CTO da Pine Labs, Sanjeev Kumar, discute a construção de um ecossistema para a economia de agentes, enfatizando confiança e controle

Harry Alt, CEO da WSO2, declarou que as corporações precisam entender mais profundamente como os sistemas baseados em inteligência artificial (IA) se comportam e interagem com todos os componentes de rede, em vez de se concentrarem apenas na questão do acesso a essas redes por agentes específicos.

A WSO2, uma empresa americana especializada em software de código aberto e fundada em 2005, lida com a integração de sistemas de software, segurança de identificação de usuários e acesso para empresas.

Segundo Alt, embora os agentes baseados em IA tenham sido usados por algum tempo, a maioria deles foi aplicada em sistemas determinísticos, onde a segurança e o gerenciamento são incorporados diretamente à rede, deixando pouco espaço para os agentes realizarem tarefas fora dos limites estabelecidos.

Ele observou que a transição para a IA generativa leva a cenários mais probabilísticos, onde os resultados não podem ser previstos, o que representa um sério problema para aplicações de nível de produção, e essa transição está ocorrendo em todas as empresas.

Para controlar tais agentes, as empresas devem desenvolver seus próprios planos de gerenciamento de IA, criar gateways de simulação e serviços de autenticação, em vez de usar soluções prontas, preservando assim a propriedade intelectual indefinidamente.

Alt assumiu o cargo de CEO da WSO2 do fundador e líder de longo prazo Sanjeev Iyeravaran, que se aposentou em agosto deste ano. Alt acredita que todos os problemas decorrentes da IA, como o comportamento incontrolável de agentes ou a geração de respostas irrelevantes por modelos de linguagem grandes, serão resolvidos graças ao 'código aberto e padrões abertos', o que permitirá que um maior número de pessoas trabalhe colaborativamente no mesmo problema.

Ele acrescentou que a maior parte das oportunidades de receita para quase todas as empresas de tecnologia e produtos globais provém da demanda relacionada à IA, e essa tendência provavelmente persistirá no futuro previsível.

Falando sobre crescimento, Alt enfatizou a necessidade de resolver todos os problemas existentes na área de IA, após o que a empresa discute orçamentos com outras firmas e lhes oferece soluções apropriadas.

Ele informou que em países e regiões como EUA e Índia, a abordagem 'AI-first' tornou-se padrão para todas as empresas. Ele destacou especialmente a Índia, observando que a escala e o valor que a tecnologia pode oferecer nesse país podem não ser encontrados em nenhuma outra região.

A empresa, que atende cerca de 950 clientes em 92 países, também colabora com grandes instituições governamentais, reguladores e organizações financeiras na Índia. Além disso, ele mencionou o forte desenvolvimento de empresas de produtos lideradas por fundadores na Índia graças aos avanços na tecnologia de IA generativa, o que oferece a empresas como a WSO2 muitas opções de aquisição ou fusão com uma empresa-mãe.

Nos últimos anos, a melhoria dos resultados com IA dependeu da capacidade de escrever solicitações (prompts) de maior qualidade. No entanto, essa paradigma está mudando rapidamente, à medida que os sistemas de IA começam a raciocinar, tomar decisões e executar ações dentro de fluxos de trabalho inteiros de forma autônoma.

No evento TechSparks 2026, o principal evento da YourStory, o Dr. Vignesh Subrahmaniam, pesquisador sênior de IA na Intuit, conduziu uma conversa com Aditya Charlie, editor-chefe da YourStory e The CapTable. A discussão, intitulada «Além do Prompt: Criando IA que Pensa, Age e Aprende», abordou o que os desenvolvedores precisam repensar à medida que a inteligência se torna cada vez mais autônoma.

A sessão começou com perguntas sobre o dia de trabalho típico de Subrahmaniam e um pedido para simplificar os conceitos de fintech e IA para o público. Ele usou uma analogia com xadrez, perguntando: se um algoritmo não for ensinado as regras do xadrez, mas sim mostrado um milhão de partidas concluídas com vencedores, ele será capaz de deduzir tanto as regras quanto as estratégias mais prováveis para vencer?

