A corrida pelos agentes de IA empresariais: quem está construindo as ferramentas para o trabalho autônomo

A definição de um agente de IA é genuinamente contestada, o que explica em parte por que o mercado de software de agentes de IA é ao mesmo tempo enorme e caótico. No sentido mais amplo, um agente de IA é qualquer sistema que recebe uma instrução, decide uma sequência de ações, as executa usando ferramentas ou APIs e produz um resultado — sem exigir que um humano aprove cada etapa. No sentido mais restrito, um agente é apenas um modelo de linguagem com um loop de chamada de ferramentas. A lacuna entre essas definições contém a maior parte do que está sendo construído e financiado em 2025-2026.

Os números de financiamento são inequívocos. O relatório de IA 2025 da Sequoia identificou agentes autônomos como a subcategoria de IA mais financiada por número de negócios, com mais de US$ 4 bilhões implantados em empresas de plataforma de agentes apenas em 2024-2025. Salesforce Ventures, a16z, Lightspeed e Khosla cada um fez múltiplas apostas em agentes. A lógica estratégica é direta: se a IA passa de responder perguntas para completar tarefas, o valor econômico se desloca dos custos de inferência (cada vez mais comoditizados) para a camada de orquestração, as integrações, os sistemas de memória e as garantias de confiabilidade que tornam os agentes confiáveis o suficiente para operar sem supervisão.

O que os agentes empresariais estão realmente fazendo

Os casos de uso que ganharam mais tração são, como era de se esperar, aqueles com o retorno sobre investimento mais claro. Desenvolvimento de vendas — agentes de IA que pesquisam prospects, redigem contatos, gerenciam sequências e encaminham leads qualificados para representantes humanos — é provavelmente a categoria de agente mais implantada em empresas hoje. 11x, Artisan e várias outras startups construíram especificamente nessa área, competindo com players estabelecidos de automação de vendas como Outreach e Salesloft, oferecendo agentes de IA em vez de automação baseada em regras.

Atendimento ao cliente é a outra categoria de alta tração. A Sierra, fundada por Bret Taylor e Clay Baird e apoiada por US$ 175 milhões da Sequoia e outros investidores, construiu uma plataforma de conversação de IA especificamente para atendimento ao cliente que lida com interações complexas de múltiplas voltas, incluindo devoluções, disputas de faturamento e solução de problemas técnicos. A empresa afirma que os clientes veem taxas de automação acima de 70% no volume do centro de contato. ServiceNow, Zendesk e Salesforce estão todos correndo para incorporar capacidades de agente em suas plataformas existentes para se defender contra a Sierra e startups similares.

Agentes de engenharia de software atraíram a maior atenção da mídia, com GitHub Copilot Workspace, Devin da Cognition, SWE-agent e uma dúzia de outros produtos afirmando completar tarefas de programação de forma autônoma a partir de uma especificação. Os resultados são reais, mas limitados: agentes atuais podem lidar com tickets bem definidos e isolados de forma confiável, mas têm dificuldades com bases de código grandes, decisões arquitetônicas complexas e tarefas que exigem compreensão de contexto organizacional não declarado.

A camada de infraestrutura

Abaixo das startups de agentes da camada de aplicação, um ecossistema de infraestrutura surgiu para resolver os problemas comuns que todo agente enfrenta. LangChain e sua oferta comercial LangSmith fornecem frameworks de orquestração e observabilidade. Composio oferece infraestrutura de integração — conectores pré-construídos para mais de 250 APIs SaaS empresariais, permitindo que agentes ajam no Gmail, Salesforce, Slack, Jira e outros sistemas sem que cada desenvolvedor precise construir integrações personalizadas. A E2B fornece ambientes de execução de código em sandbox para que agentes possam executar código com segurança. Recall.ai gerencia a infraestrutura de bots de reunião para agentes que participam de chamadas de vídeo.

