retorno mensurável — retorno realizado, não projeção de piloto.

Quem está esperando a "onda chegar" precisa aceitar uma notícia desagradável: ela chegou. A conversa madura de 2026 não é se adotar agentes, é como escalar sem quebrar o que sustenta a operação.

Os três gargalos — e nenhum deles é o modelo

Aqui está o dado que deveria reorganizar a prioridade de qualquer diretoria. Quando perguntados sobre o que atrapalha escalar agentes, os líderes técnicos não citaram inteligência do modelo, tamanho de contexto ou escolha de fornecedor. Citaram, nesta ordem:

• Integração com sistemas existentes — 46%
• Requisitos de qualidade de dados — 42%
• Gestão de mudança — 39%

Leia de novo e traduza para o vocabulário de quem constrói: encanamento, confiabilidade do dado e pessoas. Exatamente os três assuntos que ninguém coloca no slide de abertura, porque não vendem sonho. É a mesma tese que sustenta o argumento de que IA sem dados confiáveis só automatiza confusão — agora com número de pesquisa em cima.

Vale registrar um contraponto de outra natureza: a Datadog, analisando telemetria de produção de mais de mil clientes, aponta que cerca de 5% das requisições a modelos falham em produção, e que quase 60% dessas falhas vêm de limite de capacidade — não de erro de raciocínio do modelo. Some a isso o fato de que 69% das empresas já operam três modelos ou mais e que a adoção de frameworks de agente dobrou em um ano (de 9% para cerca de 18%). O retrato é claro: o que quebra é infraestrutura e operação, não a inteligência da ponta.

O desencontro que quase ninguém comenta

Agora junte dois números da mesma pesquisa e o problema aparece inteiro.

Fora da engenharia de software, o caso de uso de maior impacto declarado é análise de dados e geração de relatórios: 60%. Automação de processos internos vem depois, com 48%, e 56% planejam colocar agentes para pesquisa e produção de relatório no próximo ano.

Ao mesmo tempo, 42% dizem que requisitos de qualidade de dados são um obstáculo para escalar.

Ou seja: a aplicação preferida do agente é exatamente a camada que quase metade admite não estar pronta. Estamos apontando o sistema mais autônomo que já colocamos em produção para o ativo em que menos confiamos.

Por que dado ruim é pior para agente do que para dashboard

Essa distinção é o coração do artigo, e ela é técnica, não retórica.

Um dashboard com número errado tem uma última linha de defesa: um humano que estranha. O gerente olha o painel, acha o número estranho, liga para alguém. O erro para ali — tarde, com desgaste, mas para.

Um agente não estranha. Ele age. Recebe o número errado, encadeia uma decisão, dispara a etapa seguinte, escreve o relatório, atualiza o registro, notifica o cliente. O erro não fica parado esperando alguém desconfiar: ele se propaga na velocidade da automação e vem embalado em texto fluente e seguro. É a diferença entre um dado ruim que gera uma decisão ruim e um dado ruim que gera uma cadeia de decisões ruins, cada uma servindo de insumo para a próxima.

E tem um agravante de percepção: fluência lembra competência. Um relatório bem escrito sobre uma base furada parece mais confiável que uma planilha honesta cheia de ressalvas. Aparência de competência não é o mesmo que confiabilidade.

Governança não é comitê

A palavra governança carrega má fama merecida — virou sinônimo de reunião mensal e política que ninguém lê. A literatura acadêmica é bem mais dura e bem mais útil que isso. Na revisão estruturada de Abraham, Schneider e vom Brocke (2019), governança de dados é definida como o exercício de autoridade e controle sobre a gestão do dado, com o objetivo de aumentar seu valor e reduzir custo e risco.

Repare no que essa definição exige: autoridade (alguém decide) e controle (dá para verificar). Não menciona comitê, não menciona ferramenta. Se na sua empresa ninguém pode decidir qual é a definição oficial de "cliente ativo", e ninguém consegue verificar de onde veio o número que o agente usou, você não tem governança — tem documentação.

Para agente, isso deixa de ser boa prática e passa a ser pré-requisito de segurança. Um sistema que age sozinho precisa que a autoridade e o controle estejam legíveis por máquina, não guardados na cabeça de três pessoas experientes.

