Falta de conhecimento, e não de dados, é o principal obstáculo que impede agentes de inteligência artificial corporativos de saírem dos projetos pilotos, aponta pesquisa do MIT Technology Review Insights
Uma pesquisa conduzida pelo MIT Technology Review Insights, braço de conteúdo sob medida da publicação, revela que apenas cerca de um terço dos projetos corporativos de agentes de inteligência artificial chega efetivamente à produção. O levantamento, baseado em respostas de 300 executivos das áreas de dados, IA e tecnologia, aponta uma deficiência curiosa nesses sistemas: embora acumulem e analisem dados continuamente, os agentes frequentemente carecem de conhecimento, entendido como a compreensão do que os dados significam no contexto de cada organização. Essa lacuna é apontada como um dos principais motivos pelos quais casos de uso de IA agentiva nunca avançam para o ambiente operacional.
Segundo o relatório, os agentes precisam desse entendimento contextual para raciocinar sobre situações, tomar decisões e, por fim, executar ações. Sem conhecimento suficiente, tendem a cometer decisões falhas e não confiáveis. A pressão competitiva torna o problema urgente. As organizações precisam implantar e escalar mais de seus projetos de agentes para capturar os ganhos de eficiência prometidos pela inteligência artificial. Falhar nesse objetivo significa desperdiçar o investimento já realizado e ceder espaço para rivais que já colocam seus agentes para trabalhar de forma mais eficaz.
O estudo teve três objetivos declarados. Primeiro, medir as capacidades de conhecimento agentic das organizações, ou seja, a habilidade de dar aos agentes uma compreensão contextual completa dos dados que ingerem, avaliada em três dimensões: conhecimento semântico, memória episódica e conhecimento de procedimentos. Segundo, investigar os desafios enfrentados para melhorar o acesso ao conhecimento e levar mais casos de uso à produção. Terceiro, examinar as medidas que as empresas estão adotando para superar essas barreiras.
Entre as conclusões centrais está a constatação de que fragilidades em dados e conhecimento travam consistentemente o avanço dos agentes de IA. Em média, apenas 34% dos projetos de IA agentiva das organizações pesquisadas chegam à produção, e até mesmo empresas de alta tecnologia enfrentam essa dificuldade. Os pontos de falha mais citados envolvem sistemas de dados legados, preocupações de segurança e privacidade e a falta de conhecimento e contexto sobre os próprios dados.
O relatório identifica também um grupo restrito de organizações que se destacam, chamado de líderes de produção. Nelas, em média 61% dos projetos de agentes avançam além da fase de piloto. Essas empresas apresentam capacidades de conhecimento mais fortes do que as demais, especialmente no campo da semântica, e essa vantagem acompanha de perto sua taxa superior de chegada à produção. O dado sugere uma correlação direta entre a qualidade do conhecimento disponibilizado aos agentes e o sucesso na implantação dos sistemas.
A fragmentação de dados aparece como o obstáculo mais citado ao expansionismo do acesso ao conhecimento, mencionado por 55% dos entrevistados como desafio principal. O termo descreve o compartilhamento inadequado de informações entre sistemas diferentes, o que dificulta que os agentes enxerguem o conjunto completo do contexto corporativo. Curiosamente, entre os líderes de produção, a preocupação mais frequente é outra: 72% desse grupo enxerga nas questões de segurança e privacidade o maior entrave, um sinal de que, à medida que os projetos amadurecem, o foco das barreiras muda de natureza.
Para elevar a qualidade das decisões dos agentes, a maioria das empresas busca fortalecer a ligação entre dados e agentes. Entre as medidas com potencial de maior impacto, os executivos esperam que o fortalecimento da base estrutural que conecta os dados da organização aos seus agentes de IA seja o caminho mais promissor. Os especialistas ouvidos na pesquisa apontam a chamada camada de conhecimento como a principal forma de alcançar esse objetivo, funcionando como a ponte estrutural entre o acervo de dados corporativos e os sistemas de IA.
As prioridades de investimento para ampliar o acesso ao conhecimento abrangem desde pipelines de ingestão até grafos de conhecimento. As organizações pretendem concentrar recursos em tecnologias de recuperação de informação, como pipelines de ingestão de dados, APIs preparadas para IA e a geração aumentada por recuperação, técnica conhecida pela sigla RAG que permite aos modelos buscar informações relevantes em bases externas. Também estão na lista de prioridades os agentes de avaliação de IA, responsáveis por medir a qualidade dos resultados, e os grafos de conhecimento, estruturas que organizam informações por meio de relações entre entidades.
O relatório foi produzido pelo MIT Technology Review Insights em parceria com a Neo4j, tendo sido pesquisado e escrito por pessoas, com eventuais ferramentas de IA limitadas aos processos de produção sob supervisão humana. O documento completo está disponível para download no site do MIT Technology Review, na seção de relatórios da publicação. Em síntese, o estudo reforça que o futuro da IA agentiva nas empresas depende menos do volume de dados acumulado e mais da capacidade de transformar esses dados em conhecimento estruturado, acessível e confiável para os agentes.