A equipe da Intuit aplica uma abordagem semelhante para apoiar pequenas empresas, pois a empresa atende tanto consumidores quanto contadores. Subrahmaniam observou: «Assim como estudamos o jogo dos negócios, analisando dados, ações reais e resultados que as empresas tomam». O objetivo é entender os fatores que levam ao sucesso empresarial na aquisição de clientes, crescimento rápido e melhoria do fluxo de caixa.

Em seguida, a conversa passou para a mudança de paradigma para os desenvolvedores: de estudar por muitos anos a escrita de prompts mais inteligentes para projetar agentes que têm um objetivo e determinam os passos para alcançá-lo. Subrahmaniam comparou a engenharia de prompts com a longa história das linguagens de programação, desde o código binário e assembly até Fortran, C e Python. Os grandes modelos de linguagem permitiram que qualquer pessoa programasse em inglês simples, mas este método tem suas limitações.

Os pesquisadores rapidamente perceberam que a inteligência não deveria residir apenas no modelo. O modelo deve atuar como um orquestrador, dividindo uma tarefa complexa em uma sequência de ações e chamadas de ferramentas. A inteligência real move-se para as ferramentas que são chamadas; e essas ferramentas também devem ser projetadas de forma diferente: «não para que um humano, ou um desenvolvedor de software, ou qualquer outra pessoa possa usá-las, mas de modo que o orquestrador LLM possa realmente usá-las».

Isso exige a criação de ferramentas de alta precisão com resultados extremamente determinísticos. Para os desenvolvedores, a maestria muda de formulações espirituosas para componentes confiáveis que o modelo pode chamar repetidamente sem surpresas.

Sobre fontes de novos dados, Subrahmaniam declarou abertamente que o treinamento em dados textuais está em grande parte resolvido. O desafio mais complexo é treinar em fontes multimodais e ações reais. Ele deu o exemplo de como uma criança pequena aprende principalmente através do que vê, ouve e observa, e não através da leitura, afirmando que incluir tais sinais do mundo real nos sistemas de IA ajudará os modelos a ir além da geração de texto e começar a sugerir ações. Ele chamou isso de próximo marco.

Ao considerar os problemas de setores regulamentados, ele levou o público de volta a 18 anos atrás, a um dos primeiros laboratórios de aprendizado de máquina em Bangalore, onde trabalhou com regressão logística e perceptrons multicamadas. Naquela época, o maior problema não era o próprio algoritmo. Ele lembrou: «Na verdade, era a qualidade dos dados».

Este problema não mudou. Independentemente de a equipe estar treinando regressão simples ou ajustando um transformador, o princípio de «lixo na entrada, lixo na saída» permanece válido. Segundo ele, as empresas capazes de coletar, agregar e armazenar dados da mais alta qualidade obterão vantagem.

Durante uma breve sessão de perguntas e respostas, um participante perguntou como as restrições de armazenamento de dados financeiros afetam o trabalho da Intuit. Subrahmaniam nomeou o consentimento como a base de qualquer sistema de treinamento e citou um estudo de Framingham, onde os residentes da cidade de Massachusetts permitiram que os médicos monitorassem sua saúde ao longo do tempo, o que moldou a compreensão moderna de doenças cardiovasculares. Ele acrescentou que as empresas também são obrigadas a explicar ao público em geral os benefícios do uso de dados.

À medida que a conversa terminava, a ideia central foi que, à medida que a IA passa de reativa para proativa, os fundamentos se tornam mais importantes do que a interface. Os prompts permanecerão sendo o ponto de partida, mas o verdadeiro trabalho agora reside na criação de ferramentas confiáveis que os agentes podem chamar, no fornecimento de dados de alta qualidade aos sistemas e na obtenção do consentimento que lhes permite aprender. É aqui, além do prompt, que a próxima onda de IA será ganha pelos desenvolvedores.