Memória é um problema difícil subestimado para agentes. A janela de contexto de um modelo de linguagem é finita; um agente trabalhando em uma tarefa de vários dias precisa lembrar o que decidiu horas ou dias atrás. Várias startups — Letta (anteriormente MemGPT), Mem e outras — estão construindo sistemas de memória explícitos para agentes: armazenamento estruturado, recuperação e atualização do estado do agente que persiste entre sessões e escala além dos limites da janela de contexto.

A lacuna de confiabilidade

O desafio central da categoria é uma palavra que não é usada o suficiente em anúncios de financiamento: confiabilidade. Um humano completando uma tarefa tem sucesso ou falha graciosamente — se algo inesperado acontece, ele percebe e se adapta. Um agente de IA autônomo em um fluxo de trabalho de várias etapas pode falhar silenciosamente, tomar ações incorretas que são difíceis de reverter, ou ficar preso em loops de tentativa que têm consequências reais (e-mails duplicados enviados, transações duplicadas submetidas, dados errôneos escritos em sistemas de registro).

Implantações empresariais em produção geraram um padrão de incidentes que destacam onde os agentes atuais quebram: quando as APIs retornam respostas inesperadas, quando a descrição da tarefa era ambígua, quando uma permissão necessária não foi pré-concedida, ou quando uma tarefa de várias etapas requer contexto que não estava disponível no início. As principais plataformas de agentes investiram pesadamente em escalação humana no loop — projetando agentes que sabem quando pausar e pedir confirmação humana em vez de prosseguir com baixa confiança.

O nível de confiabilidade para software empresarial é muito maior do que para IA de consumo. Um consumidor usando um chatbot que erra 1 em cada 20 vezes fica levemente irritado. Um agente empresarial processando ordens de compra que erra 1 em cada 20 vezes é um passivo. Fornecedores estabelecidos de software empresarial como ServiceNow e SAP estão comercializando seus produtos de agente explicitamente com base em confiabilidade e auditabilidade, posicionando-se contra startups nativas de IA cujas demonstrações impressionantes podem obscurecer a lacuna de qualidade de produção.

A dinâmica plataforma versus startup

A competição familiar de plataformas agora está se desenrolando em agentes de IA. O Agentforce da Salesforce, lançado em setembro de 2024, é uma tentativa direta de possuir a camada de agente empresarial para seus 150.000 clientes. O Copilot para Microsoft 365 da Microsoft, aprofundado com capacidades autônomas no final de 2024, visa incorporar agentes nos fluxos de trabalho do Office e Teams onde os trabalhadores empresariais já vivem. O Now Assist da ServiceNow com capacidades de agente tem como alvo operações de TI e fluxos de trabalho de RH. Cada plataforma tem a vantagem de integrações pré-existentes, residência de dados, confiança e relacionamentos com clientes.

Startups competem em velocidade de inovação, especialização e capacidade de abordar casos de uso que grandes plataformas são muito lentas para construir. A questão para startups de agentes de IA é se elas podem alcançar escala antes que os fornecedores de plataforma comoditizem sua proposta de valor central — uma questão que toda startup de SaaS empresarial eventualmente enfrenta, mas que o ritmo acelerado da IA torna excepcionalmente urgente.

O mercado é grande o suficiente para que múltiplos resultados sejam viáveis. Plataformas capturarão os casos de uso horizontais genéricos. Agentes verticais especializados — para jurídico, saúde, serviços financeiros, engenharia de software e pesquisa científica — podem sustentar negócios independentes em escala significativa. E a camada de infraestrutura — orquestração, memória, integrações, observabilidade — provavelmente verá consolidação em torno de um pequeno número de ferramentas padrão, como aconteceu com infraestrutura em nuvem e ferramentas de DevOps antes.

Os próximos 18 meses serão esclarecedores. Os produtos de agente que demonstrarem ROI consistente e mensurável em implantações empresariais de produção crescerão rapidamente. Aqueles que brilham em demonstrações, mas lutam com os requisitos de confiabilidade pouco glamourosos, encontrarão um teto natural. A corrida está acontecendo agora; a triagem vem em seguida.