Em 23 de setembro de 2026, a Diametral dedicou seu 19º LabTechDay aos agentes de IA. Pela primeira vez, nossas equipes de Paris, Lyon, Bruxelas, São Paulo e Bogotá trabalharam no mesmo dia sobre o mesmo programa. Na pauta: as escolhas de arquitetura, os frameworks de governança e os aprendizados de projetos que diferenciam um agente em produção de uma POC promissora.
Um agente é um sistema que persegue um objetivo por meio de um modelo, instruções, ferramentas, dados e um loop de controle. Nós os projetamos, construímos e operamos para nossos clientes. Este dia nos permitiu consolidar nossos métodos e alinhar todos os nossos engines em torno de uma mesma doutrina.
O LabTechDay, nosso laboratório de expertise
O LabTechDay é um formato interno recorrente: um dia inteiro em que nossos especialistas confrontam suas práticas de projeto, testam abordagens e produzem ativos reutilizáveis junto aos nossos clientes. Cada edição é conduzida por um engine; esta foi conduzida pelo engine Applied AI & Data Science.
Esta 19ª edição aconteceu na escala do Grupo: todos os nossos escritórios, em um programa comum. Ela se desenrolou em três etapas:
- Estabelecer o enquadramento: a evolução da IA preditiva para a IA generativa e depois agêntica, a anatomia de um agente (modelo, harness, ferramentas, memória, guardrails) e a escala de autonomia, do simples gerador ao agente autônomo.
- Projetar e construir: dois workshops em paralelo, um dedicado ao design e outro à engenharia.
- Confrontar com a realidade: uma plenária global com aprendizados de projetos quantificados, tanto sucessos quanto limites.
Saímos com um vocabulário comum a todos os nossos consultores, arquiteturas de referência e um Agent Solution Canvas já utilizável na fase de enquadramento junto aos nossos clientes.
Dois streams, todos os engines: projetar e depois construir
Um agente confiável depende tanto do seu design quanto da sua engenharia. Por isso, mobilizamos todos os nossos engines em dois streams complementares, reunidos no fim do dia em torno do mesmo caso.
Stream A: Design. Projetar uma solução agêntica.
- Pergunta: É preciso um agente, e em quais condições?
- Engines: Estratégia, Product Delivery, Governance & Quality, Decision Analytics, Acculturation & Change
- Formato: Enquadramento de um caso de cliente realista, seguido de revisão por um board de cinco papéis
- Entregável: Um Agent Solution Canvas de uma página
Antes de construir, qualificamos a necessidade. Agente, workflow, copiloto ou aplicação tradicional: aplicamos três testes. O fluxograma pode ser desenhado com antecedência? A próxima etapa depende do que a anterior encontrou? Quem executa, o humano ou o sistema? Quando o percurso é previsível, recomendamos um workflow: mais econômico, mais testável, mais previsível. O agente se justifica quando o caminho é descoberto ao longo do percurso.
As equipes aplicaram essa grade a um caso realista: um agente que produz um primeiro rascunho de proposta comercial a partir de uma RFP, notas de discovery e referências anteriores. Elas o formalizaram em nosso Agent Solution Canvas: 14 decisões em 4 fases (Enquadrar, Conceder, Controlar, Comprometer-se), cada uma com um critério de validação. Nível de autonomia, raio de impacto de cada ferramenta, fronteiras de confiança, direitos de decisão humanos, hipótese de valor quantificada, primeiro escopo de entrada em produção. Cada canvas foi então defendido diante de um board de cinco papéis: sponsor do cliente, arquiteto corporativo, responsável por segurança e governança, delivery lead e usuário final.
Stream B: Build. Construir um agente do zero.
- Pergunta: Como construir um agente confiável e governável?
- Engines: Applied AI & Data Science, Architecture & Engineering
- Formato: Construção de um agente do zero: modelo, ferramentas, loop de controle, guardrails
- Entregável: Um harness de agente operacional
Nossos perfis técnicos montaram tudo o que envolve o modelo: a chamada de ferramentas, o loop decidir-agir-observar, a memória, as permissões, a observabilidade e os orçamentos de execução. Nosso princípio de arquitetura: um núcleo probabilístico dentro de uma casca determinística. O modelo traz o julgamento; o código traz as garantias.