Apesar de a inteligência artificial ser capaz de gerar código com velocidade sem precedentes, o processo de seu teste, verificação e implantação no ambiente de produção representa um desafio complexo separado. As equipes de engenharia estão cada vez mais utilizando agentes de IA para escrever código, corrigir erros e criar novas funcionalidades, mas acelerar a codificação não garante a aceleração da entrega de software.

À medida que a geração de código ganha força, o número de verificações aumenta, os testes desaceleram e as equipes têm dificuldade em coordenar o volume crescente de mudanças.

Na conferência TechSparks 2026, Tushar Mathur, CEO da Forge Code, abordou este problema em sua sessão 'Anatomia da Fábrica de Software'. Ele explicou como as organizações de engenharia orientadas por IA podem ir além da automação de tarefas individuais de codificação e começar a criar sistemas que gerenciam todo o ciclo de vida de desenvolvimento de software (SDLC).

Mathur observou que o fato de a geração de código ter se tornado mais fácil e rápida não significa que o SDLC geral será acelerado. Ele lembrou que a abordagem tradicional de desenvolvimento focava na escrita eficiente de código, exigindo que as equipes definissem requisitos, preparassem especificações e projetassem arquiteturas para reduzir a carga na fase de implementação.

No entanto, como a IA assume grande parte do trabalho de codificação, os gargalos mudam para outras áreas. Mathur descreveu uma situação em que as organizações enfrentam um enorme número de solicitações de mesclagem (pull requests) aguardando revisão, ciclos de teste mais longos e mais erros do que os conjuntos de regressão existentes conseguem detectar.

Ele enfatizou que a solução para o problema não reside necessariamente em contratar mais engenheiros ou lançar mais agentes de IA. Funcionários adicionais podem aumentar os custos de coordenação, e adicionar agentes sem mecanismos eficazes de feedback pode levar à criação de código que sobrecarrega os sistemas de verificação e teste.

'A razão para isso é a ausência de sinal', explicou Mathur, ao explicar por que simplesmente conectar etapas automatizadas não cria uma fábrica de software eficaz.

Mathur apresentou a Forge Code como uma fábrica de software que coordena agentes de IA durante todo o ciclo de desenvolvimento. O processo começa com a triagem de solicitações, criação de especificações e implementação de funcionalidades. Em seguida, os agentes verificam as alterações antes que sejam implantadas, com intervenção de engenheiros humanos quando são necessárias decisões ou feedback.

O sistema também monitora em ambiente de produção, usando os dados coletados para informar tarefas futuras. Isso forma um ciclo de feedback, permitindo que a fábrica identifique problemas, aprimore seus fluxos de trabalho e gere novo trabalho com base na experiência adquirida. Durante a apresentação, Mathur relatou que a Forge Code utilizou cerca de 100 agentes em segundo plano para trabalhar em funcionalidades, compatibilidade e detecção de erros.

Ele delineou seis princípios para criar uma fábrica de software eficaz: operação autônoma, escalabilidade, eficiência econômica, mensurabilidade, autoaperfeiçoamento e alinhamento com objetivos de negócios. O último princípio é particularmente importante.

A fábrica deve operar não como uma tarefa de codificação para cada solicitação, mas sim ser direcionada ao alcance de resultados específicos, como aumento da retenção de clientes ou conformidade regulatória. As equipes podem então priorizar funcionalidades com base no valor que elas agregam. Neste modelo, os engenheiros gastam menos tempo gerenciando cada tarefa e mais tempo observando os resultados, analisando sinais e melhorando o próprio sistema. Os líderes de negócios também podem fornecer solicitações e prioridades diretamente, permitindo que a fábrica transforme objetivos organizacionais em um backlog de desenvolvimento.

A velocidade de codificação é boa, mas criar software melhor é a verdadeira vitória. Para as equipes de engenharia, a chave é transformar a velocidade fornecida pela IA em produtos confiáveis, progresso mensurável e resultados de negócios reais.