Na reunião em que se desenha a estrutura do próximo ano, a pergunta sobre IA mudou: ninguém mais debate se a empresa vai usar a tecnologia, mas sim que papéis os agentes vão ocupar, como trabalham com as pessoas e quem responde pela entrega. Em muitas organizações, a resposta ainda é “cada área usa a sua ferramenta” e é exatamente nesse ponto que a estrutura deixa de existir.
Um agente costuma entrar como ferramenta solta: alguém o contrata, alguém o configura e ninguém o inclui em lugar nenhum do organograma, até que a primeira entrega errada revele o que ele vinha fazendo. A pergunta que a liderança precisa responder é o que faz um agente virar parte do time, com entrega e dono e não uma ferramenta que ninguém governa.
As melhores notícias de tecnologia B2B
Acompanhe todas as novidades diretamente na sua caixa de entrada
O próximo organograma já tem agentes e a questão é se eles foram desenhados ou apenas adicionados: a capacidade do modelo a empresa compra, mas é o desenho dos papéis que decide se essa capacidade vira entrega e resultado.
Leia também: IA não cria vantagem competitiva sozinha. Decisões melhores, sim
Quatro em cada dez projetos de agentes não devem chegar a 2028
A primeira onda de projetos com agentes já tem previsão de baixa e nenhum dos motivos é limitação do modelo. Em junho de 2025, a Gartner previu que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro ou controles de risco inadequados. Segundo a analista Anushree Verma, a maioria dos projetos atuais são experimentos ou provas de conceito movidos pelo hype e muitas vezes mal aplicados e muitos casos apresentados como agênticos nem precisariam de uma implementação agêntica. Custo, valor e risco são perguntas de gestão e o padrão que a previsão descreve é o de projetos que começaram antes de alguém responder a elas.
A indústria já tinha dado o critério. Em dezembro de 2024, no Building effective agents, a Anthropic separou workflows, sistemas em que modelos e ferramentas seguem caminhos de código predefinidos, de agentes, em que o modelo dirige o próprio processo e o uso de ferramentas e recomendou encontrar a solução mais simples possível, o que pode significar não construir agente nenhum. Para o executivo, a consequência é que a primeira decisão de desenho vem antes da tecnologia: qual tarefa precisa de autonomia, qual cabe em um fluxo fixo e qual um bom pedido resolve.
O agente entra pela compra e não pelo desenho da posição
Na minha leitura, os projetos ficam sem valor claro porque os agentes entram na empresa pela compra e não pelo organograma. Chegam por licença de software, piloto oferecido pelo fornecedor ou cartão corporativo de uma área e por isso passam pelo processo de compras e de TI e não pelo de estrutura organizacional. Uma posição humana nova exige descrição de função, gestor, meta e período de experiência, enquanto um agente comprado como assinatura recebe um acesso e uma lista de tarefas e ninguém define o que ele entrega, para quem e com qual padrão. TI e áreas de negócio têm parte nisso, porque trataram agente como ferramenta, que se renova ou se cancela e não como posição, que se desenha e se avalia.
O efeito aparece na forma como o projeto é medido. Ferramenta se acompanha por adoção, como número de usuários e de chamadas por mês, enquanto posição se acompanha por entrega, como e o que mudou no prazo, no custo ou na qualidade do trabalho. Um agente medido por uso parece bem-sucedido até a renovação do contrato, quando alguém pergunta o que ele entregou e ninguém tem a resposta e é nesse ponto que o projeto entra na estatística de cancelamentos. No mesmo comunicado, a Gartner recomenda buscar a IA agêntica apenas onde ela entrega valor ou retorno claro e focar a produtividade da organização e não só o reforço de tarefas individuais, o que na prática é um pedido de desenho de posição.