O que precisa existir antes de apontar um agente para o seu dado

Não é um checklist de maturidade genérico. É o mínimo para que o agente possa agir sem virar risco:

1. Dono definido por domínio. Nome de pessoa, não de squad. Quem decide o que é verdade quando duas fontes divergem.
2. Definição de métrica acordada e única. Se "receita líquida" tem três versões, o agente vai escolher uma — e não vai te avisar qual.
3. Linhagem rastreável. Dado que o agente consumiu precisa ter caminho de volta até a origem. Sem isso, auditar uma decisão errada é arqueologia.
4. Contrato de dados na fronteira. Schema, tipos, obrigatoriedade e o que acontece quando muda. Mudança de schema silenciosa é a forma mais barata de quebrar um agente em produção.
5. Permissão herdada, não ampliada. O agente não pode enxergar mais do que o usuário que ele atende. Agente com credencial de serviço ampla é incidente à espera de data.
6. Log de decisão auditável. Não basta registrar que rodou: registre qual dado entrou, qual critério aplicou, qual ação disparou.
7. Ponto de parada humano onde o erro é caro. Autonomia é gradiente, não interruptor. Só 12% operam com supervisão limitada — e provavelmente esse número deveria ser baixo mesmo.

Nada nessa lista é sobre modelo. Tudo é sobre engenharia e governança — a parte que já era necessária antes da IA e que a IA apenas tornou impossível de continuar adiando.

O degrau dos 16%

Volte à primeira tabela e olhe o vão: 29% já rodam agente dentro de um departamento, mas só 16% conseguiram atravessar áreas em processos ponta a ponta.

Esse degrau não é técnico. Dentro de um departamento, você sobrevive com convenção informal: todos sabem qual planilha vale, quem corrige o quê, qual exceção ignorar. Quando o processo cruza duas áreas, essa convenção implícita deixa de existir — e o que aparece no lugar é a ausência de definição comum, de dono e de contrato. É por isso que integração e qualidade de dados lideram a lista de obstáculos, e é por isso que o gargalo do agente é organizacional antes de ser algorítmico.

Quem quiser sair dos 29% e chegar aos 16% não vai resolver trocando de modelo. Vai resolver fazendo o trabalho chato que a empresa vem postergando desde muito antes de agente existir.

Ressalva de fonte, porque ela importa

Os dois relatórios citados aqui são publicados por fornecedores: a Anthropic vende modelos, a Datadog vende observabilidade. Isso não invalida os números, mas exige lê-los com o devido desconto — quem pergunta tem interesse na resposta. A pesquisa da Anthropic ouviu mais de 500 líderes técnicos nos Estados Unidos no fim de 2025, ou seja: é autodeclarada, concentrada num mercado e num recorte de cargo. O dado da Datadog é de outra natureza — telemetria de produção, não opinião —, o que o torna mais robusto para falha e adoção de framework, e menos útil para intenção.

Nenhum desses recortes é o Brasil. Se a sua leitura da realidade brasileira é que estamos alguns passos atrás nesse gráfico, provavelmente você está certo. Isso não muda a conclusão: só significa que ainda há tempo de fazer a base antes de apontar o agente para ela.

O que fica

Agente de IA saiu do slide e está em produção, gerando retorno declarado por 8 em cada 10 organizações. A pergunta deixou de ser se funciona.

O que trava a escala é integração, dado confiável e pessoas — nessa ordem, segundo quem está construindo. Nenhum dos três se resolve com upgrade de modelo. Todos os três se resolvem com engenharia de dados e governança de verdade: autoridade definida e controle verificável.

É uma notícia entediante, e é por isso mesmo que ela é útil. Quem passou os últimos anos arrumando a base não precisa correr agora. Quem apostou que a camada de modelo compensaria uma base ruim vai descobrir, em velocidade de automação, que ela não compensa.

Fontes

• Adoção, casos de uso e obstáculos: Anthropic & Material.The 2026 State of AI Agents Report. Pesquisa com mais de 500 líderes técnicos nos EUA, realizada no fim de 2025. Relatório publicado por fornecedor.https://resources.anthropic.com/hubfs/The%202026%20State%20of%20AI%20Agents%20Report.pdf
• Falhas em produção e adoção de frameworks: Datadog.State of AI Engineering 2026. Baseado em telemetria de produção de mais de mil clientes. Relatório publicado por fornecedor.https://www.datadoghq.com/about/latest-news/press-releases/datadog-state-of-ai-engineering-report-2026/
• Definição de governança de dados (revisado por pares): Abraham, R., Schneider, J., & vom Brocke, J. (2019).Data governance: A conceptual framework, structured review, and research agenda. International Journal of Information Management, 49, 424–438.https://doi.org/10.1016/j.ijinfomgt.2019.07.008