Os dois streams convergem em um ponto: um controle se projeta na arquitetura, não no prompt. “Ele não pode enviar e-mails externos porque não tem ferramenta de envio” é um controle. “Pedimos a ele que não faça isso” não é.
Aprendizados de projetos: o que funciona em produção e o que ainda precisa ser dominado
A plenária reuniu todos os países em torno de dois casos implantados em nossos clientes, apresentados com suas métricas e seus limites.
Luxo e beleza: um agente consultor de produtos para uma grande maison
Projetamos e implantamos um agente consultor sobre o catálogo de perfumes e beleza de uma maison de luxo. A necessidade: responder a uma pergunta como “qual a alternativa ao meu batom, e como aplicá-lo de acordo com a marca?”, quando a resposta está dispersa entre vários sistemas.
- Escopo: mais de 4.000 produtos, mais de 200.000 preços cruzados por mercado, país e volume, 6 fontes de dados.
- Arquitetura: um agente ReAct, 18 ferramentas expostas por meio de 4 servidores MCP, text-to-SQL e RAG, implantado em Kubernetes, rastreado e medido a cada execução. Cada novo caso de uso (atendimento ao cliente, loja) é declarado por configuração, sem reconstruir a base.
- Resultados em uma campanha de não regressão de 100 casos: 76% de recall de produtos, 6,9 s de latência mediana, 100% de precisão de ferramentas (nenhuma chamada fora do escopo).
- Guardrails: cada resposta é rastreável até um dado de referência. As recusas (aconselhamento médico, estratégia de marca) são testadas e versionadas da mesma forma que as respostas esperadas.
Também compartilhamos o limite encontrado. Nas perguntas mais abertas, a meta de qualidade não havia sido definida previamente por um responsável de negócio. Nossa recomendação: fazer com que as equipes responsáveis pelo caso de uso definam o critério de “boa resposta” desde o enquadramento. É isso que torna mensuráveis até as perguntas mais subjetivas.
Delivery: a Hybrid Squad, dois humanos e n agentes
A adoção de agentes de código decolou; a criação de valor, bem menos. Segundo o BCG, 5% das organizações capturam a maior parte do valor da IA, e a diferença é organizacional, não tecnológica.
Nossa resposta é a Hybrid Squad “2H + nA”: um Product Owner e um Data Architect responsáveis, agentes que executam sob contrato versionado e cinco portões de validação humana entre um agente e a produção. Três princípios a estruturam: os humanos continuam responsáveis, os agentes são delimitados e a autonomia se conquista com evidências. Uma demonstração ao vivo ilustrou o modelo. Esse trabalho dará origem a um livro, The Future of AI-Powered Delivery.
Saber dizer não ao agent washing
Nem toda automação justifica um agente. Um relatório mensal do pipeline comercial segue uma sequência fixa: nesse caso, recomendamos um workflow, com um modelo limitado à etapa de síntese. Qualificar a necessidade com honestidade faz parte da nossa expertise.
Nossa abordagem: Diametral Process aplicado aos agentes
Um agente que se sustenta em produção mobiliza todas as nossas expertises, da estratégia à operação. É isso que estrutura o Diametral Process, nossa metodologia para construir as empresas AI-native:
Design: Pertinência do agente, hipótese de valor quantificada, escopo, nível de autonomia
Build: Arquitetura, ferramentas e permissões, guardrails, avaliações nos dois sentidos (agir e recusar)
Scale: Extensão por configuração, direitos de decisão humanos, adoção pelas equipes
Run: Observabilidade, não regressão contínua, responsável designado do lado do cliente
Nossa convicção: a autonomia se delega; a responsabilidade, nunca. Apoiamos nossos clientes na escolha do nível certo de agência, na sua construção e na sua operação ao longo do tempo.