O curso Building effective human-agent teams, da Claude Academy, descreve a mudança que esse modelo de compra ignora: a passagem da IA single-player, usada por cada pessoa como assistente individual, para a IA multiplayer, em que agentes atuam como membros de um time. Um assistente responde a quem pergunta, enquanto um membro do time tem função, entrega esperada e padrão de qualidade e é cobrado por eles. A diferença não está no modelo, mas sim em quem decidiu o papel e ela ajuda a explicar por que o mesmo agente rende em uma área e vira custo em outra.
Agente como time de especialistas
Papéis claros funcionam com agentes pelo mesmo motivo que funcionam com pessoas, e a diferença entre agente e subagente mostra por quê. Um agente é uma IA com função, ferramentas e autonomia para executar uma tarefa de vários passos, enquanto um subagente é um agente que outro agente aciona para cuidar de uma parte dessa tarefa, com instruções, ferramentas e contexto próprios, e que devolve só o resultado. Na documentação do Claude Code, a ferramenta de programação da Anthropic, os subagentes são descritos como assistentes especializados em tipos específicos de tarefa, e as vantagens listadas soam familiares a qualquer gestor: preservar o contexto principal, limitar as ferramentas que cada especialista pode usar, reaproveitar configurações entre projetos, especializar o comportamento com instruções focadas e controlar o custo ao enviar tarefas simples para modelos mais rápidos e baratos.
A comparação mais útil é a de um profissional generalista contra um time formado por um coordenador e especialistas. O generalista carrega tudo, da pesquisa à revisão, passando pelo histórico de cada decisão, e por isso rende bem em tarefas curtas, mas perde precisão à medida que o trabalho cresce e o contexto acumula ruído. O time divide o trabalho: o coordenador entende o pedido, distribui as partes e valida o resultado, enquanto cada analista recebe só o que precisa para a sua parte e entrega dentro de um padrão. É o desenho de uma agência em que o atendimento distribui o trabalho para estrategista, redator e designer, e foi esse o desenho que a Anthropic testou com agentes.
No relato How we built our multi-agent research system, a empresa descreve um sistema de pesquisa em que um agente líder (Claude Opus 4) divide a pergunta e delega a subagentes (Claude Sonnet 4) que trabalham em paralelo, cada um com contexto próprio, e o resultado foi que essa configuração superou o agente único em 90,2% na avaliação interna e o ganho veio sobretudo de perguntas que podiam ser divididas em direções independentes.
No Claude Code, cada subagente é um arquivo de texto com nome, descrição, ferramentas permitidas e as instruções da função, guardado na pasta do projeto ou do usuário, e o Claude delega a ele quando o pedido combina com a descrição ou quando o usuário o chama pelo nome. Na prática, é uma descrição de cargo em um formato que a máquina lê: a descrição diz quando aquele especialista entra, a lista de ferramentas diz o que ele pode tocar e as instruções dizem como ele trabalha. Para quem não programa, um projeto no Claude.ai permite testar a mesma lógica em cinco passos:
- Crie um projeto e suba os arquivos de contexto compartilhados, como oferta, cliente e manual de marca.
- Escreva a missão do time, em poucas linhas.
- Liste cada especialista com função, entregas e regras.
- Defina um coordenador que distribui o trabalho e valida tudo contra o manual da marca.
- Peça que cada resposta comece com a tag de quem está atuando, o que deixa um rastro de qual função produziu cada entrega.
Você coordena 3 especialistas: [Pesquisa] levanta dados e fontes; [Redação] escreve no tom do arquivo de marca; [Revisão] checa precisão e ortografia. Inicie cada resposta com a tag de quem atua. Após qualquer correção, proponha um ajuste nestas instruções.
É uma simulação: no projeto, o mesmo modelo alterna os papéis dentro da mesma conversa, então o time herda a lógica da especialização, mas não o o trabalho em paralelo dos subagentes. Para o teste render, vale acionar um especialista por etapa, e não todos ao mesmo tempo, e usar o coordenador como controle de qualidade.
A lição que vale para qualquer gestor é sobre delegação. Segundo a Anthropic, cada subagente precisa de um objetivo, de um formato de saída e de orientação sobre ferramentas e fontes, e instruções vagas fizeram agentes interpretarem mal a tarefa e repetirem buscas que outros já tinham feito. Quem já delegou trabalho a pessoas reconhece o problema: briefing ruim gera retrabalho em qualquer tipo de funcionário, e o que a empresa não escreveu sobre a função, o agente preenche com uma suposição. É o mesmo ponto que defendi no artigo IA sem contexto é estagiário no primeiro dia: sem o contexto da empresa, até o modelo mais capaz trabalha como quem acabou de chegar, e por isso o desenho de um papel começa pelo que está escrito sobre ele.
Agente se desenha como posição: dono, métrica e grau de autonomia
Desenhar o papel de um agente é aplicar a ele o que a empresa já faz com qualquer posição nova: função, dono, meta e grau de autonomia. Não é uma disciplina nova nem substitui o desenho das funções humanas, mas o estende, e cada elemento responde a um dos motivos de cancelamento apontados pela Gartner: a métrica ligada à entrega responde ao custo, a função e o escopo respondem ao valor pouco claro, e o dono humano com aprovação definida responde ao risco. O curso da Claude Academy resume a base em quatro princípios: papéis claros, uma estrela-guia escrita, liberação gradual e acesso à informação certa.
Para o executivo, os quatro princípios viram decisões que só a liderança toma. Papéis claros significam função, entregas e regras escritas para cada agente, com um coordenador que valida o trabalho contra o padrão da empresa. A estrela-guia funciona como o objetivo de um OKR para o time: uma frase com o resultado que pessoas e agentes existem para entregar, desdobrada em poucos resultados-chave mensuráveis e acompanhada do que fica fora do escopo. Assim como um time sem OKR prioriza o que está na frente, sem a estrela-guia cada agente otimiza a própria tarefa, e a soma das entregas não move o resultado do negócio. A liberação gradual começa por tarefas de baixo risco, como rascunhos revisados por uma pessoa, e amplia a autonomia conforme a qualidade se prova, com critério e com alguém que autoriza a mudança. O acesso certo define o que cada função lê: o agente de propostas lê a tabela de preços e os cases aprovados, mas não a folha de pagamento.
No organograma, isso se traduz em quatro movimentos: desenhar papéis humanos e de agentes na mesma estrutura, com o dono humano de cada agente; definir uma métrica por agente, ligada à entrega, e não ao uso; revisar a autonomia a cada trimestre; e declarar o que fica sempre com pessoas, como priorização e corte de escopo. Juntos, esses movimentos tratam os três motivos de cancelamento do começo já que a métrica por agente controla o custo, a estrela-guia e a função tornam o valor visível, e o dono com aprovação definida contém o risco. Nenhum deles depende do modelo que a empresa compra, mas todos dependem de uma decisão que costuma ficar sem dono: quem responde pelo agente.
O que muda para quem aprova o orçamento de IA
A próxima rodada de investimento em agentes vai separar as empresas que adicionaram ferramentas das que desenharam posições. Para quem aprova o orçamento, a regra cabe em uma linha: nenhum agente entra sem dono, métrica e grau de autonomia definidos.
O organograma sempre foi menos um desenho de caixas do que um acordo sobre quem decide e quem responde. Os agentes não mudam esse acordo, mas o colocam à prova e a empresa que já convivia com funções sobrepostas e responsabilidade difusa vai ver o mesmo problema se repetir em escala e com mais velocidade, enquanto a que sabe dizer o que cada posição entrega encontra nos agentes uma extensão natural do time. A tecnologia deixa a capacidade cada vez mais barata e acessível, e por isso o que diferencia uma empresa da outra passa a ser a clareza com que ela organiza o trabalho.
O modelo se compra. O papel se desenha. E quem desenha é a liderança.
Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!
Fonte: https://itforum.com.br/artigos/proximo-organograma-ja-tem-agentes/

